انشر Ultralytics YOLO11 بسلاسة باستخدام OpenVINO™

يعتمد تبني الذكاء الاصطناعي على مدى سهولة الوصول إلى حلوله، وجزء كبير من ذلك يكمن في تسهيل نشرها على الأجهزة التي يمتلكها المستخدمون بالفعل. يُعد تشغيل نماذج الذكاء الاصطناعي على وحدات معالجة الرسومات (GPUs) خياراً ممتازاً من حيث الأداء وقوة المعالجة المتوازية.

ومع ذلك، فإن الواقع هو أن ليس الجميع لديهم إمكانية الوصول إلى وحدات معالجة رسومات متطورة، خاصة في بيئات الحوسبة الطرفية (edge) أو على أجهزة الكمبيوتر المحمولة العادية. ولهذا السبب من المهم جداً تحسين النماذج لتعمل بكفاءة على الأجهزة الأكثر توفراً مثل وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات المدمجة، ووحدات المعالجة العصبية (NPUs).

الرؤية الحاسوبية، على سبيل المثال، هي فرع من فروع الذكاء الاصطناعي الذي يُمكّن الآلات من تحليل وفهم الصور ومقاطع الفيديو في الوقت الفعلي. تدعم نماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics YOLO11 مهاماً رئيسية مثل اكتشاف الكائنات وتجزئة المثيل، والتي تشغل تطبيقات تتراوح من تحليلات التجزئة إلى التشخيص الطبي.

الشكل 1. استخدام Ultralytics YOLO11 لاكتشاف وتجزئة الكائنات في متجر تجزئة.

لجعل الرؤية الحاسوبية أكثر سهولة في الوصول، أصدرت Ultralytics تكاملاً محدثاً مع مجموعة أدوات OpenVINO، وهو مشروع مفتوح المصدر لتحسين وتشغيل استدلال الذكاء الاصطناعي عبر وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، ووحدات المعالجة العصبية (NPUs).

مع هذا التكامل، أصبح من الأسهل تصدير ونشر نماذج YOLO11 مع استدلال أسرع بما يصل إلى 3 مرات على وحدات المعالجة المركزية (CPUs) وأداء متسارع على وحدات معالجة الرسومات (GPUs) ووحدات المعالجة العصبية (NPUs) من Intel. في هذه المقالة، سنشرح كيفية استخدام حزمة Python الخاصة بـ Ultralytics لتصدير نماذج YOLO11 إلى تنسيق OpenVINO واستخدامه للاستدلال. لنبدأ!

Link to this sectionنظرة عامة على Ultralytics YOLO11#

قبل الغوص في تفاصيل تكامل OpenVINO المدعوم من Ultralytics، دعونا نلقي نظرة فاحصة على ما يجعل YOLO11 نموذج رؤية حاسوبية موثوقاً ومؤثراً. يُعد YOLO11 أحدث نموذج في سلسلة Ultralytics YOLO، ويقدم تحسينات كبيرة في السرعة والدقة.

أحد أبرز ميزاته هي الكفاءة. على سبيل المثال، يحتوي Ultralytics YOLO11m على معاملات أقل بنسبة 22% من Ultralytics YOLOv8m، ومع ذلك فهو يحقق متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO. هذا يعني أنه يعمل بشكل أسرع ويكتشف الكائنات بدقة أكبر، مما يجعله مثالياً للتطبيقات في الوقت الفعلي حيث يكون الأداء والاستجابة أمراً بالغ الأهمية.

الشكل 2. مقاييس أداء Ultralytics YOLO11.

بعيداً عن اكتشاف الكائنات، يدعم YOLO11 العديد من مهام الرؤية الحاسوبية المتقدمة مثل تجزئة المثيل، وتقدير الوضع، وتصنيف الصور، وتتبع الكائنات، واكتشاف الصناديق المحيطة الموجهة. كما أن YOLO11 صديق للمطورين، حيث توفر حزمة Python الخاصة بـ Ultralytics واجهة بسيطة ومتسقة لتدريب النماذج وتقييمها ونشرها.

بالإضافة إلى ذلك، تدعم حزمة Python الخاصة بـ Ultralytics العديد من التكاملات وتنسيقات تصدير متعددة، بما في ذلك OpenVINO و ONNX و TorchScript، مما يسمح لك بدمج YOLO11 بسهولة في خطوط أنابيب نشر متنوعة. سواء كنت تستهدف البنية التحتية السحابية، أو الأجهزة الطرفية، أو الأنظمة المدمجة، فإن عملية التصدير مباشرة وقابلة للتكيف مع احتياجات أجهزتك.

