انشر 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، الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يركز على فهم الصور والفيديو، يتم تبنيها بسرعة على الحافة. بدءًا من عد المواد الغذائية أثناء تعبئتها وحتى مساعدة المركبات على اكتشاف المشاة، تدعم الرؤية الحاسوبية عددًا لا يحصى من التطبيقات العملية عبر قطاعات مختلفة.

أصبح هذا ممكنًا من خلال نماذج رؤية الكمبيوتر. على سبيل المثال، Ultralytics YOLO11 هو نموذج يدعم مهام Vision AI المختلفة مثل الكشف عن الكائنات وتقسيم المثيلات وتتبع الكائنات وتقدير الوضع. إنه مصمم ليكون سريعًا وفعالًا ويعمل بشكل جيد على الأجهزة ذات موارد الأجهزة المحدودة.

‍

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

أحد الخيارات الأكثر كفاءة هو MNN (شبكة عصبونية متنقلة)، وهو محرك استدلال خفيف الوزن مصمم للأجهزة ذات الموارد المنخفضة. يتيح تصدير YOLO11 إلى MNN تشغيله مباشرة على الهواتف المحمولة والأنظمة المدمجة والمنصات الطرفية الأخرى حيث تكون المعالجة السريعة على الجهاز ضرورية.

في هذه المقالة، سوف نستكشف كيفية عمل تكامل MNN، ونسلط الضوء على حالات الاستخدام الشائعة، ونتناول كيفية البدء في تشغيل الاستدلالات باستخدام نموذج YOLO11 مُصدَّر. هيا بنا نبدأ!

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، هي محرك استدلال خفيف الوزن وعالي الأداء تم تطويره بواسطة Alibaba لجعل نماذج الذكاء الاصطناعي تعمل بكفاءة على الأجهزة ذات الموارد المنخفضة مع الحفاظ على الأداء في الوقت الفعلي. تدعم MNN مجموعة واسعة من الأنظمة الأساسية، بما في ذلك Android و iOS و Linux، وتعمل عبر مجموعة من أنواع الأجهزة مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs).

‍

إن تكامل MNN المدعوم من Ultralytics يجعل من الممكن تصدير نماذج YOLOv8 بسهولة إلى تنسيق MNN. ببساطة، هذا يعني أنه يمكن تحويل النماذج من تنسيق YOLO إلى MNN. 

بمجرد تحويلها، يمكن نشرها على الأجهزة التي تدعم إطار عمل MNN للاستدلال الفعال على الجهاز. تتمثل الفائدة الرئيسية لاستخدام تنسيق MNN في أنه يبسط نشر YOLO11 في السيناريوهات التي تكون فيها الحجم والسرعة وكفاءة الموارد بالغة 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 للواجهة الخلفية: يمكن لـ MNN اختيار أنسب واجهة تنفيذ خلفية تلقائيًا، مثل وحدة المعالجة المركزية (CPU) أو وحدة معالجة الرسومات (GPU)، بناءً على الجهاز الذي يتم تشغيله عليه.
  ‍
• 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: يتميز MNN ببصمة صغيرة جدًا، حيث تبلغ مساحة المكتبة الأساسية حوالي 400 كيلوبايت على نظام Android وحوالي 5 ميجابايت على نظام iOS، مما يجعله مثاليًا للأجهزة المحمولة والمدمجة.

فهم كيفية عمل تكامل MNN

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

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python، التي توفر كل ما هو مطلوب 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، فأضف علامة تعجب قبل الأمر.

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

بمجرد إعداد بيئتك، يمكنك تحميل نموذج YOLO11 مُدرَّب مسبقًا مثل "yolo11n.pt" وتصديره إلى تنسيق MNN كما هو موضح في مقتطف الشفرة أدناه. إذا قمت بتدريب نموذج YOLO11 مخصص خاص بك، فيمكنك تصديره ببساطة عن طريق استبدال اسم الملف بمسار النموذج الخاص بك.

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 بتنسيق MNN لاكتشاف 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 الفيديو الناتج مع الكائنات المكتشفة تلقائيًا في المجلد 'runs/detect/predict'. أيضًا، إذا كنت ترغب في تشغيل الاستدلال باستخدام حزمة MNN Python مباشرةً، فيمكنك الاطلاع على وثائق Ultralytics الرسمية للحصول على مزيد من التفاصيل والأمثلة.

‍

حالات استخدام نشر نموذج الذكاء الاصطناعي الطرفي الذي تم تمكينه بواسطة YOLO11 و MNN

يتيح نشر YOLO11 مع MNN مهام رؤية حاسوبية سريعة وفعالة مثل اكتشاف الكائنات في البيئات التي لا يكون فيها المعالجة المستندة إلى السحابة عملية أو ممكنة. دعنا نرى 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 مباشرة على الأجهزة المحمولة. يمكن للنموذج بعد ذلك تصنيف أنواع النباتات واكتشاف أعراض الأمراض المرئية محليًا، دون إرسال أي بيانات إلى خادم. 

‍

الاستدلال الفعال على الجهاز في التصنيع

يعد التتبع الدقيق للحزم أمرًا ضروريًا في خطوط الإنتاج المزدحمة في مرافق التصنيع. يمكن استخدام YOLO11 لتتبع كل عنصر وعده أثناء تحركه عبر نقاط التفتيش الرئيسية، وتحديث الأعداد في الوقت الفعلي والإبلاغ عن أي اختلافات. يساعد ذلك في تقليل الشحنات المفقودة أو غير المحسوبة ويدعم عمليات أكثر سلاسة وموثوقية.

‍

يمكن أن يكون تكامل MNN مؤثرًا بشكل خاص في هذا السياق. بمجرد تصدير نموذج YOLOv8 إلى تنسيق MNN، يمكن تشغيله مباشرة على الأجهزة المدمجة منخفضة الطاقة المثبتة 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 تنسيق 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

إن دعم Ultralytics لتكامل MNN يجعل من السهل تصدير نماذج YOLO11 للاستخدام على الأجهزة المحمولة والمدمجة. إنه خيار عملي للتطبيقات التي تتطلب اكتشافًا سريعًا وموثوقًا دون الاعتماد على الوصول إلى السحابة أو الاتصال المستمر.

يساعد هذا الإعداد على تبسيط النشر مع الحفاظ على الأداء وإبقاء متطلبات الموارد منخفضة. 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 مباشرة على الأجهزة الطرفية.

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!