تعرّف على كيفية تصدير نماذج Ultralytics YOLO11 ونشرها باستخدام تكامل MNN للاستدلال السريع عبر المنصات المحمولة والمضمنة ومنصات الطاقة المنخفضة.

تعرّف على كيفية تصدير نماذج Ultralytics YOLO11 ونشرها باستخدام تكامل MNN للاستدلال السريع عبر المنصات المحمولة والمضمنة ومنصات الطاقة المنخفضة.
في الوقت الحاضر، توسعت ابتكارات الذكاء الاصطناعي لتتجاوز بيئات الخوادم البعيدة. حيث يتم دمج حلول الذكاء الاصطناعي في الأجهزة المتطورة مثل أجهزة الاستشعار والهواتف الذكية. وبفضل هذا التحول التكنولوجي، يمكن الآن التعامل مع البيانات مباشرةً في مكان توليدها، مما يتيح استجابات أسرع وخصوصية أفضل وتقليل الاعتماد على الاتصال السحابي المستمر.
ونتيجة لذلك، يكتسب الذكاء الاصطناعي المتطور زخمًا في العديد من الصناعات. من المتوقع أن تصل قيمة سوق برمجيات الذكاء الاصطناعي المتطورة إلى 8.88 مليار دولار بحلول عام 2031، حيث تتجه المزيد من الأنظمة نحو المعالجة المحلية الأسرع والأكثر 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 اكتشاف المشاة، تدعم الرؤية الحاسوبية تطبيقات عملية لا حصر لها في مختلف القطاعات.
وقد أصبح ذلك ممكناً من خلال نماذج الرؤية الحاسوبية. على سبيل المثال، فإن Ultralytics YOLO11 هو نموذج يدعم العديد من مهام الذكاء الاصطناعي للرؤية مثل اكتشاف الأجسام، وتجزئة المثيلات، وتتبع الأجسام، وتقدير الوضع. 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!
لا يكون تشغيل نماذج الرؤية الحاسوبية على الأجهزة الأصغر مثل الهواتف المحمولة وأجهزة الاستشعار الصناعية والأنظمة المحمولة أمرًا بسيطًا دائمًا. فغالباً ما يكون لهذه الأجهزة ذاكرة محدودة ومعالجات أبطأ وحدود طاقة صارمة.
الشبكة العصبية المتنقلة، أو MNN، هي 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 وiOS 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.
قبل أن نتعمق في كيفية استخدام تكامل MNN، دعنا نلقي نظرة على ما يجعل إطار عمل MNN خيارًا رائعًا لتشغيل نماذج الذكاء الاصطناعي على أجهزة العالم الحقيقي. لقد صُمم للتعامل مع القيود الفريدة للبيئات المتطورة مع الاستمرار في تقديم أداء سريع وموثوق.
ومن المثير للاهتمام أن MNN تُستخدم داخليًا في علي بابا في أكثر من 30 تطبيقًا، بما في ذلك تاوباو وتي مول ويوكو ودينج توك وشيان يو، عبر مجموعة واسعة من السيناريوهات مثل الفيديو المباشر والمحتوى القصير والبحث عن الصور والتحقق من الأمان على الجهاز. وهو يدعم النشر على نطاق واسع ويدير ملايين الاستنتاجات يوميًا في بيئات الإنتاج.
فيما يلي بعض الملامح الرئيسية لإطار عمل شبكة MNN:
بعد ذلك، دعنا نتعرف على كيفية تصدير نماذج YOLO11 إلى تنسيق MNN.
تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics 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 دربت 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 والمضمنة حسب احتياجات تطبيقك.
على سبيل المثال، لنفترض أنك تريد اختبار النموذج المُصدَّر على فيديو لحركة المرور. في هذه الحالة، يمكنك تحميل نموذج YOLO11 بصيغة 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 فيديو الإخراج مع الكائنات المكتشفة تلقائيًا في مجلد "التشغيل/الاكتشاف/التنبؤ". أيضًا، إذا كنت ترغب في تشغيل الاستدلال باستخدام حزمة MNN Python مباشرة، يمكنك الاطلاع على وثائق Ultralytics الرسمية لمزيد من التفاصيل والأمثلة.
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.
تكتسب تطبيقات تحديد أمراض النباتات التي تستخدم تصنيف الصور شعبية بين البستانيين والباحثين وعشاق الطبيعة. فبمجرد التقاط صورة، يمكن للمستخدمين التعرف بسرعة على العلامات المبكرة للأمراض، مثل بقع الأوراق أو تغير لونها. نظرًا لأن هذه التطبيقات غالبًا ما تُستخدم 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 تصنيف أنواع النباتات واكتشاف أعراض المرض المرئية محلياً، دون إرسال أي بيانات إلى الخادم.
يُعد التتبع الدقيق للحزم أمرًا ضروريًا في خطوط الإنتاج المزدحمة في منشآت التصنيع. يمكن استخدام YOLO11 لتتبع وعدّ كل عنصر 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. بمجرد تصدير نموذج YOLO11 إلى تنسيق MNN، يمكن تشغيله مباشرةً على أجهزة مدمجة منخفضة الطاقة مثبتة على طول الناقل.
نظرًا لأن جميع عمليات المعالجة تتم محليًا، يمكن للنظام تقديم ملاحظات فورية ولا يتطلب اتصالاً بالإنترنت. وهذا يضمن أداءً سريعًا وموثوقًا في أرض المصنع، مما يحافظ على سير الإنتاج بكفاءة مع الحفاظ على دقة وتحكم عاليَين.
فيما يلي بعض الفوائد الرئيسية لتكامل MNN الذي توفره Ultralytics:
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:
يسهّل دعم Ultralytics لدمج 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 في الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع الرؤية الحاسوبية الخاصة بك؟ اطلع على خيارات الترخيص لدينا. اكتشف المزيد عن الذكاء الاصطناعي في مجال الرعاية الصحية والرؤية الحاسوبية في مجال البيع بالتجزئة على صفحات الحلول الخاصة بنا!