مراقبة نماذج الرؤية الحاسوبية المنشورة على منصة Ultralytics

لا يكون اختبار نماذج الرؤية الحاسوبية التي تحلل الصور والفيديو دائمًا مماثلًا لتشغيلها في بيئة الإنتاج. ففي أثناء التطوير، تُختبر هذه النماذج أو الخوارزميات على مجموعات بيانات نظيفة ومُعدّة جيدًا، ضمن ظروف مضبوطة ويمكن التنبؤ بها.

لكن الأمور تصبح أكثر ديناميكية بعد النشر. إذ تتعرض النماذج لحركة مرور واقعية، حيث قد تتفاوت أحجام الطلبات وتتغير أوقات الاستجابة وتحدث أعطال عرضية.

في هذه المرحلة، ينصب التركيز على مدى موثوقية تشغيل النظام، وعلى بقاء نقاط النهاية متاحة وسريعة الاستجابة ومستقرة في ظل الظروف المتغيرة.

لذلك، تُعد المراقبة ضرورية. فهي تقدم رؤية واضحة لسلوك نقاط النهاية المنشورة في بيئة الإنتاج، من خلال مقاييس مثل حجم الطلبات وزمن الاستجابة ومعدلات الأخطاء والحالة العامة للنظام.

ولتسهيل ذلك، يصبح توفر الأدوات المناسبة مهمًا بقدر أهمية النموذج نفسه. وقد طرحت Ultralytics مؤخرًا Ultralytics Platform، وهي بيئتنا الجديدة المتكاملة من البداية إلى النهاية، التي تجمع سير عمل الرؤية الحاسوبية بالكامل، بدءًا من البيانات والتدريب وصولًا إلى النشر والمراقبة.

الشكل 1. لوحة معلومات النشر في Ultralytics Platform مع ميزات المراقبة (المصدر)

بفضل دمج المراقبة مباشرةً في سير العمل هذا، يمكن للمستخدمين تتبّع حالة نقاط النهاية وفحص سلوك الطلبات والحفاظ على موثوقية الأنظمة دون الاعتماد على أدوات منفصلة. وسنستكشف في هذا المقال كيفية استخدام Ultralytics Platform من أجل مراقبة نقاط نهاية النماذج المنشورة والحفاظ على سلاسة تشغيل أنظمة الإنتاج. لنبدأ!

لمحة عامة عن مراقبة نماذج الذكاء الاصطناعي#

في دورة حياة نموذج الذكاء الاصطناعي، تشير المراقبة إلى رصد سلوك الأنظمة المنشورة بعد تشغيل النموذج وبدئه في معالجة طلبات العالم الحقيقي. فبينما يوضح التدريب والتحقق أداء نموذج التعلم الآلي (ML) على مجموعات البيانات المُعدّة، تركز المراقبة على كيفية عمل نقطة النهاية المنشورة في بيئة الإنتاج.

يتمثل جزء أساسي من المراقبة في تتبّع مقاييس مستوى النظام التي تعكس الموثوقية وسرعة الاستجابة. وتساعد مقاييس مثل زمن الاستجابة ومدة التشغيل على بيان مدى كفاءة النظام في التعامل مع الطلبات الواردة. يقيس زمن الاستجابة المدة اللازمة لمعالجة الطلب وإرسال الرد، في حين توضح مدة التشغيل مدى استمرار إتاحة نقطة النهاية.

ومن الجوانب الأساسية الأخرى قابلية الملاحظة، التي تتيح رؤية كيفية التعامل مع الطلبات. وفي كل مرة يُرسل فيها مدخل، مثل صورة أو إطار فيديو، إلى نموذج منشور، تتم معالجته بوصفه طلب استدلال.

تسجل السجلات هذه الطلبات إلى جانب تفاصيل مثل الطوابع الزمنية وأوقات الاستجابة ورموز الحالة. وتسهل هذه السجلات تتبّع الطلبات وتصحيح الأخطاء والتحقيق في الأعطال عند وقوعها. وهي مفيدة خصوصًا في تحديد الأنماط، مثل تكرار الأخطاء أو بطء الاستجابات أو سلوك النظام غير المتوقع.

تساعد المراقبة، من خلال الجمع بين المقاييس والسجلات، المستخدمين على فهم كيفية عمل أنظمتهم في بيئة الإنتاج والاستجابة سريعًا للمشكلات عند ظهورها.

نظرة على مقاييس أداء النموذج مقابل مقاييس النظام#

قبل التعمق في مراقبة أنظمة الإنتاج، لنناقش الفرق بين مقاييس أداء النموذج ومقاييس النظام.

