انشر Ultralytics YOLO11 بسلاسة باستخدام تكامل MNN

في الوقت الحالي، تجاوزت ابتكارات الذكاء الاصطناعي بيئات الخوادم البعيدة. إذ يجري دمج حلول الذكاء الاصطناعي في الأجهزة الطرفية مثل المستشعرات والهواتف الذكية. وبفضل هذا التحول التكنولوجي، بات من الممكن الآن معالجة البيانات مباشرةً في مكان إنشائها، ما يتيح استجابات أسرع وخصوصية أفضل واعتمادًا أقل على الاتصال المستمر بالسحابة.

ونتيجة لذلك، يكتسب الذكاء الاصطناعي الطرفي زخمًا في العديد من القطاعات. ومن المتوقع أن يبلغ حجم سوق برمجيات الذكاء الاصطناعي الطرفي 8.88 مليار دولار بحلول عام 2031، مع توجه مزيد من الأنظمة نحو معالجة أسرع وأكثر محلية.

وعلى وجه الخصوص، يجري اعتماد الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يركز على فهم الصور ومقاطع الفيديو، بسرعة في الأجهزة الطرفية. فمن إحصاء المواد الغذائية أثناء تعبئتها إلى مساعدة المركبات على اكتشاف المشاة، تدعم الرؤية الحاسوبية عددًا لا يحصى من التطبيقات العملية في قطاعات مختلفة.

أصبحت هذه الإمكانات ممكنة بفضل نماذج الرؤية الحاسوبية. فعلى سبيل المثال، Ultralytics YOLO11 نموذج يدعم مهام متنوعة في الرؤية والذكاء الاصطناعي، مثل اكتشاف الأجسام وتجزئة المثيلات وتقدير الوضعية وتتبع الأجسام. وقد صُمم ليكون سريعًا وفعالًا، ويحقق أداءً جيدًا على الأجهزة ذات موارد العتاد المحدودة.

الشكل 1. اكتشاف وتتبع الأطعمة أثناء تعبئتها باستخدام Ultralytics YOLO11.

إضافةً إلى ملاءمته للنشر على الأجهزة الطرفية، يمكن تصدير YOLO11 إلى تنسيقات متنوعة تناسب بيئات الأجهزة المختلفة، وذلك من خلال عمليات التكامل المتعددة التي تدعمها Ultralytics.

يُعد MNN (الشبكة العصبية المحمولة) أحد أكثر الخيارات كفاءة، وهو محرك استدلال خفيف الوزن مصمم للأجهزة محدودة الموارد. ويتيح تصدير Ultralytics YOLO11 إلى MNN تشغيله مباشرةً على الهواتف المحمولة والأنظمة المضمنة ومنصات طرفية أخرى، حيث تكون المعالجة السريعة على الجهاز ضرورية.

في هذه المقالة، سنستكشف كيفية عمل تكامل MNN، ونسلط الضوء على حالات الاستخدام الشائعة، ونشرح كيفية البدء في تشغيل الاستدلال باستخدام نموذج Ultralytics YOLO11 مُصدّر.

نظرة عامة على MNN: إطار عمل للتعلم العميق#

ليس تشغيل نماذج الرؤية الحاسوبية على الأجهزة الأصغر، مثل الهواتف المحمولة والمستشعرات الصناعية والأنظمة المحمولة، أمرًا سهلًا دائمًا. فكثيرًا ما تكون ذاكرة هذه الأجهزة محدودة، ومعالجاتها أبطأ، وقدرتها على استهلاك الطاقة مقيدة بحدود صارمة.

الشبكة العصبية المحمولة، أو MNN، هي محرك استدلال خفيف الوزن وعالي الأداء طوّرته Alibaba لتشغيل نماذج الذكاء الاصطناعي بكفاءة على الأجهزة محدودة الموارد مع الحفاظ على أداء فوري. ويدعم MNN مجموعة واسعة من المنصات، بما فيها Android وiOS وLinux، ويعمل مع أنواع مختلفة من الأجهزة، مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs).

الشكل 2. نظرة على إطار عمل MNN (المصدر).

يتيح تكامل MNN الذي تدعمه Ultralytics تصدير نماذج YOLO11 بسهولة إلى تنسيق MNN. ببساطة، يعني ذلك إمكانية تحويل النماذج من تنسيق PyTorch الأصلي إلى MNN.

بعد تحويلها، يمكن نشر النماذج على الأجهزة التي تدعم إطار عمل MNN لإجراء الاستدلال بكفاءة على الجهاز. ومن المزايا الأساسية لاستخدام تنسيق MNN أنه يبسّط نشر Ultralytics YOLO11 في الحالات التي يكون فيها الحجم والسرعة وكفاءة الموارد عوامل حاسمة.

