مراقبة نماذج الرؤية الحاسوبية المنشورة على منصة Ultralytics

اختبار نماذج الرؤية الحاسوبية التي تحلل الصور ومقاطع الفيديو ليس دائمًا مثل تشغيلها في بيئة الإنتاج. أثناء التطوير، يتم اختبار هذه النماذج أو الخوارزميات على مجموعات بيانات نظيفة ومعدة جيدًا حيث تكون الظروف محكومة ويمكن التنبؤ بها.

بمجرد النشر، تصبح الأمور أكثر ديناميكية. تتعرض النماذج لحركة مرور فعلية، حيث يمكن أن تختلف أحجام الطلبات، وتتغير أوقات الاستجابة، ويمكن أن تحدث إخفاقات عرضية.

في هذه المرحلة، يتحول التركيز إلى ما إذا كان النظام يعمل بشكل موثوق، مع نقاط نهاية تظل متاحة وسريعة الاستجابة ومستقرة في ظل الظروف المتغيرة.

هذا هو السبب في أن المراقبة ضرورية. فهي توفر رؤية واضحة لكيفية سلوك نقاط النهاية المنشورة في بيئة الإنتاج من خلال مقاييس مثل حجم الطلبات، وزمن الوصول، ومعدلات الخطأ، وصحة النظام بشكل عام.

لتسهيل ذلك، يصبح امتلاك الأدوات المناسبة لا يقل أهمية عن النموذج نفسه. مؤخرًا، قدمت Ultralytics منصة Ultralytics، وهي بيئتنا الجديدة المتكاملة التي تجمع سير عمل الرؤية الحاسوبية بالكامل، بدءًا من البيانات والتدريب وصولاً إلى النشر والمراقبة.

الشكل 1. لوحة تحكم النشر في منصة Ultralytics مع ميزات المراقبة (المصدر)

مع المراقبة المدمجة مباشرة في سير العمل هذا، يمكن للمستخدمين تتبع صحة نقطة النهاية، وفحص سلوك الطلبات، والحفاظ على أنظمة موثوقة دون الاعتماد على أدوات منفصلة. في هذه المقالة، سنستكشف كيفية استخدام منصة Ultralytics لـ مراقبة نقاط نهاية النماذج المنشورة والحفاظ على تشغيل أنظمة الإنتاج بسلاسة. لنبدأ!

Link to this sectionنظرة عامة على مراقبة نماذج الذكاء الاصطناعي#

في دورة حياة نموذج الذكاء الاصطناعي، تشير المراقبة إلى مراقبة كيفية سلوك الأنظمة المنشورة بمجرد أن يصبح النموذج مباشرًا ويخدم الطلبات الفعلية. بينما يوضح التدريب والتحقق من الصحة كيفية أداء نموذج التعلم الآلي (ML model) على مجموعات البيانات المعدة، تركز المراقبة على كيفية عمل نقطة النهاية المنشورة في بيئة الإنتاج.

جزء حاسم من المراقبة هو تتبع مقاييس مستوى النظام التي تعكس الموثوقية والاستجابة. تساعد مقاييس مثل زمن الوصول ووقت التشغيل في الإشارة إلى مدى جودة تعامل النظام مع الطلبات الواردة. يقيس زمن الوصول المدة التي يستغرقها معالجة الطلب وإرجاع استجابة، بينما يسلط وقت التشغيل الضوء على مدى اتساق توافر نقطة النهاية.

جانب رئيسي آخر هو القابلية للملاحظة (observability)، والتي توفر رؤية حول كيفية التعامل مع الطلبات. في كل مرة يتم فيها إرسال مدخلات، مثل صورة أو إطار فيديو، إلى نموذج منشور، تتم معالجتها كطلب استنتاج.

تلتقط السجلات هذه الطلبات جنبًا إلى جنب مع تفاصيل مثل الطوابع الزمنية، وأوقات الاستجابة، ورموز الحالة. تجعل هذه السجلات من السهل تتبع الطلبات، وتصحيح الأخطاء، والتحقيق في الإخفاقات عند حدوثها. إنها مفيدة بشكل خاص لتحديد الأنماط مثل الأخطاء المتكررة، أو الاستجابات البطيئة، أو سلوك النظام غير المتوقع.

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

Link to this sectionنظرة على مقاييس أداء النموذج مقابل مقاييس النظام#

قبل الغوص في مراقبة الإنتاج، دعنا نناقش الفرق بين مقاييس أداء النموذج ومقاييس النظام.