Link to this sectionما هو OpenVINO™؟#

OpenVINO™ (اختصار لـ Open Visual Inference and Neural Network Optimization) هو مجموعة أدوات مفتوحة المصدر لتحسين ونشر استدلال الذكاء الاصطناعي عبر مجموعة واسعة من الأجهزة. وهي تمكّن المطورين من تشغيل تطبيقات استدلال عالية الأداء بكفاءة عبر منصات Intel المختلفة، بما في ذلك وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs) المدمجة والمنفصلة، ووحدات المعالجة العصبية (NPUs)، ومصفوفات البوابات المنطقية القابلة للبرمجة ميدانياً (FPGAs).

يوفر OpenVINO واجهة وقت تشغيل موحدة تعمل على تجريد الاختلافات بين الأجهزة من خلال مكونات إضافية خاصة بكل جهاز. هذا يعني أنه يمكن للمطورين كتابة الكود مرة واحدة والنشر عبر العديد من أهداف أجهزة Intel باستخدام واجهة برمجة تطبيقات (API) متسقة.

إليك بعض الميزات الرئيسية التي تجعل OpenVINO خياراً رائعاً للنشر:

• محول النماذج: تقوم هذه الأداة بتحويل وإعداد النماذج من أطر العمل الشهيرة مثل PyTorch و ONNX و TensorFlow و PaddlePaddle وغيرها، بحيث يمكن تحسينها لاستدلال فعال على أجهزة Intel.
• التنفيذ غير المتجانس: لا تحتاج إلى إعادة كتابة الكود الخاص بك لأجهزة Intel المختلفة. يجعل OpenVINO من السهل تشغيل نفس النموذج على أي جهاز مدعوم، من وحدات المعالجة المركزية (CPUs) إلى وحدات معالجة الرسومات (GPUs).
• دعم التكميم (Quantization): تدعم مجموعة الأدوات تنسيقات الدقة المنخفضة مثل FP16 (الافتراضي) و INT8، مما يساعد في تقليل حجم النموذج وتسريع الاستدلال دون التأثير بشكل كبير على الدقة.

الشكل 3. OpenVINO يتيح خيارات نشر متنوعة.

Link to this sectionاستكشاف تكامل Ultralytics x OpenVINO#

الآن بعد أن استكشفنا ما هو OpenVINO وأهميته، دعونا نناقش كيفية تصدير نماذج YOLO11 إلى تنسيق OpenVINO وتشغيل استدلال فعال على أجهزة Intel.

Link to this sectionالخطوة 1: تثبيت حزمة Ultralytics Python#

لتصدير نموذج إلى تنسيق OpenVINO، ستحتاج أولاً إلى تثبيت حزمة Python الخاصة بـ Ultralytics. توفر هذه الحزمة كل ما تحتاجه لتدريب نماذج YOLO وتقييمها وتصديرها، بما في ذلك YOLO11.

يمكنك تثبيتها عن طريق تشغيل الأمر "pip install ultralytics" في محطتك أو موجه الأوامر. إذا كنت تعمل في بيئة تفاعلية مثل Jupyter Notebook أو Google Colab، فما عليك سوى إضافة علامة تعجب قبل الأمر.

أيضاً، إذا واجهت أي مشاكل أثناء التثبيت أو أثناء التصدير، فإن وثائق Ultralytics وأدلة استكشاف الأخطاء وإصلاحها هي موارد رائعة لمساعدتك على العودة إلى المسار الصحيح.

Link to this sectionالخطوة 2: تصدير نموذج YOLO11 الخاص بك إلى تنسيق OpenVINO#

بمجرد إعداد حزمة Ultralytics، فإن الخطوة التالية هي تحميل نموذج YOLO11 الخاص بك وتحويله إلى تنسيق متوافق مع OpenVINO.

في المثال أدناه، نستخدم نموذج YOLO11 مدرباً مسبقاً (“yolo11n.pt”). تُستخدم وظيفة التصدير لتحويله إلى تنسيق OpenVINO. بعد تشغيل هذا الكود، سيتم حفظ النموذج المحول في دليل جديد باسم “yolo11n_openvino_model”.

from ultralytics import YOLO

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

Link to this sectionالخطوة 3: تشغيل الاستدلال باستخدام النموذج المصدر#

بمجرد تصدير نموذج YOLO11 الخاص بك إلى تنسيق OpenVINO، يمكنك تشغيل الاستدلال بطريقتين: باستخدام حزمة Python الخاصة بـ Ultralytics أو باستخدام OpenVINO Runtime الأصلي.