عادةً ما ترتبط مراقبة النماذج بمقاييس التقييم، المعروفة أيضًا بمقاييس النماذج، مثل الدقة والإحكام والاستدعاء وmAP (متوسط الدقة). وتُستخدم هذه المقاييس لوصف سلوك النموذج وتقييم جودة تنبؤاته، غالبًا بالارتباط ببيانات الإنتاج أو بيانات الإدخال. وقد تكون مفيدة بوجه خاص في تحديد الحالات الحدية أو القيم الشاذة في البيانات الجديدة.

لكن هذا يختلف عن مراقبة نظام منشور في بيئة الإنتاج. ففي هذا السياق، تركز المراقبة على كيفية تشغيل النظام بدلًا من تقييم تنبؤات النموذج مباشرةً.

بدلًا من مقاييس النماذج، تعتمد مراقبة النشر على مؤشرات على مستوى النظام، مثل حجم الطلبات وزمن الاستجابة ومعدلات الأخطاء ومدة التشغيل. وتتيح هذه المقاييس رؤية لكيفية تعامل نقاط النهاية مع بيانات الإدخال، ومدى اتساق استجابتها، وكيفية عملها في بيئات الإنتاج.

دور مراقبة النماذج في مشروعات الرؤية الحاسوبية#

والآن، لننظر في مثال من العالم الحقيقي يبرز الحاجة إلى نظام مراقبة عند نشر حلول الرؤية الحاسوبية.

لنتأمل حلًا للرؤية يستخدم تقدير الوضعية، وهي مهمة في الرؤية الحاسوبية تُستخدم لتحديد حركات جسم الإنسان وتحليلها، لمراقبة التزام عمال البناء بمتطلبات السلامة. خلال النشر الأولي للنموذج، قد يعمل هذا النظام جيدًا في ظروف مضبوطة، مع وضوح الرؤية وسيناريوهات اعتيادية.

لكن مواقع البناء الحقيقية تطرح تعقيدات إضافية. فقد تتفاوت أحجام الطلبات على مدار اليوم، وقد تكون ظروف الشبكة غير مستقرة، وقد ترسل عدة كاميرات أو نقاط نهاية البيانات في الوقت نفسه. وقد تؤدي هذه العوامل إلى بطء الاستجابات أو أعطال عرضية إذا لم تجْرِ مراقبة النظام على النحو المناسب.

الشكل 2. استخدام تقدير الوضعية لمراقبة العمال في موقع بناء (المصدر)

في بيئة إنتاج كهذه، يصبح من المهم فهم مدى موثوقية تشغيل النظام. وتتيح المراقبة رؤيةً حول مدى إتاحة نقاط النهاية، وسرعة استجابتها للطلبات الواردة، ومدى اتساق تعاملها مع حركة المرور بمرور الوقت.

فعلى سبيل المثال، قد تشير زيادة زمن الاستجابة إلى ارتفاع الحمل أو محدودية الموارد، في حين قد تشير زيادة معدلات الأخطاء إلى مشكلات في معالجة الطلبات أو استقرار النظام. وتضيف السجلات مزيدًا من السياق من خلال إظهار كيفية معالجة الطلبات الفردية ومواضع حدوث الأعطال.

من خلال تتبّع هذه المؤشرات، يستطيع المهتمون بالذكاء الاصطناعي وعلماء البيانات اكتشاف المشكلات مبكرًا، واستكشافها وإصلاحها بفعالية أكبر، وضمان استمرار أنظمتهم في العمل بموثوقية مع تغير ظروف العالم الحقيقي.

استخدام Ultralytics Platform لمراقبة نماذج الرؤية المنشورة#

في كثير من مسارات عمل التعلم العميق، تُنفذ المراقبة غالبًا باستخدام أدوات منفصلة للسجلات والمقاييس وحالة النظام. وقد يصعّب هذا الإعداد المجزأ تكوين رؤية واضحة لكيفية عمل نقاط النهاية المنشورة في بيئة الإنتاج، ويزيد تعقيد إدارة عمليات النشر.

تُبسّط Ultralytics Platform ذلك من خلال دمج المراقبة في بيئة موحدة تغطي سير عمل الرؤية الحاسوبية بالكامل، بدءًا من إدخال البيانات وشرحها وصولًا إلى التدريب والنشر والمراقبة.

يتيح هذا الإعداد المتكامل للمستخدمين تتبّع كيفية تعامل نقاط النهاية المنشورة لديهم مع حركة المرور الواقعية دون إعداد أنظمة تسجيل خارجية أو لوحات معلومات إضافية. فكل شيء متاح في مكان واحد، ما يسهل مراقبة سلوك النظام والحفاظ على موثوقية عمليات النشر بمرور الوقت.