الميزات الأساسية لواجهة الاستدلال الخلفية MNN#

قبل التعمق في كيفية استخدام تكامل MNN، دعونا نلقِ نظرة على ما يجعل إطار عمل MNN خيارًا رائعًا لتشغيل نماذج الذكاء الاصطناعي على الأجهزة المستخدمة في الواقع. فقد صُمم للتعامل مع القيود الفريدة للبيئات الطرفية مع الاستمرار في تقديم أداء سريع وموثوق.

ومن اللافت أن Alibaba تستخدم MNN داخليًا في أكثر من 30 تطبيقًا، منها Taobao وTmall وYouku وDingTalk وXianyu، ضمن مجموعة واسعة من الحالات، مثل الفيديو المباشر والمحتوى القصير والبحث عن الصور وفحوصات الأمان على الجهاز. ويدعم MNN النشر واسع النطاق ويُجري ملايين الاستدلالات يوميًا في بيئات الإنتاج.

فيما يلي بعض الميزات الأساسية لإطار عمل MNN:

• الاختيار التلقائي للواجهة الخلفية: يمكن لـ MNN اختيار واجهة التنفيذ الخلفية الأنسب تلقائيًا، مثل CPU أو GPU، بناءً على الجهاز الذي يعمل عليه.
• التنفيذ متعدد الخيوط: يدعم تعدد الخيوط، ما يتيح الاستفادة الكاملة من المعالجات متعددة الأنوية لتسريع الاستدلال.
• يدعم تكميم النماذج: يتيح لك تقليل حجم النموذج بدرجة كبيرة باستخدام تكميم FP16 أو INT8، ما يساعد على تحسين سرعة الاستدلال مع استهلاك ذاكرة أقل.
• خفيف وسريع: يتميز MNN بحجم صغير جدًا؛ إذ يبلغ حجم مكتبته الأساسية نحو 400 KB على Android ونحو 5 MB على iOS، ما يجعله مناسبًا تمامًا للأجهزة المحمولة والمضمنة.

فهم آلية عمل تكامل MNN#

والآن، دعونا نستعرض كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق MNN.

الخطوة الأولى هي تثبيت حزمة Ultralytics Python، التي توفر كل ما يلزم لتصدير نماذج YOLO11 إلى تنسيق MNN. يمكنك القيام بذلك بتشغيل pip install ultralytics في الطرفية أو موجه الأوامر. وإذا كنت تستخدم Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر.

إذا واجهت أي مشكلات أثناء التثبيت، فارجع إلى دليل المشكلات الشائعة للاطلاع على نصائح استكشاف الأخطاء وإصلاحها.

بعد إعداد بيئتك، يمكنك تحميل نموذج YOLO11 مدرّب مسبقًا، مثل "yolo11n.pt"، وتصديره إلى تنسيق MNN كما هو موضح في مقتطف الشيفرة أدناه. وإذا كنت قد درّبت نموذج YOLO11 مخصصًا، فيمكنك تصديره ببساطة عبر استبدال اسم الملف بمسار النموذج.

from ultralytics import YOLO

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

بعد تحويل نموذجك إلى MNN، يمكنك استخدامه عبر منصات الأجهزة المحمولة والمضمنة المختلفة وفقًا لاحتياجات تطبيقك.

على سبيل المثال، لنفترض أنك تريد اختبار النموذج المُصدّر على مقطع فيديو لحركة المرور. في هذه الحالة، يمكنك تحميل نموذج Ultralytics 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، يُحفظ تلقائيًا ملف الفيديو الناتج الذي يتضمن الأجسام المكتشفة في المجلد 'runs/detect/predict'. وإذا كنت تريد أيضًا تشغيل الاستدلال باستخدام حزمة MNN Python مباشرةً، فراجع وثائق Ultralytics MNN الرسمية للاطلاع على مزيد من التفاصيل والأمثلة.

الشكل 3. تحليل حركة المرور باستخدام نموذج Ultralytics YOLO11 المُصدّر إلى تنسيق MNN. الصورة من إعداد المؤلف.

حالات استخدام نشر نماذج الذكاء الاصطناعي الطرفي التي تتيحها Ultralytics YOLO11 وMNN#

يتيح نشر Ultralytics YOLO11 باستخدام MNN تنفيذ مهام الرؤية الحاسوبية بسرعة وكفاءة، مثل اكتشاف الأجسام، في البيئات التي لا تكون فيها المعالجة المستندة إلى السحابة عملية أو ممكنة. لنرَ كيف يمكن أن يكون هذا التكامل مفيدًا على نحو خاص في حالات الاستخدام الواقعية.

