نشرYOLO11 Ultralytics YOLO11 بسلاسة باستخدام OpenVINO™

يعتمد تبني الذكاء الاصطناعي على إمكانية الوصول إلى حلول الذكاء الاصطناعي، وجزء كبير من ذلك هو تسهيل نشرها على الأجهزة التي يمتلكها الأشخاص بالفعل. يعد تشغيل نماذج الذكاء الاصطناعي على وحدات معالجة الرسومات (GPUs) خيارًا رائعًا من حيث الأداء وقوة المعالجة المتوازية. 

ومع ذلك، فإن الواقع هو أنه ليس لدى الجميع إمكانية الوصول إلى وحدات معالجة الرسومات المتطورة (GPUs)، خاصة في البيئات الطرفية أو على أجهزة الكمبيوتر المحمولة اليومية. لهذا السبب من المهم جدًا تحسين النماذج لتعمل بكفاءة على الأجهزة المتاحة على نطاق أوسع مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات المدمجة (GPUs) ووحدات المعالجة العصبية (NPUs).

فالرؤية الحاسوبية، على سبيل المثال، هي فرع من الذكاء الاصطناعي يمكّن الآلات من تحليل وفهم الصور وتدفقات الفيديو في الوقت الفعلي. نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 تدعم المهام الرئيسية مثل اكتشاف الكائنات وتجزئة النماذج التي تدعم التطبيقات بدءًا من تحليلات البيع بالتجزئة إلى التشخيص الطبي.

‍

لجعل الرؤية الحاسوبية متاحة على نطاق أوسع، أصدرت Ultralytics تكاملاً محدثاً مع مجموعة أدوات OpenVINO وهو مشروع مفتوح المصدر لتحسين الاستدلال بالذكاء الاصطناعي وتشغيله عبر وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية. 

من خلال هذا التكامل، أصبح من الأسهل تصدير نماذج YOLO11 ونشرها مع استدلال أسرع بما يصل إلى 3 أضعاف على وحدات المعالجة المركزية وأداء أسرع على وحدات معالجة الرسومات ووحدات المعالجة العصبية من Intel . في هذه المقالة، سنتعرف في هذه المقالة على كيفية استخدام حزمة Ultralytics Python لتصدير نماذج YOLO11 إلى تنسيقOpenVINO واستخدامها للاستدلال. لنبدأ!

نظرة عامة على Ultralytics YOLO11

قبل أن نغوص في تفاصيل تكامل OpenVINO المدعوم من Ultralytics دعنا نلقي نظرة فاحصة على ما يجعل YOLO11 نموذج رؤية حاسوبية موثوقًا ومؤثرًا. YOLO11 هو أحدث طراز في سلسلة Ultralytics YOLO ويقدم تحسينات كبيرة في كل من السرعة والدقة. 

من أهم ما يميزه هو الكفاءة. على سبيل المثال، يحتوي برنامج Ultralytics YOLO11m على معلمات أقل بنسبة 22% من معلمات Ultralytics YOLOv8m ومع ذلك فهو يحقق متوسطmAP أعلى في مجموعة بيانات COCO . هذا يعني أنه يعمل بشكل أسرع ويكتشف أيضًا الكائنات بدقة أكبر، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي حيث يكون الأداء والاستجابة أمرًا بالغ الأهمية.

‍

بالإضافة إلى اكتشاف الأجسام، يدعم YOLO11 العديد من مهام الرؤية الحاسوبية المتقدمة مثل تجزئة النماذج، وتقدير الوضع، وتصنيف الصور، وتتبع الأجسام، واكتشاف الصندوق المحيط الموجه. كما أن YOLO11 سهل الاستخدام للمطورين، حيث 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 ONNX TorchScript مما يتيح لك دمج YOLO11 بسهولة في خطوط أنابيب النشر المختلفة. سواءً كنت تستهدف البنية التحتية السحابية أو الأجهزة المتطورة أو الأنظمة المدمجة، فإن عملية التصدير مباشرة وقابلة للتكيف مع احتياجات أجهزتك.

ما هو OpenVINO™؟

OpenVINO™ (Open Visual Inference and Neural Network Optimization) هي مجموعة أدوات مفتوحة المصدر لتحسين الاستدلال بالذكاء الاصطناعي ونشره عبر مجموعة واسعة من الأجهزة. وهي تمكّن المطورين من تشغيل تطبيقات الاستدلال عالية الأداء بكفاءة عبر مختلف منصات Intel بما في ذلك وحدات المعالجة المركزية ووحدات معالجة الرسومات المدمجة والمنفصلة ووحدات المعالجة العصبية ومصفوفات البوابات القابلة للبرمجة الميدانية (FPGAs).

