انتقاء الجهاز الطرفي المناسب لمشروع الرؤية الحاسوبية

أصبح الذكاء الاصطناعي الطرفي بسرعة أحد أبرز الاتجاهات في الذكاء الاصطناعي والرؤية الحاسوبية. فهو يجلب الذكاء الآني مباشرةً إلى الأجهزة بدلًا من الاعتماد على الحوسبة السحابية، حيث تُرسل البيانات إلى موقع آخر لمعالجتها. وفي الواقع، من المتوقع أن يصل حجم سوق الذكاء الاصطناعي الطرفي عالميًا إلى نحو 143.06 مليار دولار بحلول عام 2034.

بفضل التطورات التقنية الحديثة، يعيد الذكاء الاصطناعي الطرفي تعريف الأتمتة الآنية القائمة على الرؤية في العديد من القطاعات. ويُعد فحص الجودة في التصنيع مثالًا رائعًا على ذلك.

هنا، تحلل كاميرات الذكاء الاصطناعي للرؤية المنتجات على الحزام الناقل باستمرار. ويمكن استخدامها للكشف السريع عن العيوب والحالات الشاذة. ويكتسب ذلك أهمية خاصة في القطاعات التي تتطلب دقة عالية، مثل تصنيع الأدوات الجراحية.

الشكل 1. مثال على استخدام الذكاء الاصطناعي للرؤية للكشف عن الأدوات الجراحية

لكن ما الأجهزة الطرفية تحديدًا؟ هي أنظمة عتادية قادرة على تشغيل نماذج الذكاء الاصطناعي ونماذج الرؤية الحاسوبية، مثل Ultralytics YOLO26، في المكان الذي تُنشأ فيه البيانات أو بالقرب منه.

قد يكون ذلك في أرضية مصنع أو داخل كاميرا ذكية أو على متن مركبات ذاتية القيادة. ومن خلال إجراء الاستدلال محليًا، تتيح هذه الأجهزة أوقات استجابة أسرع. كما تقلل استخدام النطاق الترددي، إذ لا حاجة إلى بث البيانات المرئية إلى السحابة.

ومع ذلك، قد يكون اختيار الجهاز الطرفي المناسب لمشروع الرؤية الحاسوبية أمرًا صعبًا. فقد لا تكون الأجهزة التي تعمل جيدًا في بيئة ما مناسبة لبيئة أخرى.

فعلى سبيل المثال، قد لا يكون الجهاز الذي يعمل بموثوقية في أرضية مصنع مناسبًا لعمليات التفتيش بالطائرات المسيّرة، حيث تختلف قيود الوزن والطاقة اختلافًا كبيرًا. وقد يؤدي اختيار الجهاز الخاطئ إلى زيادة التكاليف وإبطاء النشر وتعقيد التوسع.

لذلك، ينبغي للفرق تقييم عوامل مثل حجم الجهاز ونطاق الطاقة والحدود الحرارية وتوافره للاستخدام الصناعي، بدلًا من التركيز على القدرة الحاسوبية وحدها. في هذه المقالة، سنستكشف الذكاء الاصطناعي الطرفي وكيفية اختيار الجهاز الطرفي المناسب لتطبيق الرؤية الحاسوبية لديك. لنبدأ!

الفوائد الرئيسية لاستخدام الأجهزة الطرفية#

قبل أن نتعمق في كيفية اختيار الجهاز الطرفي المناسب لمشروع الذكاء الاصطناعي للرؤية الخاص بك، دعونا نتوقف قليلًا لمناقشة بعض مزايا استخدام الأجهزة الطرفية لمشاريع الذكاء الاصطناعي للرؤية.

فيما يلي بعض الفوائد الرئيسية لنشر الذكاء الاصطناعي للرؤية على الأجهزة الطرفية:

• الأداء في الوقت الفعلي: تُعالج البيانات في موقع نشر الكاميرا أو بالقرب منه، مما يتيح استجابات فورية لحالات استخدام مثل اكتشاف العيوب ومراقبة السلامة والروبوتات. ويدعم هذا المعالجة المحلية اتخاذ القرارات في الوقت الفعلي، إذ يسمح للأنظمة بالتفاعل فورًا مع الظروف المتغيرة دون الاعتماد على الاتصال بالسحابة.
• خفض تكلفة النطاق الترددي: بدلًا من بث الفيديو الخام إلى السحابة، ترسل الأجهزة الطرفية البيانات الوصفية أو التنبيهات أو الرؤى ذات الصلة فقط. وهذا يقلل بشكل كبير من حمل الشبكة ونفقات التخزين السحابي.
• العمل دون اتصال: تستطيع معظم الأنظمة الطرفية مواصلة العمل حتى مع اتصال إنترنت غير مستقر أو محدود، وهو أمر شائع في المصانع والمستودعات والبيئات النائية.
• خصوصية أفضل: تظل بيانات الفيديو في الموقع، مما يسهل تلبية متطلبات الخصوصية والامتثال ويقلل من تعرض المعلومات الحساسة.
• سهولة التوسع عبر مواقع متعددة: تقلل البنى الطرفية الاعتماد على البنية التحتية السحابية المركزية. وهذا يتيح للفرق تكرار الإعداد نفسه في مواقع متعددة مع أداء متسق.

