التقليم والتكميم في الرؤية الحاسوبية: دليل سريع

تزداد أجهزة الحافة شيوعًا مع تقدم التكنولوجيا. فمن الساعات الذكية التي تتعقب معدل ضربات القلب إلى الطائرات المسيّرة التي تراقب الشوارع، تستطيع أنظمة الحافة معالجة البيانات محليًا وفي الوقت الفعلي داخل الجهاز نفسه.

غالبًا ما تكون هذه الطريقة أسرع وأكثر أمانًا من إرسال البيانات إلى السحابة، خصوصًا في التطبيقات التي تتعامل مع البيانات الشخصية، مثل اكتشاف لوحات تسجيل المركبات أو تتبع الإيماءات. وهذه أمثلة على رؤية الحاسوب، وهي فرع من الذكاء الاصطناعي (AI) يمكّن الآلات من تفسير المعلومات المرئية وفهمها.

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

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

لسد هذه الفجوة، غالبًا ما يطبّق المطورون تحسينات موجّهة تكيّف النموذج ليعمل بكفاءة على عتاد أصغر. وتكتسب هذه التعديلات أهمية بالغة في عمليات النشر الطرفية الفعلية، حيث تكون الذاكرة وقدرة المعالجة محدودتين.

ومن اللافت أن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مصممة بالفعل مع مراعاة الكفاءة على الأجهزة الطرفية، ما يجعلها مناسبة جدًا للمهام الآنية. ومع ذلك، يمكن تعزيز أدائها أكثر باستخدام تقنيات تحسين النماذج مثل التقليم والتكميم، ما يتيح استدلالًا أسرع واستهلاكًا أقل للموارد على الأجهزة محدودة الإمكانات.

في هذا المقال، سنلقي نظرة فاحصة على ماهية التقليم والتكميم، وكيفية عملهما، وكيف يمكنهما مساعدة نماذج YOLO على الأداء في عمليات النشر الطرفية الفعلية. لنبدأ!

التقليم والتكميم: تقنيتان أساسيتان لتحسين النماذج#

عند إعداد نماذج الذكاء الاصطناعي للرؤية للنشر على الأجهزة الطرفية، يتمثل أحد الأهداف الرئيسية في جعل النموذج خفيفًا وموثوقًا دون التضحية بالأداء. وغالبًا ما يتطلب ذلك تقليل حجم النموذج ومتطلباته الحسابية ليعمل بكفاءة على عتاد محدود الذاكرة أو الطاقة أو القدرة على المعالجة. ومن الطرق الشائعة لتحقيق ذلك التقليم والتكميم.

التقليم تقنية لتحسين النماذج في الذكاء الاصطناعي، تساعد على جعل الشبكات العصبية أصغر وأكثر كفاءة. ففي حالات كثيرة، لا تسهم أجزاء من النموذج، مثل بعض الوصلات أو العقد، إسهامًا كبيرًا في تنبؤاته النهائية. ويعمل التقليم على تحديد هذه الأجزاء الأقل أهمية وإزالتها، ما يقلل حجم النموذج ويزيد سرعة أدائه.

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

الشكل 2. نظرة على التقليم والتكميم. (المصدر)

آلية عمل التقليم والتكميم#

بعد أن أصبح لدينا فهم أفضل لماهية التقليم والتكميم، دعونا نتناول كيفية عمل كل منهما.

يُجرى التقليم باستخدام عملية تُعرف بتحليل الحساسية. وتحدد هذه العملية أجزاء نماذج الشبكات العصبية، مثل أوزان أو عصبونات أو قنوات معينة، الأقل إسهامًا في التنبؤ بالمخرجات النهائية. ويمكن إزالة هذه الأجزاء بأقل تأثير في الدقة. وبعد التقليم، يُعاد تدريب النموذج عادةً لضبط أدائه بدقة. ويمكن تكرار هذه الدورة للوصول إلى التوازن المناسب بين حجمه ودقته.

في المقابل، يركّز تكميم النماذج على كيفية تعامل النموذج مع البيانات. ويبدأ بالمعايرة، حيث يُشغَّل النموذج على بيانات عيّنة ليتعلم نطاق القيم التي يحتاج إلى معالجتها. ثم تُحوَّل هذه القيم من أعداد الفاصلة العائمة ذات 32 بت إلى صيغ أقل دقة، مثل الأعداد الصحيحة ذات 8 بت.

