اختيار الجهاز الطرفي المناسب لمشروع الرؤية الحاسوبية الخاص بك

أصبحت تقنية الذكاء الاصطناعي الطرفي (Edge AI) بسرعة واحدة من أكبر الاتجاهات في مجال الذكاء الاصطناعي والرؤية الحاسوبية. فهي توفر الذكاء في الوقت الفعلي مباشرة إلى الأجهزة بدلاً من الاعتماد على الحوسبة السحابية، حيث يتم إرسال البيانات إلى موقع آخر للمعالجة. في الواقع، من المتوقع أن يصل حجم سوق الذكاء الاصطناعي الطرفي العالمي إلى حوالي 143.06 مليار دولار بحلول عام 2034.

بفضل التطورات التكنولوجية الحديثة، تعيد تقنية الذكاء الاصطناعي المتطورة تعريف الأتمتة القائمة على الرؤية في الوقت الفعلي في العديد من الصناعات. وتعد مراقبة الجودة في التصنيع مثالاً رائعاً على ذلك. 

هنا، تقوم كاميرات الرؤية الاصطناعية بتحليل المنتجات بشكل مستمر على حزام ناقل. ويمكن استخدامها detect السريع detect والشذوذات. وهذا أمر بالغ الأهمية بشكل خاص في الصناعات التي تتطلب دقة عالية، مثل تصنيع الأدوات الجراحية.

ولكن ما هي بالضبط الأجهزة الطرفية؟ إنها أنظمة أجهزة قادرة على تشغيل نماذج الذكاء الاصطناعي ونماذج الرؤية الحاسوبية، مثل Ultralytics في المكان الذي يتم فيه إنشاء البيانات أو بالقرب منه.

قد يكون ذلك في مصنع، أو داخل كاميرا ذكية، أو على متن مركبات ذاتية القيادة. من خلال إجراء الاستدلال محليًا، تتيح هذه الأجهزة أوقات استجابة أسرع. كما أنها تقلل من استخدام النطاق الترددي لأن البيانات المرئية لا تحتاج إلى البث إلى السحابة.

ومع ذلك، قد يكون اختيار الجهاز المناسب لمشروع الرؤية الحاسوبية الخاص بك أمرًا صعبًا. فالأجهزة التي تعمل بشكل جيد في بيئة معينة قد لا تكون مناسبة لبيئة أخرى.

على سبيل المثال، قد لا يعمل الجهاز الذي يؤدي وظائفه بشكل موثوق في المصنع بشكل جيد في عمليات التفتيش باستخدام الطائرات بدون طيار، حيث تختلف قيود الوزن والطاقة بشكل كبير. قد يؤدي اختيار الجهاز غير المناسب إلى زيادة التكاليف وإبطاء عمليات الطرح وتعقيد التوسع.

لهذا السبب يجب على الفرق تقييم عوامل مثل حجم الجهاز، ومستوى الطاقة، والحدود الحرارية، والتوافر الصناعي، بدلاً من الاكتفاء بتقييم قوة الحوسبة. في هذه المقالة، سوف نستكشف الذكاء الاصطناعي المتطور وكيفية اختيار الجهاز المتطور المناسب لتطبيق الرؤية الحاسوبية الخاص بك. هيا بنا نبدأ!

الفوائد الرئيسية لاستخدام الأجهزة الطرفية

قبل أن نتعمق في كيفية اختيار الجهاز الطرفي المناسب لمشروع الذكاء الاصطناعي الخاص بالرؤية، دعونا نرجع خطوة إلى الوراء ونناقش بعض مزايا استخدام الأجهزة الطرفية لمشاريع الذكاء الاصطناعي الخاصة بالرؤية. 

فيما يلي بعض المزايا الرئيسية لنشر الذكاء الاصطناعي البصري في الحافة:

• الأداء في الوقت الفعلي: تتم معالجة البيانات في المكان الذي توجد فيه الكاميرا أو بالقرب منه، مما يتيح الاستجابة الفورية لحالات الاستخدام مثل اكتشاف العيوب ومراقبة السلامة والروبوتات. تدعم هذه المعالجة المحلية اتخاذ القرارات في الوقت الفعلي، مما يسمح للأنظمة بالاستجابة الفورية للتغيرات في الظروف دون الاعتماد على الاتصال بالسحابة.
  
• تكلفة نطاق ترددي أقل: بدلاً من بث الفيديو الخام إلى السحابة، تقوم الأجهزة الطرفية بنقل البيانات الوصفية أو التنبيهات أو الرؤى ذات الصلة فقط. وهذا يقلل بشكل كبير من حمل الشبكة ونفقات التخزين السحابي.
  
