كيف تعمل Ultralytics على تبسيط عملية نشر نماذج الرؤية الحاسوبية

Ultralytics منذ سنوات مع مجتمع الرؤية الحاسوبية Ultralytics إنشاء نماذج وأدوات تجعل الذكاء الاصطناعي في مجال الرؤية في متناول الجميع. ومن خلال Ultralytics نخطو خطوة أخرى إلى الأمام من خلال دمج سير عمل تطوير الرؤية الحاسوبية بالكامل في بيئة موحدة واحدة، تغطي كل شيء بدءًا من إدارة مجموعات البيانات ووضع العلامات عليها وصولاً إلى تدريب النماذج والتحقق من صحتها ونشرها.

وعلى وجه الخصوص، نحن متحمسون لتسهيل عملية نشر نماذج الرؤية الحاسوبية. فمع استمرار انتشار الرؤية الحاسوبية في التطبيقات العملية، لا يزال تحليل الصور ومقاطع الفيديو خارج البيئات الخاضعة للرقابة يمثل عملية معقدة. 

على عكس بيئات الاختبار التي يمكن التنبؤ بظروفها، تتسم السيناريوهات الواقعية بتباين الإضاءة وتغير المدخلات وأحمال العمل غير المتوقعة، مما يجعل عملية النشر واحدة من أصعب جوانب سير عمل أنظمة الرؤية.

لا يقتصر النشر على مجرد إتاحة النموذج للاستخدام فحسب، بل يتطلب أيضًا إعداد عمليات قادرة على معالجة البيانات الواقعية، وضمان سير الأمور بسلاسة مع تزايد الاستخدام وتوسع نطاق المشاريع. 

كما يتعين على الفرق track والحفاظ على الموثوقية على المدى الطويل. وغالبًا ما يعني ذلك التبديل بين أدوات الذكاء الاصطناعي المختلفة لأغراض الاختبار والتكامل والنشر والمراقبة، وهو ما قد يؤدي إلى إبطاء عملية تطوير النماذج وإضافة تعقيدات لا داعي لها.

ينتهي الأمر بتجزئة سير العمل. تعمل Ultralytics على توحيد هذه العملية وتبسيطها.

يوفر هذا النظام دعمًا مدمجًا لتشغيل النماذج واختبارها ومراقبتها ضمن بيئة واحدة. يمكن للفرق التحقق من صحة النماذج باستخدام الاستدلال القائم على المتصفح، ودمجها في التطبيقات من خلال خدمات الاستدلال المشتركة، ونشرها على نقاط نهاية مخصصة مزودة بقدرات مراقبة الأداء.

في هذا المقال، سنتعرف على الكيفية التي تعيد بها Ultralytics تعريف عملية نشر نماذج الرؤية الحاسوبية ، بدءًا من الاختبار والتكامل وصولاً إلى النشر في بيئة الإنتاج والمراقبة. فلنبدأ!

نظرة عامة على نشر نماذج الرؤية الحاسوبية

في دورة حياة التعلم الآلي، يُعد نشر النموذج المرحلة التي ينتقل فيها النموذج من مرحلة التجريب إلى الاستخدام الفعلي. وبالنسبة لنماذج الرؤية الحاسوبية التي تم إنشاؤها باستخدام التعلم العميق والشبكات العصبية التلافيفية، فإن هذا يعني عمومًا إتاحة هذه النماذج لمعالجة الصور ومقاطع الفيديو في الوقت الفعلي.

بمجرد نشرها، تستقبل هذه النماذج بيانات جديدة، والتي عادةً ما تمر بمراحل معالجة أولية مثل تغيير الحجم أو التوحيد أو التنسيق. ثم تُمرر البيانات المعالجة إلى النموذج، الذي يطبق الأنماط التي تعلمها أثناء التدريب لتوليد تنبؤات عالية الدقة.

ووفقًا لحالة الاستخدام، قد يشمل ذلك مهام مختلفة في مجال الرؤية الحاسوبية. على سبيل المثال، تدعمYOLO Ultralytics YOLO مثل Ultralytics مجموعة واسعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتقسيم الحالات، وتقدير الوضع، واكتشاف الصناديق المحيطة الموجهة (OBB).