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

تتوفر أدوات عديدة تسهّل استخدام التقليم والتكميم في مشروعات الذكاء الاصطناعي الفعلية. وتضم معظم أطر الذكاء الاصطناعي، مثل PyTorch وTensorFlow، دعمًا مدمجًا لتقنيات التحسين هذه، ما يتيح للمطورين دمجها مباشرةً في عملية نشر النماذج.

بعد تحسين النموذج، يمكن لأدوات مثل ONNX Runtime المساعدة على تشغيله بكفاءة عبر منصات أجهزة متنوعة، مثل الخوادم والحواسيب المكتبية والأجهزة الطرفية. كما توفر Ultralytics عمليات تكامل تتيح تصدير نماذج YOLO بتنسيقات مناسبة للتكميم (مثل quantize=8 بدقة INT8 عندما يدعم التنسيق ذلك)، مما يسهل تقليل حجم النموذج وتعزيز أدائه.

نظرة عامة على تحسين نماذج Ultralytics YOLO#

تحظى نماذج Ultralytics YOLO مثل YOLO11 بتقدير واسع لقدرتها على اكتشاف الكائنات بسرعة وبخطوة واحدة، ما يجعلها مثالية لمهام الذكاء الاصطناعي للرؤية الآنية. وهي مصممة بالفعل لتكون خفيفة وفعالة بما يكفي للنشر على الأجهزة الطرفية. ومع ذلك، قد تظل الطبقات المسؤولة عن معالجة السمات المرئية، المعروفة بالطبقات الالتفافية، تتطلب قدرة حوسبة كبيرة أثناء الاستدلال.

قد تتساءل: إذا كان Ultralytics YOLO11 محسنًا بالفعل للاستخدام الطرفي، فلماذا يحتاج إلى مزيد من التحسين؟ ببساطة، ليست كل الأجهزة الطرفية متماثلة. فبعضها يعمل بعتاد محدود جدًا، مثل المعالجات المدمجة الصغيرة التي تستهلك طاقة أقل من مصباح LED عادي.

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

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

فعلى سبيل المثال، يُستخدم ONNX غالبًا في مسارات عمل التكميم لتوافقه مع مجموعة واسعة من الأدوات والمنصات. أما TensorRT، فهو محسّن بدرجة كبيرة لأجهزة NVIDIA ويدعم الاستدلال منخفض الدقة باستخدام INT8، مما يجعله مثاليًا للنشر عالي السرعة على وحدات GPU الطرفية.

حالات استخدام مؤثرة لتحسين نماذج Ultralytics YOLO#

مع استمرار توسع الرؤية الحاسوبية في تطبيقات واقعية متنوعة، تتيح نماذج YOLO المحسّنة تنفيذ مهام مثل اكتشاف الكائنات وتقسيم المثيلات وتتبع الكائنات على عتاد أصغر وأسرع. بعد ذلك، سنناقش حالتي استخدام يجعل فيهما التقليم والتكميم مهام الرؤية الحاسوبية هذه أكثر كفاءة وعملية.

المراقبة الذكية المدعومة بـ Ultralytics YOLO11#

تعتمد العديد من المنشآت الصناعية، وكذلك الأماكن العامة، على المراقبة الآنية للحفاظ على السلامة والأمن. وتحتاج أماكن مثل محطات النقل ومواقع التصنيع والمنشآت الخارجية الكبيرة إلى أنظمة ذكاء اصطناعي للرؤية تستطيع اكتشاف الأشخاص أو المركبات بسرعة ودقة. وغالبًا ما تعمل هذه المواقع باتصال محدود وضمن قيود عتادية، ما يصعّب نشر النماذج الكبيرة.

في مثل هذه الحالات، يُعد نموذج ذكاء اصطناعي للرؤية محسّن مثل Ultralytics YOLO11 حلًا ممتازًا. فحجمه الصغير وأداءه السريع يجعلان تشغيله مثاليًا على الأجهزة الطرفية منخفضة الطاقة، مثل الكاميرات المدمجة أو المستشعرات الذكية. ويمكن لهذه النماذج معالجة البيانات المرئية مباشرةً على الجهاز، ما يتيح اكتشاف مخالفات السلامة أو الدخول غير المصرح به أو الأنشطة غير المعتادة آنيًا، دون الاعتماد على اتصال دائم 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 الإيقاع وغير متوقعة، تعج بالآلات الثقيلة والعمال المتحركين والنشاط المستمر. وقد تتغير الظروف بسرعة بسبب تبدل الجداول أو حركة المعدات أو حتى التغيرات المفاجئة في الطقس. وفي مثل هذه البيئة الديناميكية، قد تبدو سلامة العمال تحديًا مستمرًا.