عادةً ما ترتبط مراقبة النموذج بمقاييس التقييم، المعروفة أيضًا باسم مقاييس النموذج، مثل الدقة، والإحكام، والاستدعاء، وmAP (متوسط دقة متوسط). تُستخدم هذه المقاييس لوصف سلوك النموذج وتقييم جودة تنبؤات النموذج، غالبًا فيما يتعلق ببيانات الإنتاج أو بيانات الإدخال. يمكن أن تكون مفيدة بشكل خاص لتحديد الحالات الطرفية أو القيم المتطرفة في البيانات الجديدة.

ومع ذلك، يختلف هذا عن مراقبة نظام منشور في الإنتاج. في هذا السياق، تركز المراقبة على كيفية تشغيل النظام بدلاً من تقييم تنبؤات النموذج مباشرة.

بدلاً من مقاييس النموذج، تعتمد مراقبة النشر على إشارات مستوى النظام مثل حجم الطلبات، وزمن الوصول، ومعدلات الخطأ، ووقت التشغيل. توفر هذه المقاييس رؤية حول كيفية تعامل نقاط النهاية مع بيانات الإدخال، ومدى اتساق استجابتها، وكيفية عملها في بيئات الإنتاج.

Link to this sectionدور مراقبة النماذج في مشاريع الرؤية الحاسوبية#

بعد ذلك، دعنا نلقي نظرة على مثال واقعي يسلط الضوء على الحاجة إلى نظام مراقبة في عمليات نشر الرؤية الحاسوبية.

ضع في اعتبارك حلاً للرؤية يستخدم تقدير الوضعية، وهي مهمة رؤية حاسوبية تُستخدم لتحديد وتحليل حركات جسم الإنسان، لمراقبة عمال البناء من أجل الامتثال للسلامة. أثناء النشر الأولي للنموذج، قد يعمل مثل هذا النظام بشكل جيد في ظل ظروف محكومة مع رؤية واضحة وسيناريوهات قياسية.

ومع ذلك، تقدم مواقع البناء الفعلية تعقيدًا إضافيًا. يمكن أن تختلف أحجام الطلبات على مدار اليوم، وقد تكون ظروف الشبكة غير متسقة، وقد ترسل كاميرات أو نقاط نهاية متعددة البيانات في نفس الوقت. يمكن أن تؤدي هذه العوامل إلى استجابات أبطأ أو إخفاقات عرضية إذا لم تتم مراقبة النظام بشكل صحيح.

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

في بيئة إنتاج كهذه، يصبح من المهم فهم مدى موثوقية عمل النظام. توفر المراقبة رؤية حول ما إذا كانت نقاط النهاية متاحة، ومدى سرعة استجابتها للطلبات الواردة، ومدى اتساق تعاملها مع حركة المرور بمرور الوقت.

على سبيل المثال، قد تشير زيادة في زمن الوصول إلى حمل أعلى أو قيود على الموارد، بينما يمكن أن يشير ارتفاع معدلات الخطأ إلى مشكلات في التعامل مع الطلبات أو استقرار النظام. تضيف السجلات مزيدًا من السياق من خلال توضيح كيفية معالجة الطلبات الفردية وأين تحدث الإخفاقات.

من خلال تتبع هذه الإشارات، يمكن لعشاق الذكاء الاصطناعي وعلماء البيانات تحديد المشكلات في وقت مبكر، واستكشاف الأخطاء وإصلاحها بشكل أكثر فعالية، وضمان استمرار أنظمتهم في العمل بشكل موثوق مع تغير الظروف الفعلية.

Link to this sectionاستخدام منصة Ultralytics لمراقبة نماذج الرؤية المنشورة#

في العديد من سير عمل التعلم العميق، غالبًا ما تتم المراقبة باستخدام أدوات منفصلة لتسجيل السجلات، والمقاييس، وصحة النظام. يمكن أن يجعل هذا الإعداد المشتت من الصعب الحصول على رؤية واضحة لكيفية عمل نقاط النهاية المنشورة في بيئة الإنتاج ويضيف تعقيدًا إلى إدارة عمليات النشر.

تعمل منصة Ultralytics على تبسيط ذلك من خلال دمج المراقبة مباشرة في بيئة موحدة تغطي سير عمل الرؤية الحاسوبية بالكامل، بدءًا من استيعاب البيانات والتعليق التوضيحي وصولاً إلى التدريب والنشر والمراقبة.

مع هذا الإعداد المتكامل، يمكن للمستخدمين تتبع كيفية تعامل نقاط النهاية المنشورة الخاصة بهم مع حركة المرور الفعلية دون إعداد أنظمة تسجيل خارجية أو لوحات تحكم إضافية. كل شيء متاح في مكان واحد، مما يسهل مراقبة سلوك النظام والحفاظ على عمليات نشر موثوقة بمرور الوقت.

