التقليم والتكميم في الرؤية الحاسوبية: دليل سريع

أصبحت الأجهزة الطرفية أكثر شيوعًا مع تقدم التكنولوجيا. فمن الساعات الذكية التي تتتبع معدل ضربات قلبك إلى الطائرات المسيّرة الجوية التي تراقب الشوارع، تستطيع الأنظمة الطرفية معالجة البيانات محليًا وفي الوقت الفعلي داخل الجهاز نفسه.

غالبًا ما تكون هذه الطريقة أسرع وأكثر أمانًا من إرسال البيانات إلى السحابة، لا سيما في التطبيقات التي تتضمن بيانات شخصية، مثل اكتشاف لوحات أرقام المركبات أو تتبع الإيماءات. وهذه أمثلة على الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي (AI) يمكّن الآلات من تفسير المعلومات المرئية وفهمها.

الشكل 1. مثال على اكتشاف لوحات أرقام المركبات. (المصدر)

ومع ذلك، من الاعتبارات المهمة أن هذه التطبيقات تتطلب نماذج ذكاء اصطناعي للرؤية قادرة على التعامل مع العمليات الحسابية المكثفة، واستخدام الحد الأدنى من الموارد، والعمل بشكل مستقل. تُطوَّر معظم نماذج الرؤية الحاسوبية للأنظمة عالية الأداء، مما يجعلها أقل ملاءمة للنشر المباشر على الأجهزة الطرفية.

لسد هذه الفجوة، يطبّق المطورون غالبًا تحسينات موجّهة تكيّف النموذج ليعمل بكفاءة على أجهزة أصغر. وتُعد هذه التعديلات ضرورية لعمليات النشر الطرفية في العالم الحقيقي، حيث تكون الذاكرة وقدرة المعالجة محدودة.

من المثير للاهتمام أن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مصممة أصلًا مع مراعاة الكفاءة الطرفية، مما يجعلها مناسبة جدًا للمهام في الوقت الفعلي. ومع ذلك، يمكن تعزيز أدائها أكثر باستخدام تقنيات تحسين النماذج مثل التقليم والتكميم، بما يتيح استدلالًا أسرع واستخدامًا أقل للموارد على الأجهزة محدودة الإمكانات.

في هذه المقالة، سنلقي نظرة فاحصة على ماهية التقليم والتكميم، وكيفية عملهما، وكيف يمكنهما مساعدة نماذج YOLO على الأداء في عمليات النشر الطرفية في العالم الحقيقي. لنبدأ!

التقليم والتكميم: تقنيات أساسية لتحسين النماذج#

عند إعداد نماذج ذكاء اصطناعي للرؤية للنشر على الأجهزة الطرفية، يتمثل أحد الأهداف الرئيسية في جعل النموذج خفيفًا وموثوقًا دون التضحية بالأداء. وغالبًا ما يتضمن ذلك تقليل حجم النموذج ومتطلباته الحسابية حتى يعمل بكفاءة على أجهزة ذات ذاكرة أو طاقة أو قدرة معالجة محدودة. ومن الطرق الشائعة لتحقيق ذلك التقليم والتكميم.

التقليم هو تقنية لـتحسين النماذج في الذكاء الاصطناعي، تساعد على جعل الشبكات العصبية أصغر وأكثر كفاءة. وفي كثير من الحالات، لا تسهم أجزاء من النموذج، مثل بعض الوصلات أو العقد، إسهامًا كبيرًا في تنبؤاته النهائية. ويعمل التقليم على تحديد هذه الأجزاء الأقل أهمية وإزالتها، مما يقلل حجم النموذج ويسرّع أداءه.

أما التكميم فهو تقنية تحسين تقلل دقة الأرقام التي يستخدمها النموذج. فبدلًا من الاعتماد على أرقام الفاصلة العائمة عالية الدقة ذات 32 بت، ينتقل النموذج إلى تنسيقات أصغر وأكثر كفاءة، مثل الأعداد الصحيحة ذات 8 بت. ويساعد هذا التغيير على تقليل استخدام الذاكرة وتسريع الاستدلال، أي العملية التي يُجري فيها النموذج تنبؤاته.