• يعمل دون اتصال بالإنترنت: يمكن لمعظم أنظمة الحافة الاستمرار في العمل حتى في حالة اتصال الإنترنت غير المستقر أو المحدود، وهو أمر شائع في المصانع والمستودعات والبيئات البعيدة.
  
• خصوصية أفضل: تظل بيانات الفيديو في الموقع، مما يسهل تلبية متطلبات الخصوصية والامتثال مع تقليل تعرض المعلومات الحساسة.
  
• قابلية التوسع بسهولة عبر العديد من المواقع: تقلل بنى الحافة من الاعتماد على البنية التحتية السحابية المركزية. وهذا يتيح للفرق تكرار نفس الإعداد عبر مواقع متعددة بأداء متسق.

فهم متطلبات تطبيقك

الخطوة الأولى في اختيار الجهاز المناسب هي فهم احتياجات التطبيق فعليًا. يجب أن تتوافق الأجهزة التي تختارها مع المهام المتوقعة من النظام، وسرعة تشغيله، ومكان نشره.

يمكنك البدء بتحديد متطلبات الأداء. في حين تتطلب بعض الحلول استنتاجات ذكاء اصطناعي في الوقت الفعلي بمعدل إطارات في الثانية (FPS) مرتفع، يمكن للحلول الأخرى معالجة الإطارات في مجموعات أو دفعات. 

كما أن تعقيد النموذج وحجمه يلعبان دوراً مهماً. غالباً ما يمكن تشغيل نماذج الكشف عن الأجسام الخفيفة على أجهزة أصغر حجماً وأقل استهلاكاً للطاقة، في حين تتطلب النماذج الأكثر تعقيداً وثقلاً أو خطوط الإنتاج متعددة المراحل مزيداً من قوة الحوسبة والذاكرة.

بعد ذلك، ضع في اعتبارك إعدادات البيانات. ويشمل ذلك دقة الكاميرا ومعدل الإطارات وعدد التدفقات المتوازية وأنواع المستشعرات مثل RGB أو الحراري أو العمق. تؤثر هذه العوامل بشكل مباشر على النطاق الترددي والإنتاجية واستخدام الذاكرة والحمل الإجمالي للنظام.

المفاضلة بين الدقة والكمون

بالإضافة إلى متطلبات الأجهزة والبيانات، يلعب اختيار النموذج دورًا مهمًا في الأداء العام للنظام. تتضمن معظم عمليات النشر الطرفية مفاضلة بين زمن الاستجابة والدقة. عادةً ما تكون النماذج عالية الدقة أكثر كثافة من الناحية الحسابية وقد تزيد من وقت الاستدلال. 

من ناحية أخرى، قد تضحي النماذج الأسرع ببعض الدقة. الهدف هو إيجاد التوازن الصحيح بين السرعة والدقة بناءً على حالة الاستخدام المحددة والقيود التشغيلية.

على سبيل المثال، في خطوط إنتاج الأغذية الآلية، تُستخدم أنظمة الرؤية الحاسوبية لفحص المنتجات قبل تعبئتها وشحنها. ويجب أن تعمل هذه الأنظمة في الوقت الفعلي لتجنب إبطاء سرعة الحزام الناقل.

لنتخيل خط إنتاج البيتزا، حيث يحتاج النظام إلى التحقق من أن كل بيتزا تحتوي على الإضافات الصحيحة. يمكن لنموذج مثل Ultralytics detect وإضافاتها في الوقت الفعلي، وتحديد المكونات المفقودة أو غير الصحيحة. في هذا السيناريو، يجب أن يكون النموذج دقيقًا بما يكفي لاكتشاف الأخطاء، وسريعًا بما يكفي لمواكبة سرعات الإنتاج على الأجهزة الطرفية.

ضع في اعتبارك حجم الجهاز الطرفي

بصرف النظر عن أداء الحوسبة، يعد الحجم المادي للجهاز الطرفي عاملاً مهمًا آخر في تخطيط النشر. يؤثر شكل الجهاز (حجمه المادي وشكله وطريقة تركيبه وواجهات التوسعة) بشكل مباشر على سهولة دمجه في البيئة وأدائه في الظروف الواقعية.

أنواع أجهزة الذكاء الاصطناعي الطرفية وعوامل شكلها

تتوفر أجهزة Edge AI في العديد من الأشكال، بدءًا من الخوادم المثبتة على حامل كامل وبطاقات مسرع Peripheral Component Interconnect Express (PCIe) إلى وحدات M.2 المدمجة ومنصات System-on-Module (SoM) وأجهزة الكمبيوتر أحادية اللوحة (SBC) والكاميرات الذكية وحتى مستشعرات الرؤية الذكية المزودة بمعالجة AI على الرقاقة. يقدم كل شكل مزايا مختلفة من حيث الأداء وكفاءة الطاقة والتصميم الحراري وتعقيد التكامل.

