نشر Ultralytics YOLO11 بسلاسة باستخدام تكامل MNN

في الوقت الحاضر، توسعت ابتكارات الذكاء الاصطناعي إلى ما وراء بيئات الخوادم البعيدة. يتم دمج حلول الذكاء الاصطناعي في الأجهزة الطرفية مثل المستشعرات والهواتف الذكية. بفضل هذا التحول التكنولوجي، يمكن الآن التعامل مع البيانات مباشرةً في مكان إنشائها، مما يتيح استجابات أسرع وتحسين الخصوصية وتقليل الاعتماد على الاتصال السحابي المستمر.

نتيجة لذلك، يكتسب الذكاء الاصطناعي الطرفي (Edge AI) زخمًا في العديد من الصناعات. من المتوقع أن يصل سوق برمجيات الذكاء الاصطناعي الطرفي إلى 8.88 مليار دولار بحلول عام 2031 مع تحرك المزيد من الأنظمة نحو معالجة أسرع وأكثر محلية.

على وجه الخصوص، يتم اعتماد الرؤية الحاسوبية، وهو فرع من الذكاء الاصطناعي يركز على فهم الصور والفيديو، بسرعة في الحافة. من عدّ المواد الغذائية أثناء تعبئتها إلى مساعدة المركبات على detect المشاة، تدعم الرؤية الحاسوبية تطبيقات عملية لا حصر لها في مختلف القطاعات.

أصبح ذلك ممكناً من خلال نماذج الرؤية الحاسوبية. على سبيل المثال Ultralytics YOLO11 هو نموذج يدعم العديد من مهام الذكاء الاصطناعي للرؤية مثل اكتشاف الأجسام، وتجزئة المثيلات، وتتبع الأجسام، وتقدير الوضعية. وهو مصمم ليكون سريعاً وفعالاً ويعمل بشكل جيد على الأجهزة ذات الموارد المحدودة للأجهزة.

‍

بالإضافة إلى كونه مناسبًا للنشر على الحافة، يمكن تصدير YOLO11 إلى تنسيقات مختلفة مناسبة لبيئات الأجهزة المختلفة من خلال عمليات التكامل المختلفة التي تدعمها Ultralytics. 

أحد أكثر الخيارات كفاءة هو MNN (الشبكة العصبية المتنقلة)، وهو محرك استدلالي خفيف الوزن مصمم للأجهزة منخفضة الموارد. يُمكّن تصدير YOLO11 إلى MNN من تشغيله مباشرةً على الهواتف المحمولة والأنظمة المدمجة وغيرها من المنصات المتطورة حيث تكون المعالجة السريعة على الجهاز ضرورية.

في هذه المقالة، سنستكشف كيفية عمل تكامل MNN، وسنسلط الضوء على حالات الاستخدام الشائعة، وسنتعرف على كيفية البدء في تشغيل الاستدلالات باستخدام نموذج YOLO11 المُصدَّر. لنبدأ!

نظرة عامة على MNN: إطار عمل للتعلم العميق

إن تشغيل نماذج الرؤية الحاسوبية على الأجهزة الصغيرة مثل الهواتف المحمولة وأجهزة الاستشعار الصناعية والأنظمة المحمولة ليس دائمًا أمرًا سهلاً. غالبًا ما يكون لهذه الأجهزة ذاكرة محدودة ومعالجات أبطأ وحدود صارمة للطاقة. 

الشبكة العصبية المتنقلة، أو MNN، هو محرك استدلالي خفيف الوزن وعالي الأداء طورته شركة Alibaba لجعل نماذج الذكاء الاصطناعي تعمل بكفاءة على أجهزة منخفضة الموارد مع الحفاظ على الأداء في الوقت الفعلي. يدعم MNN مجموعة واسعة من المنصات، بما في ذلك Android iOS وLinux، ويعمل عبر مجموعة من أنواع الأجهزة مثل وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU).

‍

يتيح تكامل MNN المدعوم من Ultralytics إمكانية تصدير نماذج YOLO11 بسهولة إلى تنسيق MNN. وهذا يعني ببساطة أنه يمكن تحويل النماذج من تنسيق YOLO إلى MNN. 

وبمجرد تحويلها، يمكن نشرها على الأجهزة التي تدعم إطار عمل MNN للاستدلال الفعال على الجهاز. تتمثل إحدى الفوائد الرئيسية لاستخدام تنسيق MNN في تبسيط نشر YOLO11 في السيناريوهات التي يكون فيها الحجم والسرعة وكفاءة الموارد أمرًا بالغ الأهمية.

الميزات الرئيسية لواجهة الاستدلال الخلفية MNN

قبل أن نتعمق في كيفية استخدام تكامل MNN، دعنا نلقي نظرة على ما الذي يجعل إطار عمل MNN خيارًا رائعًا لتشغيل نماذج الذكاء الاصطناعي على الأجهزة الواقعية. لقد تم تصميمه للتعامل مع القيود الفريدة لبيئات الحافة مع الاستمرار في تقديم أداء سريع وموثوق.