ولكي يصبح هذا الأمر قابلاً للتطبيق في الاستخدامات العملية، غالبًا ما يتعين دمج النماذج في أنظمة قادرة على التعامل مع كل من المعالجة المسبقة والاستدلال بكفاءة. وهنا تبرز أهمية البنية التحتية للنشر.

في بيئات الإنتاج، يتم الوصول إلى النماذج عادةً من خلال واجهات برمجة التطبيقات (REST APIs) أو أنظمة تقديم النماذج. تتيح هذه الواجهات للتطبيقات إرسال البيانات وتلقي التنبؤات برمجياً، مما يسهل عملية التكامل مع التطبيقات الخارجية أو أجهزة إنترنت الأشياء أو أنظمة الروبوتات التي تعتمد على الفهم البصري في الوقت الفعلي.

محدودية أدوات نشر الرؤية الحاسوبية التقليدية

قد يبدو نشر نماذج الرؤية الحاسوبية أمرًا بسيطًا، لكن الواقع العملي كان مختلفًا تمامًا حتى الآن. لنأخذ مثالاً شائعًا: يتم أولاً التقاط البيانات من الكاميرات أو أجهزة الاستشعار، ثم إرسالها إلى النموذج لإجراء الاستدلال، وأخيرًا إعادتها إلى التطبيق في شكل تنبؤات.

في الواقع، غالبًا ما يتم التعامل مع كل خطوة من هذه الخطوات بواسطة أدوات وخدمات منفصلة. فقد يتولى نظام ما عملية جمع البيانات، بينما يتولى نظام آخر تقديم النماذج، في حين تُستخدم أدوات إضافية للتوسع والمراقبة وتسجيل البيانات. وقد يصبح الحفاظ على اتصال هذه المكونات وتشغيلها بشكل موثوق أمرًا معقدًا بسرعة.

ومع تزايد الاستخدام، تزداد هذه التعقيدات. فإدارة البنية التحتية، والتعامل مع التبعيات، والحفاظ على أداء متسق عبر مسار العمل من البداية إلى النهاية، كل ذلك قد يؤدي إلى إبطاء عملية التطوير ويجعل من الصعب نشر نماذج الرؤية الحاسوبية في التطبيقات العملية.

تجمع Ultralytics هذه المكونات في بيئة واحدة موحدة. ويوفر ذلك طريقة أكثر تماسكًا لإدارة سير عمل النشر بأكمله، مع دعم الأداء والموثوقية على نطاق واسع.

خيارات نشر النماذج التي تتيحها Ultralytics

بالإضافة إلى توحيد عملية نشر النماذج، توفر Ultralytics أيضًا مرونة في طرق نشر النماذج واستخدامها.

لدعم المراحل المختلفة لنشر نماذج الرؤية الحاسوبية، توفر المنصة أربعة خيارات: الاختبار عبر المتصفح مع الاستدلال الفوري، والاستدلال المشترك عبر واجهات برمجة التطبيقات (API) لأغراض التطوير، ونقاط نهاية مخصصة لعمليات النشر القابلة للتوسع في مختلف أنحاء العالم، وتصدير النماذج لتشغيلها على بنية تحتية خارجية أو أجهزة طرفية.

لذا دعونا نلقي نظرة عن كثب على كيفية عمل كل خيار من هذه الخيارات.

تحقق من صحة النماذج بسرعة باستخدام علامة التبويب «التنبؤ»

قبل نقل النموذج إلى مرحلة الإنتاج، من المهم فهم كيفية أدائه عند استخدامه مع بيانات جديدة لم يسبق رؤيتها. تتضمن Ultralytics علامة تبويب «Predict» مدمجة تتيح لك تشغيل عملية الاستدلال مباشرةً في المتصفح دون الحاجة إلى أي إعدادات أو بنية تحتية أو تبعيات.

