كيف تبسّط منصة Ultralytics نشر نماذج الرؤية الحاسوبية

تعمل Ultralytics مع مجتمع الرؤية الحاسوبية منذ سنوات، وتُنشئ نماذج وأدوات تجعل ذكاء الرؤية الاصطناعي متاحًا للجميع. ومن خلال منصة Ultralytics، نمضي خطوة إضافية بجمع سير عمل تطوير الرؤية الحاسوبية بأكمله في بيئة موحدة واحدة، تشمل كل شيء بدءًا من إدارة مجموعات البيانات وشرحها وصولًا إلى تدريب النماذج والتحقق منها ونشرها.

على وجه الخصوص، يسرّنا أن نجعل نشر نماذج الرؤية الحاسوبية أسهل. ومع تزايد انتشار الرؤية الحاسوبية في التطبيقات الواقعية، لا يزال تحليل الصور والفيديو خارج البيئات الخاضعة للتحكم أمرًا معقدًا.

على عكس بيئات الاختبار التي يمكن فيها التنبؤ بالظروف، تتسم السيناريوهات الواقعية بتفاوت الإضاءة وتغير المدخلات وأعباء العمل غير المتوقعة، ما يجعل النشر من أصعب مراحل سير عمل الرؤية الحاسوبية.

لا يقتصر النشر على إتاحة النموذج للاستخدام فحسب، بل يتطلب إعداد عمليات قادرة على التعامل مع البيانات الواقعية وضمان سلاسة التشغيل مع ازدياد الاستخدام وتوسع المشاريع.

تحتاج الفرق أيضًا إلى تتبع الأداء والحفاظ على الموثوقية بمرور الوقت. وغالبًا ما يعني ذلك التنقل بين أدوات ذكاء اصطناعي مختلفة للاختبار والتكامل والنشر والمراقبة، ما قد يبطئ تطوير النماذج ويضيف تعقيدًا غير ضروري.

ينتهي الأمر بسير العمل إلى التشتت. وتوحّد منصة Ultralytics هذه العملية وتبسّطها.

توفر المنصة دعمًا مدمجًا لخدمة النماذج واختبارها ومراقبتها ضمن بيئة واحدة. ويمكن للفرق التحقق من النماذج باستخدام الاستدلال عبر المتصفح، ودمجها في التطبيقات من خلال خدمات استدلال مشتركة، ونشرها على نقاط نهاية مخصصة مزودة بإمكانات مراقبة الأداء.

الشكل 1. لمحة عن صفحة النشر ضمن منصة Ultralytics (المصدر)

في هذا المقال، نستعرض كيف تبسّط Ultralytics Platform نشر النماذج في مجال الرؤية الحاسوبية، بدءًا من الاختبار والتكامل وصولًا إلى النشر في بيئة الإنتاج والمراقبة. لنبدأ!

نظرة عامة على نشر نماذج الرؤية الحاسوبية#

في دورة حياة تعلّم الآلة، يُعد نشر النموذج المرحلة التي ينتقل فيها النموذج من التجريب إلى الاستخدام في العالم الواقعي. وبالنسبة إلى نماذج الرؤية الحاسوبية المبنية باستخدام التعلّم العميق والشبكات العصبية الالتفافية، يعني ذلك عمومًا إتاحتها لمعالجة الصور ومقاطع الفيديو في الوقت الفعلي.

بعد نشر هذه النماذج، تستقبل بيانات جديدة تمر عادةً بخطوات معالجة مسبقة مثل تغيير الحجم أو التطبيع أو التنسيق. ثم تُمرر البيانات المعالجة إلى النموذج، الذي يطبق الأنماط التي تعلمها أثناء التدريب لإنتاج تنبؤات عالية الدقة.

قد تشمل هذه العملية مهام مختلفة في الرؤية الحاسوبية، بحسب حالة الاستخدام. فعلى سبيل المثال، تدعم نماذج Ultralytics YOLO، مثل Ultralytics YOLO26، مجموعة واسعة من مهام الرؤية، بما في ذلك اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة (OBB).