الشكل 2. نظرة على التقليم والتكميم. (المصدر)

كيفية عمل التقليم والتكميم#

بعد أن أصبح لدينا فهم أفضل لماهية التقليم والتكميم، لنتعرف على كيفية عمل كل منهما.

يُجرى التقليم باستخدام عملية تُعرف باسم تحليل الحساسية. وهي تحدد الأجزاء من نماذج الشبكات العصبية، مثل أوزان أو عصبونات أو قنوات معينة، التي تسهم بأقل قدر في التنبؤ بالمخرج النهائي. ويمكن إزالة هذه الأجزاء بأقل تأثير في الدقة. وبعد التقليم، يُعاد تدريب النموذج عادةً لضبط أدائه بدقة. ويمكن تكرار هذه الدورة للعثور على التوازن المناسب بين حجمه ودقته.

في المقابل، يركّز تكميم النماذج على كيفية تعامل النموذج مع البيانات. ويبدأ ذلك بالمعايرة، حيث يعمل النموذج على بيانات نموذجية لتعلّم نطاق القيم التي يحتاج إلى معالجتها. ثم تُحوَّل هذه القيم من الفاصلة العائمة ذات 32 بت إلى تنسيقات أقل دقة، مثل الأعداد الصحيحة ذات 8 بت.

الشكل 3. يساعد التكميم على تقليل حجم النموذج وتعقيده. (المصدر)

تتوفر عدة أدوات تجعل استخدام التقليم والتكميم في مشاريع الذكاء الاصطناعي الواقعية أسهل. وتوفر معظم أطر الذكاء الاصطناعي، مثل PyTorch وTensorFlow، دعمًا مدمجًا لهذه التقنيات التحسينية، مما يتيح للمطورين دمجها مباشرةً في عملية نشر النموذج.

بعد تحسين النموذج، يمكن لأدوات مثل ONNX Runtime المساعدة على تشغيله بكفاءة عبر منصات عتادية متنوعة، مثل الخوادم وأجهزة سطح المكتب والأجهزة الطرفية. كما توفر Ultralytics عمليات تكامل تتيح تصدير نماذج YOLO بتنسيقات مناسبة للتكميم، مما يسهل تقليل حجم النموذج وتعزيز الأداء.

نظرة عامة على تحسين نماذج Ultralytics YOLO#

تحظى نماذج Ultralytics YOLO، مثل YOLO11، بتقدير واسع بفضل اكتشاف الأجسام السريع ذي المرحلة الواحدة، مما يجعلها مثالية لـمهام ذكاء اصطناعي للرؤية في الوقت الفعلي. وقد صُممت أصلًا لتكون خفيفة وفعالة بما يكفي للنشر الطرفي. ومع ذلك، لا تزال الطبقات المسؤولة عن معالجة السمات المرئية، والمعروفة باسم الطبقات الالتفافية، تتطلب قدرًا كبيرًا من القدرة الحاسوبية أثناء الاستدلال.

قد تتساءل: إذا كان Ultralytics YOLO11 محسنًا أصلًا للاستخدام الطرفي، فلماذا يحتاج إلى مزيد من التحسين؟ ببساطة، ليست جميع الأجهزة الطرفية متماثلة. فبعضها يعمل على عتاد محدود جدًا، مثل المعالجات المضمنة الصغيرة التي تستهلك طاقة أقل من مصباح LED تقليدي.

في هذه الحالات، يحتاج حتى نموذج مبسّط مثل Ultralytics YOLO11 إلى تحسين إضافي لضمان أداء سلس وموثوق. وتساعد تقنيات مثل التقليم والتكميم على تقليل حجم النموذج وتسريع الاستدلال دون التأثير بدرجة كبيرة في الدقة، مما يجعلها مثالية لهذه البيئات محدودة الإمكانات.

