مراقبة نماذج الرؤية الحاسوبية المنشورة على Ultralytics Platform

لا يُعد اختبار نماذج الرؤية الحاسوبية التي تحلل الصور والفيديو مطابقاً دائماً لتشغيلها في بيئة الإنتاج. فخلال مرحلة التطوير، يتم اختبار هذه النماذج أو الخوارزميات على مجموعات بيانات نظيفة ومجهزة جيداً حيث تكون الظروف خاضعة للرقابة ويمكن التنبؤ بها.

بمجرد النشر، تصبح الأمور أكثر ديناميكية. حيث تتعرض النماذج لحركة مرور واقعية، إذ يمكن أن تتغير أحجام الطلبات، وتختلف أوقات الاستجابة، وقد 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.

لهذا السبب تُعد المراقبة أمراً ضرورياً. فهي توفر رؤية واضحة لكيفية سلوك نقاط النهاية المنشورة في بيئة الإنتاج من خلال مقاييس مثل حجم الطلبات، وزمن الاستجابة (latency)، ومعدلات الخطأ، وصحة النظام بشكل عام.

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

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

مع دمج المراقبة 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 Ultralytics Platform لـ مراقبة نقاط نهاية النموذج المنشور والحفاظ على سير أنظمة الإنتاج بسلاسة. لنبدأ!

Link to this sectionنظرة عامة على مراقبة نماذج الذكاء الاصطناعي#

في دورة حياة نموذج الذكاء الاصطناعي، تشير المراقبة إلى ملاحظة كيفية تصرف الأنظمة المنشورة بمجرد أن يصبح النموذج فعالاً ويستقبل طلبات حقيقية. بينما تُظهر التدريب والتحقق من الصحة كيفية أداء نموذج التعلم الآلي (ML model) على مجموعات البيانات المُعدة، تركز المراقبة على كيفية عمل نقطة النهاية المنشورة في بيئة الإنتاج.

جزء حاسم من المراقبة هو تتبع المقاييس على مستوى النظام التي تعكس الموثوقية والاستجابة. تساعد مقاييس مثل زمن الاستجابة (latency) ووقت التشغيل (uptime) في توضيح مدى كفاءة النظام في التعامل مع الطلبات الواردة. يقيس زمن الاستجابة المدة التي يستغرقها معالجة الطلب وإرجاع استجابة، بينما يسلط وقت التشغيل الضوء على مدى ثبات توفر نقطة النهاية.

جانب رئيسي آخر هو الملاحظية (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 (inference request).

تلتقط السجلات (logs) هذه الطلبات جنباً إلى جنب مع تفاصيل مثل الطوابع الزمنية، وأوقات الاستجابة، ورموز الحالة. تجعل هذه السجلات من الأسهل تتبع الطلبات، وتصحيح المشكلات، والتحقيق في الإخفاقات عند حدوثها. وهي 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، دعونا نناقش الفرق بين مقاييس أداء النموذج ومقاييس النظام.

عادةً، ترتبط مراقبة النموذج بمقاييس التقييم، المعروفة أيضاً باسم مقاييس النموذج، مثل الدقة (accuracy)، والإحكام (precision)، والاستدعاء (recall)، و mAP (متوسط الدقة المتوسط). تُستخدم هذه المقاييس لوصف سلوك النموذج وتقييم جودة تنبؤات النموذج، غالباً فيما يتعلق ببيانات الإنتاج أو بيانات الإدخال. يمكن أن تكون مفيدة بشكل خاص لتحديد الحالات الطرفية (edge cases) أو القيم المتطرفة في البيانات الجديدة.

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

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

Link to this sectionدور مراقبة النماذج في مشاريع الرؤية الحاسوبية#

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

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

ومع ذلك، تقدم مواقع البناء الحقيقية تعقيداً إضافياً. إذ يمكن أن تختلف أحجام الطلبات على مدار اليوم، وقد تكون ظروف الشبكة غير متسقة، وقد تقوم كاميرات أو نقاط نهاية متعددة بإرسال بيانات في نفس الوقت. يمكن أن تؤدي هذه العوامل إلى استجابات أبطأ أو إخفاقات عرضية إذا لم يتم مراقبة النظام بشكل صحيح.