ولجعل ذلك عمليًا في التطبيقات الواقعية، غالبًا ما يلزم دمج النماذج في أنظمة تتعامل بكفاءة مع كل من المعالجة المسبقة والاستدلال. وهنا تصبح البنية التحتية للنشر ضرورة أساسية.

في بيئات الإنتاج، يُستفاد من النماذج عادةً عبر واجهات REST API أو أنظمة خدمة النماذج. وتتيح هذه الواجهات للتطبيقات إرسال البيانات واستلام التنبؤات برمجيًا، ما يسهل التكامل مع التطبيقات الخارجية أو أجهزة إنترنت الأشياء أو الأنظمة الروبوتية التي تعتمد على الفهم البصري في الوقت الفعلي.

قيود أدوات نشر الرؤية الحاسوبية التقليدية#

قد يبدو نشر نماذج الرؤية الحاسوبية أمرًا مباشرًا، لكن تطبيقه عمليًا كان مختلفًا إلى حد كبير حتى الآن. لننظر إلى إعداد شائع: تُلتقط البيانات أولًا من الكاميرات أو المستشعرات، ثم تُرسل إلى نموذج للاستدلال، وبعد ذلك تُعاد إلى تطبيق على هيئة تنبؤات.

في الواقع، غالبًا ما تتولى أدوات وخدمات منفصلة كل خطوة من هذه الخطوات. فقد يتولى نظامٌ التقاط البيانات، ويتولى آخر إدارة خدمة النماذج، بينما تُستخدم أدوات إضافية للتوسع والمراقبة وتسجيل السجلات. وسرعان ما يصبح إبقاء هذه المكونات مترابطة وتشغيلها بموثوقية أمرًا معقدًا.

يزداد هذا التعقيد مع نمو الاستخدام. وقد تؤدي إدارة البنية التحتية والتعامل مع الاعتماديات والحفاظ على أداء متسق في جميع مراحل خط المعالجة إلى إبطاء التطوير وزيادة صعوبة نشر نماذج الرؤية الحاسوبية في التطبيقات الواقعية.

تجمع منصة Ultralytics هذه المكونات في بيئة موحدة واحدة. وهذا يوفر طريقة أكثر تكاملًا لإدارة سير عمل النشر بالكامل، مع دعم الأداء والموثوقية على نطاق واسع.

خيارات نشر النماذج التي تتيحها منصة Ultralytics#

إلى جانب توحيد عملية نشر النماذج، توفر منصة Ultralytics أيضًا مرونة في كيفية نشر النماذج واستخدامها.

لدعم المراحل المختلفة لنشر نماذج الرؤية الحاسوبية، توفر المنصة أربعة خيارات: الاختبار عبر المتصفح مع الاستدلال الفوري، والاستدلال المشترك عبر واجهات API لأغراض التطوير، ونقاط النهاية المخصصة لعمليات النشر الإنتاجية القابلة للتوسع في مناطق حول العالم، وتصدير النماذج لتشغيلها على بنية تحتية خارجية أو أجهزة طرفية.

فلنلقِ نظرة عن كثب على آلية عمل كل خيار من هذه الخيارات.

التحقق السريع من النماذج باستخدام علامة التبويب Predict#

قبل نقل نموذج إلى بيئة الإنتاج، من المهم فهم أدائه على بيانات جديدة لم يسبق له رؤيتها. تتضمن منصة Ultralytics علامة تبويب Predict مدمجة تتيح لك تشغيل الاستدلال مباشرةً في المتصفح دون أي إعداد أو بنية تحتية أو اعتماديات.

تجعل علامة التبويب Predict التحقق من النماذج سريعًا وتفاعليًا. يمكنك تحميل الصور أو استخدام أمثلة محمّلة مسبقًا أو التقاط المدخلات بكاميرا ويب، ويُشغّل الاستدلال تلقائيًا فور توفير البيانات.