فهم متطلبات تطبيقك#

تتمثل الخطوة الأولى لاختيار جهاز الحافة المناسب في فهم احتياجات تطبيقك الفعلية. ينبغي أن تتوافق الأجهزة التي تختارها مع المهام المتوقعة من النظام، والسرعة المطلوبة لتشغيله، وموقع نشره.

يمكنك البدء بتحديد متطلبات الأداء. فبينما تتطلب بعض الحلول استدلالًا آنيًا بالذكاء الاصطناعي بمعدل إطارات مرتفع في الثانية (FPS)، تستطيع حلول أخرى معالجة الإطارات في مجموعات أو دفعات.

يلعب تعقيد النموذج وحجمه دورًا مهمًا أيضًا. فكثيرًا ما يمكن تشغيل نماذج كشف الأجسام خفيفة الوزن على أجهزة أصغر وأقل استهلاكًا للطاقة، بينما تتطلب النماذج الأثقل والأكثر تعقيدًا أو مسارات المعالجة متعددة المراحل قدرة حوسبة وذاكرة أكبر.

بعد ذلك، ضع إعدادات البيانات في الحسبان. ويشمل ذلك دقة الكاميرا، ومعدل الإطارات، وعدد تدفقات الفيديو المتوازية، وأنواع المستشعرات مثل RGB أو الحرارية أو مستشعرات العمق. وتؤثر هذه العوامل مباشرةً في عرض النطاق الترددي ومعدل النقل واستخدام الذاكرة والحمل الإجمالي على النظام.

الموازنة بين الدقة وزمن الاستجابة#

إلى جانب متطلبات الأجهزة والبيانات، يلعب اختيار النموذج دورًا حاسمًا في الأداء الإجمالي للنظام. وتنطوي معظم عمليات النشر الطرفية على موازنة بين زمن الاستجابة والدقة. فعادةً ما تتطلب النماذج الأعلى دقةً موارد حوسبة أكبر، وقد تزيد زمن الاستدلال.

أما النماذج الأسرع، فقد تضحي ببعض الدقة. والهدف هو إيجاد التوازن المناسب بين السرعة والدقة وفقًا لحالة الاستخدام المحددة والقيود التشغيلية.

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

تأمل خط تجميع البيتزا، حيث يحتاج النظام إلى التحقق من أن كل بيتزا تحتوي على الإضافات الصحيحة. ويمكن لنموذج مثل Ultralytics YOLO26 اكتشاف البيتزا وإضافاتها في الوقت الفعلي، وتحديد المكونات الناقصة أو غير الصحيحة. وفي هذا السيناريو، يجب أن يكون النموذج دقيقًا بما يكفي لاكتشاف الأخطاء وسريعًا بما يكفي لمواكبة سرعة الإنتاج على أجهزة الحافة.

الشكل 2. استخدام Ultralytics YOLO26 لاكتشاف البيتزا وإضافاتها وتقسيمها.

ضع حجم جهاز الحافة في الحسبان#

إلى جانب أداء الحوسبة، يُعد الحجم المادي لجهاز الحافة عاملًا مهمًا آخر في تخطيط عملية النشر. ويؤثر الشكل الهندسي للجهاز (حجمه وشكله الماديان، وطريقة تثبيته، وواجهات التوسعة فيه) مباشرةً في سهولة دمجه في البيئة وأدائه في ظروف العالم الحقيقي.

أنواع أجهزة الذكاء الاصطناعي الطرفية وأشكالها الهندسية#

تتوفر أجهزة الذكاء الاصطناعي الطرفية بأشكال هندسية عديدة، بدءًا من الخوادم الكاملة المثبتة في الرفوف وبطاقات تسريع الربط البيني السريع للمكونات الطرفية (PCIe)، وصولًا إلى وحدات M.2 المدمجة ومنصات النظام على وحدة (SoM) والحواسيب أحادية اللوحة (SBCs) والكاميرات الذكية، بل وحتى مستشعرات الرؤية الذكية المزودة بمعالجة ذكاء اصطناعي على الشريحة. ويوفر كل شكل موازنات مختلفة بين الأداء وكفاءة الطاقة والتصميم الحراري وتعقيد التكامل.

