كيف تبسط Ultralytics Platform نشر نماذج الرؤية الحاسوبية

تعمل Ultralytics مع مجتمع الرؤية الحاسوبية منذ سنوات، حيث ابتكرت نماذج وأدوات تجعل الذكاء الاصطناعي للرؤية أكثر سهولة للجميع. من خلال Ultralytics Platform، نخطو خطوة أخرى إلى الأمام من خلال جمع دورة حياة تطوير الرؤية الحاسوبية بالكامل في بيئة موحدة واحدة، تغطي كل شيء بدءًا من إدارة مجموعات البيانات والتعليقات التوضيحية وحتى تدريب النماذج والتحقق من صحتها ونشرها.

على وجه الخصوص، يسرنا أن نجعل نشر نموذج computer vision أكثر سهولة. مع استمرار شق الرؤية الحاسوبية طريقها نحو التطبيقات الواقعية، يظل تحليل الصور والفيديو خارج البيئات الخاضعة للرقابة أمراً معقداً.

على عكس بيئات الاختبار التي تكون فيها الظروف متوقعة، تنطوي سيناريوهات العالم الحقيقي على إضاءة متغيرة، ومدخلات متغيرة، وأعباء عمل لا يمكن التنبؤ بها، مما يجعل النشر أحد أكثر أجزاء سير عمل الرؤية تحديًا.

لا يقتصر النشر على إتاحة النموذج للاستخدام فحسب، بل يتطلب إعداد عمليات قادرة على التعامل مع بيانات العالم الحقيقي وضمان سير كل شيء بسلاسة مع نمو الاستخدام وتوسع المشاريع.

تحتاج الفرق أيضًا إلى تتبع الأداء والحفاظ على الموثوقية بمرور الوقت. وغالبًا ما يعني هذا التبديل بين أدوات ذكاء اصطناعي مختلفة للاختبار، والتكامل، والنشر، والمراقبة، مما قد يؤدي إلى إبطاء تطوير النماذج وإضافة تعقيد غير ضروري.

ينتهي الأمر بسير العمل إلى أن يصبح مجزأً. وتعمل منصة Ultralytics على توحيد هذه العملية وتبسيطها.

توفر المنصة دعمًا مدمجًا لتقديم النماذج واختبارها ومراقبتها ضمن بيئة واحدة. يمكن للفرق التحقق من صحة النماذج باستخدام الاستنتاج المستند إلى المتصفح، ودمجها في التطبيقات من خلال خدمات الاستنتاج المشتركة، والنشر في نقاط نهاية مخصصة مع إمكانات مراقبة الأداء.

الشكل 1. نظرة على صفحة النشر داخل Ultralytics Platform (Source)

في هذه المقالة، سنستكشف كيف تعيد Ultralytics Platform تعريف model deployment للرؤية الحاسوبية، بدءًا من الاختبار والتكامل ووصولاً إلى النشر وال1مراقبة في بيئة الإنتاج. لنبدأ!

نظرة عامة على نشر نماذج الرؤية الحاسوبية#

في دورة حياة التعلم الآلي، يُعد نشر النموذج هو المرحلة التي ينتقل فيها النموذج من التجريب إلى الاستخدام الواقعي. بالنسبة لـ computer vision models المبنية باستخدام التعلم العميق والشبكات العصبية التلافيفية، فهذا يعني عمومًا إتاحتها لمعالجة الصور والفيديوهات في الوقت الفعلي.

بمجرد نشر هذه النماذج، فإنها تتلقى بيانات جديدة، والتي تمر عادةً عبر خطوات معالجة مسبقة مثل تغيير الحجم، أو التطبيع، أو التنسيق. يتم بعد ذلك تمرير البيانات المعالجة إلى النموذج، الذي يطبق الأنماط التي تعلمها أثناء التدريب لإنتاج تنبؤات عالية الدقة.

بناءً على حالة الاستخدام، يمكن أن يشمل ذلك مهام رؤية حاسوبية مختلفة. على سبيل المثال، تدعم نماذج Ultralytics YOLO، مثل Ultralytics YOLO26، مجموعة واسعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتجزئة المثيلات، وتقدير الوضعية، واكتشاف صندوق الإحاطة الموجه (OBB).

لجعل هذا عمليًا في التطبيقات الواقعية، غالبًا ما تحتاج النماذج إلى أن تكون مدمجة في أنظمة قادرة على التعامل مع كل من المعالجة المسبقة والاستنتاج بكفاءة. وهنا تصبح البنية التحتية للنشر ضرورية.