تظهر النتائج فورًا مع طبقات مرئية متراكبة ودرجات الثقة ومخرجات مفصلة، ما يمنحك تصورًا واضحًا لسلوك النموذج.

الشكل 2. مثال على التحقق من نموذج باستخدام علامة التبويب Predict (المصدر)

وهذا يعني أنه يمكنك، ببضع نقرات، اختبار مدخلات مختلفة وضبط المعلمات وتقييم الأداء ضمن واجهة واحدة قبل الانتقال إلى النشر.

تشغيل استدلالات مشتركة للاختبار أو الاستخدام المحدود#

لنفترض أنك درّبت نموذجًا وتحققت منه باستخدام علامة التبويب Predict. غالبًا ما تكون الخطوة التالية هي البدء بدمج هذا النموذج في تطبيق أو سير عمل.

بدلًا من إعداد البنية التحتية أو إدارة الخوادم، توفر منصة Ultralytics خدمات استدلال مشتركة تتيح لك إرسال البيانات إلى نموذجك واستلام التنبؤات عبر واجهات REST API بسيطة.

تُشغّل خدمات الاستدلال المشتركة خلف الكواليس على نظام متعدد المستأجرين عبر عدد من المناطق الأساسية، حيث تُوجّه الطلبات تلقائيًا إلى أقرب خدمة متاحة. ويساعد ذلك في الحفاظ على سرعة الاستجابة، مع تمكين المستخدمين في مواقع مختلفة من الوصول إلى النماذج على نحو متسق.

يمكنك إرسال المدخلات باستخدام طلبات HTTP القياسية واستلام مخرجات منظّمة في المقابل، مما يسهّل ربط النماذج بالتطبيقات أو البرامج النصية أو سير عمل الأتمتة. ويُعد هذا الإعداد خيارًا رائعًا للتطوير والاختبار والتكاملات أو الاستخدام المحدود قبل الانتقال إلى عمليات نشر إنتاجية أكثر قابلية للتوسع.

انشر النماذج عالميًا عبر نقاط نهاية مخصصة#

ما إن يصبح النموذج جاهزًا للإنتاج، حتى يحتاج إلى التعامل مع حركة المرور في العالم الحقيقي بموثوقية وعلى نطاق واسع. وتدعم Ultralytics Platform ذلك عبر نقاط النهاية المخصصة، حيث تعمل النماذج كخدمات مخصصة لمستأجر واحد في 42 منطقة حول العالم. ويساعد النشر بالقرب من المستخدمين النهائيين على تقليل زمن الاستجابة والحفاظ على أداء ثابت في مواقع مختلفة.

تعمل كل نقطة نهاية بموارد حوسبة مخصصة لها وعنوان URL فريد لطلبات الاستدلال. ويسهّل هذا المستوى من التحكم ضبط عمليات النشر وفقًا لمتطلبات الأداء، بدءًا من حالات الاستخدام خفيفة الحمل وصولًا إلى التطبيقات الأشد تطلبًا والأعلى إنتاجية التي تحتاج إلى موارد حوسبة أكبر.

الشكل 3. يمكنك نشر النماذج في 42 منطقة حول العالم باستخدام Ultralytics Platform (المصدر)

باستخدام الموارد الافتراضية، تتوقف نقاط النهاية المخصصة الخاملة عن استهلاك الموارد وتُعاد تهيئتها عند وصول طلبات جديدة، ما يساعد على تحسين استخدام الموارد دون تدخل يدوي. أما نقاط النهاية ذات الأحجام المخصصة، فتحافظ على مثيل واحد جاهز للعمل.