الشكل 2. استخدام تقدير الوضع 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 الزيادة في زمن الاستجابة إلى حمل أعلى أو قيود على الموارد، بينما يمكن أن يشير ارتفاع معدلات الخطأ إلى مشكلات في معالجة الطلبات أو استقرار النظام. تضيف السجلات مزيداً من السياق من خلال إظهار كيفية معالجة الطلبات الفردية وأماكن حدوث 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 عمل أنظمتهم بشكل موثوق مع تغير ظروف العالم الحقيقي.

Link to this sectionاستخدام Ultralytics Platform لمراقبة نماذج الرؤية المنشورة#

في العديد من مهام التعلم العميق، غالباً ما تتم معالجة المراقبة باستخدام أدوات منفصلة للتسجيل (logging)، والمقاييس، وصحة النظام. يمكن لهذا الإعداد المجزأ أن يجعل من الصعب الحصول على رؤية واضحة لكيفية عمل نقاط النهاية المنشورة في الإنتاج ويضيف تعقيداً إلى إدارة عمليات النشر.

تعمل Ultralytics Platform على تبسيط هذا الأمر من خلال دمج المراقبة مباشرة في بيئة موحدة تغطي سير عمل الرؤية الحاسوبية بالكامل، بدءاً 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 الواقعية دون إعداد أنظمة تسجيل خارجية أو لوحات معلومات 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 معلومات واحدة، يمكن للمستخدمين تتبع المقاييس الرئيسية، وتحليل السلوك على مستوى الطلب، وتصور الاتجاهات. هذه التصورات المدمجة تجعل من الأسهل 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 أمراً أكثر سلاسة.

Link to this sectionميزات المراقبة المدمجة في Ultralytics Platform#

في عمليات النشر الواقعية، تعتمد المراقبة على امتلاك رؤية واضحة لكيفية عمل الأنظمة مع تغير الظروف بمرور الوقت. إنها تتجاوز مجرد تتبع بضع مقاييس وتتضمن فهم كيفية تصرف نقاط النهاية المنشورة عبر البيئات وإدارة عمليات نشر متعددة بفعالية.

مستوحاة من ملاحظات مجتمع الذكاء الاصطناعي للرؤية حول تحديات الرؤية الحاسوبية الشائعة، تتضمن Ultralytics Platform 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 عالم تفاعلية تعرض مناطق النشر مع مؤشرات مرئية لنقاط النهاية النشطة والتي قيد التنفيذ، مما يسمح للمستخدمين بمراقبة التوزيع الجغرافي والنشاط الإقليمي.
• طرق عرض لوحة المعلومات المرنة: توفر لوحة معلومات 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 والمقارنة المنظمة.
• مراقبة نقاط نهاية متعددة: تقوم لوحة المعلومات بتجميع بيانات المراقبة عبر جميع عمليات النشر باستخدام بطاقات النظرة العامة وقوائم النشر.
• سياسات الاحتفاظ بالبيانات: يتم الاحتفاظ ببيانات المراقبة لفترة محددة، مع توفر المقاييس لمدة 30 يوماً والسجلات لمدة 7 أيام، مما يدعم سير عمل تحليل الأداء الحديث وتصحيح الأخطاء.
• دعم المراقبة الخارجية: يمكن مراقبة نقاط نهاية النشر باستخدام أدوات خارجية مثل Datadog، و New 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 النهاية المنشورة في الإنتاج.

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

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

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

إليك نظرة فاحصة على هذه المقاييس:

• إجمالي الطلبات: إجمالي عدد الطلبات المقدمة عبر جميع نقاط النهاية خلال فترة 24 ساعة. يساعد هذا في تحديد أنماط الاستخدام والطلب الإجمالي.
• عمليات النشر النشطة: عدد نقاط النهاية التي تعمل حالياً وتخدم الطلبات.
• زمن استجابة 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 الشذوذ (anomalies).

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، تقدم السجلات نظرة أكثر تفصيلاً حول كيفية تعامل نقاط النهاية المنشورة مع الطلبات الفردية. تسجل السجلات كل طلب يتم إرساله إلى نقطة نهاية جنباً إلى جنب مع الاستجابة المقابلة.