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

قيود أدوات نشر الرؤية الحاسوبية التقليدية#

قد يبدو نشر نموذج الرؤية الحاسوبية أمرًا مباشرًا، لكنه حتى الآن، كان يبدو مختلفًا تمامًا في الممارسة العملية. تأمل في إعداد شائع: يتم التقاط البيانات أولاً من الكاميرات أو المستشعرات، وإرسالها إلى نموذج للاستنتاج، ثم إعادتها إلى تطبيق كتنبؤات.

في الواقع، غالبًا ما يتم التعامل مع كل خطوة من هذه الخطوات بواسطة أدوات وخدمات منفصلة. قد يتعامل نظام واحد مع التقاط البيانات، بينما يدير نظام آخر تقديم النموذج، في حين تُستخدم أدوات إضافية للتحجيم والمراقبة والتسجيل. الحفاظ على اتصال هذه المكونات وتشغيلها بشكل موثوق يمكن أن يصبح معقدًا بسرعة.

مع نمو الاستخدام، يزداد هذا التعقيد. فإدارة البنية التحتية، والتعامل مع التبعيات، والحفاظ على أداء ثابت عبر خط الأنابيب الشامل يمكن أن يبطئ التطوير ويجعل من الصعب نشر نماذج الرؤية الحاسوبية في تطبيقات العالم الحقيقي.

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

خيارات نشر النماذج التي تتيحها منصة Ultralytics#

بالإضافة إلى توحيد عملية نشر النماذج، تضفي منصة Ultralytics أيضًا المرونة على كيفية نشر النماذج واستخدامها.

لدعم مراحل مختلفة من نشر نماذج الرؤية الحاسوبية، توفر المنصة أربعة خيارات: الاختبار المستند إلى المتصفح مع استنتاج فوري، والاستنتاج المشترك من خلال APIs للتطوير، ونقاط نهاية مخصصة لعمليات النشر القابلة للتوسع في الإنتاج عبر المناطق العالمية، وتصدير النماذج لتشغيلها على بنية تحتية خارجية أو أجهزة حافة.

لذا دعونا نلقي نظرة فاحصة على كيفية عمل كل من هذه الخيارات.

التحقق من صحة النماذج بسرعة باستخدام علامة التبويب Predict#

قبل نقل النموذج إلى مرحلة الإنتاج، من المهم فهم أداءه على بيانات جديدة لم تُرى من قبل. تتضمن Ultralytics Platform علامة تبويب Predict مدمجة تتيح لك run inference مباشرة في المتصفح دون أي إعداد أو بنية تحتية أو تبعيات.

تجعل علامة التبويب Predict التحقق من صحة النموذج سريعًا وتفاعليًا. يمكنك تحميل الصور، أو استخدام أمثلة محملة مسبقًا، أو التقاط المدخلات باستخدام كاميرا ويب، ويتم تشغيل الاستنتاج تلقائيًا بمجرد توفير البيانات.

تظهر النتائج على الفور مع تراكبات مرئية، ودرجات ثقة، ومخرجات تفصيلية، مما يمنحك رؤية واضحة لكيفية تصرف النموذج.

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

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

تشغيل استنتاجات مشتركة للاختبار أو الاستخدام الخفيف#

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

بدلاً من إعداد البنية التحتية أو إدارة الخوادم، توفر منصة Ultralytics خدمات استنتاج مشتركة تتيح لك إرسال البيانات إلى نموذجك وتلقي التنبؤات من خلال REST APIs بسيطة.

خلف الكواليس، يعمل الاستنتاج المشترك على نظام متعدد المستأجرين عبر بضع مناطق أساسية، حيث يتم توجيه الطلبات تلقائيًا إلى أقرب خدمة متاحة. يساعد هذا في الحفاظ على أداء سريع الاستجابة مع تمكين المستخدمين في مواقع مختلفة من الوصول إلى النماذج باستمرار.

يمكنك إرسال المدخلات باستخدام طلبات HTTP قياسية وتلقي مخرجات منظمة في المقابل، مما يجعل من السهل ربط النماذج بالتطبيقات أو النصوص البرمجية أو سير عمل التشغيل الآلي. يعد هذا الإعداد خيارًا رائعًا للتطوير أو الاختبار أو التكامل أو الاستخدام الخفيف قبل الانتقال إلى عمليات نشر أكثر قابلية للتوسع في الإنتاج.

نشر النماذج عالميًا من خلال نقاط نهاية مخصصة#

بمجرد أن يصبح النموذج جاهزًا للإنتاج، يجب عليه التعامل مع حركة المرور الواقعية بشكل موثوق وعلى نطاق واسع. تدعم Ultralytics Platform ذلك من خلال dedicated endpoints، حيث تعمل النماذج كخدمات لمستأجر واحد عبر 43 global regions. يساعد النشر بشكل أقرب إلى المستخدمين النهائيين على تقليل زمن الانتقال والحفاظ على أداء متسق عبر المواقع المختلفة.