يرتبط حجم الجهاز ارتباطًا وثيقًا بمتطلبات التبريد وتوافر الطاقة وبنية النظام الإجمالية. عادةً ما تدعم الأنظمة الأكبر حجمًا، مثل أجهزة الكمبيوتر الصناعية المثبتة على حامل أو محطات العمل البرجية، وحدات معالجة الرسومات PCIe كاملة الارتفاع وبطاقات توسعة متعددة وتبريد نشط. هذه المنصات مناسبة تمامًا لمعالجة الكاميرات المتعددة أو المحاور المركزية أو تحليلات الفيديو عالية الإنتاجية.

في المقابل، تم تصميم العوامل الشكلية المدمجة مثل مسرعات M.2 ووحدات SoM المثبتة على لوحات حامل مخصصة ووحدات SBC أو الكاميرات الذكية المتكاملة للاستخدام في البيئات ذات المساحة المحدودة. غالبًا ما تعطي هذه الأجهزة الأصغر حجمًا الأولوية لكفاءة الطاقة والتبريد السلبي، مما يجعلها مثالية للأنظمة المدمجة والروبوتات المتنقلة والطائرات بدون طيار والأكشاك ووحدات الفحص الموزعة.

في أقصى حدود التصغير، تعتمد بعض عمليات النشر على مستشعرات رؤية ذكية أو منصات قائمة على متحكمات دقيقة (TinyML)، حيث يتم تشغيل الاستدلال مباشرة على مستشعر الصورة أو المعالج منخفض الطاقة. تقلل هذه الأنظمة بشكل كبير من الحجم المادي واستهلاك الطاقة، ولكنها عادة ما تكون مناسبة لأحمال عمل أضيق نطاقًا ومُحسّنة للغاية.

تؤدي هذه الاختلافات في الحجم والمرونة ونموذج التكامل عمومًا إلى فئتين شائعتين من نشر الحواف: عمليات النشر القابلة للتوسع وعمليات النشر المقيدة بالمساحة. يتعامل كل نهج مع قيود مختلفة في الأداء والطاقة والبيئة، مع تشكيل قابلية الصيانة على المدى الطويل وتصميم النظام.

عمليات نشر قابلة للتطوير

تُستخدم مسرعات PCIe وأجهزة الكمبيوتر الشخصية (PC) المثبتة على حامل أو الصناعية بشكل شائع عندما يتطلب المشروع قدرة حوسبة عالية أو يحتاج إلى معالجة بيانات من عدة كاميرات في وقت واحد. مسرع PCIe هو بطاقة أجهزة يتم تثبيتها داخل جهاز كمبيوتر أكبر من خلال فتحة PCIe. 

ويضيف موارد حوسبة مخصصة، مثل وحدة معالجة الرسومات (GPU) أو مسرع الذكاء الاصطناعي الآخر، لزيادة قدرة النظام على التعامل مع أحمال عمل الذكاء الاصطناعي. وهذا مشابه لكيفية تحسين بطاقة الرسومات للأداء في جهاز الكمبيوتر المكتبي.

أجهزة الكمبيوتر المثبتة على حامل أو الصناعية هي أنظمة أكبر حجماً ومتينة مصممة للعمل المستمر في بيئات مثل المصانع أو قاعات الإنتاج أو غرف التحكم. وهي توفر مساحة أكبر للتبريد وتوسيع الأجهزة ومكونات ذات طاقة أعلى، مما يجعلها مناسبة تماماً لأعباء العمل الشاقة مثل فحص الجودة باستخدام كاميرات متعددة أو تحليلات الفيديو على نطاق واسع.

عمليات النشر المقيدة بالمساحة

تعد عمليات النشر المحدودة المساحة شائعة في البيئات التي يتعين فيها على الأجهزة الطرفية أن تعمل في ظل قيود مادية أو حرارية أو طاقة صارمة. وغالبًا ما يشمل ذلك الكاميرات الذكية المثبتة على خطوط الإنتاج، والروبوتات المتنقلة، والطائرات بدون طيار، والأكشاك، أو أنظمة الفحص المدمجة. 

في هذه الحالات، يجب أن تكون الأجهزة صغيرة الحجم وخفيفة الوزن وموفرة للطاقة مع الحفاظ على أداء موثوق للذكاء الاصطناعي. هناك خياران شائعان للأجهزة المستخدمة في هذه التطبيقات، وهما وحدات M.2 وأجهزة الكمبيوتر أحادية اللوحة.

