التقليم والتكميم في الرؤية الحاسوبية: دليل سريع

تزداد شيوعاً أجهزة الحافة (edge devices) مع تقدم التكنولوجيا. فبدءاً من الساعات الذكية التي تتعقب معدل ضربات قلبك وصولاً إلى الطائرات بدون طيار التي تراقب الشوارع، يمكن لأنظمة الحافة معالجة البيانات في الوقت الفعلي محلياً داخل الجهاز نفسه.

هذه الطريقة غالبًا ما تكون أسرع وأكثر أمانًا من إرسال البيانات إلى السحابة، خاصة للتطبيقات التي تتضمن بيانات شخصية، مثل اكتشاف لوحات السيارات أو تتبع الإيماءات. هذه أمثلة على computer vision، وهو فرع من الذكاء الاصطناعي (AI) يُمكّن الآلات من تفسير وفهم المعلومات المرئية.

الشكل 1. مثال على اكتشاف لوحات السيارات. (Source)

مع ذلك، هناك اعتبار مهم وهو أن هذه التطبيقات تتطلب نماذج ذكاء اصطناعي للرؤية قادرة على التعامل مع الحسابات الثقيلة، واستخدام الحد الأدنى من الموارد، والعمل بشكل مستقل. معظم computer vision models مُطورة للأنظمة عالية الأداء، مما يجعلها أقل ملاءمة للنشر المباشر على الأجهزة الطرفية.

لسد هذه الفجوة، غالباً ما يطبق المطورون تحسينات مستهدفة تكيّف النموذج ليعمل بكفاءة على أجهزة أصغر. هذه التعديلات ضرورية لعمليات النشر الواقعية على الحافة، حيث تكون الذاكرة وقوة المعالجة محدودة.

ومن المثير للاهتمام أن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مُصممة مسبقًا مع وضع كفاءة الأجهزة الطرفية في الاعتبار، مما يجعلها رائعة للمهام في الوقت الفعلي. ومع ذلك، يمكن تحسين أداؤها بشكل أكبر باستخدام تقنيات تحسين النماذج مثل التقليم (pruning) والتكميم (quantization)، مما يتيح استنتاجًا أسرع واستخدامًا أقل للموارد على الأجهزة المقيّدة.

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

التقليم والتكميم: تقنيات أساسية في تحسين النماذج#

عند إعداد نماذج الذكاء الاصطناعي للرؤية للنشر على أجهزة الحافة، أحد الأهداف الرئيسية هو جعل النموذج خفيف الوزن وموثوقاً دون التضحية بالأداء. يتضمن ذلك غالباً تقليل حجم النموذج والمتطلبات الحسابية ليعمل بكفاءة على الأجهزة ذات الذاكرة أو الطاقة أو سعة المعالجة المحدودة. هناك طريقتان شائعتان للقيام بذلك هما التقليم والتكميم.

التقليم (Pruning) هو تقنية model optimization للذكاء الاصطناعي تساعد في جعل الشبكات العصبية أصغر حجمًا وأكثر كفاءة. في كثير من الحالات، لا تساهم أجزاء من النموذج، مثل اتصالات أو عقد معينة، بشكل كبير في تنبؤاته النهائية. يعمل التقليم عن طريق تحديد وإزالة هذه الأجزاء الأقل أهمية، مما يقلل من حجم النموذج ويسرع أداءه.

من ناحية أخرى، التكميم هو تقنية تحسين تقلل من دقة الأرقام التي يستخدمها النموذج. بدلاً من الاعتماد على أرقام الفاصلة العائمة عالية الدقة ذات 32 بت، يتحول النموذج إلى تنسيقات أصغر وأكثر كفاءة مثل الأعداد الصحيحة ذات 8 بت. يساعد هذا التغيير في خفض استخدام الذاكرة وتسريع الاستنتاج، وهي العملية التي يقوم فيها النموذج بإجراء التنبؤات.

الشكل 2. نظرة على التقليم والتكميم. (Source)

كيف يعمل التقليم والتكميم#

الآن وبعد أن أصبح لدينا فهم أفضل لماهية pruning والتكميم، دعنا نوضح كيف يعمل كلاهما.

يتم التقليم باستخدام عملية تُعرف بتحليل الحساسية. فهي تحدد أي أجزاء من نماذج الشبكة العصبية، مثل أوزان أو عصبونات أو قنوات معينة، تساهم بأقل قدر في التنبؤ النهائي للمخرجات. يمكن إزالة هذه الأجزاء بأقل تأثير على الدقة. بعد التقليم، عادة ما يتم إعادة تدريب النموذج لضبط أدائه بدقة. يمكن تكرار هذه الدورة للعثور على التوازن الصحيح بين الحجم والدقة.

وفي الوقت نفسه، يركز model quantization على كيفية معالجة النموذج للبيانات. يبدأ بالمعايرة، حيث يعمل النموذج على بيانات نموذجية لتعلم نطاق القيم التي يحتاج إلى معالجتها. يتم بعد ذلك تحويل هذه القيم من الفاصلة العائمة 32-bit إلى تنسيقات ذات دقة أقل مثل الأعداد الصحيحة 8-bit.