يمكن الوصول إلى ميزات المراقبة مباشرةً من علامة التبويب Deploy. ومن لوحة معلومات واحدة، يستطيع المستخدمون تتبّع المقاييس الرئيسية وتحليل سلوك الطلبات على مستوى كل طلب وعرض الاتجاهات بصريًا. وتسهل التصورات المرئية المدمجة هذه فهم أداء الحلول دون التنقل بين الأدوات.

يؤدي جمع المراقبة والنشر وإدارة النماذج ضمن سير العمل الأشمل إلى الحد من التعقيد. وهذا يجعل التركيز على إدارة عمليات النشر وتحسين أداء النظام والحفاظ على الموثوقية أكثر سلاسة.

ميزات المراقبة المدمجة في Ultralytics Platform#

تعتمد المراقبة في عمليات النشر الواقعية على وضوح الرؤية لكيفية تشغيل الأنظمة مع تغير الظروف بمرور الوقت. وهي تتجاوز تتبّع بضعة مقاييس، لتشمل فهم سلوك نقاط النهاية المنشورة عبر البيئات وإدارة عمليات نشر متعددة بفعالية.

استجابةً لملاحظات مجتمع الذكاء الاصطناعي للرؤية حول التحديات الشائعة في الرؤية الحاسوبية، تتضمن Ultralytics Platform قدرات عدة تجعل المراقبة أكثر عملية وقابلية للتوسع.

إليك لمحة عن بعض هذه الميزات الرئيسية:

• رؤية شاملة لعمليات النشر: تتضمن صفحة Deploy خريطة عالمية تفاعلية تعرض مناطق النشر، مع مؤشرات مرئية لنقاط النهاية النشطة والجاري تشغيلها، ما يتيح للمستخدمين مراقبة التوزيع الجغرافي والنشاط الإقليمي.
• طرق عرض مرنة للوحة المعلومات: توفر لوحة معلومات عمليات النشر طرق عرض متعددة، منها عرض البطاقات والشبكة المضغوطة وعرض الجدول، مع أعمدة قابلة للفرز مثل الاسم والمنطقة والحالة والطلبات، ما يدعم المراقبة والمقارنة المنظمتين.
• مراقبة نقاط نهاية متعددة: تجمع لوحة المعلومات بيانات المراقبة عبر جميع عمليات النشر باستخدام بطاقات النظرة العامة وقوائم عمليات النشر.
• سياسات الاحتفاظ بالبيانات: يُحتفظ ببيانات المراقبة لمدة محددة؛ إذ تتوفر المقاييس لمدة 30 يومًا والسجلات لمدة 7 أيام، ما يدعم تحليل الأداء مؤخرًا وسير عمل تصحيح الأخطاء.
• دعم المراقبة الخارجية: يمكن مراقبة نقاط نهاية النشر باستخدام أدوات خارجية مثل Datadog وNew Relic وخدمات مراقبة مدة التشغيل، أو الوصول إليها عبر نقاط نهاية API لإجراء مراقبة مخصصة وفحوصات الحالة.

بعد ذلك، سنتناول بعض هذه الميزات بمزيد من التفصيل، ونرى كيف يمكن استخدامها لمراقبة نقاط النهاية المنشورة في بيئة الإنتاج.

كيفية تتبّع مقاييس الأداء الرئيسية باستخدام Ultralytics Platform#

بعد نشر النموذج، تبدأ المراقبة بتتبّع مقاييس النظام الرئيسية. وبينما تفيد مقاييس مثل الدقة والاستدعاء أثناء التطوير، تركز مراقبة الإنتاج على مؤشرات مستوى النظام، مثل زمن الاستجابة ومعدلات الخطأ، التي توفر رؤى قابلة للقياس حول مدى موثوقية تعامل نقاط النهاية مع حركة المرور في العالم الحقيقي.

توفر Ultralytics Platform لوحة معلومات مركزية تعرض بوضوح نشاط نقاط النهاية وسلوك النظام. وعلى وجه الخصوص، تتضمن لوحة معلومات النشر أربعة مقاييس رئيسية توضح كيفية استخدام نقاط النهاية واستجابتها للطلبات الواردة.