تؤدي المراقبة الآنية دورًا بالغ الأهمية، لكن الأنظمة التقليدية تعتمد غالبًا على الاتصال بالسحابة أو العتاد باهظ التكلفة، ما قد لا يكون عمليًا في الموقع. وهنا يمكن لنماذج مثل Ultralytics YOLO11 أن تحدث أثرًا ملموسًا. إذ يمكن تحسين YOLO11 ليعمل على أجهزة طرفية صغيرة وفعالة تعمل مباشرةً في الموقع دون الحاجة إلى اتصال بالإنترنت.

على سبيل المثال، تخيل موقع بناء كبيرًا، مثل مشروع توسعة طريق سريع يمتد على عدة أفدنة. في هذا النوع من المواقع، قد يكون تتبع كل مركبة أو قطعة من المعدات يدويًا صعبًا ويستغرق وقتًا طويلًا. ويمكن لطائرة مسيّرة مزودة بكاميرا ونموذج Ultralytics YOLO11 محسّن أن تساعد على اكتشاف المركبات وتتبعها تلقائيًا، ومراقبة حركة المرور، وتحديد مشكلات السلامة مثل الدخول غير المصرح به أو القيادة غير الآمنة.

الشكل 5. تحليل صور طائرة مسيّرة 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:

• نشر منخفض التكلفة: يمكن للنماذج الأصغر والأكثر كفاءة أن تقلل الحاجة إلى العتاد الباهظ وعالي الأداء، ما يجعل الذكاء الاصطناعي أكثر سهولة في الاستخدام وقابلية للتوسع في حالات استخدام مختلفة.
• زمن استجابة أقل: من خلال تبسيط بنية النموذج وتقليل العبء الحسابي، يمكن لهذه التقنيات المساعدة على تحقيق أوقات استجابة أسرع في التطبيقات الآنية.
• كفاءة الطاقة: يؤدي تقليل العبء الحسابي أيضًا إلى خفض استهلاك الطاقة، وهو أمر مفيد خصوصًا للأنظمة التي تعمل بالبطاريات أو الأنظمة المحمولة.

على الرغم من المزايا العديدة للتقليم والتكميم، فإنهما ينطويان أيضًا على بعض التنازلات التي ينبغي للمطورين مراعاتها عند تحسين النماذج. وفيما يلي بعض القيود التي يجب أخذها في الحسبان:

• التنازل عن الدقة: إذا كان التقليم مفرطًا أو استُخدم تكميم بعدد قليل جدًا من البتات، فقد تنخفض دقة النموذج، التي تُقاس بمقاييس مثل mAP.
• قيود العتاد: لا تدعم جميع الأجهزة الصيغ منخفضة الدقة مثل INT8 بالقدر نفسه من الكفاءة. وقد يقيّد ذلك أماكن نشر النموذج المحسّن وكيفيته.
• تعقيد التنفيذ: غالبًا ما يتطلب تحقيق نتائج جيدة ضبطًا دقيقًا يراعي خصوصية كل نموذج. وقد يحتاج المطورون إلى إعادة تدريب النموذج وإجراء اختبارات مكثفة للحفاظ على الأداء مع تحسين الكفاءة.

أبرز النقاط#

يُعد التقليم والتكميم تقنيتين مفيدتين تساعدان نماذج YOLO على العمل بشكل أفضل على الأجهزة الطرفية. فهما تقللان حجم النموذج واحتياجاته الحاسوبية وتسرّعان التنبؤات، مع خسارة طفيفة في الدقة عادةً.

تمنح أساليب التحسين هذه المطورين أيضًا مرونة تكييف النماذج مع أنواع مختلفة من العتاد دون الحاجة إلى إعادة بنائها بالكامل. ومع بعض الضبط والاختبار، يصبح تطبيق الذكاء الاصطناعي للرؤية في المواقف الواقعية أسهل.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. هل أنت مستعد لبدء مشروعاتك في الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. اكتشف الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي للرؤية في الرعاية الصحية بزيارة صفحات حلولنا!