وحدة M.2 هي بطاقة توسعة مدمجة تتناسب مع فتحة M.2 داخل نظام مضيف. في حين أن M.2 هو مجرد معيار لشكل وواجهة، فإن بعض الوحدات مصممة خصيصًا لتسريع الذكاء الاصطناعي. 

تسمح وحدات تسريع الذكاء الاصطناعي هذه للأجهزة الصغيرة بتشغيل نماذج الرؤية الحاسوبية بشكل أكثر كفاءة دون زيادة الحجم أو استهلاك الطاقة بشكل كبير. غالبًا ما يتم دمج مسرعات M.2 في الأنظمة المدمجة حيث لا يكون من العملي إضافة بطاقة توسعة PCIe كاملة الحجم.

في الوقت نفسه، يعد الكمبيوتر أحادي اللوحة جهاز كمبيوتر كامل مدمج في لوحة دوائر كهربائية واحدة. وهو يدمج CPU والذاكرة وواجهات التخزين ووصلات الإدخال/الإخراج (I/O) في شكل مدمج. ونظرًا لأن كل شيء موجود في لوحة واحدة، فإن أجهزة الكمبيوتر أحادية اللوحة تستخدم على نطاق واسع في التطبيقات المدمجة والتطبيقات المتطورة حيث المساحة محدودة والبساطة مهمة.

على الرغم من أن الأنظمة المحدودة المساحة عادةً ما توفر أداءً حاسوبيًا أقل من الأنظمة الأكبر حجمًا المثبتة على حوامل، إلا أنها تتيح إجراء الاستدلال على الجهاز بالقرب من مكان إنشاء البيانات. وهذا يقلل من زمن الاستجابة، ويخفض استخدام النطاق الترددي، ويحسن مرونة النشر في البيئات التي لا تتناسب مع الأجهزة الأكبر حجمًا.

تسريع مخصص للذكاء الاصطناعي للرؤية المدمجة

يركز العديد من بائعي الأجهزة بشكل خاص على تسريع الذكاء الاصطناعي المدمج والموفر للطاقة للرؤية المدمجة. على سبيل المثال، تقدم Axelera AI مسرعات Metis® AI Processing Unit (AIPU) في عدة أشكال، بما في ذلك بطاقات PCIe ووحدات M.2 ولوحات حوسبة مدمجة للاستخدامات التي تتطلب مساحة محدودة. 

من خلال التكامل مع Ultralytics تدعم YOLO مثل Ultralytics YOLOv8 و YOLO26 إلى تنسيق Axelera باستخدام Python Ultralytics Python وتحسينها عبر Voyager SDK، الذي يتولى التجميع والتكمية INT8 من أجل استدلال حافة فعال.

عامل استهلاك الطاقة

يعد استهلاك الطاقة أيضًا أحد العوائق الرئيسية في عمليات النشر الطرفية لأنه يؤثر بشكل مباشر على توليد الحرارة ومتطلبات التبريد. وهو يحدد ما إذا كان النظام يمكن أن يعمل بشكل موثوق داخل حاويات مغلقة أو أغلفة صناعية مدمجة.

يصبح هذا أمرًا بالغ الأهمية بشكل خاص في البيئات التي تعمل بالبطاريات مثل الروبوتات المتنقلة أو الطائرات بدون طيار أو محطات المراقبة عن بُعد، حيث يؤثر كل واط (W) على وقت التشغيل واستقرار النظام بشكل عام.

تنقسم معظم الأجهزة الطرفية إلى ثلاث فئات عامة من حيث استهلاك الطاقة. وفيما يلي نظرة فاحصة على كل منها:

• Low-power devices (<10W): These are typically used in embedded systems where compact size and passive cooling are required. Passive cooling means the device dissipates heat without fans or active cooling systems. Low-power devices are well-suited for smart cameras, portable systems, and energy-sensitive deployments.
• الأجهزة متوسطة المدى (10-50 واط): هذه الأجهزة شائعة في بوابات الحافة ونقاط النهاية في المصانع التي تتطلب إنتاجية أعلى مع الاستمرار في العمل ضمن حدود حرارية خاضعة للرقابة. وهي توفر توازنًا بين الأداء والكفاءة.‍
• الأجهزة عالية الطاقة (>50 وات): عادةً ما تكون هذه الأجهزة عبارة عن مسرعات PCIe أو أجهزة كمبيوتر صناعية مصممة لمعالجة الكاميرات المتعددة وأحمال العمل الثقيلة. وغالبًا ما يتم إقرانها بنظام تبريد نشط وعلب أكبر حجمًا.