إليك نظرة أقرب على هذه المقاييس:

• إجمالي الطلبات: العدد الإجمالي للطلبات المقدمة إلى جميع نقاط النهاية خلال فترة 24 ساعة. يساعد ذلك على تحديد أنماط الاستخدام والطلب الإجمالي.
• عمليات النشر النشطة: عدد نقاط النهاية التي تعمل حاليًا وتستجيب للطلبات.
• زمن الاستجابة عند P95: زمن الاستجابة الذي تكتمل خلاله 95% من الطلبات. يقدم ذلك تصورًا أكثر واقعية للأداء من خلال احتساب الاستجابات الأبطأ.
• معدل الخطأ: هو النسبة المئوية للطلبات الفاشلة من إجمالي عدد الطلبات. يساعد هذا المقياس على تحديد المشكلات، ويمكن استخدامه لاكتشاف الحالات الشاذة.

ببساطة، تقدم هذه المقاييس تصورًا واضحًا لكيفية عمل نقاط النهاية المنشورة في بيئة الإنتاج. ومن خلال تحليل أنماط الاستخدام، يمكن للفرق والأفراد فهم توزيع حركة المرور، وتحديد فترات ذروة الأحمال، وضمان استمرار استجابة الأنظمة وموثوقيتها مع نمو الاستخدام.

فهم سلوك نشر النماذج من خلال السجلات#

بينما تقدم المقاييس تصورًا عامًا لأداء النظام، توفر السجلات نظرة أكثر تفصيلًا على كيفية تعامل نقاط النهاية المنشورة مع الطلبات الفردية. تسجل السجلات كل طلب يُرسل إلى نقطة نهاية، إلى جانب الاستجابة المقابلة له.

تفيد السجلات في تتبّع المشكلات، وفحص حالات الفشل، وفهم كيفية معالجة الطلبات. في Ultralytics Platform، يمكنك تحديد أي عملية نشر للاطلاع على تفاصيلها، بما في ذلك السجلات.

الشكل 3. مثال على السجلات في Ultralytics Platform (المصدر)

يُعرض إدخال السجل في المنصة بتنسيق منظم، ما يسهل فهم ما حدث أثناء كل طلب. يتضمن كل إدخال مستوى خطورة يشير إلى أهمية الحدث، إلى جانب طابع زمني يوضح وقت وقوعه.

كما يتضمن رسالة تصف الحدث وتفاصيل متعلقة بـ HTTP، مثل رموز الحالة وزمن الاستجابة. تساعد هذه المعلومات على تتبّع الطلبات، ودعم استكشاف المشكلات وإصلاحها، وتصحيح الأخطاء بفاعلية أكبر. إضافة إلى ذلك، تُجمّع السجلات حسب مستوى الخطورة، ليتمكن المستخدمون من تحديد أولويات عمليات النشر التي تتطلب الاهتمام.

تحليل سلامة نقاط النهاية وموثوقيتها على Ultralytics Platform#

تشمل المراقبة أيضًا فهم الحالة العامة لنقاط النهاية المنشورة، بما في ذلك التحقق من أنها تعمل بشكل صحيح، وتستجيب في الوقت المناسب، وتعالج الطلبات باستمرار دون أخطاء. توفر Ultralytics Platform عرضًا واضحًا لحالة سلامة كل عملية نشر، ما يسهل التحقق من أن نقاط النهاية تعمل كما هو متوقع.

تتضمن المنصة مؤشرات مرئية لسلامة كل عملية نشر، وتُعرض هذه المؤشرات على بطاقات عمليات النشر الفردية.

على سبيل المثال، يشير المؤشر الأخضر إلى أن نقطة النهاية سليمة وتستجيب بشكل طبيعي، بينما يشير المؤشر الأحمر إلى وجود مشكلات أو توقف. أما الأيقونة الدوارة فتدل على أن النظام يتحقق من حالة عملية النشر حاليًا.

يتيح تتبّع سلامة نقاط النهاية بمرور الوقت اكتشاف المشكلات مبكرًا، والحفاظ على أداء ثابت، وضمان تجربة مستقرة للتطبيقات التي تعمل في بيئة الإنتاج.

الصلة بين بيانات المراقبة وتحسين الأداء#

لا تقتصر مراقبة النماذج على تتبّع المقاييس، بل تنشئ حلقة تغذية راجعة تدعم التحسين المستمر بمرور الوقت. ومع تعامل نقاط النهاية مع حركة المرور في العالم الحقيقي، تبدأ أنماط بالظهور في المقاييس والسجلات، وقد تكشف عن مشكلات مثل زيادة زمن الاستجابة، أو ارتفاع معدلات الخطأ، أو عدم اتساق سلوك النظام.