لتسهيل تطبيق تقنيات التحسين هذه، تدعم Ultralytics عمليات تكامل متنوعة يمكن استخدامها لتصدير نماذج YOLO إلى تنسيقات متعددة مثل ONNX وTensorRT وOpenVINO وCoreML وPaddlePaddle. وقد صُمم كل تنسيق للعمل بكفاءة مع أنواع محددة من الأجهزة وبيئات النشر.

فعلى سبيل المثال، يُستخدم ONNX غالبًا في عمليات التكميم بفضل توافقه مع مجموعة واسعة من الأدوات والمنصات. أما TensorRT فهو محسن بدرجة كبيرة لأجهزة NVIDIA، ويدعم الاستدلال منخفض الدقة باستخدام INT8، مما يجعله مثاليًا للنشر عالي السرعة على وحدات معالجة الرسومات الطرفية.

حالات الاستخدام المؤثرة لتحسين نماذج Ultralytics YOLO#

مع استمرار توسع الرؤية الحاسوبية في مختلف التطبيقات الواقعية، تتيح نماذج YOLO المحسّنة تنفيذ مهام مثل اكتشاف الأجسام وتقسيم المثيلات وتتبع الأجسام على أجهزة أصغر وأسرع. بعد ذلك، سنناقش حالتي استخدام تجعل فيهما تقنيات التقليم والتكميم مهام الرؤية الحاسوبية هذه أكثر كفاءة وعملية.

المراقبة الذكية المدعومة بـ Ultralytics YOLO11#

تعتمد العديد من المنشآت الصناعية، وكذلك المناطق العامة، على المراقبة في الوقت الفعلي للحفاظ على السلامة والأمن. فالأماكن مثل محطات النقل ومواقع التصنيع والمنشآت الخارجية الكبيرة تحتاج إلى أنظمة ذكاء اصطناعي للرؤية قادرة على اكتشاف الأشخاص أو المركبات بسرعة ودقة. وغالبًا ما تعمل هذه المواقع في ظل اتصال محدود وقيود عتادية، مما يصعّب نشر النماذج الكبيرة.

في مثل هذه الحالات، يُعد نموذج ذكاء اصطناعي للرؤية محسّن مثل Ultralytics YOLO11 حلًا رائعًا. فحجمه الصغير وأداءه السريع يجعلان تشغيله على الأجهزة الطرفية منخفضة الطاقة، مثل الكاميرات المضمنة أو المستشعرات الذكية، أمرًا مثاليًا. ويمكن لهذه النماذج معالجة البيانات المرئية مباشرةً على الجهاز، مما يتيح اكتشاف مخالفات السلامة أو الوصول غير المصرح به أو النشاط غير الاعتيادي في الوقت الفعلي، دون الاعتماد على اتصال مستمر بالسحابة.

الشكل 4. يمكن استخدام Ultralytics YOLO11 لمراقبة الأماكن العامة مثل محطات المترو.

تعزيز السلامة في مواقع البناء باستخدام Ultralytics YOLO11#

تُعد مواقع البناء بيئات سريعة الوتيرة وغير متوقعة، وتزخر بالآلات الثقيلة والعمال المتحركين والنشاط المستمر. وقد تتغير الظروف بسرعة بسبب تغير الجداول الزمنية أو حركة المعدات أو حتى التغيرات المفاجئة في الطقس. وفي مثل هذا السياق الديناميكي، قد تبدو سلامة العمال تحديًا مستمرًا.

تؤدي المراقبة في الوقت الفعلي دورًا محوريًا، لكن الأنظمة التقليدية غالبًا ما تعتمد على الوصول إلى السحابة أو على أجهزة باهظة الثمن قد لا تكون عملية في الموقع. وهنا يمكن لنماذج مثل Ultralytics YOLO11 أن تحدث تأثيرًا ملموسًا. إذ يمكن تحسين YOLO11 ليعمل على أجهزة طرفية صغيرة وفعالة تعمل مباشرةً في الموقع دون الحاجة إلى اتصال بالإنترنت.