من المهم أن نضع في اعتبارنا أن خصائص حجم العمل تلعب دوراً رئيسياً في تحديد مستوى الطاقة المناسب. فكل من معدلات الإطارات العالية ونماذج الرؤية الأكبر وتدفقات الكاميرات المتوازية المتعددة تزيد من الطلب على الحوسبة، مما يؤدي بدوره إلى زيادة استهلاك الطاقة.

في الوقت الحاضر، يركز العديد من بائعي الأجهزة على تسريع الذكاء الاصطناعي الموفر للطاقة. على سبيل المثال، تم تصميم وحدات DEEPX المتطورة للاستدلال منخفض الطاقة في عمليات النشر المتطورة. توفر Intel أيضًا ميزات إدارة الطاقة والتحجيم التي تسمح بضبط الأداء بناءً على متطلبات البيئة وعبء العمل.

مراعاة التوافر الصناعي ودعم دورة الحياة

لنفترض أنك قد أكملت بنجاح عملية النشر التجريبي. يعمل النموذج بشكل جيد، وتفي الأجهزة بمتطلبات الأداء، ويعمل النظام بشكل موثوق في الاختبار. 

التحدي التالي هو توسيع نطاق هذا الحل ليشمل الإنتاج الكامل. وهنا يصبح التوافر الصناعي ودعم دورة الحياة أمرين بالغي الأهمية.

من المتوقع أن تعمل معظم أنظمة الحافة بشكل مستمر لسنوات. إن اختيار أجهزة قد يتم إيقاف إنتاجها بعد فترة وجيزة من طرحها في السوق ينطوي على مخاطر كبيرة. حتى لو كان أداء الجهاز جيدًا خلال المرحلة التجريبية، فقد يصبح عبئًا إذا وصل إلى نهاية عمره الافتراضي أو أصبح من الصعب الحصول عليه بمجرد بدء الإنتاج.

يمكن أن تؤدي دورات حياة السوق القصيرة إلى حدوث اضطرابات في سلسلة التوريد وزيادة تكاليف الصيانة وإجبار الشركات على إجراء عمليات إعادة تصميم غير متوقعة. في عمليات النشر متعددة المواقع، يمكن أن يؤدي استبدال المكونات غير المتوفرة إلى إبطاء التوسع وتعقيد إدارة النظام.

عادةً ما توفر الأجهزة المصممة للاستخدام الصناعي جداول زمنية أطول للإنتاج، وسياسات أكثر وضوحًا لدورة الحياة، ودعمًا مستمرًا للبرامج الثابتة أو البرامج. هذه الاستقرار يسهل توسيع نطاق عمليات النشر دون إجراء تغييرات كبيرة في الأجهزة في منتصف الدورة.

قبل اتخاذ القرار النهائي بشأن جهاز حافة الشبكة، يمكن للفرق مراجعة خارطة طريق المنتج الخاصة بالشركة المصنعة، والتزامات دورة الحياة، واستراتيجية الدعم طويلة الأجل. 

أهمية خبرة الفريق وسهولة الاستخدام

يعتمد اختيار جهاز الحافة ونشره أيضًا على خبرة فريقك. بعض المنصات أسهل في الاستخدام وتوفر وثائق واضحة وخطوات إعداد بسيطة وأدوات جاهزة للاستخدام. بينما توفر منصات أخرى مزيدًا من التحكم في الأداء ولكنها تتطلب معرفة تقنية أعمق ووقتًا أطول للتحسين وتصحيح الأخطاء.

على سبيل المثال، تسهلPython Ultralytics Python تدريب واختبار ونشر نماذج مثل YOLO26. فهي تبسط المهام الشائعة وتدعم أيضًا تصدير النماذج إلى تنسيقات مختلفة مستخدمة في عمليات النشر المتطورة. وهذا يسهل على الفرق الانتقال من مرحلة التطوير إلى الأجهزة الواقعية دون الحاجة إلى إعادة بناء سير العمل من الصفر.

بالنسبة للفرق التي لا تزال جديدة في مجال الذكاء الاصطناعي المتطور، يمكن لنظام بيئي قوي وموثق جيدًا للبرمجيات أن يقلل من وقت التطوير ويخفض مخاطر النشر. قد تفضل الفرق الأكثر خبرة المنصات التي تسمح بتخصيص أعمق وضبط دقيق، خاصة في التطبيقات التي تتطلب معالجة متعددة الكاميرات أو متطلبات صارمة للكمون.

ببساطة، يمكن أن تحدث أنظمة البائعين وأدواتهم فرقًا كبيرًا. تساعد الوثائق الواضحة والدعم النشط وخيارات النشر المرنة الفرق على الانتقال بسلاسة أكبر من المشاريع التجريبية إلى أنظمة الإنتاج الكاملة.