تسلط المراقبة الضوء على الجوانب التي تتطلب الاهتمام. فعلى سبيل المثال، قد يشير استمرار ارتفاع زمن الاستجابة إلى الحاجة إلى تحسين تخصيص الموارد أو التوسع، بينما قد يدل ارتفاع معدل الخطأ على مشكلات في معالجة الطلبات أو استقرار النظام.

بعد تحديد هذه المشكلات، يمكن اتخاذ خطوات لتحسين الموثوقية. وقد يشمل ذلك تعديل البنية التحتية، أو توسيع نطاق الموارد، أو إصلاح المشكلات في طريقة معالجة الطلبات. وبعد إجراء هذه التغييرات، يمكن مواصلة مراقبة الأنظمة للتأكد من تحسن الأداء.

من خلال ربط المراقبة بالتحسينات المستمرة، يمكن للمستخدمين الحفاظ على متانة الأنظمة مع نمو الاستخدام وتغير الظروف.

استكشاف مثال من العالم الحقيقي: مراقبة مناولة الأمتعة في قطاع الطيران#

لفهم أثر المراقبة في سيناريو واقعي بصورة أفضل، لنستكشف كيفية تطبيقها على أتمتة العمليات الأرضية للطيران.

لنتناول نظام رؤية مصممًا لمراقبة تحميل الأمتعة وتفريغها أثناء العمليات الأرضية للطائرات. في هذا الإعداد، يمكن استخدام نموذج لكشف الأجسام مثل Ultralytics YOLO26 للكشف عما إذا كانت الأمتعة تسقط عن أحزمة النقل أو معدات المناولة.

أثناء الاختبار والنشر الأولي، قد يعمل النظام في الوقت الفعلي بكفاءة، فيحدد الأمتعة بدقة ويستجيب بسرعة.

لكن الظروف في بيئة مطار نشطة أقل قابلية للتنبؤ بكثير. تتغير الإضاءة على مدار اليوم، وتبث عدة كاميرات البيانات في الوقت نفسه، وترتفع أحجام الطلبات خلال فترات الازدحام. وقد تؤدي هذه العوامل إلى زيادة زمن الاستجابة أو ظهور أخطاء، ومن دون رؤية واضحة للنظام، قد تمر هذه المشكلات بسهولة دون ملاحظة.

هنا تبرز قيمة المراقبة. فمن خلال تتبّع مقاييس مثل حجم الطلبات وزمن الاستجابة ومعدلات الخطأ، إلى جانب السجلات التفصيلية، تستطيع الفرق ملاحظة تباطؤ نقطة النهاية أو تعطلها بسرعة. فإذا ارتفع زمن الاستجابة خلال ساعات الذروة، فقد يشير ذلك إلى الحاجة إلى توسيع نطاق الموارد، بينما قد يدل الارتفاع المفاجئ في الأخطاء على مشكلات في كاميرات محددة أو في معالجة الطلبات. ويساعد التعامل مع هذه المؤشرات على الحفاظ على موثوقية النظام، بحيث تستمر مراقبة مناولة الأمتعة بدقة حتى مع تغير الظروف.

أبرز النقاط#

المراقبة هي ما يحافظ على موثوقية نماذج الرؤية الحاسوبية المنشورة بعد خروجها من ظروف التطوير الخاضعة للرقابة وبدئها في التعامل مع حركة المرور في العالم الحقيقي. ومن خلال التركيز على مؤشرات مستوى النظام، مثل حجم الطلبات وزمن الاستجابة ومعدلات الخطأ ووقت التشغيل، إلى جانب السجلات التفصيلية، توفر المراقبة الرؤية اللازمة لاكتشاف المشكلات مبكرًا والحفاظ على سلاسة عمل أنظمة الإنتاج.

من خلال دمج المراقبة مباشرة في سير عمل النشر، تسهّل Ultralytics Platform تتبّع سلامة نقاط النهاية، وفحص سلوك الطلبات، والحفاظ على موثوقية الأنظمة دون الاعتماد على أدوات منفصلة. وبجمع البيانات والتدريب والنشر والمراقبة في مكان واحد، تساعد المنصة الفرق على الانتقال من التجارب إلى عمليات نشر موثوقة في العالم الحقيقي.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للتعرف أكثر على الذكاء الاصطناعي للرؤية. لبدء التطوير باستخدام الذكاء الاصطناعي للرؤية اليوم، اطّلع على خيارات الترخيص. اكتشف كيف يسهم الذكاء الاصطناعي في التصنيع والذكاء الاصطناعي في الرعاية الصحية في رسم ملامح المستقبل بزيارة صفحات حلولنا.