تعمل كل نقطة نهاية بموارد حوسبة مخصصة خاصة بها وعنوان URL فريد لطلبات الاستنتاج. هذا المستوى من التحكم يجعل من السهل ضبط عمليات النشر بناءً على احتياجات الأداء، بدءًا من حالات الاستخدام الخفيفة وصولاً إلى التطبيقات الأكثر تطلبًا وعالية الإنتاجية التي تحتاج إلى المزيد من موارد الحوسبة.

الشكل 3. يمكنك نشر النماذج عبر 43 global regions باستخدام Ultralytics Platform (Source)

ومع ذلك، تم تصميم نقاط النهاية المخصصة للتعامل مع أعباء العمل المتغيرة ذاتيًا، مع تحجيم تلقائي يقوم بتعديل الموارد بناءً على حركة المرور الواردة. فهي تتوسع خلال فترات الطلب المرتفع وتتقلص عندما ينخفض الاستخدام. مع تفعيل التحجيم إلى الصفر افتراضيًا، يتم إيقاف نقاط النهاية الخاملة تلقائيًا وإعادة تشغيلها عند وصول طلبات جديدة، مما يساعد على تحسين استخدام الموارد دون تدخل يدوي.

تصدير نموذجك بسهولة باستخدام منصة Ultralytics#

في الوقت الحاضر، أصبح ذكاء الحافة الاصطناعي ضروريًا بشكل متزايد حيث تعتمد المزيد من التطبيقات على تشغيل النماذج مباشرة على الأجهزة مثل الهواتف الذكية، والكاميرات، والأنظمة المدمجة. يمكن أن يساعد تشغيل النماذج محليًا أيضًا في تلبية متطلبات خصوصية البيانات، حيث يمكن معالجة البيانات الحساسة مثل الصور أو تدفقات الفيديو مباشرة على الجهاز دون إرسالها إلى خوادم خارجية.

في هذه السيناريوهات، تحتاج النماذج إلى العمل خارج منصة Ultralytics، مما يجعل تصدير النموذج جزءًا حاسمًا من عملية النشر. غالبًا ما يتم تدريب نماذج Ultralytics YOLO باستخدام Python و PyTorch، ويمكن بعد ذلك تصديرها إلى 17+ تنسيقًا مختلفًا، بما في ذلك ONNX و TensorRT و CoreML و OpenVINO.

تضمن هذه المجموعة الواسعة من التنسيقات التوافق عبر أجهزة متنوعة، بدءًا من وحدات معالجة الرسومات (GPUs) عالية الأداء وصولاً إلى الأجهزة المحمولة والمدمجة. بالإضافة إلى ذلك، يتيح التصدير ضبط الأداء لبيئات محددة.

اعتمادًا على التنسيق، يمكن للنماذج تحقيق سرعات استنتاج أسرع، مثل تحسين أداء GPU مع TensorRT أو تنفيذ CPU محسن مع ONNX و OpenVINO. يمكن لخيارات مثل تكميم FP16 و INT8 تقليل حجم النموذج وزيادة الإنتاجية، وهو أمر مفيد بشكل خاص لعمليات النشر على الحافة.

على منصة Ultralytics، تم دمج التصدير مباشرة في سير العمل، مما يجعل توليد نماذج محسنة سريعًا في بضع نقرات فقط. يمكن للفرق الانتقال من التدريب إلى تشغيل النماذج على أنظمة خارجية دون إضافة عبء إضافي.

الشكل 4. مجموعة مختارة من تنسيقات التصدير على منصة Ultralytics.

اختيار خيار نشر النموذج المناسب#

يدعم كل خيار نشر في منصة Ultralytics مرحلة مختلفة من سير العمل، من الاختبار المبكر إلى الاستخدام في الإنتاج. إليك نظرة عامة على متى قد تستخدم كل خيار منها:

• علامة التبويب Predict: تُستخدم عادةً مباشرة بعد التدريب أو الضبط الدقيق، عندما ترغب في التحقق من أداء النموذج على بيانات جديدة باستخدام الاستنتاج المستند إلى المتصفح.
• الاستنتاج المشترك: في هذه المرحلة، يمكن دمج النماذج في التطبيقات من خلال APIs، مما يجعل من الممكن اختبار التفاعلات في العالم الحقيقي أثناء التطوير.
• نقاط النهاية المخصصة: تُستخدم لعمليات النشر في الإنتاج، حيث تحتاج النماذج إلى أداء ثابت، وموارد مخصصة، وقدرة على التوسع عبر المناطق العالمية.
• تصدير النموذج: عندما تحتاج النماذج إلى العمل خارج المنصة، فإن خيار تصديرها يتيح النشر على أجهزة الحافة، أو تطبيقات الهاتف المحمول، أو البنية التحتية المخصصة.