فعلى سبيل المثال، لننظر في موقع بناء كبير، مثل مشروع توسعة طريق سريع يمتد على عدة أفدنة. في هذا النوع من البيئات، قد يكون تتبع كل مركبة أو قطعة من المعدات يدويًا أمرًا صعبًا ويستغرق وقتًا طويلًا. ويمكن لطائرة مسيّرة مزودة بكاميرا ونموذج Ultralytics YOLO11 محسّن أن تساعد من خلال اكتشاف المركبات وتتبعها تلقائيًا، ومراقبة تدفق حركة المرور، وتحديد مشكلات السلامة مثل الوصول غير المصرح به أو سلوك القيادة غير الآمن.

الشكل 5. تحليل صور جوية من موقع بناء. (المصدر)

إيجابيات وسلبيات التقليم والتكميم في الرؤية الحاسوبية#

فيما يلي بعض المزايا الرئيسية التي توفرها أساليب تحسين نماذج الرؤية الحاسوبية مثل التقليم والتكميم:

• النشر منخفض التكلفة: يمكن للنماذج الأصغر والأكثر كفاءة أن تقلل الحاجة إلى الأجهزة الباهظة وعالية الأداء، مما يجعل الذكاء الاصطناعي أكثر سهولة في الوصول وقابلية للتوسع عبر حالات الاستخدام المختلفة.
• زمن استجابة أقل: من خلال تبسيط بنية النموذج وتقليل الأعباء الحسابية، يمكن لهذه التقنيات المساعدة على تحقيق أزمنة استجابة أسرع في التطبيقات الآنية.
• كفاءة الطاقة: يؤدي تقليل الحمل الحسابي أيضًا إلى خفض استهلاك الطاقة، وهو أمر مفيد بشكل خاص للأنظمة التي تعمل بالبطاريات أو الأنظمة المحمولة.

مع أن التقليم والتكميم يقدمان مزايا عديدة، فإنهما ينطويان أيضًا على بعض المفاضلات التي ينبغي للمطورين مراعاتها عند تحسين النماذج. وفيما يلي بعض القيود التي يجب أخذها في الحسبان:

• مفاضلات الدقة: إذا كان التقليم مفرطًا أو استُخدم تكميم منخفض جدًا من حيث عدد البتات، فقد تنخفض دقة النموذج، المقاسة بمقاييس مثل mAP.
• قيود الأجهزة: لا تدعم جميع الأجهزة التنسيقات منخفضة الدقة مثل INT8 بالقدر نفسه من الكفاءة. وقد يقيّد ذلك أماكن نشر النموذج المحسّن وكيفية نشره.
• تعقيد التنفيذ: يتطلب تحقيق نتائج جيدة غالبًا ضبطًا دقيقًا خاصًا بالنموذج. وقد يحتاج المطورون إلى إعادة تدريب النموذج وإجراء اختبارات موسعة للحفاظ على الأداء مع تحسين الكفاءة.

أهم النقاط المستخلصة#

يُعد التقليم والتكميم تقنيتين مفيدتين تساعدان نماذج YOLO على العمل بصورة أفضل على الأجهزة الطرفية. فهما تقللان حجم النموذج، وتخفضان احتياجاته الحاسوبية، وتسرّعان التنبؤات، وكل ذلك دون فقدان ملحوظ في الدقة.

تمنح أساليب التحسين هذه المطورين أيضًا مرونة تكييف النماذج مع أنواع مختلفة من الأجهزة دون الحاجة إلى إعادة بنائها بالكامل. ومع بعض الضبط والاختبار، يصبح تطبيق ذكاء اصطناعي للرؤية في مواقف العالم الحقيقي أسهل.

انضم إلى مجتمعنا المتنامي! واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريعك في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. واكتشف الذكاء الاصطناعي في الزراعة وذكاء اصطناعي للرؤية في الرعاية الصحية من خلال زيارة صفحات حلولنا!