انشر Ultralytics YOLO11 بسلاسة باستخدام OpenVINO™

يعتمد تبني الذكاء الاصطناعي على سهولة الوصول إلى حلوله، ويكمن جانب كبير من ذلك في تسهيل نشرها على الأجهزة المتاحة بالفعل للمستخدمين. ويُعد تشغيل نماذج الذكاء الاصطناعي على وحدات معالجة الرسومات (GPUs) خيارًا رائعًا من حيث الأداء وقدرة المعالجة المتوازية.

لكن الواقع أن وحدات معالجة الرسومات (GPUs) المتطورة ليست متاحة للجميع، ولا سيما في البيئات الطرفية أو على الحواسيب المحمولة المستخدمة يوميًا. ولهذا تبرز أهمية تحسين النماذج لتعمل بكفاءة على الأجهزة الأوسع انتشارًا، مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية (NPUs).

الرؤية الحاسوبية، على سبيل المثال، فرع من الذكاء الاصطناعي يتيح للآلات تحليل الصور ومقاطع الفيديو وفهمها في الوقت الفعلي. وتدعم نماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics YOLO11 مهامًا أساسية مثل اكتشاف الأجسام وتقسيم الكائنات، وهي مهام تشغّل تطبيقات تتراوح بين تحليلات تجارة التجزئة والتشخيص الطبي.

الشكل 1. استخدام Ultralytics YOLO11 لاكتشاف الأجسام وتقسيمها في متجر بيع بالتجزئة.

لتسهيل إتاحة الرؤية الحاسوبية على نطاق أوسع، أصدرت Ultralytics تكاملًا محدّثًا مع مجموعة أدوات OpenVINO، وهي مشروع مفتوح المصدر لتحسين استدلال الذكاء الاصطناعي وتشغيله عبر وحدات CPU وGPU وNPU.

يسهّل هذا التكامل تصدير نماذج YOLO11 ونشرها، مع استدلال أسرع بما يصل إلى 3× على وحدات CPU وأداء مُسرّع على وحدات GPU وNPU من Intel. في هذه المقالة، سنشرح كيفية استخدام حزمة Ultralytics Python لتصدير نماذج YOLO11 إلى تنسيق OpenVINO واستخدامه للاستدلال.

لمحة عامة عن Ultralytics YOLO11#

قبل التعمق في تفاصيل تكامل OpenVINO الذي تدعمه Ultralytics، دعونا نلقِ نظرة عن كثب على ما يجعل YOLO11 نموذجًا موثوقًا وفعالًا للرؤية الحاسوبية. كان YOLO11 أحدث نموذج في سلسلة Ultralytics YOLO وقت كتابة هذه المقالة (وقد خلفه لاحقًا Ultralytics YOLO26)، وقدم تحسينات ملحوظة في السرعة والدقة.

تُعد الكفاءة من أبرز مزاياه. فعلى سبيل المثال، يحتوي YOLO11m من Ultralytics على معلمات أقل بنسبة 22% من Ultralytics YOLOv8m، ومع ذلك يحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO. وهذا يعني أنه يعمل بسرعة أكبر ويكتشف الأجسام بدقة أعلى، ما يجعله مثاليًا للتطبيقات الآنية التي يكون فيها الأداء وسرعة الاستجابة أمرين حاسمين.

الشكل 2. معايير أداء Ultralytics YOLO11.

إلى جانب اكتشاف الأجسام، يدعم YOLO11 مجموعة متنوعة من مهام الرؤية الحاسوبية المتقدمة، مثل تجزئة المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة وتتبع الأجسام. كما أن YOLO11 ملائم للمطورين، إذ توفر حزمة Ultralytics Python واجهة بسيطة ومتسقة لتدريب النماذج وتقييمها ونشرها.

بالإضافة إلى ذلك، تدعم حزمة Ultralytics Python مجموعة متنوعة من عمليات التكامل وتنسيقات التصدير المتعددة، بما في ذلك OpenVINO وONNX وTorchScript، ما يتيح دمج YOLO11 بسهولة في مسارات النشر المختلفة. سواء كنت تستهدف البنية التحتية السحابية أو الأجهزة الطرفية أو الأنظمة المضمنة، فإن عملية التصدير مباشرة وقابلة للتكيّف مع احتياجات العتاد لديك.