يرتبط حجم الجهاز ارتباطًا وثيقًا بمتطلبات التبريد وتوفر الطاقة والبنية العامة للنظام. وتدعم الأنظمة الأكبر، مثل الحواسيب الصناعية المثبتة في الرفوف أو محطات العمل البرجية، عادةً وحدات GPU كاملة الارتفاع بمعيار PCIe وبطاقات توسعة متعددة والتبريد النشط. وتناسب هذه المنصات معالجة تدفقات عدة كاميرات ومحاور الحافة المركزية وتحليلات الفيديو عالية معدل النقل.

في المقابل، صُممت الأشكال الهندسية المدمجة، مثل مسرّعات M.2 ووحدات SoM المثبتة على لوحات ناقلة مخصصة والحواسيب أحادية اللوحة والكاميرات الذكية المتكاملة، للبيئات محدودة المساحة. وغالبًا ما تعطي هذه الأجهزة الأصغر أولوية لكفاءة الطاقة والتبريد السلبي، ما يجعلها مثالية للأنظمة المضمنة والروبوتات المتنقلة والطائرات المسيّرة والأكشاك ووحدات الفحص الموزعة.

في أقصى درجات التصغير، تعتمد بعض عمليات النشر على مستشعرات الرؤية الذكية أو المنصات القائمة على المتحكمات الدقيقة (TinyML)، حيث يعمل الاستدلال مباشرةً على مستشعر الصورة أو معالج منخفض الطاقة. وتقلل هذه الأنظمة الحجم المادي واستهلاك الطاقة بدرجة كبيرة، لكنها تناسب عادةً أعباء العمل الأضيق نطاقًا والمُحسّنة بدرجة عالية.

تقود هذه الاختلافات في الحجم والنمطية وطريقة التكامل عمومًا إلى فئتين شائعتين من عمليات النشر الطرفية: عمليات النشر القابلة للتوسع وعمليات النشر محدودة المساحة. ويلبي كل نهج قيودًا مختلفة تتعلق بالأداء والطاقة والبيئة، كما يؤثر في قابلية الصيانة على المدى الطويل وتصميم النظام.

عمليات النشر القابلة للتوسع#

تُستخدم مسرّعات PCIe والحواسيب الشخصية (PCs) المثبتة في الرفوف أو الصناعية عادةً عندما يتطلب المشروع قدرة حوسبة عالية أو معالجة بيانات عدة كاميرات في الوقت نفسه. ومسرّع PCIe بطاقة أجهزة تُثبّت داخل حاسوب أكبر عبر منفذ PCIe.

ويضيف موارد حوسبة مخصصة، مثل وحدة معالجة الرسومات (GPU) أو مسرّع ذكاء اصطناعي آخر، لزيادة قدرة النظام على معالجة أعباء عمل الذكاء الاصطناعي. ويشبه ذلك الطريقة التي تحسّن بها بطاقة الرسومات الأداء في الحاسوب المكتبي.

الحواسيب الشخصية المثبتة في الرفوف أو الصناعية أنظمة أكبر ومتينة، صُممت للعمل المستمر في بيئات مثل المصانع وأرضيات الإنتاج وغرف التحكم. وتوفر مساحة أكبر للتبريد وتوسعة الأجهزة والمكونات الأعلى استهلاكًا للطاقة، ما يجعلها مناسبة تمامًا لأعباء العمل الشاقة مثل فحص الجودة باستخدام عدة كاميرات أو تحليلات الفيديو واسعة النطاق.

عمليات النشر محدودة المساحة#

تشيع عمليات النشر محدودة المساحة في البيئات التي يتعين فيها على جهاز الحافة العمل ضمن حدود ضيقة للحجم المادي أو الحرارة أو الطاقة. ويشمل ذلك غالبًا الكاميرات الذكية المثبتة على خطوط الإنتاج والروبوتات المتنقلة والطائرات المسيّرة والأكشاك وأنظمة الفحص المدمجة.

في هذه الحالات، يجب أن تكون الأجهزة صغيرة وخفيفة وموفرة للطاقة، مع تقديم أداء موثوق للذكاء الاصطناعي. ومن خيارات الأجهزة الشائعة لهذه العمليات وحدات M.2 والحواسيب أحادية اللوحة.