يوفر OpenVINO واجهة وقت تشغيل موحدة تستخلص اختلافات الأجهزة من خلال المكونات الإضافية الخاصة بالأجهزة. هذا يعني أنه يمكن للمطورين كتابة التعليمات البرمجية مرة واحدة ونشرها عبر أهداف أجهزة Intel متعددة باستخدام واجهة برمجة تطبيقات متسقة. 

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

• محول النماذج: تقوم هذه الأداة بتحويل وإعداد النماذج من الأطر الشائعة مثل PyTorch و ONNX و TensorFlow و PaddlePaddle وغيرها، بحيث يمكن تحسينها للاستدلال الفعال على أجهزة Intel .
  ‍
• تنفيذ غير متجانس: لا تحتاج إلى إعادة كتابة التعليمات البرمجية الخاصة بك لأجهزة Intel مختلفة. يجعل OpenVINO من السهل تشغيل نفس النموذج على أي أجهزة مدعومة، من وحدات المعالجة المركزية إلى وحدات معالجة الرسومات.
  ‍
• دعم التكميم: تدعم مجموعة الأدوات تنسيقات دقة منخفضة مثل FP16 (افتراضي) و INT8، مما يساعد على تقليل حجم النموذج وتسريع الاستدلال دون التأثير بشكل كبير على الدقة.

‍

استكشاف تكامل Ultralytics x OpenVINO

والآن بعد أن استكشفنا ما هو OpenVINO وأهميته، دعونا نناقش كيفية تصدير نماذج YOLO11 إلى تنسيق OpenVINO وتشغيل الاستدلال الفعال على أجهزة Intel .

الخطوة 1: قم بتثبيت حزمة Ultralytics Python

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

يمكنك تثبيته عن طريق تشغيل الأمر"pip install ultralytics" في جهازك الطرفي أو موجه الأوامر. إذا كنت تعمل في بيئة تفاعلية مثل Jupyter Notebook أو Google Colab، فقط أضف علامة تعجب قبل الأمر. 

أيضًا، إذا واجهتك أي مشاكل أثناء التثبيت أو أثناء التصدير، فإن وثائق Ultralytics وأدلة استكشاف الأخطاء وإصلاحها هي موارد رائعة لمساعدتك على العودة إلى track.

الخطوة 2: قم بتصدير نموذج YOLO11 الخاص بك إلى تنسيق OpenVINO

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

في المثال أدناه، نحن نستخدم نموذج YOLO11 المدرب مسبقًا ("yolo11n.pt"). تُستخدم وظيفة التصدير لتحويله إلى صيغة OpenVINO . بعد تشغيل هذا الرمز، سيتم حفظ النموذج المحول 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 الذي تم تصديره

بمجرد أن يتم تصدير نموذج YOLO11 الخاص بك إلى تنسيق OpenVINO يمكنك تشغيل الاستدلالات بطريقتين: باستخدام حزمة Ultralytics Python أو OpenVINO Runtime الأصلي.

استخدام حزمة Ultralytics Python

يمكن نشر نموذج YOLO11 الذي تم تصديره بسهولة باستخدام حزمة Ultralytics Python كما هو موضح في مقتطف الكود أدناه. هذه الطريقة مثالية للتجربة السريعة والنشر المبسط على أجهزة Intel . 

يمكنك أيضًا تحديد الجهاز المراد استخدامه للاستدلال، مثلintelcpu" أوintelgpu" أوintel:gpu" أوintel:npu"، وذلك بناءً على أجهزة Intel المتوفرة 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 "detect".

‍

استخدام وقت تشغيل OpenVINO الأصلي

إذا كنت تبحث عن طريقة قابلة للتخصيص لتشغيل الاستدلال، خاصةً في بيئات الإنتاج، يمنحك OpenVINO Runtime مزيدًا من التحكم في كيفية تنفيذ نموذجك. وهو يدعم ميزات متقدمة مثل التنفيذ غير المتزامن (تشغيل طلبات استدلالية متعددة بالتوازي) وموازنة التحميل (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 أوزان النموذج المدربة). يمكنك أيضًا تكوين معلمات إضافية مثل أبعاد الإدخال أو خطوات المعالجة المسبقة اعتمادًا على تطبيقك.