عوامل نشر الحافة الرئيسية التي غالبًا ما يتم تجاهلها

الآن بعد أن تناولنا العوامل الرئيسية التي تدخل في اختيار جهاز الحافة، دعونا نستعرض بعض التفاصيل العملية التي يمكن أن تحدث فرقًا كبيرًا في عمليات النشر في العالم الواقعي. قد لا تبدو هذه الاعتبارات ملحة في البداية، ولكنها غالبًا ما تلعب دورًا حاسمًا في اتخاذ القرارات وتشكل مدى سلاسة سير المشروع بمجرد تجاوزه مرحلة التجربة.

الإدخال/الإخراج، النطاق الترددي، وتوافق البرامج

غالبًا ما تكون الاتصال وتوافق الإدخال/الإخراج من بين التحديات العملية الأولى في عمليات النشر الطرفية. عادةً ما يتعين على الجهاز الطرفي أن يدعم تكوين الكاميرا والمستشعر، بما في ذلك الواجهات الشائعة مثل USB 3.0 و GigE مع Power over Ethernet (PoE) و MIPI.

قد تتطلب أنظمة الرؤية الصناعية أيضًا مشغلات للأجهزة أو إشارات تزامن أو دعم توقيت محدد لضمان التشغيل الموثوق.

يعد النطاق الترددي عاملاً آخر بالغ الأهمية، خاصة في حالات الإعدادات متعددة الكاميرات. حتى التباينات الصغيرة بين خرج الكاميرا وسعة إدخال الجهاز يمكن أن تقلل من الإنتاجية أو تسبب تأخيرًا إضافيًا.

كما أن توافق البرامج يلعب دوراً حاسماً. تعتمد بعض عمليات النشر على أطر استدلال خفيفة الوزن مثل NCNN و MNN، والتي تستخدم عادة في البيئات المتنقلة والمدمجة. 

في عمليات نشر المستشعرات الذكية، تدمج أجهزة مثل Sony IMX500 معالجة الذكاء الاصطناعي مباشرة في مستشعر الصورة، مما يقلل من نقل البيانات والكمون. في هذه الحالات، يصبح توافق النموذج ودعم التصدير مهمين بشكل خاص، حيث يجب تحويل النموذج إلى تنسيق تدعمه سلسلة أدوات المستشعر.

على سبيل المثال، تدعمPython Ultralytics Python تصدير نماذج مثل Ultralytics YOLO11 إلى تنسيقات متوافقة مع خطوط أنابيب النشر المتطورة، بما في ذلك المنصات المبنية حول أجهزة مثل Sony IMX500.

الموثوقية الحرارية والبيئية

عندما تعالج الأجهزة الطرفية البيانات المرئية بشكل مستمر، تصبح الموثوقية الحرارية والبيئية عاملين حاسمين. وفي هذا السياق، تعني الموثوقية أن الجهاز يمكنه العمل لفترات طويلة دون ارتفاع درجة الحرارة أو تعطل، حتى في الظروف القاسية مثل الغبار والاهتزازات أو درجات الحرارة القصوى.

مع تزايد متطلبات أحمال عمل الذكاء الاصطناعي الطرفي، أصبحت الكفاءة الحرارية عاملاً حاسماً في تصميم الأنظمة. وقد تم تسليط الضوء على هذا التركيز على الأداء الحراري في معرض CES 2026 في لاس فيغاس، حيث قامت DeepX بتشغيل أحمال عمل متطابقة للذكاء الاصطناعي على عدة رقائق مع وضع قطعة صغيرة من الزبدة فوقها. 

في حين أن الرقائق المنافسة تولد حرارة كافية لإذابة الزبدة، فإن جهاز DeepX edge لا يفعل ذلك، مما يوضح كيف أن انخفاض استهلاك الطاقة وقوة الاستقرار الحراري يمكن أن يؤثرا بشكل مباشر على الموثوقية في العالم الواقعي.

يلعب تصميم التبريد دورًا أساسيًا في الحفاظ على الأداء المستقر. كلما زادت حدة عمل المعالجات، زادت الحرارة الناتجة عنها، ويجب إدارة هذه الحرارة بشكل فعال. 

في العديد من البيئات الصناعية، يُفضل التبريد السلبي لأن المراوح الميكانيكية يمكن أن تتآكل أو تتعطل بمرور الوقت، خاصة في البيئات المتربة أو التي تتسم بارتفاع مستوى الاهتزازات. تُستخدم المبددات الحرارية المصنوعة من الألومنيوم بدون مراوح بشكل شائع لتبديد الحرارة دون الاعتماد على الأجزاء المتحركة، مما يحسن المتانة على المدى الطويل.