Link to this sectionاستخدام حزمة Python الخاصة بـ Ultralytics#

يمكن نشر نموذج YOLO11 المصدر بسهولة باستخدام حزمة Python الخاصة بـ Ultralytics، كما هو موضح في مقتطف الكود أدناه. هذه الطريقة مثالية للتجريب السريع والنشر المبسط على أجهزة Intel.

يمكنك أيضاً تحديد الجهاز المراد استخدامه للاستدلال، مثل "intel:cpu" أو "intel:gpu" أو "intel:npu"، اعتماداً على أجهزة Intel المتاحة على نظامك.

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

بعد تشغيل الكود أعلاه، سيتم حفظ صورة الإخراج في دليل "runs/detect/predict".

الشكل 4. استخدام نموذج YOLO11 المصدر لاكتشاف الكائنات في صورة.

Link to this sectionاستخدام OpenVINO Runtime الأصلي#

إذا كنت تبحث عن طريقة قابلة للتخصيص لتشغيل الاستدلال، خاصة في بيئات الإنتاج، فإن OpenVINO Runtime يمنحك مزيداً من التحكم في كيفية تنفيذ نموذجك. وهو يدعم ميزات متقدمة مثل التنفيذ غير المتزامن (تشغيل طلبات استدلال متعددة بالتوازي) وموازنة الأحمال (توزيع أعباء عمل الاستدلال بكفاءة عبر أجهزة Intel).

لاستخدام وقت التشغيل الأصلي، ستحتاج إلى ملفات النموذج المصدرة: ملف .xml (الذي يحدد بنية الشبكة) وملف .bin (الذي يخزن الأوزان المدربة للنموذج). يمكنك أيضاً تكوين معلمات إضافية مثل أبعاد الإدخال أو خطوات المعالجة المسبقة اعتماداً على تطبيقك.

يتضمن تدفق النشر النموذجي تهيئة OpenVINO core، وتحميل النموذج وتجميعه لجهاز مستهدف، وإعداد المدخلات، وتنفيذ الاستدلال. للحصول على أمثلة مفصلة وتوجيهات خطوة بخطوة، راجع وثائق Ultralytics OpenVINO الرسمية.

Link to this sectionلماذا تختار تكامل Ultralytics x OpenVINO؟#

أثناء استكشاف تكاملات Ultralytics، ستلاحظ أن حزمة Python الخاصة بـ Ultralytics تدعم تصدير نماذج YOLO11 إلى مجموعة متنوعة من التنسيقات مثل TorchScript و CoreML و TensorRT و ONNX. إذاً، لماذا تختار تكامل OpenVINO؟

إليك بعض الأسباب التي تجعل تنسيق تصدير OpenVINO مناسباً جداً لنشر النماذج على أجهزة Intel:

• مكاسب الأداء: يمكنك تجربة استدلال أسرع بـ 3 مرات على وحدات المعالجة المركزية (CPUs) من Intel، مع توفر تسريع إضافي على وحدات معالجة الرسومات (GPUs) المدمجة ووحدات المعالجة العصبية (NPUs).
• لا حاجة لإعادة التدريب: يمكنك تصدير نماذج YOLO11 الحالية الخاصة بك مباشرة إلى تنسيق OpenVINO دون تعديلها أو إعادة تدريبها.
• مصمم للتوسع: يمكن نشر نفس النموذج المصدر عبر الأجهزة الطرفية منخفضة الطاقة والبنية التحتية السحابية واسعة النطاق، مما يبسط نشر الذكاء الاصطناعي القابل للتوسع.

يمكنك أيضاً تقييم مقاييس الأداء لنموذج YOLO11 عبر مجموعة من منصات Intel® على OpenVINO™ Model Hub. يُعد OpenVINO Model Hub مورداً للمطورين لتقييم نماذج الذكاء الاصطناعي على أجهزة Intel واكتشاف ميزة أداء OpenVINO عبر وحدات المعالجة المركزية (CPUs) من Intel، ووحدات معالجة الرسومات (GPUs) المدمجة، ووحدات المعالجة العصبية (NPUs)، والرسومات المنفصلة.

الشكل 5. OpenVINO™ Model Hub: مقاييس أداء لنموذج YOLO11 عبر مجموعة من منصات Intel®.