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

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 و CoreML و TensorRT و ONNX. إذن، لماذا تختار تكامل OpenVINO

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

• مكاسب الأداء: يمكنك تجربة استدلال أسرع بما يصل إلى 3 أضعاف على وحدات المعالجة المركزية Intel مع تسريع إضافي متاح على وحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية.
  ‍
• لا حاجة لإعادة التدريب: يمكنك تصدير نماذج YOLO11 الموجودة لديك مباشرة إلى تنسيق OpenVINO دون تعديلها أو إعادة تدريبها.
  ‍
• مصمم للتوسع: يمكن نشر النموذج المصدر نفسه عبر أجهزة الحافة منخفضة الطاقة والبنية التحتية السحابية واسعة النطاق، مما يبسط نشر الذكاء الاصطناعي القابل للتطوير.

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

‍

تطبيقات YOLO11 وتنسيق التصدير OpenVINO

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

من الأمثلة الرائعة على ذلك البيع بالتجزئة الذكي، حيث يمكن أن يساعد YOLO11 في detect الأرفف الفارغة في الوقت الفعلي، track المنتجات التي ينفد مخزونها، وتحليل كيفية تحرك العملاء في المتجر. وهذا يُمكِّن تجار التجزئة من تحسين إدارة المخزون وتحسين تخطيطات المتاجر لتحسين مشاركة المتسوقين.

وبالمثل، في المدن الذكية، يمكن استخدام YOLO11 لمراقبة حركة المرور من خلال عدّ المركبات وتتبع المشاة والكشف عن مخالفات الإشارة الحمراء في الوقت الفعلي. يمكن أن تدعم هذه الأفكار تحسين تدفق حركة المرور وتحسين السلامة على الطرق والمساعدة في أنظمة الإنفاذ الآلي.

‍

هناك حالة استخدام أخرى مثيرة للاهتمام وهي الفحص الصناعي، حيث يمكن نشر YOLO11 على خطوط الإنتاج detect التلقائي detect العيوب البصرية مثل المكونات المفقودة أو عدم المحاذاة أو التلف السطحي. وهذا يعزز الكفاءة ويقلل التكاليف ويدعم جودة المنتج بشكل أفضل.

العوامل الرئيسية التي يجب مراعاتها عند استخدام مجموعة أدوات OpenVINO

أثناء نشر نماذج YOLO11 مع OpenVINO إليك بعض الأشياء المهمة التي يجب وضعها في الاعتبار للحصول على أفضل النتائج:

• التحقق من توافق الأجهزة: تأكد من أن أجهزة Intel الخاصة بك، سواء كانت CPU أو GPU مدمجة أو وحدة معالجة GPU NPU، مدعومة من قبل OpenVINO حتى يمكن تشغيل النموذج بكفاءة.
  
  
• قم بتثبيت برامج التشغيل الصحيحة: إذا كنت تستخدم وحدات معالجة الرسومات Intel GPU أو NPU، فتحقق مرة أخرى من أن جميع برامج التشغيل المطلوبة مثبتة بشكل صحيح ومحدثة.
  
  
• فهم الدقة المفاضلات: يدعم OpenVINO دقة نماذج FP32 و FP16 و INT8. تأتي كل واحدة منها مع مفاضلة بين السرعة والدقة، لذلك من المهم اختيار الخيار الصحيح بناءً على أهداف الأداء والأجهزة المتاحة.

النقاط الرئيسية

إن تصدير Ultralytics YOLO11 إلى تنسيق OpenVINO يجعل من السهل تشغيل نماذج Vision AI السريعة والفعالة على أجهزة Intel . يمكنك النشر عبر وحدات المعالجة المركزية ووحدات معالجة الرسومات ووحدات المعالجة العصبية دون الحاجة إلى إعادة التدريب أو تغيير التعليمات البرمجية. إنها طريقة رائعة لتعزيز الأداء مع الحفاظ على بساطة الأمور وقابليتها للتطوير.

من خلال الدعم المدمج في حزمة Ultralytics Python أصبح تصدير الاستدلال وتشغيله باستخدام OpenVINO أمرًا بسيطًا ومباشرًا. في خطوات قليلة فقط، يمكنك تحسين نموذجك وتشغيله عبر مجموعة متنوعة من منصات Intel . سواءً 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 مجتمعYOLO وتحقق منمستودع Ultralytics GitHub لمعرفة المزيد حول عمليات التكامل المؤثرة التي تدعمها Ultralytics. ألقِ نظرة أيضًا على خيارات ترخيصUltralytics لبدء استخدام رؤية الكمبيوتر اليوم!

سجّل في ندوتنا القادمة على الويب لمشاهدة تكامل Ultralytics × OpenVINO أثناء العمل، وقم بزيارة موقعOpenVINO على الو يب لاستكشاف أدوات تحسين الذكاء الاصطناعي ونشره على نطاق واسع.