يمكن الوصول إلى ميزات المراقبة مباشرة من علامة تبويب النشر. من لوحة تحكم واحدة، يمكن للمستخدمين تتبع المقاييس الرئيسية، وتحليل سلوك مستوى الطلب، وتصور الاتجاهات. تجعل هذه التصورات المدمجة من السهل فهم كيفية أداء الحلول دون التبديل بين الأدوات.

من خلال الجمع بين المراقبة والنشر وإدارة النماذج ضمن سير العمل الأوسع، تقلل المنصة من التعقيد. وهذا يجعل التركيز على إدارة عمليات النشر، وتحسين أداء النظام، والحفاظ على الموثوقية أكثر سلاسة.

Link to this sectionميزات المراقبة المدمجة في منصة Ultralytics#

في عمليات النشر الفعلية، تعتمد المراقبة على وجود رؤية واضحة لكيفية تشغيل الأنظمة مع تغير الظروف بمرور الوقت. إنها تتجاوز مجرد تتبع بضعة مقاييس وتتضمن فهم كيفية سلوك نقاط النهاية المنشورة عبر البيئات وإدارة عمليات نشر متعددة بفعالية.

مستوحاة من ملاحظات مجتمع الذكاء الاصطناعي للرؤية حول تحديات الرؤية الحاسوبية الشائعة، تتضمن منصة Ultralytics العديد من الإمكانات التي تجعل المراقبة أكثر عملية وقابلية للتوسع.

إليك نظرة عامة على بعض هذه الميزات الرئيسية:

• رؤية النشر العالمية: تتضمن صفحة النشر خريطة عالمية تفاعلية تعرض مناطق النشر مع مؤشرات مرئية لنقاط النهاية النشطة والتي قيد التنفيذ، مما يسمح للمستخدمين بمراقبة التوزيع الجغرافي والنشاط الإقليمي.
• طرق عرض مرنة للوحة التحكم: توفر لوحة تحكم عمليات النشر أوضاع عرض متعددة، بما في ذلك عرض البطاقة، والشبكة المدمجة، وعرض الجدول مع أعمدة قابلة للفرز مثل الاسم، والمنطقة، والحالة، والطلبات، مما يدعم المراقبة المنظمة والمقارنة.
• مراقبة نقاط نهاية متعددة: تقوم لوحة التحكم بتجميع بيانات المراقبة عبر جميع عمليات النشر باستخدام بطاقات نظرة عامة وقوائم النشر.
• سياسات الاحتفاظ بالبيانات: يتم الاحتفاظ ببيانات المراقبة لفترة محددة، مع توفر المقاييس لمدة 30 يومًا والسجلات لمدة 7 أيام، مما يدعم تحليل الأداء الحديث وسير عمل تصحيح الأخطاء.
• دعم المراقبة الخارجية: يمكن مراقبة نقاط نهاية النشر باستخدام أدوات خارجية مثل Datadog وNew Relic وخدمات مراقبة وقت التشغيل، أو الوصول إليها عبر نقاط نهاية API للمراقبة المخصصة وفحوصات الصحة.

بعد ذلك، سنستعرض بعض هذه الميزات بمزيد من التفصيل ونرى كيف يمكن استخدامها لمراقبة نقاط نهاية النشر في بيئة الإنتاج.

Link to this sectionكيفية تتبع مقاييس الأداء الرئيسية باستخدام منصة Ultralytics#

بمجرد نشر النموذج، تبدأ المراقبة بتتبع مقاييس النظام الرئيسية. في حين أن مقاييس مثل الدقة والاستدعاء مفيدة أثناء التطوير، تركز مراقبة الإنتاج على إشارات مستوى النظام مثل وقت الاستجابة ومعدلات الخطأ، والتي توفر رؤى قابلة للقياس حول مدى موثوقية تعامل نقاط النهاية مع حركة المرور الفعلية.

توفر منصة Ultralytics لوحة تحكم مركزية توفر رؤية واضحة لنشاط نقطة النهاية وسلوك النظام. على وجه الخصوص، تتضمن لوحة تحكم النشر أربعة مقاييس رئيسية تُظهر كيفية استخدام نقاط النهاية وكيفية استجابتها للطلبات الواردة.