وحدة M.2 بطاقة توسعة مدمجة تُركّب في منفذ M.2 داخل نظام مضيف. ومع أن M.2 ليست سوى شكل هندسي ومعيار واجهة، فإن بعض الوحدات مصممة خصيصًا لتسريع الذكاء الاصطناعي.

تتيح وحدات تسريع الذكاء الاصطناعي هذه للأجهزة الصغيرة تشغيل نماذج الرؤية الحاسوبية بكفاءة أكبر، دون زيادة كبيرة في الحجم أو استهلاك الطاقة. وغالبًا ما تُدمج مسرّعات M.2 في الأنظمة المضمنة، حيث لا يكون من العملي إضافة بطاقة توسعة PCIe كاملة الحجم.

أما الحاسوب أحادي اللوحة، فهو حاسوب كامل مُدمج على لوحة دائرة واحدة. ويجمع وحدة المعالجة المركزية والذاكرة وواجهات التخزين ووصلات الإدخال/الإخراج (I/O) في شكل هندسي مدمج. ولأن جميع المكونات موجودة على لوحة واحدة، تُستخدم الحواسيب أحادية اللوحة على نطاق واسع في التطبيقات المضمنة والطرفية حيث تكون المساحة محدودة والبساطة مهمة.

على الرغم من أن الأنظمة محدودة المساحة توفر عادةً قدرة حوسبة خامًا أقل من الأنظمة الأكبر المثبتة في الرفوف، فإنها تتيح إجراء الاستدلال على الجهاز بالقرب من مصدر توليد البيانات. ويقلل ذلك زمن الاستجابة واستخدام عرض النطاق الترددي، ويزيد مرونة النشر في البيئات التي لا تتسع للأجهزة الأكبر.

تسريع مخصص للذكاء الاصطناعي في الرؤية المضمنة#

يركز كثير من مورّدي الأجهزة تحديدًا على توفير تسريع للذكاء الاصطناعي مدمج وموفر للطاقة في مجال الرؤية المضمنة. فعلى سبيل المثال، تقدم Axelera AI مسرّعات وحدة معالجة الذكاء الاصطناعي Metis® (AIPU) بأشكال هندسية متعددة، تشمل بطاقات PCIe ووحدات M.2 ولوحات حوسبة متكاملة لعمليات النشر محدودة المساحة.

من خلال التكامل مع Ultralytics، يمكن تصدير نماذج YOLO المدعومة، مثل Ultralytics YOLOv8 وYOLO26، إلى تنسيق Axelera باستخدام حزمة Ultralytics Python وتحسينها عبر Voyager SDK، الذي يتولى التجميع وتكميم INT8 لإجراء استدلال طرفي بكفاءة.

الشكل 3. لمحة عن وحدة معالجة الذكاء الاصطناعي Metis من Axelera AI (المصدر)

أخذ استهلاك الطاقة في الحسبان#

يُعد استهلاك الطاقة قيدًا أساسيًا أيضًا في عمليات النشر الطرفية، لأنه يؤثر مباشرةً في توليد الحرارة ومتطلبات التبريد. كما يحدد ما إذا كان النظام قادرًا على العمل بموثوقية داخل حاويات محكمة الإغلاق أو أغلفة صناعية مدمجة.

وتزداد أهمية ذلك في البيئات التي تعمل بالبطاريات، مثل الروبوتات المتنقلة والطائرات المسيّرة أو محطات المراقبة البعيدة، حيث يؤثر كل واط (W) في مدة التشغيل واستقرار النظام إجمالًا.

تقع معظم الأجهزة الطرفية ضمن ثلاث فئات عامة لاستهلاك الطاقة. إليك نظرة أقرب على كل منها:

• الأجهزة منخفضة الطاقة (<10W): تُستخدم عادةً في الأنظمة المضمنة التي تتطلب حجمًا مدمجًا وتبريدًا سلبيًا.
• الأجهزة متوسطة القدرة (10–50W): تشيع هذه الأجهزة في بوابات الحافة ونقاط الاتصال في المصانع التي تتطلب معدل نقل أعلى، مع استمرار عملها ضمن حدود حرارية مضبوطة.
• الأجهزة عالية الطاقة (>50W): تكون هذه الأجهزة عادةً مسرّعات PCIe أو حواسيب شخصية صناعية مصممة لمعالجة عدة كاميرات وأعباء العمل الثقيلة. وغالبًا ما تُقرن بالتبريد النشط والأغلفة الأكبر.

من المهم مراعاة أن خصائص عبء العمل تؤدي دورًا كبيرًا في تحديد فئة الطاقة المناسبة. فمعدلات الإطارات الأعلى ونماذج الرؤية الأكبر وتدفقات الكاميرات المتعددة والمتوازية تزيد جميعها الطلب على الحوسبة، ما يرفع استهلاك الطاقة بدوره.