Link to this sectionتطبيقات YOLO11 وتنسيق تصدير OpenVINO#

بمساعدة تكامل OpenVINO، يصبح نشر نماذج YOLO11 عبر أجهزة Intel في مواقف العالم الحقيقي أبسط بكثير.

من الأمثلة الرائعة تجارة التجزئة الذكية، حيث يمكن لـ YOLO11 المساعدة في اكتشاف الأرفف الفارغة في الوقت الفعلي، وتتبع المنتجات التي بدأت تنفد، وتحليل كيفية تحرك العملاء عبر المتجر. وهذا يُمكّن تجار التجزئة من تحسين إدارة المخزون وتحسين تخطيطات المتاجر لزيادة تفاعل المتسوقين.

وبالمثل، في المدن الذكية، يمكن استخدام YOLO11 لـ مراقبة حركة المرور عن طريق عد المركبات، وتتبع المشاة، واكتشاف مخالفات الإشارة الحمراء في الوقت الفعلي. يمكن لهذه الرؤى دعم تحسين تدفق المرور، وتحسين السلامة على الطرق، والمساعدة في أنظمة الإنفاذ الآلي.

الشكل 6. عد المركبات باستخدام YOLO11.

حالة استخدام أخرى مثيرة للاهتمام هي الفحص الصناعي، حيث يمكن نشر YOLO11 على خطوط الإنتاج لاكتشاف العيوب البصرية تلقائياً مثل المكونات المفقودة، أو عدم المحاذاة، أو تلف السطح. هذا يعزز الكفاءة، ويخفض التكاليف، ويدعم جودة منتج أفضل.

Link to this sectionعوامل رئيسية يجب مراعاتها عند استخدام مجموعة أدوات OpenVINO#

أثناء نشر نماذج YOLO11 باستخدام OpenVINO، إليك بضعة أشياء مهمة يجب وضعها في الاعتبار للحصول على أفضل النتائج:

• تحقق من توافق الأجهزة: تأكد من أن أجهزة Intel الخاصة بك، سواء كانت وحدة معالجة مركزية (CPU)، أو وحدة معالجة رسومات (GPU) مدمجة، أو وحدة معالجة عصبية (NPU)، مدعومة بواسطة OpenVINO حتى يعمل النموذج بكفاءة.
• قم بتثبيت برامج التشغيل الصحيحة: إذا كنت تستخدم وحدات معالجة رسومات (GPUs) أو وحدات معالجة عصبية (NPUs) من Intel، فتأكد جيداً من تثبيت جميع برامج التشغيل المطلوبة وتحديثها.
• افهم مقايضات الدقة: يدعم OpenVINO دقة النموذج FP32 و FP16 و INT8. يأتي كل منها مع مقايضة بين السرعة والدقة، لذا من المهم اختيار الخيار الصحيح بناءً على أهداف الأداء الخاصة بك والأجهزة المتاحة.

Link to this sectionأبرز النقاط#

إن تصدير Ultralytics YOLO11 إلى تنسيق OpenVINO يجعل من السهل تشغيل نماذج رؤية ذكاء اصطناعي سريعة وفعالة على أجهزة Intel. يمكنك النشر عبر وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs) ووحدات المعالجة العصبية (NPUs) دون الحاجة إلى إعادة التدريب أو تغيير الكود الخاص بك. إنها طريقة رائعة لتعزيز الأداء مع الحفاظ على البساطة والقابلية للتوسع.

مع الدعم المدمج في حزمة Python الخاصة بـ Ultralytics، أصبح تصدير وتشغيل الاستدلال باستخدام OpenVINO أمراً مباشراً. في بضع خطوات فقط، يمكنك تحسين نموذجك وتشغيله عبر مجموعة متنوعة من منصات Intel. سواء كنت تعمل في تجارة التجزئة الذكية، أو مراقبة حركة المرور، أو الفحص الصناعي، يساعدك سير العمل هذا على الانتقال من التطوير إلى النشر بسرعة وثقة.

انضم إلى مجتمع YOLO وتحقق من مستودع GitHub الخاص بـ Ultralytics لمعرفة المزيد حول التكاملات المؤثرة المدعومة من Ultralytics. أيضاً، ألقِ نظرة على خيارات ترخيص Ultralytics للبدء في الرؤية الحاسوبية اليوم!

سجل في ندوتنا القادمة عبر الإنترنت لرؤية تكامل Ultralytics × OpenVINO في العمل، وتفضل بزيارة موقع OpenVINO لاستكشاف أدوات تحسين ونشر الذكاء الاصطناعي على نطاق واسع.