انشر Ultralytics YOLO11 بسلاسة باستخدام OpenVINO™

يعتمد اعتماد الذكاء الاصطناعي على إتاحة حلول الذكاء الاصطناعي، ويتمثل جزء كبير من ذلك في تسهيل نشرها على الأجهزة التي يمتلكها الأشخاص بالفعل. ويُعد تشغيل نماذج الذكاء الاصطناعي على وحدات معالجة الرسومات (GPUs) خيارًا رائعًا من حيث الأداء وقدرة المعالجة المتوازية.

ومع ذلك، فالحقيقة أن الوصول إلى وحدات معالجة الرسومات (GPUs) المتطورة ليس متاحًا للجميع، لا سيما في بيئات الحافة أو على الحواسيب المحمولة اليومية. لذلك، من المهم جدًا تحسين النماذج لتعمل بكفاءة على أجهزة متاحة على نطاق أوسع، مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية (NPUs).

الرؤية الحاسوبية، على سبيل المثال، هي فرع من الذكاء الاصطناعي يمكّن الآلات من تحليل الصور وتدفقات الفيديو وفهمها في الوقت الفعلي. وتدعم نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO11، مهام أساسية مثل اكتشاف الأجسام وتقسيم الكائنات، ما يتيح تطبيقات تمتد من تحليلات البيع بالتجزئة إلى التشخيص الطبي.

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

لتوسيع نطاق إتاحة الرؤية الحاسوبية، أصدرت Ultralytics تكاملًا محدّثًا مع مجموعة أدوات OpenVINO، وهي مشروع مفتوح المصدر لتحسين استدلال الذكاء الاصطناعي وتشغيله عبر وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية.

يسهّل هذا التكامل تصدير نماذج YOLO11 ونشرها، مع استدلال أسرع بما يصل إلى 3× على وحدات المعالجة المركزية وأداء مُسرّع على وحدات معالجة الرسومات ووحدات المعالجة العصبية من Intel. في هذه المقالة، سنستعرض كيفية استخدام حزمة Ultralytics Python لتصدير نماذج YOLO11 إلى تنسيق OpenVINO واستخدامها للاستدلال. لنبدأ!

نظرة عامة على Ultralytics YOLO11#

بعد أن نتعمق في تفاصيل تكامل OpenVINO الذي تدعمه Ultralytics، لنلقِ نظرة أقرب على العوامل التي تجعل YOLO11 نموذجًا موثوقًا وفعّالًا للرؤية الحاسوبية. يُعد YOLO11 أحدث نموذج في سلسلة Ultralytics YOLO، إذ يقدم تحسينات كبيرة في السرعة والدقة معًا.

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

الشكل 2. معايير أداء Ultralytics YOLO11.

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

بالإضافة إلى ذلك، تدعم حزمة Ultralytics Python العديد من عمليات التكامل وتنسيقات التصدير المتعددة، بما في ذلك OpenVINO وONNX وTorchScript، ما يتيح لك دمج YOLO11 بسهولة في مختلف مسارات النشر. سواء كنت تستهدف البنية التحتية السحابية أو أجهزة الحافة أو الأنظمة المضمنة، فإن عملية التصدير مباشرة وقابلة للتكيّف مع احتياجات أجهزتك.

ما هو OpenVINO™؟#

OpenVINO™ (الاستدلال البصري المفتوح وتحسين الشبكات العصبية) هو مجموعة أدوات مفتوحة المصدر لتحسين استدلال الذكاء الاصطناعي ونشره عبر مجموعة واسعة من الأجهزة. وتمكّن المطورين من تشغيل تطبيقات الاستدلال عالية الأداء بكفاءة عبر منصات Intel المتنوعة، بما في ذلك وحدات المعالجة المركزية ووحدات معالجة الرسومات المدمجة والمنفصلة ووحدات المعالجة العصبية ومصفوفات البوابات القابلة للبرمجة ميدانيًا (FPGAs).

يوفر OpenVINO واجهة تشغيل موحّدة تستخلص اختلافات الأجهزة من خلال إضافات خاصة بكل جهاز. وهذا يعني أن المطورين يستطيعون كتابة التعليمات البرمجية مرة واحدة ونشرها على أهداف متعددة من أجهزة Intel باستخدام API متسق.