إليك نظرة فاحصة على هذه المقاييس:

• إجمالي الطلبات: إجمالي عدد الطلبات المقدمة عبر جميع نقاط النهاية على مدار 24 ساعة. يساعد هذا في تحديد أنماط الاستخدام والطلب الإجمالي.
• عمليات النشر النشطة: عدد نقاط النهاية التي تعمل حاليًا وتخدم الطلبات.
• زمن الوصول P95: وقت الاستجابة الذي يتم فيه إكمال 95% من الطلبات. يعطي هذا رؤية أكثر واقعية للأداء من خلال مراعاة الاستجابات الأبطأ.
• معدل الخطأ: هو النسبة المئوية للطلبات الفاشلة من إجمالي عدد الطلبات. يساعد هذا المقياس في تحديد المشكلات ويمكن استخدامه لاكتشاف الحالات الشاذة.

ببساطة، توفر هذه المقاييس رؤية واضحة لكيفية عمل نقاط النهاية المنشورة في الإنتاج. من خلال تحليل أنماط الاستخدام، يمكن للفرق والأفراد فهم توزيع حركة المرور، وتحديد فترات ذروة التحميل، وضمان بقاء الأنظمة سريعة الاستجابة وموثوقة مع نمو الاستخدام.

Link to this sectionفهم سلوك نشر النموذج من خلال السجلات#

بينما توفر المقاييس رؤية عالية المستوى لأداء النظام، توفر السجلات نظرة أكثر تفصيلاً حول كيفية تعامل نقاط النهاية المنشورة مع الطلبات الفردية. تسجل السجلات كل طلب يتم إرساله إلى نقطة النهاية جنبًا إلى جنب مع الاستجابة المقابلة.

إنها مفيدة لتتبع المشكلات، وفحص الإخفاقات، وفهم كيفية معالجة الطلبات. داخل منصة Ultralytics، يمكنك تحديد أي عملية نشر لعرض تفاصيلها، بما في ذلك السجلات.

الشكل 3. مثال على السجلات داخل منصة Ultralytics (المصدر)

يتم عرض إدخال السجل في المنصة بتنسيق منظم، مما يسهل فهم ما حدث أثناء كل طلب. يتضمن كل إدخال مستوى خطورة، والذي يشير إلى مدى أهمية الحدث، جنبًا إلى جنب مع طابع زمني يوضح وقت حدوثه.

كما أنه يحتوي على رسالة تصف الحدث وتفاصيل متعلقة بـ HTTP مثل رموز الحالة وزمن الوصول. تساعد هذه المعلومات في تتبع الطلبات، ودعم استكشاف الأخطاء وإصلاحها، وتصحيح المشكلات بشكل أكثر فعالية. علاوة على ذلك، يتم تجميع السجلات حسب الخطورة، حتى يتمكن المستخدمون من تحديد أولويات عمليات النشر التي تحتاج إلى اهتمام.

Link to this sectionتحليل صحة نقطة النهاية وموثوقيتها على منصة Ultralytics#

تتضمن المراقبة أيضًا فهم الصحة العامة لنقاط النهاية المنشورة، بما في ذلك ما إذا كانت تعمل بشكل صحيح، وتستجيب في الوقت المحدد، وتتعامل باستمرار مع الطلبات دون أخطاء. توفر منصة Ultralytics رؤية واضحة لحالة صحة كل عملية نشر، مما يجعل من السهل التحقق من أن نقاط النهاية تعمل كما هو متوقع.

تتضمن المنصة مؤشرات صحة مرئية لكل عملية نشر، معروضة على بطاقات النشر الفردية.

على سبيل المثال، يوضح المؤشر الأخضر أن نقطة النهاية سليمة وتستجيب بشكل طبيعي، بينما يشير المؤشر الأحمر إلى مشكلات أو توقف عن العمل. تشير أيقونة الدوران إلى أن النظام يتحقق بنشاط من حالة عملية النشر.

من خلال تتبع صحة نقطة النهاية بمرور الوقت، يصبح من الممكن اكتشاف المشكلات مبكرًا، والحفاظ على أداء متسق، وضمان تجربة مستقرة للتطبيقات التي تعمل في الإنتاج.

Link to this sectionالعلاقة بين بيانات المراقبة وتحسين الأداء#

لا تتعلق مراقبة النموذج بتتبع المقاييس فحسب. فهي تخلق حلقة تغذية راجعة تدعم التحسين المستمر بمرور الوقت. مع تعامل نقاط النهاية مع حركة المرور الفعلية، تبدأ الأنماط في الظهور في المقاييس والسجلات التي يمكن أن تكشف عن مشكلات مثل زيادة زمن الوصول، أو ارتفاع معدلات الخطأ، أو سلوك النظام غير المتسق.