يركز كثير من مورّدي الأجهزة اليوم على تسريع الذكاء الاصطناعي بكفاءة في استهلاك الطاقة. فعلى سبيل المثال، صُممت وحدات الحافة من DEEPX للاستدلال منخفض الطاقة في عمليات النشر الطرفية. وتوفر معالجات Intel أيضًا ميزات لإدارة الطاقة وضبطها، تتيح مواءمة الأداء مع متطلبات البيئة وعبء العمل.

مراعاة التوفر الصناعي ودعم دورة حياة المنتج#

لنفترض أنك أكملت بنجاح عملية نشر تجريبية. يعمل النموذج جيدًا، وتلبي الأجهزة متطلبات الأداء، ويعمل النظام بموثوقية أثناء الاختبار.

يتمثل التحدي التالي في توسيع نطاق هذا الحل ليشمل الإنتاج الكامل. وهنا يصبح التوفر الصناعي ودعم دورة حياة المنتج عاملين حاسمين.

يُتوقع من معظم الأنظمة الطرفية أن تعمل باستمرار لسنوات. وينطوي اختيار أجهزة قد يتوقف إنتاجها بعد وقت قصير من طرحها على مخاطر كبيرة. فحتى إن كان أداء الجهاز جيدًا خلال تجربة أولية، فقد يتحول إلى عبء إذا بلغ نهاية عمره الافتراضي أو أصبح الحصول عليه صعبًا عند بدء الإنتاج.

قد تؤدي دورات حياة المنتجات القصيرة في السوق إلى اضطرابات في سلسلة التوريد، وزيادة تكاليف الصيانة، وفرض عمليات إعادة تصميم غير متوقعة. وفي عمليات النشر متعددة المواقع، قد يؤدي استبدال المكونات غير المتاحة إلى إبطاء التوسع وتعقيد إدارة النظام.

توفر الأجهزة المصممة للاستخدام الصناعي عادةً جداول إنتاج أطول وسياسات أوضح لدورة حياة المنتج ودعمًا مستمرًا للبرامج الثابتة أو البرمجيات. ويسهّل هذا الاستقرار توسيع نطاق عمليات النشر دون إجراء تغييرات كبيرة على الأجهزة في منتصف دورة التشغيل.

قبل اعتماد جهاز الحافة نهائيًا، يمكن للفرق مراجعة خارطة طريق منتجات الشركة المصنّعة والتزاماتها المتعلقة بدورة حياة المنتج واستراتيجيتها للدعم طويل الأمد.

أهمية خبرة الفريق وسهولة الاستخدام#

يعتمد اختيار جهاز الحافة ونشره أيضًا على خبرة فريقك. فبعض المنصات أسهل في الاستخدام، وتوفر وثائق واضحة وخطوات إعداد بسيطة وأدوات جاهزة للاستخدام. أما منصات أخرى فتتيح تحكمًا أكبر في الأداء، لكنها تتطلب معرفة تقنية أعمق ووقتًا أطول للتحسين وتصحيح الأخطاء.

على سبيل المثال، تتيح حزمة Ultralytics Python تدريب نماذج مثل YOLO26 واختبارها ونشرها بسهولة. وهي تبسّط المهام الشائعة، كما تدعم تصدير النماذج إلى تنسيقات مختلفة تُستخدم في عمليات النشر الطرفية. وهذا يسهّل على الفرق الانتقال من التطوير إلى الأجهزة الفعلية دون إعادة بناء سير العمل من الصفر.

بالنسبة إلى الفرق الأقل خبرة بالذكاء الاصطناعي الطرفي، يمكن لمنظومة برمجية قوية وموثقة جيدًا أن تقلل وقت التطوير ومخاطر النشر. وقد تفضل الفرق الأكثر خبرة المنصات التي تتيح تخصيصًا وضبطًا دقيقًا أعمق، لا سيما في التطبيقات التي تتطلب معالجة عدة كاميرات أو الالتزام بمتطلبات صارمة لزمن الاستجابة.

ببساطة، يمكن لمنظومات المورّدين وأدواتهم أن تُحدث فرقًا كبيرًا. وتساعد الوثائق الواضحة والدعم الفعّال وخيارات النشر المرنة الفرق على الانتقال بسلاسة أكبر من المشروعات التجريبية إلى أنظمة الإنتاج الكامل.