تجعل علامة التبويب "Predict" عملية التحقق من صحة النموذج سريعة وتفاعلية. يمكنك تحميل الصور، أو استخدام الأمثلة المُحمَّلة مسبقًا، أو التقاط المدخلات باستخدام كاميرا الويب، ويتم تنفيذ عملية الاستدلال تلقائيًّا فور توفير البيانات. 

تظهر النتائج على الفور مصحوبة بتراكبات مرئية ودرجات الثقة ونتائج تفصيلية، مما يمنحك رؤية واضحة لكيفية عمل النموذج.

وهذا يعني أنه بمجرد بضع نقرات، يمكنك تجربة مدخلات مختلفة، وضبط المعلمات، وتقييم الأداء من خلال واجهة واحدة قبل الانتقال إلى مرحلة النشر.

تشغيل الاستدلالات المشتركة لأغراض الاختبار أو الاستخدام الخفيف

لنفترض أنك قمت بتدريب نموذج ما وتحقق من صحته باستخدام علامة التبويب «التنبؤ». غالبًا ما تكون الخطوة التالية هي البدء في دمج هذا النموذج في تطبيق أو سير عمل. 

بدلاً من إنشاء البنية التحتية أو إدارة الخوادم، توفر Ultralytics خدمات استدلال مشتركة تتيح لك إرسال البيانات إلى نموذجك وتلقي التنبؤات من خلال واجهات برمجة تطبيقات REST بسيطة.

وراء الكواليس، يعمل الاستدلال المشترك على نظام متعدد المستأجرين يمتد عبر عدد من المناطق الأساسية، حيث يتم توجيه الطلبات تلقائيًا إلى أقرب خدمة متاحة. ويساعد ذلك في الحفاظ على أداء سريع الاستجابة، مع تمكين المستخدمين في المواقع المختلفة من الوصول إلى النماذج بشكل متسق.

يمكنك إرسال المدخلات باستخدام طلبات HTTP القياسية وتلقي مخرجات منظمة في المقابل، مما يسهل ربط النماذج بالتطبيقات أو البرامج النصية أو سير عمل الأتمتة. ويُعد هذا الإعداد خيارًا ممتازًا للتطوير والاختبار وعمليات التكامل أو الاستخدامات البسيطة قبل الانتقال إلى عمليات نشر إنتاجية أكثر قابلية للتوسع.

نشر النماذج على نطاق عالمي عبر نقاط نهاية مخصصة

بمجرد أن يصبح النموذج جاهزًا للإنتاج، يجب أن يتعامل مع حركة المرور الفعلية بشكل موثوق وعلى نطاق واسع. تدعم Ultralytics ذلك من خلال نقاط نهاية مخصصة، حيث تعمل النماذج كخدمات أحادية المستأجر في 43 منطقة حول العالم. ويساعد النشر بالقرب من المستخدمين النهائيين على تقليل زمن الاستجابة والحفاظ على أداء ثابت عبر المواقع المختلفة.

تعمل كل نقطة طرفية بموارد حوسبة مخصصة لها وعنوان URL فريد لطلبات الاستدلال. ويتيح هذا المستوى من التحكم سهولة ضبط عمليات النشر وفقًا لاحتياجات الأداء، بدءًا من حالات الاستخدام البسيطة وصولاً إلى التطبيقات الأكثر تطلبًا وذات الإنتاجية العالية التي تحتاج إلى موارد حوسبة أكبر.

ومع ذلك، فإن النقاط الطرفية المخصصة مصممة للتعامل مع أحمال العمل المتغيرة بنفسها، من خلال ميزة التوسع التلقائي التي تعمل على تعديل الموارد بناءً على حجم حركة المرور الواردة. فهي تتوسع خلال فترات ارتفاع الطلب وتتقلص عند انخفاض الاستخدام. وبفضل ميزة "التوسع إلى الصفر" المُفعَّلة افتراضيًّا، يتم إيقاف تشغيل النقاط الطرفية الخاملة تلقائيًّا وإعادة تشغيلها عند وصول طلبات جديدة، مما يساعد على تحسين استخدام الموارد دون تدخل يدوي.