فيما يلي بعض الميزات الرئيسية التي تجعل OpenVINO خيارًا رائعًا للنشر:

• محوّل النماذج: تعمل هذه الأداة على تحويل النماذج وإعدادها من أُطر العمل الشائعة مثل PyTorch وONNX وTensorFlow وPaddlePaddle وغيرها، بحيث يمكن تحسينها للاستدلال الفعّال على أجهزة Intel.
• التنفيذ غير المتجانس: لا تحتاج إلى إعادة كتابة التعليمات البرمجية لأجهزة Intel المختلفة. إذ يسهّل OpenVINO تشغيل النموذج نفسه على أي جهاز مدعوم، من وحدات المعالجة المركزية إلى وحدات معالجة الرسومات.
• دعم التكميم: تدعم مجموعة الأدوات تنسيقات الدقة المخفضة مثل FP16 (الافتراضي) وINT8، ما يساعد على تقليل حجم النموذج وتسريع الاستدلال دون التأثير بدرجة كبيرة في الدقة.

الشكل 3. يتيح OpenVINO خيارات نشر متنوعة.

استكشاف تكامل Ultralytics x OpenVINO#

بعد أن استكشفنا ماهية OpenVINO وأهميته، دعونا نناقش كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق OpenVINO وتشغيل استدلال فعّال 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، فما عليك سوى إضافة علامة تعجب قبل الأمر.

كذلك، إذا واجهت أي مشكلات أثناء التثبيت أو التصدير، فإن وثائق Ultralytics وأدلة استكشاف الأخطاء وإصلاحها موارد رائعة لمساعدتك على استئناف 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 مدرّبًا مسبقًا ("yolo11n.pt"). وتُستخدم وظيفة التصدير لتحويله إلى تنسيق OpenVINO. بعد تشغيل هذه التعليمات البرمجية، سيُحفظ 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 المُصدَّر#

بعد تصدير نموذج YOLO11 إلى تنسيق OpenVINO، يمكنك تشغيل عمليات الاستدلال بطريقتين: باستخدام حزمة Ultralytics Python أو OpenVINO Runtime الأصلي.

استخدام حزمة Ultralytics Python#

يمكن نشر نموذج YOLO11 المُصدَّر بسهولة باستخدام حزمة Ultralytics Python، كما هو موضح في مقتطف التعليمات البرمجية أدناه. وتُعد 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"، اعتمادًا على أجهزة Intel المتاحة في نظامك.

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

بعد تشغيل التعليمات البرمجية أعلاه، ستُحفظ صورة الإخراج في الدليل "runs/detect/predict".

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

استخدام OpenVINO Runtime الأصلي#

إذا كنت تبحث عن طريقة قابلة للتخصيص لتشغيل الاستدلال، لا سيما في بيئات الإنتاج، فإن OpenVINO Runtime يمنحك تحكمًا أكبر في كيفية تنفيذ النموذج. وهو يدعم ميزات متقدمة مثل التنفيذ غير المتزامن (تشغيل طلبات استدلال متعددة بالتوازي) وموازنة التحميل (توزيع أعباء الاستدلال بكفاءة عبر أجهزة Intel).

لاستخدام بيئة التشغيل الأصلية، ستحتاج إلى ملفات النموذج المُصدَّر: ملف .xml (يحدد بنية الشبكة) وملف .bin (يخزن الأوزان المدرّبة للنموذج). ويمكنك أيضًا تهيئة معلمات إضافية مثل أبعاد الإدخال أو خطوات المعالجة المسبقة، وفقًا لتطبيقك.

يتضمن مسار النشر النموذجي تهيئة نواة OpenVINO، وتحميل النموذج وترجمته للجهاز المستهدف، وإعداد الإدخال، وتنفيذ الاستدلال. للحصول على أمثلة مفصلة وإرشادات خطوة بخطوة، راجع وثائق Ultralytics الرسمية لـ OpenVINO.

لماذا تختار تكامل Ultralytics x OpenVINO؟#

أثناء استكشاف عمليات تكامل Ultralytics، ستلاحظ أن حزمة Ultralytics Python تدعم تصدير نماذج YOLO11 إلى مجموعة متنوعة من التنسيقات 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:

• مكاسب الأداء: يمكنك تحقيق استدلال أسرع بمقدار 3× على وحدات المعالجة المركزية من Intel، مع توفر تسريع إضافي على وحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية.
• 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 المُصدَّر نفسه عبر أجهزة الحافة منخفضة الاستهلاك والبنية التحتية السحابية واسعة النطاق، ما يبسّط نشر الذكاء الاصطناعي القابل للتوسع.