عوامل أساسية في النشر الطرفي كثيرًا ما تُغفل#

بعد أن تناولنا العوامل الرئيسية لاختيار جهاز الحافة، لنستعرض بعض التفاصيل العملية التي قد تُحدث فرقًا كبيرًا في عمليات النشر الواقعية. قد لا تبدو هذه الاعتبارات ملحّة في البداية، لكنها غالبًا ما تؤدي دورًا حاسمًا في اتخاذ القرار، وتحدد مدى سلاسة سير المشروع بعد تجاوزه مرحلة التجربة الأولية.

الإدخال/الإخراج وعرض النطاق الترددي وتوافق البرمجيات#

غالبًا ما يكون توافق الاتصال والإدخال/الإخراج من أولى التحديات العملية في عمليات النشر الطرفية. فعادةً ما يجب أن يدعم جهاز الحافة إعدادات الكاميرات والمستشعرات لديك، بما في ذلك الواجهات الشائعة مثل USB 3.0 وGigE مع الطاقة عبر الإيثرنت (PoE) وMIPI.

وقد تتطلب أنظمة الرؤية الصناعية أيضًا مشغلات أجهزة وإشارات مزامنة أو دعمًا محددًا للتوقيت لضمان التشغيل الموثوق.

ويُعد عرض النطاق الترددي عاملًا حاسمًا آخر، لا سيما في إعدادات الكاميرات المتعددة. فحتى حالات عدم التطابق البسيطة بين خرج الكاميرا وسعة إدخال الجهاز قد تقلل معدل النقل أو تزيد زمن الاستجابة.

يؤدي توافق البرمجيات دورًا حاسمًا أيضًا. وتعتمد بعض عمليات النشر على أطر استدلال خفيفة الوزن مثل NCNN وMNN، اللذين يُستخدمان عادةً في البيئات المحمولة والمضمنة.

في عمليات نشر المستشعرات الذكية، تدمج أجهزة مثل Sony IMX500 معالجة الذكاء الاصطناعي مباشرةً على مستشعر الصورة، ما يقلل نقل البيانات وزمن الاستجابة. وتكتسب توافقية النموذج ودعم التصدير أهمية خاصة في هذه الحالات، إذ يجب تحويل النموذج إلى تنسيق تدعمه سلسلة أدوات المستشعر.

على سبيل المثال، تدعم حزمة Ultralytics Python تصدير نماذج مثل Ultralytics YOLO11 إلى تنسيقات متوافقة مع مسارات عمل النشر الطرفي، بما في ذلك المنصات المبنية على أجهزة مثل Sony IMX500.

الموثوقية الحرارية والبيئية#

عندما تعالج الأجهزة الطرفية البيانات المرئية باستمرار، تصبح الموثوقية الحرارية والبيئية عاملين حاسمين. ويُقصد بالموثوقية هنا قدرة الجهاز على العمل لفترات طويلة دون ارتفاع حرارته أو تعطله، حتى في الظروف القاسية مثل الغبار والاهتزاز ودرجات الحرارة الشديدة.

مع تزايد متطلبات أعباء عمل الذكاء الاصطناعي الطرفي، أصبحت الكفاءة الحرارية عاملًا محددًا في تصميم الأنظمة. وقد سُلّط الضوء على أهمية الأداء الحراري في معرض CES 2026 في لاس فيغاس، حيث شغّلت DeepX أعباء عمل متطابقة للذكاء الاصطناعي على عدة شرائح، مع وضع قطعة صغيرة من الزبدة فوقها.

في حين ولّدت الشرائح المنافسة حرارة كافية لإذابة الزبدة، لم يفعل جهاز الحافة من DeepX ذلك، ما يوضح كيف يمكن لانخفاض استهلاك الطاقة وزيادة الاستقرار الحراري أن يؤثرا مباشرةً في الموثوقية الواقعية.

يؤدي تصميم التبريد دورًا محوريًا في الحفاظ على استقرار الأداء. فكلما زاد جهد المعالجات، ولّدت حرارة يجب التعامل معها بفعالية.

يُفضّل التبريد السلبي في كثير من البيئات الصناعية، لأن المراوح الميكانيكية قد تتآكل أو تتعطل بمرور الوقت، لا سيما في البيئات المتربة أو شديدة الاهتزاز. وتُستخدم مشتتات الحرارة المصنوعة من الألومنيوم والخالية من المراوح عادةً لتبديد الحرارة دون الاعتماد على أجزاء متحركة، ما يعزز المتانة على المدى الطويل.

وقد تؤثر الظروف البيئية أيضًا. فلكل جهاز نطاق حرارة تشغيل محدد، وقد تحبس عمليات النشر في الخزائن المحكمة أو المواقع الخارجية الحرارة أو تعرض الأجهزة لتقلبات درجات الحرارة. وفي هذه الحالات، لا تقل أهمية تصميم الحاوية وتدفق الهواء عن أهمية أداء الحوسبة الخام.