قم بتصدير نموذجك بسهولة باستخدام Ultralytics

في الوقت الحاضر، تزداد أهمية الذكاء الاصطناعي على الحافة (Edge AI) بشكل متزايد، حيث تعتمد المزيد من التطبيقات على تشغيل النماذج مباشرةً على الأجهزة مثل الهواتف الذكية والكاميرات والأنظمة المدمجة. كما أن تشغيل النماذج محليًّا يمكن أن يساعد في تلبية متطلبات خصوصية البيانات، حيث يمكن معالجة البيانات الحساسة مثل الصور أو تدفقات الفيديو مباشرةً على الجهاز دون إرسالها إلى خوادم خارجية.

في هذه الحالات، يتعين تشغيل النماذج خارج Ultralytics ، مما يجعل تصدير النماذج جزءًا أساسيًا من عملية النشر. غالبًا ما يتم تدريبYOLO Ultralytics YOLO باستخدام Python PyTorch ويمكن بعد ذلك تصديرها إلى أكثر من 17 تنسيقًا مختلفًا، بما في ذلك ONNX TensorRT CoreML OpenVINO. 

تضمن هذه المجموعة الواسعة من التنسيقات التوافق مع مختلف الأجهزة، بدءًا من وحدات معالجة الرسومات (GPU) عالية الأداء وصولاً إلى الأجهزة المحمولة والمدمجة. وبالإضافة إلى ذلك، يتيح التصدير ضبط الأداء وفقًا لبيئات محددة. 

اعتمادًا على التنسيق، يمكن للنماذج تحقيق سرعات استدلال أعلى، مثل تحسين GPU باستخدام TensorRT تحسين CPU باستخدام ONNX OpenVINO. ويمكن لخيارات مثل التكمية FP16 و INT8 أن تقلل حجم النموذج بشكل أكبر وتحسن معدل الإنتاجية، وهو أمر مفيد بشكل خاص في عمليات النشر على الحافة.

في Ultralytics ، تم دمج عملية التصدير مباشرةً في سير العمل، مما يتيح إنشاء نماذج مُحسّنة بسرعة وببضع نقرات فقط. ويمكن للفرق الانتقال من مرحلة التدريب إلى تشغيل النماذج على أنظمة خارجية دون إضافة أعباء إضافية.

اختيار خيار نشر النموذج المناسب

يدعم كل خيار من خيارات النشر في Ultralytics مرحلة مختلفة من مراحل سير العمل، بدءًا من الاختبارات الأولية وصولاً إلى الاستخدام في بيئة الإنتاج. وفيما يلي نظرة عامة على الحالات التي قد تستخدم فيها كل خيار:

• علامة التبويب «التنبؤ»: تُستخدم عادةً مباشرةً بعد التدريب أو الضبط الدقيق، عندما ترغب في التحقق من أداء النموذج على البيانات الجديدة باستخدام الاستدلال القائم على المتصفح.
• الاستدلال المشترك: في هذه المرحلة، يمكن دمج النماذج في التطبيقات من خلال واجهات برمجة التطبيقات (API)، مما يتيح اختبار التفاعلات في بيئة حقيقية أثناء مرحلة التطوير.
• نقاط النهاية المخصصة: تُستخدم هذه النقاط في عمليات النشر في بيئة الإنتاج، حيث تحتاج النماذج إلى أداء ثابت وموارد مخصصة والقدرة على التوسع عبر المناطق العالمية.
• تصدير النماذج: عندما يتعين تشغيل النماذج خارج المنصة، يتيح خيار تصديرها إمكانية نشرها على الأجهزة الطرفية أو التطبيقات المحمولة أو البنية التحتية المخصصة.

غالبًا ما تتبع الفرق هذه الخطوات واحدة تلو الأخرى، بدءًا من مرحلة التحقق من الصحة مرورًا بمرحلة التكامل وصولاً إلى مرحلة النشر في بيئة الإنتاج، وكل ذلك ضمن المنصة نفسها.

مراقبة النماذج التي تم نشرها عبر Ultralytics

على الرغم من الأهمية البالغة لعملية النشر، فإن مسار تطوير النموذج لا يتوقف عند هذا الحد. فما أن يبدأ النموذج في العمل في بيئة الإنتاج، تصبح المراقبة المستمرة عاملاً أساسياً لضمان استمرار أدائه الموثوق به على المدى الطويل.