غالبًا ما تنتقل الفرق عبر هذه الخيارات خطوة بخطوة، بدءًا من التحقق من الصحة إلى التكامل وأخيرًا إلى النشر في الإنتاج، وكل ذلك داخل المنصة.

مراقبة النماذج المنشورة من خلال منصة Ultralytics#

بقدر أهمية النشر، لا ينتهي خط أنابيب الرؤية عند هذا الحد. بمجرد تشغيل نموذج في الإنتاج، تعد المراقبة المستمرة أمرًا أساسيًا للتأكد من أنه يعمل بشكل موثوق بمرور الوقت.

توفر Ultralytics Platform أدوات built-in monitoring تمنح الفرق رؤية واضحة لكيفية تصرف نماذج الذكاء الاصطناعي للرؤية بمرور الوقت، مما يدعم سير عمل عمليات التعلم الآلي (MLOps) بشكل أكثر تنظيمًا.

تتضمن صفحة Deploy لوحة تحكم تتبع المقاييس الرئيسية مثل إجمالي الطلبات، وعمليات النشر النشطة، وزمن استجابة الرد، ومعدلات الخطأ. تساعد هذه الرؤى الفرق على فهم أنماط الاستخدام، وتقييم استجابة النظام، وضمان أداء منخفض زمن الوصول عبر أعباء العمل المختلفة.

الشكل 5. تجعل Ultralytics Platform مراقبة النماذج المنشورة أمرًا سهلاً. (Source)

توفر كل نقطة نهاية مخصصة أيضًا إمكانية مراقبة تفصيلية من خلال طرق عرض النشر الفردية. يتضمن ذلك الوصول إلى السجلات، وحالة صحة النموذج، وبيانات الأداء في الوقت الفعلي. يمكن استخدام السجلات لتصحيح المشكلات، وتتبع الطلبات الفاشلة، وتحديد المشكلات المحتملة المتعلقة بالتبعيات أو البنية التحتية.

مع تطور بيئات الإنتاج، يمكن لعوامل مثل بيانات الإدخال المتغيرة، ومتطلبات التحجيم، أو أنماط الاستخدام المتغيرة أن تؤثر على دقة النموذج ومتانته. من خلال مراقبة مقاييس الأداء باستمرار، يمكن للفرق اكتشاف الشذوذ، وتحديد الاختناقات، واتخاذ إجراءات تصحيحية مثل تحسين النموذج أو تعديلات الموارد للحفاظ على تقديم نموذج متسق وموثوق.

بناء القابلية للتوسع في عمليات نشر نماذج الرؤية الحاسوبية#

لطالما كان توسيع نطاق أنظمة الرؤية الحاسوبية يعني تجميع سير العمل والأطر التي لم يتم تصميمها لتعمل ككيان واحد. غالبًا ما تعيش خطوط أنابيب البيانات، وحلقات التدريب، وبنية النشر التحتية، وأنظمة المراقبة في أماكن منفصلة، مما يخلق احتكاكًا في كل مرحلة.

التحدي الحقيقي ليس مجرد بناء النماذج، بل الحفاظ على استمراريتها. الانتقال من البيانات إلى الإنتاج، والتكيف مع المدخلات الجديدة، والتعامل مع الطلب المتزايد، والتحسين المستمر دون تباطؤ.

ما يميز منصة Ultralytics هو أن هذه الحركة مدمجة فيها. بدلاً من التعامل مع كل مرحلة كخطوة منفصلة، فإنها تربطها في حلقة مستمرة حيث يمكن تطوير النماذج، ونشرها، ومراقبتها، وتحديثها داخل نفس البيئة.

هذا التحول يغير طريقة توسع الفرق. لم يعد الأمر يتعلق بتنسيق الأدوات أو البنية التحتية، بل بالحفاظ على الزخم مع نمو الأنظمة.

أبرز النقاط#

يتطلب جلب نماذج تعلم الآلة مثل نماذج الرؤية الحاسوبية إلى تطبيقات العالم الحقيقي أن تكون موثوقة وقابلة للتوسع وسهلة الإدارة. تبسط منصة Ultralytics هذه العملية من خلال الجمع بين وظائف مختلفة، مثل تقديم النماذج، والنشر، والمراقبة، في بيئة واحدة موحدة. مع خيارات نشر مرنة وأدوات مدمجة، يمكن للفرق الانتقال من التجريب إلى الإنتاج بشكل أسرع وبتعقيد أقل.

تحقق من community الخاصة بنا واستكشف GitHub repository الخاص بنا لمعرفة المزيد. استكشف صفحات الحلول الخاصة بنا لمشاهدة التطبيقات المختلفة مثل AI in healthcare وcomputer vision in logistics. اكتشف licensing options الخاصة بنا وابدأ البناء اليوم!