ما OpenVINO™؟#

OpenVINO™ (الاستدلال البصري المفتوح وتحسين الشبكات العصبية) مجموعة أدوات مفتوحة المصدر لتحسين استدلال الذكاء الاصطناعي ونشره على نطاق واسع من الأجهزة. وهي تمكّن المطورين من تشغيل تطبيقات استدلال عالية الأداء بكفاءة عبر منصات Intel المختلفة، بما في ذلك وحدات CPU ووحدات GPU المدمجة والمنفصلة ووحدات NPU ومصفوفات البوابات المنطقية القابلة للبرمجة ميدانيًا (FPGAs).

يوفر OpenVINO واجهة تشغيل موحّدة تُجرّد الاختلافات بين الأجهزة من خلال إضافات خاصة بكل جهاز. وهذا يعني أن المطورين يستطيعون كتابة الشيفرة مرة واحدة ونشرها على عدة أهداف من أجهزة Intel باستخدام API موحّدة.

فيما يلي بعض الميزات الأساسية التي تجعل OpenVINO خيارًا ممتازًا للنشر:

• محوّل النماذج: تحوّل هذه الأداة النماذج من أطر العمل الشائعة مثل PyTorch وONNX وTensorFlow وPaddlePaddle وغيرها، وتُعِدّها لتحسينها بما يتيح استدلالًا فعالًا على أجهزة Intel.
• التنفيذ غير المتجانس: لست بحاجة إلى إعادة كتابة شيفرتك لتناسب أجهزة Intel المختلفة. يسهّل OpenVINO تشغيل النموذج نفسه على أي جهاز مدعوم، من وحدات CPU إلى وحدات GPU.
• دعم التكميم: تدعم مجموعة الأدوات تنسيقات الدقة المخفّضة مثل FP16 (افتراضيًا) وINT8، ما يساعد على تقليل حجم النموذج وتسريع الاستدلال دون التأثير كثيرًا في الدقة.

الشكل 3. يتيح OpenVINO خيارات نشر متنوعة.

استكشاف تكامل Ultralytics وOpenVINO#

بعد أن استعرضنا ماهية OpenVINO وأهميته، لنناقش كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق OpenVINO وتشغيل استدلال فعال على أجهزة Intel.

الخطوة 1: تثبيت حزمة Ultralytics Python#

لتصدير نموذج إلى تنسيق OpenVINO، ستحتاج أولًا إلى تثبيت حزمة Ultralytics Python. توفر هذه الحزمة كل ما تحتاج إليه لتدريب نماذج YOLO وتقييمها وتصديرها، بما في ذلك YOLO11.

يمكنك تثبيتها بتشغيل الأمر pip install ultralytics في الطرفية أو موجه الأوامر. وإذا كنت تعمل في بيئة تفاعلية مثل Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر.

كذلك، إذا واجهت أي مشكلات أثناء التثبيت أو التصدير، فإن وثائق Ultralytics وأدلة استكشاف الأخطاء وإصلاحها مصادر مفيدة تساعدك على متابعة العمل.

الخطوة 2: تصدير نموذج Ultralytics YOLO11 إلى تنسيق OpenVINO#

بعد إعداد حزمة Ultralytics، تتمثل الخطوة التالية في تحميل نموذج YOLO11 وتحويله إلى تنسيق متوافق مع OpenVINO.

في المثال أدناه، نستخدم نموذج YOLO11 مُدرّبًا مسبقًا (”yolo11n.pt“). وتُستخدم وظيفة التصدير لتحويله إلى تنسيق OpenVINO. بعد تشغيل هذه الشيفرة، سيُحفَظ النموذج المحوّل في دليل جديد باسم ”yolo11n_openvino_model“.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="openvino")

الخطوة 3: تشغيل الاستدلال باستخدام النموذج المُصدّر#

بعد تصدير نموذج YOLO11 إلى تنسيق OpenVINO، يمكنك تشغيل الاستدلال بإحدى طريقتين: باستخدام حزمة Ultralytics Python أو بيئة تشغيل OpenVINO الأصلية.