يمكنك أيضًا تقييم معايير أداء نموذج Ultralytics YOLO11 عبر مجموعة من منصات Intel® على OpenVINO™ Model Hub. ويُعد OpenVINO Model Hub موردًا للمطورين لتقييم نماذج الذكاء الاصطناعي على أجهزة Intel واكتشاف ميزة أداء OpenVINO عبر وحدات المعالجة المركزية من Intel ووحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية والرسومات المنفصلة.

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

تطبيقات Ultralytics YOLO11 وتنسيق تصدير OpenVINO#

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

ومن الأمثلة الرائعة على ذلك البيع بالتجزئة الذكي، حيث يمكن لـ Ultralytics YOLO11 المساعدة في اكتشاف الرفوف الفارغة في الوقت الفعلي، وتتبع المنتجات التي أوشكت على النفاد، وتحليل كيفية تنقل العملاء داخل المتجر. ويمكّن ذلك تجار التجزئة من تحسين إدارة المخزون وتحسين تصميمات المتاجر لتعزيز تفاعل المتسوقين.

وبالمثل، في المدن الذكية، يمكن استخدام YOLO11 من أجل مراقبة حركة المرور عبر عدّ المركبات وتتبع المشاة واكتشاف مخالفات تجاوز الإشارة الحمراء في الوقت الفعلي. ويمكن لهذه الرؤى أن تدعم تحسين تدفق حركة المرور، وتعزيز السلامة على الطرق، والمساعدة في أنظمة الإنفاذ الآلي.

الشكل 6. عدّ المركبات باستخدام YOLO11.

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

العوامل الرئيسية التي ينبغي مراعاتها عند استخدام مجموعة أدوات OpenVINO#

أثناء نشر نماذج Ultralytics YOLO11 باستخدام OpenVINO، إليك بعض الأمور المهمة التي ينبغي وضعها في الاعتبار للحصول على أفضل النتائج:

• تحقق من توافق الأجهزة: تأكد من أن أجهزة Intel لديك، سواء كانت وحدة معالجة مركزية أو وحدة معالجة رسومات مدمجة أو وحدة معالجة عصبية، مدعومة من OpenVINO حتى يعمل النموذج بكفاءة.
• ثبّت برامج التشغيل المناسبة: إذا كنت تستخدم وحدات معالجة الرسومات أو وحدات المعالجة العصبية من Intel، فتحقق مرة أخرى من تثبيت جميع برامج التشغيل المطلوبة وتحديثها.
• افهم مفاضلات الدقة: يدعم OpenVINO دقات النماذج FP32 وFP16 وINT8. وتنطوي كل منها على مفاضلة بين السرعة والدقة، لذا من المهم اختيار الخيار المناسب استنادًا إلى أهداف الأداء والأجهزة المتاحة.

أهم النقاط المستخلصة#

يجعل تصدير Ultralytics YOLO11 إلى تنسيق OpenVINO تشغيل نماذج الذكاء الاصطناعي للرؤية السريعة والفعّالة على أجهزة Intel أمرًا سهلًا. ويمكنك النشر عبر وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية دون الحاجة إلى إعادة التدريب أو تغيير التعليمات البرمجية. وتُعد هذه طريقة رائعة لتعزيز الأداء مع الحفاظ على البساطة وقابلية التوسع.

ومع توفر الدعم ضمن حزمة Ultralytics Python، يصبح تصدير OpenVINO وتشغيل الاستدلال باستخدامه أمرًا مباشرًا. ففي بضع خطوات فقط، يمكنك تحسين نموذجك وتشغيله عبر مجموعة متنوعة من منصات Intel. وسواء كنت تعمل على البيع بالتجزئة الذكي أو مراقبة حركة المرور أو الفحص الصناعي، فإن سير العمل هذا يساعدك على الانتقال من التطوير إلى النشر بسرعة وثقة.

انضم إلى مجتمع YOLO واطّلع على مستودع GitHub الخاص بـ Ultralytics لمعرفة المزيد عن عمليات التكامل المؤثرة التي تدعمها Ultralytics. كما يمكنك الاطلاع على خيارات ترخيص Ultralytics للبدء في استخدام الرؤية الحاسوبية اليوم!

سجّل في ندوتنا القادمة عبر الويب لمشاهدة تكامل Ultralytics × OpenVINO أثناء العمل، وزُر موقع OpenVINO لاستكشاف أدوات تحسين الذكاء الاصطناعي ونشره على نطاق واسع.