يمكن أن تؤثر الظروف البيئية أيضًا. لكل جهاز نطاق درجة حرارة تشغيل محدد، ويمكن أن يؤدي استخدام الأجهزة في خزانات مغلقة أو في أماكن خارجية إلى احتباس الحرارة أو تعريض الأجهزة لتقلبات في درجات الحرارة. في هذه الحالات، يصبح تصميم الغلاف وتدفق الهواء بنفس أهمية أداء الحوسبة الخام.

النظام البيئي للبرمجيات والاستعداد للنشر

عند اختيار الجهاز المناسب، فإن قوة نظامه البيئي البرمجي لا تقل أهمية عن مواصفاته المادية. قد يقدم الجهاز أداءً حاسوبيًا قويًا على الورق، ولكن بدون أدوات موثوقة ودعم منصة، قد يصبح الانتقال من النموذج الأولي إلى الإنتاج بطيئًا ومعقدًا.

تعمل المنصة المدعومة جيدًا على تبسيط مسار النشر بالكامل، بدءًا من إعداد النموذج وحتى الاستدلال المحسّن على الأجهزة المستهدفة. تسهّل الأنظمة البيئية التي توفر أدوات مدمجة للتكمية وضبط الأداء وتصحيح الأخطاء عملية التحقق من صحة النماذج في ظل أحمال العمل الفعلية وتقليل المشكلات غير المتوقعة أثناء الطرح.

على سبيل المثال، يمكن تصديرYOLO Ultralytics YOLO مثل YOLO26 مباشرة إلى OpenVINO مما يتيح الاستدلال المحسّن على Intel ووحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية (NPUs). OpenVINO تحسينات في الأداء مثل تحويل النماذج والتكمية (بما في ذلك FP16 و INT8) والتنفيذ غير المتجانس عبر Intel المدعومة. 

باستخدامPython Ultralytics Python يمكن للفرق تصدير النماذج بأمر بسيط وتشغيل الاستدلال إما من خلال واجهة Ultralyticsعالية المستوى أو مباشرة مع OpenVINO الأصلي، مما يخلق سير عمل مبسط وجاهز للإنتاج لنظم الحافة Intel.

الأداء الفعلي تحت الحمل

تبدو العديد من الأجهزة الطرفية رائعة على الورق، ولكن الأداء يمكن أن يتغير بمجرد تشغيلها لخط أنابيب رؤية كامل. في عمليات النشر الفعلية، لا يقوم النظام بتشغيل الاستدلال فقط. 

كما أنه يتعامل مع المعالجة المسبقة والمعالجة اللاحقة، وأحيانًا مع تدفقات متعددة من الكاميرات في نفس الوقت. ولهذا السبب، من المهم النظر إلى ما هو أبعد من متوسط الإطارات في الثانية. 

غالبًا ما يكون زمن الاستجابة الثابت أكثر أهمية من الأداء القصوى. إن مراقبة اختناقات الذاكرة والتحقق من مدى استقرار النظام تحت الحمل الثابت يعطي صورة أوضح عن أدائه في الإنتاج.

من المفيد اختبار وقت بدء التشغيل البارد، والأداء العالي على المدى الطويل على مدار ساعات التشغيل، وكيفية عمل الجهاز عند تشغيل مهام أخرى جنبًا إلى جنب مع الاستدلال، مثل الترميز أو التسجيل أو الشبكات. في معظم حالات الاستخدام الواقعية، يكون الأداء المستقر والقابل للتنبؤ أكثر أهمية من الارتفاعات العرضية في السرعة.

الأمن ودورة الحياة والإدارة بعد النشر

يجب أن تظل عمليات النشر الطرفية آمنة وموثوقة على مر الزمن، خاصة في بيئات مثل التصنيع، حيث يُتوقع أن تعمل الأنظمة بشكل مستمر. تساعد ميزات مثل التمهيد الآمن والتخزين المشفر والتحديثات المنتظمة من الموردين على حماية الأجهزة من التلاعب وتقليل مخاطر الثغرات الأمنية أو التوقف غير المتوقع.

تعد إدارة الأجهزة بعد النشر بنفس أهمية اختيار الأجهزة المناسبة. تتيح إمكانات المراقبة والتحديث عن بُعد للفرق صيانة البرامج والبرامج الثابتة والنماذج دون الحاجة إلى الوصول المادي إلى كل جهاز. ويصبح هذا الأمر أكثر أهمية مع انتقال المشاريع من مرحلة تجريبية صغيرة إلى مرحلة طرح أوسع نطاقًا.