صدّر نموذجك بسهولة باستخدام منصة Ultralytics#

أصبح الذكاء الاصطناعي الطرفي ضروريًا على نحو متزايد مع اعتماد مزيد من التطبيقات على تشغيل النماذج مباشرةً على أجهزة مثل الهواتف الذكية والكاميرات والأنظمة المضمنة. ويمكن لتشغيل النماذج محليًا أيضًا أن يساعد في تلبية متطلبات خصوصية البيانات، إذ يمكن معالجة البيانات الحساسة، مثل الصور أو تدفقات الفيديو، مباشرةً على الجهاز دون إرسالها إلى خوادم خارجية.

في هذه السيناريوهات، يجب تشغيل النماذج خارج Ultralytics Platform، مما يجعل تصدير النماذج جزءًا أساسيًا من عملية النشر. غالبًا ما تُدرّب نماذج Ultralytics YOLO باستخدام Python وPyTorch، ثم يمكن تصديرها إلى أكثر من 17 تنسيقًا مختلفًا، بما في ذلك ONNX وTensorRT وCoreML وOpenVINO.

تضمن هذه المجموعة الواسعة من التنسيقات التوافق مع عتاد متنوع، بدءًا من وحدات معالجة الرسومات عالية الأداء (GPUs) وصولًا إلى الأجهزة المحمولة والمضمنة. وإضافةً إلى ذلك، يتيح التصدير ضبط الأداء ليتناسب مع بيئات محددة.

بحسب التنسيق، يمكن للنماذج تحقيق سرعات استدلال أعلى، مثل تحسين أداء GPU باستخدام TensorRT أو تحسين التنفيذ على CPU باستخدام ONNX وOpenVINO. كما يمكن لخيارات مثل تكميم FP16 وINT8 تقليل حجم النموذج وتحسين معدل الإنتاجية، وهو أمر مفيد على نحو خاص لعمليات النشر الطرفية.

في Ultralytics Platform، تُدمج عملية التصدير مباشرةً في سير العمل، مما يتيح إنشاء نماذج محسّنة بسرعة ببضع نقرات فقط. ويمكن للفرق الانتقال من التدريب إلى تشغيل النماذج على أنظمة خارجية دون إضافة أعباء إضافية.

الشكل 4. مجموعة من تنسيقات التصدير في منصة Ultralytics.

اختيار خيار نشر النموذج المناسب#

يدعم كل خيار نشر في منصة Ultralytics مرحلة مختلفة من سير العمل، بدءًا من الاختبار المبكر وصولًا إلى الاستخدام في بيئة الإنتاج. إليك نظرة عامة على توقيت استخدام كل خيار:

• علامة التبويب Predict: تُستخدم عادةً بعد التدريب أو الضبط الدقيق مباشرةً، عندما ترغب في التحقق من أداء النموذج على بيانات جديدة باستخدام الاستدلال عبر المتصفح.
• الاستدلال المشترك: في هذه المرحلة، يمكن دمج النماذج في التطبيقات عبر واجهات API، ما يتيح اختبار التفاعلات الواقعية أثناء التطوير.
• نقاط النهاية المخصصة: تُستخدم لعمليات النشر الإنتاجية التي تتطلب أداءً متسقًا وموارد مخصصة وإمكانية التوسع عبر مناطق حول العالم.
• تصدير النموذج: عندما يلزم تشغيل النماذج خارج المنصة، يتيح خيار تصديرها نشرها على الأجهزة الطرفية أو تطبيقات الأجهزة المحمولة أو البنية التحتية المخصصة.

غالبًا ما تنتقل الفرق عبر هذه الخيارات خطوةً بخطوة، بدءًا من التحقق ثم التكامل وانتهاءً بالنشر الإنتاجي، وكل ذلك ضمن المنصة.

مراقبة النماذج المنشورة عبر منصة Ultralytics#

على الرغم من أهمية النشر، فإن مسار الرؤية لا ينتهي عنده. فبمجرد تشغيل النموذج في بيئة الإنتاج، تصبح المراقبة المستمرة أساسية لضمان أدائه الموثوق بمرور الوقت.