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

الشكل 3. مثال على السجلات داخل Ultralytics Platform (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، جنباً إلى جنب مع طابع زمني يوضح وقت حدوثه.

كما يحتوي على رسالة تصف الحدث وتفاصيل متعلقة بـ HTTP مثل رموز الحالة وزمن الاستجابة. تساعد هذه المعلومات في تتبع الطلبات، ودعم استكشاف الأخطاء وإصلاحها، وتصحيح المشكلات بشكل أكثر فعالية. علاوة على ذلك، يتم تجميع السجلات حسب الخطورة، بحيث يمكن للمستخدمين إعطاء الأولوية لعمليات النشر التي تحتاج إلى اهتمام.

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

تتضمن المراقبة أيضاً 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 Ultralytics Platform رؤية واضحة لحالة صحة كل عملية نشر، مما يجعل التحقق من أن نقاط النهاية تعمل كما هو متوقع أمراً مباشراً.

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

على سبيل المثال، يشير المؤشر الأخضر إلى أن نقطة النهاية سليمة وتستجيب بشكل طبيعي، بينما يشير المؤشر الأحمر إلى وجود مشكلات أو وقت توقف. 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 مبكراً، والحفاظ على أداء متسق، وضمان تجربة مستقرة للتطبيقات التي تعمل في بيئة الإنتاج.

Link to this sectionالعلاقة بين بيانات المراقبة وتحسين الأداء#

مراقبة النموذج ليست مجرد تتبع للمقاييس. إنها تنشئ حلقة تغذية راجعة تدعم التحسين المستمر بمرور الوقت. مع تعامل نقاط النهاية مع حركة المرور الواقعية، تبدأ الأنماط في الظهور في المقاييس والسجلات التي يمكن أن تكشف عن مشكلات مثل زيادة زمن الاستجابة، أو ارتفاع معدلات الخطأ، أو سلوك النظام غير المتسق.

تسلط المراقبة الضوء على المجالات التي تحتاج إلى اهتمام. على سبيل المثال، قد يشير زمن الاستجابة المرتفع باستمرار إلى الحاجة إلى تخصيص أفضل للموارد أو التوسع، بينما يمكن أن يشير معدل الخطأ المتزايد إلى مشكلات في معالجة 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، دعونا نستكشف كيف ينطبق ذلك على أتمتة عمليات الطيران الأرضية.

خذ بعين الاعتبار نظام رؤية مصمماً لمراقبة تحميل وتفريغ الأمتعة أثناء العمليات الأرضية للطائرات. في هذا الإعداد، يمكن استخدام نموذج كشف الأجسام مثل Ultralytics YOLO26 لاكتشاف ما إذا كانت الأمتعة تسقط من سيور النقل أو معدات المناولة.

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

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

هنا تصبح المراقبة قيمة. من خلال تتبع مقاييس مثل حجم الطلبات، وزمن الاستجابة، ومعدلات الخطأ جنباً إلى جنب مع سجلات مفصلة، يمكن للفرق رؤية متى تتباطأ نقطة النهاية أو تفشل بسرعة. إذا ارتفع زمن الاستجابة خلال ساعات الذروة، فقد يشير ذلك إلى الحاجة إلى توسيع الموارد، بينما يمكن أن يشير الارتفاع المفاجئ في الأخطاء إلى مشاكل في كاميرات معينة أو معالجة 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 خروجها من ظروف التطوير الخاضعة للرقابة والبدء في التعامل مع حركة المرور الواقعية. من خلال التركيز على إشارات على مستوى النظام مثل حجم الطلبات، وزمن الاستجابة، ومعدلات الخطأ، ووقت التشغيل، جنباً إلى جنب مع السجلات المفصلة، توفر المراقبة الرؤية اللازمة لاكتشاف المشكلات مبكراً والحفاظ على سير أنظمة الإنتاج بسلاسة.

مع دمج المراقبة مباشرة في سير عمل النشر، تجعل Ultralytics Platform 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 نشر موثوقة في العالم الحقيقي.

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 لدينا. اكتشف كيف تشكل الذكاء الاصطناعي في التصنيع و الذكاء الاصطناعي في الرعاية الصحية المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.