تسلط المراقبة الضوء على المجالات التي تحتاج إلى اهتمام. على سبيل المثال، قد يشير زمن الوصول المرتفع باستمرار إلى الحاجة إلى تخصيص موارد أفضل أو التوسع، بينما يمكن أن يشير ارتفاع معدل الخطأ إلى مشكلات في التعامل مع الطلبات أو استقرار النظام.

بمجرد تحديد هذه المشكلات، يمكن اتخاذ خطوات لتحسين الموثوقية. قد يتضمن ذلك تعديل البنية التحتية، أو توسيع الموارد، أو إصلاح مشكلات في كيفية معالجة الطلبات. بعد هذه التغييرات، يمكن الاستمرار في مراقبة الأنظمة للتأكد من تحسن الأداء.

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

Link to this sectionاستكشاف مثال واقعي: مراقبة مناولة الأمتعة في الطيران#

للحصول على فهم أفضل لتأثير المراقبة في سيناريو واقعي، دعنا نستكشف كيف ينطبق ذلك على أتمتة عمليات الطيران الأرضية.

خذ نظام رؤية مصممًا لمراقبة تحميل وتفريغ الأمتعة أثناء عمليات الطيران الأرضية. في هذا الإعداد، يمكن استخدام نموذج كشف الكائنات مثل Ultralytics YOLO26 لاكتشاف ما إذا كانت الأمتعة تسقط من أحزمة النقل أو معدات المناولة.

أثناء الاختبار والنشر المبكر، قد يعمل النظام في الوقت الفعلي بشكل جيد، حيث يحدد الأمتعة بدقة ويستجيب بسرعة.

ومع ذلك، في بيئة المطار المباشرة، تكون الظروف أقل قابلية للتنبؤ بها بكثير. تتغير الإضاءة طوال اليوم، وتدفق الكاميرات المتعددة البيانات في نفس الوقت، وتزداد أحجام الطلبات خلال فترات الازدحام. يمكن أن تتسبب هذه العوامل في ارتفاع زمن الوصول أو ظهور أخطاء، وبدون رؤية للنظام، يمكن أن تمر مثل هذه المشكلات دون أن يلاحظها أحد بسهولة.

هذا هو المكان الذي تصبح فيه المراقبة ذات قيمة. من خلال تتبع المقاييس مثل حجم الطلبات، وزمن الوصول، ومعدلات الخطأ جنبًا إلى جنب مع سجلات مفصلة، يمكن للفرق رؤية متى تتباطأ نقطة النهاية أو تفشل بسرعة. إذا ارتفع زمن الوصول خلال ساعات الذروة، فقد يشير ذلك إلى الحاجة إلى توسيع الموارد، بينما يمكن أن يشير ارتفاع مفاجئ في الأخطاء إلى وجود مشاكل في كاميرات معينة أو التعامل مع الطلبات. يساعد التصرف بناءً على هذه الإشارات في الحفاظ على موثوقية النظام، بحيث يمكن الاستمرار في مراقبة مناولة الأمتعة بدقة حتى مع تغير الظروف.

Link to this sectionأبرز النقاط#

المراقبة هي ما يحافظ على موثوقية نماذج الرؤية الحاسوبية المنشورة بمجرد مغادرتها للظروف الخاضعة للرقابة في التطوير والبدء في التعامل مع حركة المرور الفعلية. من خلال التركيز على إشارات مستوى النظام مثل حجم الطلبات، وزمن الوصول، ومعدلات الخطأ، ووقت التشغيل، جنبًا إلى جنب مع السجلات التفصيلية، توفر المراقبة الرؤية اللازمة لاكتشاف المشكلات مبكرًا والحفاظ على تشغيل أنظمة الإنتاج بسلاسة.

مع المراقبة المدمجة مباشرة في سير عمل النشر، تجعل منصة Ultralytics من السهل تتبع صحة نقطة النهاية، وفحص سلوك الطلبات، والحفاظ على أنظمة موثوقة دون الاعتماد على أدوات منفصلة. من خلال الجمع بين البيانات والتدريب والنشر والمراقبة في مكان واحد، تساعد المنصة الفرق على الانتقال من التجريب إلى عمليات النشر الفعلية الموثوقة.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول ذكاء الرؤية الاصطناعي. للبناء باستخدام ذكاء الرؤية الاصطناعي اليوم، تحقق من خيارات الترخيص الخاصة بنا. اكتشف كيف تشكل الذكاء الاصطناعي في التصنيع والذكاء الاصطناعي في الرعاية الصحية المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.