الذكاء الاصطناعي الطرفي على الأجهزة المحمولة لتحديد أمراض النباتات#

تزداد شعبية تطبيقات تحديد أمراض النباتات التي تستخدم تصنيف الصور بين البستانيين والباحثين ومحبي الطبيعة. فبمجرد التقاط صورة، يمكن للمستخدمين تحديد العلامات المبكرة للمرض بسرعة، مثل بقع الأوراق أو تغير لونها. ولأن هذه التطبيقات تُستخدم غالبًا في مناطق خارجية قد يكون فيها الوصول إلى الإنترنت محدودًا أو غير متاح، فإن الاعتماد على المعالجة السحابية قد لا يكون موثوقًا.

بعد التدريب على مجموعة بيانات مثل PlantDoc، يمكن تصدير نموذج Ultralytics YOLO11 إلى تنسيق MNN وتشغيله مباشرةً على الأجهزة المحمولة. ويمكن للنموذج بعد ذلك تصنيف أنواع النباتات واكتشاف أعراض الأمراض الظاهرة محليًا، دون إرسال أي بيانات إلى خادم.

الشكل 4. مثال على استخدام YOLO11 لاكتشاف علامات الصدأ (أحد أمراض النباتات) على ورقة (المصدر).

استدلالات فعالة على الجهاز في قطاع التصنيع#

يُعد التتبع الدقيق للطرود أمرًا ضروريًا على خطوط الإنتاج المزدحمة في منشآت التصنيع. ويمكن استخدام Ultralytics YOLO11 لتتبع كل عنصر وإحصائه أثناء مروره بنقاط الفحص الرئيسية، مع تحديث الأعداد في الوقت الفعلي والإشارة إلى أي اختلافات. ويساعد ذلك على تقليل الشحنات التي لم تُرصد أو لم يُتحقق منها، ويدعم عمليات أكثر سلاسة وموثوقية.

الشكل 5. تتبع الطرود وإحصاؤها باستخدام YOLO11 (المصدر).

يمكن أن يكون لتكامل MNN أثر بالغ في هذا السياق. فبمجرد تصدير نموذج Ultralytics YOLO11 إلى تنسيق MNN، يمكن تشغيله مباشرةً على أجهزة مدمجة منخفضة الطاقة مثبّتة على طول خط النقل.

بما أن جميع عمليات المعالجة تتم محليًا، يستطيع النظام تقديم ملاحظات فورية ولا يحتاج إلى اتصال بالإنترنت. وهذا يضمن أداءً سريعًا وموثوقًا في أرضية المصنع، ويحافظ على كفاءة حركة الإنتاج مع الإبقاء على مستوى عالٍ من الدقة والتحكم.

مزايا تصدير Ultralytics YOLO11 إلى تنسيق نموذج MNN#

فيما يلي بعض المزايا الرئيسية لتكامل MNN الذي توفره Ultralytics:

• استجابة أسرع: بما أن الاستدلال يُجرى على الجهاز، تحدث التنبؤات في الوقت الفعلي وبأقل زمن استجابة.
• تحسين خصوصية البيانات: تبقى البيانات على الجهاز، ما يقلل الحاجة إلى إرسال الصور أو مقاطع الفيديو الحساسة إلى السحابة.
• مفتوح المصدر ويخضع لصيانة نشطة: يحظى MNN بدعم Alibaba ومجتمع نشط، وهو موثوق ويُحدّث بانتظام لتحسين الأداء.

عوامل ينبغي مراعاتها عند استخدام إطار عمل MNN#

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

• التوافق المستمر: قد تتطلب تحديثات إطار العمل أو التغييرات التي تطرأ على المنصات المستهدفة إعادة الاختبار أو إجراء تعديلات لضمان استمرار عمل كل شيء بسلاسة.
• أدوات تصحيح أخطاء أقل: مقارنةً بأطر العمل الأكبر، تتوفر في MNN أدوات أقل لتصحيح الأخطاء وفحص سلوك النموذج، ما قد يجعل استكشاف المشكلات وإصلاحها أصعب.
• يعتمد الأداء على الأجهزة: تختلف سرعة النموذج وكفاءته بحسب الجهاز. اختبر الأجهزة المستهدفة للتأكد من أنها تحقق أهداف الأداء المطلوبة.

أبرز النقاط#

يسهّل دعم Ultralytics لتكامل MNN تصدير نماذج YOLO11 لاستخدامها على الأجهزة المحمولة والمضمنة. وهو 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 وخفض متطلبات الموارد. سواء أكنت تطور أنظمة منزلية ذكية، أو أدوات ميدانية، أو أجهزة صناعية مدمجة، فإن تصدير Ultralytics YOLO11 إلى MNN يوفر طريقة مرنة وفعالة لتشغيل مهام الرؤية الحاسوبية مباشرةً على الأجهزة الطرفية.

انضم إلى مجتمعنا المتنامي! استكشف مستودع GitHub للتعمق أكثر في الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع الرؤية الحاسوبية؟ اطّلع على خيارات الترخيص. اكتشف المزيد عن الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في تجارة التجزئة عبر صفحات الحلول لدينا!