ومن المثير للاهتمام، يتم استخدام MNN داخليًا في Alibaba في أكثر من 30 تطبيقًا، بما في ذلك Taobao و Tmall و Youku و DingTalk و Xianyu، عبر مجموعة واسعة من السيناريوهات مثل الفيديو المباشر والمحتوى القصير والبحث عن الصور وفحوصات الأمان على الجهاز. وهو يدعم النشر على نطاق واسع ويقوم بتشغيل ملايين الاستدلالات يوميًا في بيئات الإنتاج.

فيما يلي بعض الميزات الرئيسية لإطار عمل MNN:

• الاختيار التلقائي للجهة الخلفية: يمكن لـ MNN اختيار الواجهة الخلفية للتنفيذ الأنسب تلقائيًا، مثل CPU أو GPU استنادًا إلى الأجهزة التي تعمل عليها.
  ‍
• تنفيذ متعدد الخيوط: يدعم تعدد مؤشرات الترابط، مما يسمح له بالاستفادة الكاملة من المعالجات متعددة النواة للحصول على استدلال أسرع.
  ‍
• يدعم تكميم النموذج: يتيح لك تقليل حجم النموذج بشكل كبير باستخدام التكميم FP16 أو INT8، مما يساعد على تحسين سرعة الاستدلال مع استخدام ذاكرة أقل.
  ‍
• خفيف الوزن وسريع: تمتلك MNN بصمة صغيرة جدًا، حيث تبلغ مساحة المكتبة الأساسية حوالي 400 كيلوبايت على Android وحوالي 5 ميغابايت على iOS مما يجعلها مثالية للأجهزة المحمولة والمضمنة.

فهم كيفية عمل تكامل MNN

بعد ذلك، دعنا نتعرف على كيفية تصدير نماذج YOLO11 إلى تنسيق MNN.

تتمثل الخطوة الأولى في تثبيت حزمةUltralytics Python والتي توفر كل ما يلزم لتصدير نماذج YOLO11 إلى تنسيق MNN. يمكنك القيام بذلك عن طريق تشغيل "pip install ultralytics" على جهازك الطرفي أو باستخدام موجه الأوامر. إذا كنت تستخدم Jupyter Notebook أو Google Colab، أضف علامة تعجب قبل الأمر.

إذا واجهت أي مشاكل أثناء التثبيت، فارجع إلى دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد إعداد البيئة الخاصة بك، يمكنك تحميل نموذج YOLO11 المدرّب مسبقًا مثل "yolo11n.pt" وتصديره إلى صيغة MNN كما هو موضح في مقتطف الكود أدناه. إذا كنت قد درّبت نموذج YOLO11 المخصص الخاص بك، يمكنك تصديره ببساطة عن طريق استبدال اسم الملف بمسار نموذجك.

from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="mnn")

بعد تحويل النموذج الخاص بك إلى MNN، يمكنك استخدامه عبر مختلف المنصات المحمولة والمدمجة اعتمادًا على احتياجات التطبيق الخاص بك.

على سبيل المثال، لنفترض أنك تريد اختبار النموذج المُصدَّر على فيديو لحركة المرور. في هذه الحالة، يمكنك تحميل نموذج YOLO11 بصيغة MNN detect الأجسام مثل المركبات والمشاة وإشارات المرور مباشرةً على الجهاز، كما هو موضح في المثال أدناه.

mnn_model = YOLO("yolo11n.mnn")
results = mnn_model("https://videos.pexels.com/video-files/27783817/12223745_1920_1080_24fps.mp4", save=True)

عند اكتمال الاستدلال، يتم حفظ فيديو الإخراج مع الكائنات المكتشفة تلقائيًا في مجلد "detect". أيضًا، إذا كنت ترغب في تشغيل الاستدلال باستخدام حزمة MNN Python مباشرة، يمكنك الاطلاع على وثائقUltralytics الرسمية لمزيد من التفاصيل والأمثلة.

‍

حالات استخدام نشر نماذج الذكاء الاصطناعي المتطورة التي تم تمكينها بواسطة YOLO11 و MNN

يتيح نشر YOLO11 مع MNN مهام رؤية حاسوبية سريعة وفعالة مثل اكتشاف الأجسام في البيئات التي لا تكون فيها المعالجة المستندة إلى السحابة عملية أو ممكنة. لنرى كيف يمكن أن يكون هذا التكامل مفيدًا بشكل خاص في سيناريوهات العالم الحقيقي.

الذكاء الاصطناعي المتنقل للحافة لتحديد أمراض النباتات

تكتسب تطبيقات تحديد أمراض النباتات التي تستخدم تصنيف الصور شعبية بين البستانيين والباحثين وهواة الطبيعة. بمجرد صورة، يمكن للمستخدمين تحديد العلامات المبكرة للمرض بسرعة، مثل بقع الأوراق أو تغير لونها. نظرًا لأن هذه التطبيقات غالبًا ما تستخدم في المناطق الخارجية حيث قد يكون الوصول إلى الإنترنت محدودًا أو غير متاح، فإن الاعتماد على المعالجة السحابية قد يكون غير موثوق به.