المنظومة البرمجية وجاهزية النشر#

عند اختيار جهاز الحافة المناسب، لا تقل قوة منظومته البرمجية أهمية عن مواصفات أجهزته. فقد يقدم الجهاز أداء حوسبة قويًا على الورق، لكن الانتقال من النموذج الأولي إلى الإنتاج قد يصبح بطيئًا ومعقدًا في غياب الأدوات الموثوقة ودعم المنصة.

تسهّل المنصة المدعومة جيدًا مسار النشر بأكمله، بدءًا من إعداد النموذج ووصولًا إلى الاستدلال المحسّن على الأجهزة المستهدفة. كما تسهّل المنظومات التي توفر أدوات مدمجة للتكميم وضبط الأداء وتصحيح الأخطاء التحقق من النماذج في ظل أعباء عمل واقعية وتقليل المشكلات غير المتوقعة أثناء طرح النظام.

على سبيل المثال، يمكن تصدير نماذج Ultralytics YOLO مثل YOLO26 مباشرةً إلى تنسيق OpenVINO، ما يتيح استدلالًا محسّنًا على وحدات CPU من Intel ووحدات GPU المدمجة ووحدات المعالجة العصبية (NPUs). ويوفر OpenVINO تحسينات للأداء، مثل تحويل النماذج والتكميم (بما يشمل FP16 وINT8) والتنفيذ غير المتجانس عبر أجهزة Intel المدعومة.

باستخدام حزمة Ultralytics Python، يمكن للفرق تصدير النماذج بأمر بسيط وإجراء الاستدلال إما عبر الواجهة عالية المستوى في Ultralytics أو مباشرةً باستخدام OpenVINO Runtime الأصلي، ما ينشئ سير عمل نشر سلسًا وجاهزًا للإنتاج لأنظمة الحافة القائمة على Intel.

الأداء الفعلي تحت الحمل#

تبدو أجهزة طرفية كثيرة مثيرة للإعجاب على الورق، لكن أداءها قد يتغير عند تشغيل مسار عمل كامل للرؤية الحاسوبية. ففي عمليات النشر الفعلية، لا يقتصر دور النظام على تشغيل الاستدلال.

بل يتولى أيضًا المعالجة المسبقة والمعالجة اللاحقة، وأحيانًا يعالج تدفقات عدة كاميرات في الوقت نفسه. لذا من المهم النظر إلى ما يتجاوز متوسط عدد الإطارات في الثانية.

غالبًا ما يكون ثبات زمن الاستجابة أهم من الأداء الأقصى. ويوفر رصد اختناقات الذاكرة والتحقق من مدى استقرار النظام تحت حمل مستمر صورة أوضح عن أدائه في بيئة الإنتاج.

من المفيد اختبار زمن بدء التشغيل البارد، واستمرار الأداء العالي لساعات من التشغيل، وسلوك الجهاز عند تشغيل مهام أخرى بالتوازي مع الاستدلال، مثل الترميز أو التسجيل أو الاتصال بالشبكة. وفي معظم حالات الاستخدام الواقعية، يكون الأداء المستقر والقابل للتنبؤ أهم من الارتفاعات العرضية في السرعة.

الأمن ودورة الحياة والإدارة بعد النشر#

يجب أن تظل عمليات النشر الطرفية آمنة وموثوقة بمرور الوقت، لا سيما في بيئات مثل التصنيع، حيث يُتوقع من الأنظمة العمل باستمرار. وتساعد ميزات مثل الإقلاع الآمن والتخزين المشفر والتحديثات المنتظمة من المورّد على حماية الأجهزة من العبث وتقليل مخاطر الثغرات الأمنية أو التوقف غير المتوقع.

تُعد إدارة الأجهزة بعد النشر بأهمية اختيار الأجهزة المناسبة. إذ تتيح إمكانات المراقبة والتحديث عن بُعد للفرق صيانة البرمجيات والبرامج الثابتة والنماذج دون الحاجة إلى الوصول المادي إلى كل جهاز. وتزداد أهمية ذلك مع انتقال المشروعات من تجربة أولية صغيرة إلى نشر أوسع نطاقًا.

مع نمو عمليات النشر، تساعد الإدارة المركزية لأسطول الأجهزة على تنظيم كل شيء. فهي تسهّل على الفرق تتبع حالة الأجهزة وإدارة التحديثات ومراقبة الأداء واستكشاف المشكلات وإصلاحها عبر مواقع متعددة. ومن دون استراتيجية إدارة واضحة، قد تصبح صيانة عشرات الأنظمة الطرفية أو حتى مئاتها صعبة بسرعة.