استخدام حزمة Ultralytics Python#

يمكن نشر نموذج YOLO11 المُصدّر بسهولة باستخدام حزمة Ultralytics Python، كما هو موضح في مقتطف الشيفرة أدناه. هذه الطريقة مثالية للتجارب السريعة والنشر المبسّط على أجهزة Intel.

يمكنك أيضًا تحديد الجهاز الذي تريد استخدامه للاستدلال، مثل "intel:cpu" أو "intel:gpu" أو "intel:npu"، وفقًا لأجهزة Intel المتاحة في نظامك.

ov_model = YOLO("yolo11n_openvino_model/")
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")

لحفظ صورة الإخراج المُعلّمة في الدليل "runs/detect/predict"، أضف save=True إلى استدعاء الاستدلال.

الشكل 4. استخدام نموذج Ultralytics YOLO11 المُصدّر لاكتشاف الأجسام في صورة.

استخدام بيئة تشغيل OpenVINO الأصلية#

إذا كنت تبحث عن طريقة قابلة للتخصيص لتشغيل الاستدلال، خصوصًا في بيئات الإنتاج، فإن بيئة تشغيل OpenVINO تمنحك تحكمًا أكبر في كيفية تنفيذ النموذج. وهي تدعم ميزات متقدمة مثل التنفيذ غير المتزامن (تشغيل طلبات استدلال متعددة بالتوازي) وموازنة الأحمال (توزيع أحمال الاستدلال بكفاءة على أجهزة Intel).

لاستخدام بيئة التشغيل الأصلية، ستحتاج إلى ملفات النموذج المُصدّر: ملف .xml (يحدّد بنية الشبكة) وملف .bin (يخزّن أوزان النموذج المدرّبة). يمكنك أيضًا ضبط معلمات إضافية مثل أبعاد الإدخال أو خطوات المعالجة المسبقة وفقًا لتطبيقك.

يتضمن مسار النشر المعتاد تهيئة نواة OpenVINO، وتحميل النموذج وتجميعه للجهاز المستهدف، وإعداد المُدخل، وتنفيذ الاستدلال. للاطلاع على أمثلة مفصلة وإرشادات خطوة بخطوة، راجع وثائق Ultralytics OpenVINO الرسمية أو درس Ultralytics Academy حول تشغيل OpenVINO على CPU.

لماذا تختار تكامل Ultralytics وOpenVINO؟#

أثناء استكشاف تكاملات Ultralytics، ستلاحظ أن حزمة Ultralytics Python تدعم تصدير نماذج YOLO11 إلى تنسيقات متعددة مثل TorchScript وCoreML وTensorRT وONNX. فلماذا تختار تكامل OpenVINO؟

فيما يلي بعض الأسباب التي تجعل تنسيق تصدير OpenVINO مناسبًا جدًا لنشر النماذج على أجهزة Intel:

• تحسينات الأداء: يمكنك تحقيق استدلال أسرع بما يصل إلى 3× على وحدات CPU من Intel، مع إمكانية تسريع إضافي على وحدات GPU المدمجة ووحدات NPU.
• لا حاجة إلى إعادة التدريب: يمكنك تصدير نماذج Ultralytics YOLO11 الحالية مباشرةً إلى تنسيق OpenVINO دون تعديلها أو إعادة تدريبها.
• مصمم للتوسع: يمكن نشر النموذج المُصدّر نفسه على الأجهزة الطرفية منخفضة الطاقة وعلى البنية التحتية السحابية واسعة النطاق، ما يبسّط نشر الذكاء الاصطناعي القابل للتوسع.

يمكنك أيضًا تقييم معايير أداء نموذج Ultralytics YOLO11 على مجموعة من منصات Intel® عبر OpenVINO™ Model Hub. يُعد OpenVINO Model Hub موردًا يتيح للمطورين تقييم نماذج الذكاء الاصطناعي على أجهزة Intel واكتشاف ميزة أداء OpenVINO عبر وحدات CPU من Intel ووحدات GPU المدمجة ووحدات NPU ووحدات معالجة الرسومات المنفصلة.

الشكل 5. OpenVINO™ Model Hub: معايير أداء نموذج Ultralytics YOLO11 على مجموعة من منصات Intel®.