بعد التدريب، يمكن تصدير نموذج YOLO11 إلى تنسيق MNN وتشغيله مباشرةً على الأجهزة المحمولة. يمكن للنموذج بعد ذلك classify أنواع النباتات detect أعراض المرض المرئية محلياً، دون إرسال أي بيانات إلى الخادم. 

‍

الاستدلال الفعال على الجهاز في التصنيع

يُعد التتبع الدقيق للحزم أمرًا ضروريًا في خطوط الإنتاج المزدحمة في منشآت التصنيع. يمكن استخدام YOLO11 track وعدّ كل صنف أثناء تحركه عبر نقاط التفتيش الرئيسية، وتحديث العد في الوقت الفعلي والإبلاغ عن أي اختلافات. يساعد ذلك على تقليل الشحنات المفقودة أو غير المحسوبة ويدعم عمليات أكثر سلاسة وموثوقية.

‍

يمكن أن يكون تكامل MNN مؤثرًا بشكل خاص في هذا السياق. فبمجرد تصدير نموذج YOLO11 إلى تنسيق MNN، يمكن تشغيله مباشرةً على أجهزة مدمجة منخفضة الطاقة مثبتة على طول الناقل. 

نظرًا لأن جميع المعالجة تتم محليًا، يمكن للنظام تقديم ملاحظات فورية ولا يتطلب اتصالاً بالإنترنت. وهذا يضمن أداءً سريعًا وموثوقًا في أرضية المصنع، مما يحافظ على سير الإنتاج بكفاءة مع الحفاظ على دقة وتحكم عاليين.

مزايا تصدير YOLO11 إلى صيغة نموذج MNN

فيما يلي بعض الفوائد الرئيسية لتكامل MNN الذي توفره Ultralytics:

• أوقات استجابة أسرع: نظرًا لأن الاستدلال يتم تشغيله على الجهاز، تحدث التوقعات في الوقت الفعلي بأقل قدر من التأخير.
  ‍
• تحسين خصوصية البيانات: تظل البيانات على الجهاز، مما يقلل الحاجة إلى إرسال صور أو مقاطع فيديو حساسة إلى السحابة.
  ‍
• مفتوح المصدر ويتم صيانته بنشاط: مدعوم من Alibaba ومدعوم من مجتمع نشط، MNN موثوق به ويتم تحديثه بانتظام مع تحسينات الأداء.

العوامل التي يجب مراعاتها عند استخدام إطار عمل MNN

قبل اختيار MNN كإطار عمل للنشر، من المهم أيضًا تقييم مدى ملاءمته لمتطلبات مشروعك وأهداف النشر والقيود التقنية. فيما يلي بعض العوامل الرئيسية التي يجب مراعاتها:

• التوافق المستمر: قد تتطلب تحديثات الإطار أو التغييرات في الأنظمة الأساسية المستهدفة إعادة الاختبار أو إجراء تعديلات للحفاظ على سير كل شيء بسلاسة.
  ‍
• أدوات تصحيح أخطاء أقل: بالمقارنة مع الأطر الأكبر، يحتوي MNN على أدوات محدودة لتصحيح الأخطاء وفحص سلوك النموذج، مما قد يجعل استكشاف الأخطاء وإصلاحها أكثر صعوبة.
  ‍
• يعتمد الأداء على الأجهزة: ستختلف سرعة وكفاءة النموذج الخاص بك اعتمادًا على الجهاز. اختبر الجهاز المستهدف للتأكد من أنه يلبي أهداف الأداء الخاصة بك.

النقاط الرئيسية

يسهّل دعم Ultralyticsلدمج MNN تصدير نماذج YOLO11 لاستخدامها على الأجهزة المحمولة والأجهزة المدمجة. إنه خيار عملي للتطبيقات التي تتطلب اكتشافًا سريعًا وموثوقًا دون الاعتماد على الوصول إلى السحابة أو الاتصال المستمر.

يساعد هذا الإعداد على تبسيط عملية النشر مع الحفاظ على الأداء وتقليل الطلب على الموارد. سواء كنت تقوم ببناء أنظمة منزلية ذكية أو أدوات ميدانية أو أجهزة صناعية مدمجة، فإن تصدير YOLO11 إلى MNN يوفر طريقة مرنة وفعالة لتشغيل مهام الرؤية الحاسوبية مباشرةً على الأجهزة المتطورة.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub الخاص بنا للتعمق أكثر في الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع رؤية الحاسوب الخاصة بك؟ تحقق من خيارات الترخيص لدينا. اكتشف المزيد حول الذكاء الاصطناعي في الرعاية الصحية ورؤية الحاسوب في مجال البيع بالتجزئة على صفحات الحلول الخاصة بنا!