الشكل 3. يساعد التكميم في تقليل حجم النموذج وتعقيده. (Source)

هناك العديد من الأدوات المتاحة التي تسهل استخدام التقليم والتكميم في مشاريع الذكاء الاصطناعي الواقعية. تتضمن معظم أطر عمل الذكاء الاصطناعي، مثل PyTorch وTensorFlow، دعماً مدمجاً لتقنيات التحسين هذه، مما يسمح للمطورين بدمجها مباشرة في عملية نشر النموذج.

بمجرد تحسين النموذج، يمكن لأدوات مثل ONNX Runtime المساعدة في تشغيله بكفاءة عبر منصات أجهزة متنوعة مثل الخوادم وأجهزة سطح المكتب وأجهزة الحافة. أيضاً، تقدم Ultralytics تكاملات تسمح بتصدير نماذج YOLO بتنسيقات مناسبة للتكميم، مما يسهل تقليل حجم النموذج وتعزيز الأداء.

نظرة عامة على تحسين نموذج Ultralytics YOLO#

تُعرف نماذج Ultralytics YOLO مثل YOLO11 على نطاق واسع باكتشافها السريع للأجسام في خطوة واحدة، مما يجعلها مثالية لمهام vision AI tasks في الوقت الفعلي. وهي مصممة بالفعل لتكون خفيفة الوزن وفعالة بما يكفي للنشر على الأجهزة الطرفية. ومع ذلك، لا تزال الطبقات المسؤولة عن معالجة الميزات المرئية، والتي تسمى الطبقات التلافيفية (convolutional layers)، تتطلب قوة حوسبة معتبرة أثناء الاستنتاج.

قد تتساءل: إذا كان نموذج Ultralytics YOLO11 مُحسَّناً بالفعل للاستخدام على الأجهزة الطرفية، فلماذا يحتاج إلى مزيد من التحسين؟ ببساطة، ليس كل الأجهزة الطرفية متطابقة. فبعضها يعمل على عتاد ضئيل للغاية، مثل المعالجات المضمنة الدقيقة التي تستهلك طاقة أقل من مصباح الإضاءة القياسي.

في هذه الحالات، حتى نموذج مبسط مثل Ultralytics YOLO11 يحتاج إلى تحسين إضافي لضمان أداء سلس وموثوق. تساعد تقنيات مثل التقليم (pruning) والكمية (quantization) في تقليص حجم النموذج وتسريع الاستدلال دون التأثير بشكل كبير على الدقة، مما يجعلها مثالية لمثل هذه البيئات المتقيدة.

لتسهيل تطبيق تقنيات التحسين هذه، تدعم Ultralytics العديد من integrations التي يمكن استخدامها لتصدير نماذج YOLO إلى تنسيقات متعددة مثل ONNX وTensorRT وOpenVINO وCoreML وPaddlePaddle. تم تصميم كل تنسيق ليعمل بشكل جيد مع أنواع محددة من الأجهزة وبيئات النشر.

على سبيل المثال، غالباً ما يُستخدم ONNX في سير عمل التكميم نظراً لتوافقه مع مجموعة واسعة من الأدوات والمنصات. من ناحية أخرى، تم تحسين TensorRT بدرجة عالية لأجهزة NVIDIA ويدعم استنتاجاً منخفض الدقة باستخدام INT8، مما يجعله مثالياً للنشر عالي السرعة على وحدات معالجة الرسومات (GPU) على الحافة.

حالات استخدام مؤثرة لتحسين نموذج Ultralytics YOLO#

مع استمرار توسع الرؤية الحاسوبية في تطبيقات واقعية مختلفة، تجعل نماذج YOLO المحسنة من الممكن تشغيل مهام مثل اكتشاف الأجسام، وتجزئة المثيلات، وتتبع الأجسام على أجهزة أصغر وأسرع. بعد ذلك، دعنا نناقش حالتين من حالات الاستخدام حيث يجعل التقليم والتكميم مهام الرؤية الحاسوبية هذه أكثر كفاءة وعملية.

المراقبة الذكية المدعومة بواسطة Ultralytics YOLO11#

تعتمد العديد من المساحات الصناعية، وكذلك المناطق العامة، على المراقبة في الوقت الفعلي للبقاء آمنة ومحمية. تحتاج أماكن مثل محطات العبور، ومواقع التصنيع، والمرافق الخارجية الكبيرة إلى أنظمة ذكاء اصطناعي للرؤية يمكنها اكتشاف الأشخاص أو المركبات بسرعة وبدقة. غالباً ما تعمل هذه المواقع مع اتصال محدود وقيود في الأجهزة، مما يجعل من الصعب نشر نماذج كبيرة.

في مثل هذه الحالات، يُعد نموذج الرؤية الحاسوبية المُحسّن مثل Ultralytics YOLO11 حلاً رائعاً. فحجمه المدمج وأداؤه السريع يجعلاه مثالياً للتشغيل على أجهزة الحافة منخفضة الطاقة، مثل الكاميرات المضمنة أو المستشعرات الذكية. يمكن لهذه النماذج معالجة البيانات المرئية مباشرة على الجهاز، مما يتيح الكشف في الوقت الفعلي عن انتهاكات السلامة، أو الوصول غير المصرح به، أو النشاط غير الطبيعي، دون الاعتماد على الاتصال المستمر بالساحبة (السحابة).