توفر Ultralytics أدوات مراقبة مدمجة تمنح الفرق رؤية واضحة لكيفية أداء نماذج الذكاء الاصطناعي الخاصة بالرؤية مع مرور الوقت، مما يدعم سير عمل أكثر تنظيماً لعمليات التعلم الآلي (MLOps).

تتضمن صفحة "النشر" لوحة معلومات تتابع المؤشرات الرئيسية مثل إجمالي الطلبات وعمليات النشر النشطة وزمن استجابة الخدمة ومعدلات الأخطاء. تساعد هذه الإحصاءات الفرق على فهم أنماط الاستخدام وتقييم استجابة النظام وضمان أداء يتميز بزمن استجابة منخفض عبر أحمال العمل المختلفة.

كما توفر كل نقطة نهاية مخصصة إمكانية مراقبة تفصيلية من خلال عروض النشر الفردية. 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 بالتبعيات أو البنية التحتية.

مع تطور بيئات الإنتاج، يمكن لعوامل مثل تغير بيانات الإدخال، أو متطلبات التوسع، أو تغير أنماط الاستخدام أن تؤثر على دقة النموذج ومتانته. ومن خلال المراقبة المستمرة لمقاييس الأداء، يمكن للفرق detect ، وتحديد نقاط الاختناق، واتخاذ إجراءات تصحيحية مثل تحسين النموذج أو تعديل الموارد للحفاظ على تقديم خدمة نموذجية متسقة وموثوقة.

تضمين قابلية التوسع في عمليات نشر نماذج الرؤية الحاسوبية

لطالما كان توسيع نطاق أنظمة الرؤية الحاسوبية يعني ربط سير العمل والأطر التي لم تُصمم أبدًا للعمل كوحدة واحدة. فغالبًا ما توجد مسارات البيانات ودورات التدريب والبنية التحتية للنشر وأنظمة المراقبة في أماكن منفصلة، مما يؤدي إلى حدوث عقبات في كل مرحلة.

التحدي الحقيقي لا يكمن في بناء النماذج فحسب، بل في الحفاظ على استمرارية عملها. أي الانتقال من مرحلة البيانات إلى مرحلة الإنتاج، والتكيف مع المدخلات الجديدة، وتلبية الطلب المتزايد، والتحسين المستمر دون إبطاء.

ما يميز Ultralytics هو أن هذه العملية مدمجة فيها. فبدلاً من التعامل مع كل مرحلة على أنها خطوة منفصلة، تربط المنصة بين هذه المراحل في حلقة مستمرة تتيح تطوير النماذج ونشرها ومراقبتها وتحديثها ضمن البيئة نفسها.

يؤدي هذا التحول إلى تغيير الطريقة التي تتوسع بها الفرق. فلم يعد الأمر يتعلق بتنسيق الأدوات أو البنية التحتية، بل أصبح يتعلق بالحفاظ على الزخم مع نمو الأنظمة.

النقاط الرئيسية

إن تطبيق نماذج التعلم الآلي، مثل نماذج الرؤية الحاسوبية، في التطبيقات العملية يتطلب أن تكون هذه النماذج موثوقة وقابلة للتوسع وسهلة الإدارة. تعمل Ultralytics على تبسيط هذه العملية من خلال دمج وظائف متنوعة، مثل تقديم النماذج ونشرها ومراقبتها، في بيئة موحدة واحدة. وبفضل خيارات النشر المرنة والأدوات المدمجة، يمكن للفرق الانتقال من مرحلة التجريب إلى مرحلة الإنتاج بسرعة أكبر وبأقل تعقيد.

تفضل بزيارة مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد. تصفح صفحات حلولنا للاطلاع على تطبيقات متنوعة مثل الذكاء الاصطناعي في مجال الرعاية الصحية والرؤية الحاسوبية في مجال الخدمات اللوجستية. اكتشف خيارات الترخيص المتاحة لدينا وابدأ في التطوير اليوم!