توفر منصة Ultralytics أدوات مراقبة مدمجة تمنح الفرق رؤية واضحة لسلوك نماذج الذكاء الاصطناعي للرؤية بمرور الوقت، وتدعم سير عمل أكثر تنظيمًا لعمليات تعلّم الآلة (MLOps).

تتضمن صفحة Deploy لوحة معلومات تتعقب مقاييس أساسية مثل إجمالي الطلبات وعمليات النشر النشطة وزمن استجابة الطلبات ومعدلات الأخطاء. وتساعد هذه الرؤى الفرق على فهم أنماط الاستخدام وتقييم سرعة استجابة النظام وضمان أداء منخفض زمن الاستجابة في ظل أعباء عمل مختلفة.

الشكل 5. تسهّل منصة Ultralytics مراقبة النماذج المنشورة. (المصدر)

توفر كل نقطة نهاية مخصصة أيضًا إمكانية رصد مفصلة من خلال عروض منفصلة لكل عملية نشر. ويشمل ذلك الوصول إلى السجلات وحالة سلامة النموذج وبيانات الأداء في الوقت الفعلي. ويمكن استخدام السجلات لتصحيح الأخطاء وتتبع الطلبات الفاشلة وتحديد المشكلات المحتملة المتعلقة بالاعتماديات أو البنية التحتية.

مع تطور بيئات الإنتاج، قد تؤثر عوامل مثل تغير بيانات الإدخال ومتطلبات التوسع وتبدل أنماط الاستخدام في دقة النموذج ومتانته. ومن خلال المراقبة المستمرة لمقاييس الأداء، تستطيع الفرق اكتشاف الحالات الشاذة وتحديد الاختناقات واتخاذ إجراءات تصحيحية، مثل تحسين النموذج أو تعديل الموارد، للحفاظ على خدمة نماذج متسقة وموثوقة.

بناء قابلية التوسع في عمليات نشر نماذج الرؤية الحاسوبية#

كان توسيع نطاق أنظمة الرؤية الحاسوبية يعني تقليديًا تركيب مسارات عمل وأطر عمل لم تُصمم للعمل معًا. فكثيرًا ما تكون خطوط معالجة البيانات وحلقات التدريب والبنية التحتية للنشر وأنظمة المراقبة منفصلة، ما يخلق صعوبات في كل مرحلة.

لا يقتصر التحدي الحقيقي على بناء النماذج، بل يشمل مواصلة تطويرها: بدءًا من البيانات وصولًا إلى بيئة الإنتاج، والتكيف مع المدخلات الجديدة، والتعامل مع تزايد الطلب، والتحسين المستمر دون إبطاء العمل.

ما يميز منصة Ultralytics هو أن هذا التطور مدمج فيها. فبدلًا من التعامل مع كل مرحلة على أنها خطوة منفصلة، تربط المنصة المراحل في حلقة متواصلة تتيح تطوير النماذج ونشرها ومراقبتها وتحديثها ضمن البيئة نفسها.

يغيّر هذا التحول طريقة توسع الفرق. فلم يعد الأمر يتعلق بتنسيق الأدوات أو البنية التحتية، بل بالحفاظ على زخم العمل مع نمو الأنظمة.

أبرز النقاط#

يتطلب إدخال نماذج تعلّم الآلة، مثل نماذج الرؤية الحاسوبية، إلى التطبيقات الواقعية أن تكون موثوقة وقابلة للتوسع وسهلة الإدارة. وتبسّط منصة Ultralytics هذه العملية من خلال جمع وظائف متعددة، مثل خدمة النماذج ونشرها ومراقبتها، ضمن بيئة موحدة واحدة. وبفضل خيارات النشر المرنة والأدوات المدمجة، تستطيع الفرق الانتقال من التجريب إلى الإنتاج بسرعة أكبر وتعقيد أقل.

تعرّف على مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد. واستكشف صفحات حلولنا للاطلاع على تطبيقات متنوعة مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في الخدمات اللوجستية. واكتشف خيارات الترخيص وابدأ البناء اليوم!