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 الذكاء الاصطناعي يمكن الآلات من تحليل وفهم الصور تدفقات الفيديو في الوقت الفعلي. تدعم نماذج الذكاء الاصطناعي والرؤية مثل Ultralytics YOLO11 المهام الرئيسية مثل اكتشاف الكائنات وتقسيم الحالات التي تغذي التطبيقات من تحليلات التجزئة إلى التشخيص الطبي.

الشكل 1. استخدام Ultralytics YOLO11 لاكتشاف وتقسيم الكائنات في متجر بيع بالتجزئة.

لجعل الرؤية الحاسوبية أكثر سهولة في الوصول إليها، أصدرت Ultralytics تكاملاً محدثاً مع حزمة أدوات OpenVINO، وهي 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 بنسبة تصل إلى 3 أضعاف على وحدات المعالجة المركزية (CPUs) وأداء مسرع على وحدات معالجة الرسومات (GPUs) ووحدات المعالجة العصبية (NPUs) من Intel. في هذه المقالة، سنستعرض كيفية استخدام حزمة Python الخاصة بـ Ultralytics لتصدير نماذج YOLO11 إلى تنسيق OpenVINO واستخدامها للاستدلال. لنبدأ!

نظرة 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. معايير أداء Ultralytics YOLO11.

إلى جانب اكتشاف الكائنات، يدعم YOLO11 مختلف مهام الرؤية الحاسوبية المتقدمة مثل تقسيم الحالات، وتحديد الوضعيات، وتصنيف الصور، وتتبع الكائنات، واكتشاف حدود الصناديق الموجهة. يتميز YOLO11 أيضاً بكونه صديقاً للمطورين، حيث توفر حزمة Python الخاصة بـ Ultralytics واجهة بسيطة ومتسقة لتدريب النماذج وتقييمها ونشرها.

بالإضافة إلى ذلك، تدعم حزمة Python الخاصة بـ Ultralytics مختلف التكاملات وتنسيقات التصدير المتعددة، بما في ذلك OpenVINO وONNX وTorchScript، مما يسمح لك بسهولة دمج YOLO11 في خطوط أنابيب نشر متنوعة. وسواء كنت تستهدف البنية التحتية السحابية، أو أجهزة الطرفية، أو الأنظمة المضمنة، فإن عملية التصدير تكون مباشرة وقابلة للتكيف مع احتياجات أجهزتك.

ما 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 الأطر الشهيرة مثل PyTorch وONNX وTensorFlow وPaddlePaddle وغيرها، بحيث يمكن تحسينها للاستدلال الفعال 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. تتيح OpenVINO خيارات نشر متنوعة.

استكشاف تكامل Ultralytics x OpenVINO#

الآن وبعد أن استكشفنا ماهية OpenVINO وأهميته، دعنا نناقش كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق OpenVINO وتشغيل الاستدلال بكفاءة على عتاد Intel.

الخطوة 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 وتقييم وتصدير نماذج YOLO، 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 واجهتك أي مشكلات أثناء التثبيت أو أثناء التصدير، فإن توثيق Ultralytics وأدلة استكشاف الأخطاء وإصلاحها تعد موارد رائعة لمساعدتك في العودة إلى المسار الصحيح.

الخطوة 2: تصدير نموذج Ultralytics 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")

الخطوة 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.

استخدام 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 Ultralytics YOLO11 المصدر لاكتشاف الكائنات في صورة.

استخدام 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 نواة OpenVINO، وتحميل النموذج وتجميعه لجهاز مستهدف، وإعداد المدخلات، وتنفيذ الاستدلال. للحصول على أمثلة تفصيلية وإرشادات خطوة بخطوة، راجع توثيق Ultralytics OpenVINO الرسمي.

لماذا 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 بنسبة تصل إلى 3 أضعاف على وحدات المعالجة المركزية (CPUs) من Intel، مع تسريع إضافي متاح على وحدات معالجة الرسومات المدمجة ووحدات المعالجة العصبية (NPUs).
• لا حاجة لإعادة التدريب: يمكنك تصدير نماذج Ultralytics YOLO11 الحالية مباشرة إلى تنسيق OpenVINO دون تعديلها أو إعادة تدريبها.
• مصمم للتوسع: يمكن نشر نفس النموذج المصدر عبر أجهزة طرفية منخفضة الطاقة وبنية تحتية سحابية واسعة النطاق، مما يبسط نشر الذكاء الاصطناعي القابل للتوسع.

يمكنك أيضاً تقييم مقاييس أداء نموذج Ultralytics YOLO11 عبر مجموعة من منصات Intel® على OpenVINO™ Model Hub. يعتبر OpenVINO Model Hub مورداً للمطورين لتقييم نماذج الذكاء الاصطناعي على عتاد Intel واكتشاف ميزة الأداء لـ OpenVINO عبر وحدات المعالجة المركزية Intel، ووحدات معالجة الرسومات المدمجة، وNPUs، والرسومات المنفصلة.

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

تطبيقات Ultralytics YOLO11 وتنسيق تصدير OpenVINO#

بمساعدة تكامل OpenVINO، يصبح نشر نماذج Ultralytics YOLO11 عبر عتاد Intel في المواقف الواقعية أبسط بكثير.

من الأمثلة الرائعة قطاع التجزئة الذكي، حيث يمكن لـ Ultralytics YOLO11 المساعدة في اكتشاف الأرفف الفارغة في الوقت الفعلي، وتتبع المنتجات التي وشكت على النفاد، وتحليل حركة العملاء داخل المتجر. يتيح ذلك لتجار التجزئة تحسين إدارة المخزون وتخطيطات المتاجر لتعزيز تفاعل المتسوقين.

وبالمثل، في المدن الذكية، يمكن استخدام YOLO11 لـ مراقبة حركة المرور من خلال حساب المركبات، وتتبع المشاة، واكتشاف انتهاكات الإشارات الحمراء في الوقت الفعلي. يمكن أن تدعم هذه الرؤى تحسين تدفق المرور، وتحسين السلامة على الطرق، والمساعدة في أنظمة الإنفاذ الآلي.

الشكل 6. عد المركبات باستخدام YOLO11.

حالة استخدام أخرى مثيرة للاهتمام وهي التفتيش الصناعي، حيث يمكن نشر Ultralytics YOLO11 على خطوط الإنتاج لاكتشاف العيوب البصرية تلقائياً مثل المكونات المفقودة، أو عدم المحاذاة، أو تلف الأسطح. هذا يعزز الكفاءة، ويقلل التكاليف، ويدعم جودة أفضل للمنتجات.

عوامل رئيسية يجب مراعاتها عند استخدام مجموعة أدوات OpenVINO#

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

• تحقق من توافق الأجهزة: تأكد من أن جهاز Intel الخاص بك، سواء كان وحدة معالجة مركزية (CPU)، أو وحدة معالجة رسومات مدمجة، أو وحدة معالجة عصبية (NPU)، مدعوماً بواسطة OpenVINO حتى يتمكن النموذج من العمل 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.
• فهم مقايضات الدقة: تدعم OpenVINO دقة النماذج FP32 وFP16 وINT8. يأتي كل منها مع مقايضة بين السرعة والدقة، لذلك من المهم اختيار الخيار الصحيح بناءً على أهداف أدائك والأجهزة المتاحة.

أبرز 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 واطلع على مستودع GitHub الخاص بـ Ultralytics لمعرفة المزيد حول التكاملات المؤثرة المدعومة من Ultralytics. وأيضاً، ألق نظرة على خيارات ترخيص Ultralytics للبدء في الرؤية الحاسوبية اليوم!

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