مع تزايد عمليات النشر، تساعد الإدارة المركزية للأسطول في الحفاظ على تنظيم كل شيء. فهي تسهل على الفرق track حالة track وإدارة التحديثات ومراقبة الأداء وحل المشكلات في مواقع متعددة. بدون استراتيجية إدارة واضحة، قد يصبح صيانة عشرات أو حتى مئات الأنظمة الطرفية أمرًا صعبًا بسرعة.

التطبيقات الشائعة في العالم الواقعي للرؤية الحاسوبية والذكاء الاصطناعي المتطور

عندما تفكر في العوامل التي تدخل في اختيار الجهاز الطرفي المناسب، قد تتساءل عن الأماكن التي تُستخدم فيها هذه الأنظمة بالفعل. اليوم، تعمل تقنية الذكاء الاصطناعي الطرفي على تشغيل التطبيقات في جميع القطاعات تقريبًا، من التصنيع والتجزئة إلى الروبوتات والبنية التحتية الذكية.

فيما يلي خمسة حالات استخدام شائعة للتعلم العميق حيث تتيح الأجهزة الطرفية زمن انتقال منخفض واستهلاك أقل للنطاق الترددي ومعالجة موثوقة على الجهاز:

• مراقبة السلامة في المواقع الصناعية: يمكن أن توفر أنابيب الرؤية الحاسوبية الموزعة على أجهزة الحوسبة الطرفية تنبيهات فورية للامتثال لمعدات الحماية الشخصية (PPE)، مما يعني أنها detect تلقائيًا detect العمال يرتدون معدات السلامة المطلوبة مثل الخوذات والقفازات والسترات الواقية أو النظارات الواقية، بالإضافة إلى تحديد السلوك غير الآمن. وهذا يحسن موثوقية التشغيل عن طريق تقليل الحوادث في مكان العمل مع الحفاظ على معالجة البيانات المرئية الحساسة بأمان في الموقع.
  
• تحليلات البيع بالتجزئة: يمكن للأجهزة الطرفية معالجة البيانات المرئية محليًا لإدارة المخزون وتوافر الرفوف واكتشاف الطوابير، مما يقلل من تكاليف النطاق الترددي والسحابة مع الحفاظ على فعالية التكلفة وقابلية التوسع عبر العديد من المتاجر.
  
• الروبوتات: في مجال الروبوتات، تتيح تقنية الذكاء الاصطناعي المدمجة في الأجهزة إمكانية اكتشاف الأجسام في الوقت الفعلي والتنقل الذاتي. على سبيل المثال، توفر أجهزة NVIDIA edge منصات حوسبة مدمجة GPU التي تتيح للروبوتات تشغيل نماذج الرؤية الحاسوبية مثل YOLO26 محليًا، مما يوفر أداءً منخفض التأخير مع الحفاظ على كفاءة الطاقة.
  
• المدن الذكية ومراقبة حركة المرور: يمكن أن تستخدم المدن الذكية معالجات الرؤية الحاسوبية المتطورة لتحليل تدفق حركة المرور في الوقت الفعلي، واكتشاف الحوادث، ومراقبة سلامة المشاة. ومن خلال تجنب البث المستمر للفيديو إلى السحابة، تقلل هذه الأنظمة من متطلبات النطاق الترددي وتحسن أوقات الاستجابة.‍
• فحص الجودة في التصنيع: على خطوط الإنتاج، يمكن للأجهزة الطرفية فحص المنتجات في الوقت الفعلي detect أو المكونات المفقودة أو أخطاء التجميع قبل أن تنتقل العناصر إلى مرحلة لاحقة على الناقل. يمكن لهذه الأنظمة تشغيل نماذج مثل YOLO26 على وحدات المعالجة المركزية أو وحدات معالجة الرسومات أو مسرعات الذكاء الاصطناعي المخصصة، اعتمادًا على قيود الإنتاجية والطاقة.

النقاط الرئيسية

يتطلب اختيار الجهاز الطرفي المناسب لمشروع الرؤية الحاسوبية الخاص بك تحقيق التوازن بين الأداء وكفاءة الطاقة والموثوقية والتوافر على المدى الطويل. بدلاً من التركيز على المواصفات القصوى فقط، يجب على الفرق تقييم الظروف الواقعية ونضج نظام البرمجيات ودعم دورة الحياة. من خلال التحقق من صحة الإعداد الخاص بك من خلال نشر تجريبي قبل التوسع، يمكنك تقليل المخاطر والتحكم في التكاليف وضمان مسار أكثر سلاسة من النموذج الأولي إلى الإنتاج.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا. تحقق من صفحات الحلول الخاصة بنا لاكتشاف تطبيقات متنوعة مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية. اكتشف خيارات الترخيص الخاصة بنا وابدأ باستخدام Vision AI اليوم!