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

تعزيز الأمان في مواقع البناء باستخدام Ultralytics YOLO11#

Construction sites هي بيئات متسارعة وغير متوقعة، مليئة بالآلات الثقيلة، والعمال المتحركين، والنشاط المستمر. يمكن أن تتغير الظروف بسرعة بسبب الجداول الزمنية المتغيرة، أو حركة المعدات، أو حتى التغيرات المفاجئة في الطقس. في مثل هذه البيئة الديناميكية، يمكن أن تبدو سلامة العمال تحديًا مستمرًا.

تلعب المراقبة في الوقت الفعلي دورًا حاسمًا، لكن الأنظمة التقليدية تعتمد غالبًا على الوصول إلى السحابة أو الأجهزة باهظة الثمن التي قد لا تكون عملية في الموقع. وهنا تكمن أهمية نماذج مثل Ultralytics YOLO11. يمكن تحسين YOLO11 ليعمل على أجهزة طرفية صغيرة وفعالة تعمل مباشرة في الموقع دون الحاجة إلى اتصال بالإنترنت.

على سبيل المثال، ضع في اعتبارك موقع بناء كبيراً כتوسعة طريق سريع يمتد على مساحة عدة فدان. في هذا النوع من البيئات، قد يكون تتبع كل مركبة أو قطعة معدات يدوياً أمراً صعباً ويستغرق وقتاً طويلاً. يمكن لطائرة بدون طيار (درون) مجهزة بكاميرة ونموذج Ultralytics YOLO11 المُحسّن المساعدة من خلال الكشف التلقائي عن المركبات وتتبعها، ومراقبة تدفق حركة المرور، وتحديد مشكلات السلامة مثل الوصول غير المصرح به أو سلوك القيادة غير الآمن.

الشكل 5. تحليل صور الطائرات بدون طيار من موقع البناء. (Source)

إيجابيات وسلبيات التقليم والتكميم في الرؤية الحاسوبية#

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

• نشر فعال من حيث التكلفة: يمكن للنماذج الأصغر والأكثر كفاءة أن تقلل الحاجة إلى أجهزة متطورة باهظة الثمن، مما يجعل الذكاء الاصطناعي أكثر سهولة وقابلية للتوسع عبر حالات الاستخدام المختلفة.
• زمن انتقال أقل: من خلال تبسيط بنية النموذج وتقليل النفقات الحسابية، يمكن أن تساعد هذه التقنيات في تحقيق أوقات استجابة أسرع في التطبيقات ذات الوقت الفعلي.
• كفاءة الطاقة: يؤدي تقليل الحمل الحسابي أيضاً إلى خفض استهلاك الطاقة، وهو أمر مفيد بشكل خاص للأنظمة التي تعمل بالبطارية أو الأنظمة المتنقلة.

في حين أن التقليم والتكميم يوفران العديد من المزايا، فإنهما يأتيان أيضاً مع مقايضات معينة يجب على المطورين مراعاتها عند تحسين النماذج. فيما يلي بعض القيود التي يجب وضعها في الاعتبار:

• Accuracy trade-offs: إذا كان التقليم عدوانيًا للغاية أو إذا تم استخدام تكميم منخفض الدقة للغاية، فقد تنخفض دقة النموذج، التي تُقاس بمقاييس مثل mAP.
• قيود الأجهزة: لا تدعم جميع الأجهزة التنسيقات منخفضة الدقة مثل INT8 بنفس الكفاءة. هذا يمكن أن يقيد مكان وكيفية نشر النموذج المحسن.
• تعقيد التنفيذ: غالباً ما يتطلب تحقيق نتائج جيدة ضبطاً دقيقاً خاصاً بالنموذج. قد يحتاج المطورون إلى إعادة تدريب النموذج وإجراء اختبارات مكثفة للحفاظ على الأداء مع تحسين الكفاءة.

أبرز النقاط#

التقليم والتكميم تقنيات مفيدة تساعد نماذج YOLO على الأداء بشكل أفضل على أجهزة الحافة. إنها تقلل من حجم النموذج، وتخفض احتياجاته الحسابية، وتسرع التنبؤات، كل ذلك دون خسارة ملحوظة في الدقة.

تمنح طرق التحسين هذه المطورين أيضاً المرونة لتكييف النماذج لأنواع مختلفة من الأجهزة دون الحاجة إلى إعادة بنائها بالكامل. مع بعض الضبط والاختبار، يصبح من الأسهل تطبيق الذكاء الاصطناعي للرؤية في المواقف الواقعية.

انضم إلى community المتنامية لدينا! استكشف مستودع GitHub repository الخاص بنا لمعرفة المزيد حول الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع الرؤية الحاسوبية الخاصة بك؟ تحقق من licensing options الخاصة بنا. اكتشف AI in agriculture ورؤية الذكاء الاصطناعي في الرعاية الصحية من خلال زيارة صفحة الحلول الخاصة بنا!