تطبيقات Ultralytics YOLO11 وتنسيق التصدير OpenVINO#

بفضل تكامل OpenVINO، يصبح نشر نماذج Ultralytics YOLO11 على أجهزة Intel في ظروف العالم الحقيقي أسهل بكثير.

يُعد البيع بالتجزئة الذكي مثالًا ممتازًا؛ إذ يمكن لـ Ultralytics YOLO11 المساعدة في اكتشاف الرفوف الفارغة آنيًا، وتتبع المنتجات التي توشك على النفاد، وتحليل حركة العملاء داخل المتجر. وهذا يمكّن تجار التجزئة من تحسين إدارة المخزون وتخطيط المتاجر لتعزيز تفاعل المتسوقين.

وبالمثل، يمكن استخدام YOLO11 في المدن الذكية لمراقبة حركة المرور عبر عدّ المركبات وتتبع المشاة واكتشاف مخالفات تجاوز الإشارة الحمراء آنيًا. ويمكن لهذه الرؤى أن تدعم تحسين انسيابية المرور، وتعزيز السلامة على الطرق، والمساعدة في أنظمة إنفاذ القوانين المؤتمتة.

الشكل 6. عدّ المركبات باستخدام YOLO11.

ومن حالات الاستخدام الأخرى المثيرة للاهتمام الفحص الصناعي، حيث يمكن نشر Ultralytics YOLO11 على خطوط الإنتاج لاكتشاف العيوب المرئية تلقائيًا، مثل المكونات المفقودة أو عدم المحاذاة أو تلف الأسطح. وهذا يعزز الكفاءة ويخفض التكاليف ويدعم تحسين جودة المنتجات.

عوامل أساسية ينبغي مراعاتها عند استخدام مجموعة أدوات OpenVINO#

عند نشر نماذج Ultralytics YOLO11 باستخدام OpenVINO، إليك بعض الأمور المهمة التي يجدر مراعاتها لتحقيق أفضل النتائج:

• تحقق من توافق الأجهزة: تأكد من أن أجهزة Intel لديك، سواء أكانت CPU أم GPU مدمجًا أم NPU، مدعومة في OpenVINO حتى يعمل النموذج بكفاءة.
• ثبّت برامج التشغيل المناسبة: إذا كنت تستخدم وحدات GPU أو NPU من Intel، فتحقق من تثبيت جميع برامج التشغيل المطلوبة على نحو صحيح ومن تحديثها.
• فهم المفاضلات بين الدقة: يدعم OpenVINO دقات النماذج FP32 وFP16 وINT8، ويمكنك تحديد إحداها عند التصدير باستخدام الوسيطة quantize (مثلًا quantize="int8"). ولكل خيار مفاضلة بين السرعة والدقة، لذا من المهم اختيار الخيار المناسب استنادًا إلى أهداف الأداء والعتاد المتاح.

أبرز النقاط#

يُسهّل تصدير Ultralytics YOLO11 إلى تنسيق OpenVINO تشغيل نماذج ذكاء اصطناعي بصري سريعة وفعالة على أجهزة Intel. يمكنك النشر على وحدات CPU وGPU وNPU دون الحاجة إلى إعادة التدريب أو تغيير الشيفرة. إنها طريقة ممتازة لتعزيز الأداء مع الحفاظ على البساطة وقابلية التوسع.

بفضل الدعم المدمج في حزمة Ultralytics Python، يصبح تصدير النماذج وتشغيل الاستدلال باستخدام OpenVINO أمرًا مباشرًا. وفي بضع خطوات فقط، يمكنك تحسين نموذجك وتشغيله على مجموعة متنوعة من منصات Intel. سواء أكنت تعمل على البيع بالتجزئة الذكي أم مراقبة حركة المرور أم الفحص الصناعي، يساعدك هذا المسار على الانتقال من التطوير إلى النشر بسرعة وثقة.

انضم إلى مجتمع YOLO واطّلع على مستودع GitHub الخاص بـ Ultralytics لمعرفة المزيد عن عمليات التكامل التي تدعمها Ultralytics. وألقِ نظرة أيضًا على خيارات الترخيص لدى Ultralytics للبدء في استخدام الرؤية الحاسوبية اليوم!

تفضل بزيارة موقع OpenVINO لاستكشاف أدوات تحسين الذكاء الاصطناعي ونشره على نطاق واسع.