تطبيقات شائعة للرؤية الحاسوبية والذكاء الاصطناعي الطرفي في العالم الحقيقي#

أثناء التفكير في العوامل المرتبطة باختيار جهاز الحافة المناسب، قد تتساءل عن أماكن استخدام هذه الأنظمة فعليًا. واليوم، يدعم الذكاء الاصطناعي الطرفي تطبيقات في جميع القطاعات تقريبًا، من التصنيع والتجزئة إلى الروبوتات والبنية التحتية الذكية.

فيما يلي خمس حالات استخدام شائعة للتعلم العميق، تتيح فيها الأجهزة الطرفية زمن استجابة منخفضًا واستهلاكًا أقل لعرض النطاق الترددي ومعالجة موثوقة على الجهاز:

• مراقبة السلامة في المواقع الصناعية: يمكن لمسارات عمل الرؤية الحاسوبية المنشورة على أجهزة الحوسبة الطرفية إرسال تنبيهات فورية بشأن الامتثال لمتطلبات معدات الوقاية الشخصية (PPE)، أي الكشف التلقائي عن ارتداء العمال معدات السلامة المطلوبة مثل الخوذ والقفازات والسترات الواقية والنظارات الواقية، فضلًا عن تحديد السلوك غير الآمن. ويعزز ذلك الموثوقية التشغيلية عبر الحد من الحوادث في مكان العمل، مع ضمان معالجة بيانات الفيديو الحساسة بأمان في الموقع.
• تحليلات البيع بالتجزئة: يمكن للأجهزة الطرفية معالجة البيانات المرئية محليًا لإدارة المخزون وتحديد مدى توفر المنتجات على الرفوف ورصد الطوابير، ما يقلل استخدام عرض النطاق الترددي وتكاليف الخدمات السحابية، مع الحفاظ على الجدوى الاقتصادية وقابلية التوسع عبر متاجر عديدة.
• الروبوتات: يتيح الذكاء الاصطناعي على الجهاز في مجال الروبوتات كشف الأجسام والتنقل الذاتي في الوقت الفعلي. فعلى سبيل المثال، يمكن لأجهزة الحافة NVIDIA Jetson توفير منصات حوسبة مدمجة ومسرّعة بوحدات GPU، تتيح للروبوتات تشغيل نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 محليًا، مع تحقيق أداء منخفض زمن الاستجابة وكفاءة في استهلاك الطاقة.
• المدن الذكية ومراقبة حركة المرور: يمكن لمشروعات المدن الذكية استخدام معالجات الرؤية الحاسوبية الطرفية لتحليل تدفق حركة المرور وكشف الحوادث ومراقبة سلامة المشاة في الوقت الفعلي. ومن خلال تجنب بث الفيديو باستمرار إلى السحابة، تقلل هذه الأنظمة متطلبات عرض النطاق الترددي وتحسن أوقات الاستجابة.
• فحص الجودة في التصنيع: يمكن للأجهزة الطرفية على خطوط الإنتاج فحص المنتجات في الوقت الفعلي لاكتشاف العيوب أو المكونات الناقصة أو أخطاء التجميع قبل انتقال المنتجات إلى مراحل لاحقة على الناقل. ويمكن لهذه الأنظمة تشغيل نماذج مثل Ultralytics YOLO26 على وحدات CPU أو GPU أو مسرّعات ذكاء اصطناعي مخصصة، وفقًا لقيود معدل النقل والطاقة.

الشكل 4. يمكن نشر Ultralytics YOLO26 على الحافة لاكتشاف العيوب في مصانع التصنيع.

أبرز النقاط#

يتطلب اختيار جهاز الحافة المناسب لمشروع الرؤية الحاسوبية تحقيق توازن بين الأداء وكفاءة الطاقة والموثوقية والتوفر على المدى الطويل. وبدلًا من التركيز على المواصفات القصوى فحسب، ينبغي للفرق تقييم الظروف الواقعية ونضج المنظومة البرمجية ودعم دورة حياة المنتج. ومن خلال التحقق من إعداداتك عبر عملية نشر تجريبية قبل التوسع، يمكنك تقليل المخاطر وضبط التكاليف وضمان انتقال أكثر سلاسة من النموذج الأولي إلى الإنتاج.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub. اطّلع على صفحات حلولنا لاكتشاف تطبيقات متنوعة مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية. تعرّف على خيارات الترخيص وابدأ استخدام الذكاء الاصطناعي للرؤية اليوم!