انشر Ultralytics YOLO11 بسلاسة باستخدام تكامل MNN

في الوقت الحاضر، توسعت ابتكارات الذكاء الاصطناعي لتتجاوز بيئات الخوادم البعيدة. حيث يتم دمج حلول الذكاء الاصطناعي في أجهزة الحافة (edge devices) مثل المستشعرات والهواتف الذكية. وبفضل هذا التحول التكنولوجي، يمكن الآن معالجة البيانات مباشرةً في مكان توليدها، مما يتيح استجابات أسرع، وخصوصية محسنة، وتقليل الاعتماد على الاتصال المستمر بالسحابة.

نتيجة لذلك، يكتسب edge AI زخماً عبر العديد من الصناعات. من المتوقع أن يصل edge AI software market إلى 8.88 مليار دولار بحلول عام 2031 مع اتجاه المزيد من الأنظمة نحو المعالجة الأسرع والأكثر محلية.

على وجه الخصوص، يتم تبني computer vision، وهو فرع من الذكاء الاصطناعي يركز على فهم الصور والفيديوهات، بسرعة على الحافة. فمن عد العناصر الغذائية أثناء تعبئتها إلى مساعدة المركبات في اكتشاف المشاة، يدعم الكمبيوتر الرؤيتي عددًا لا يحصى من التطبيقات العملية عبر مختلف القطاعات.

يصبح هذا ممكناً من خلال نماذج الرؤية الحاسوبية. على سبيل المثال، يعد Ultralytics YOLO11 نموذجاً يدعم مهام ذكاء رؤيتي متنوعة مثل اكتشاف الكائنات، وتجزئة المثيلات، وتتبع الكائنات، وتقدير الوضعية. وهو مصمم ليكون سريعاً وفعالاً ويعمل بشكل جيد على الأجهزة ذات الموارد المحدودة من الأجهزة.

الشكل 1. الكشف عن الأطعمة وتتبعها أثناء تغليفها باستخدام Ultralytics YOLO11 (المصدر).

بالإضافة إلى كونها مناسبة للتشريد على الحافة، من خلال integrations المختلفة التي تدعمها Ultralytics، يمكن تصدير YOLO11 إلى تنسيقات مختلفة مناسبة لبيئات الأجهزة المختلفة.

يُعد MNN (Mobile Neural Network) أحد أكثر الخيارات كفاءة، وهو محرك استدلال خفيف الوزن مصمم للأجهزة ذات الموارد المحدودة. يتيح تصدير Ultralytics YOLO11 إلى MNN إمكانية تشغيله مباشرة على الهواتف المحمولة، والأنظمة المدمجة، وغيرها من منصات الحوسبة الطرفية حيث تكون المعالجة السريعة على الجهاز ذات أهمية بالغة.

في هذه المقالة، سنستكشف كيف يعمل MNN integration، ونسلط الضوء على حالات الاستخدام الشائعة، ونتناول خطوة بخطوة كيفية البدء في إجراء عمليات الاستدلال باستخدام نموذج Ultralytics YOLO11 مُصدر. لنبدأ!

نظرة عامة على MNN: إطار عمل للتعلم العميق#

لا يعد تشغيل computer vision models على الأجهزة الأصغر مثل الهواتف المحمولة، وأجهزة الاستشعار الصناعية، والأنظمة المحمولة أمراً سهلاً دائماً. غالباً ما تحتوي هذه الأجهزة على ذاكرة محدودة، ومعالجات أبطأ، وحدود طاقة صارمة.

شبكة MNN، أو Mobile Neural Network، هي محرك استدلال خفيف الوزن وعالي الأداء طورته شركة Alibaba لجعل نماذج الذكاء الاصطناعي تعمل بكفاءة على الأجهزة ذات الموارد المنخفضة مع الحفاظ على أداء في الوقت الفعلي. يدعم MNN مجموعة واسعة من المنصات، بما في ذلك Android و iOS و Linux، ويعمل عبر مجموعة من أنواع الأجهزة مثل وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs).

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

يجعل تكامل MNN المدعوم من Ultralytics من الممكن تصدير نماذج YOLO11 بسهولة إلى تنسيق MNN. ببساطة، هذا يعني أنه يمكن تحويل النماذج من تنسيق YOLO إلى MNN.

بمجرد التحويل، يمكن نشر النماذج على الأجهزة التي تدعم إطار عمل MNN لتحقيق استدلال فعال على الجهاز. وتتمثل إحدى المزايا الرئيسية لاستخدام تنسيق MNN في أنه يبسط عملية نشر Ultralytics YOLO11 في السيناريوهات التي يكون فيها الحجم، والسرعة، وكفاءة الموارد أمور بالغة الأهمية.

الميزات الرئيسية لمحرك استدلال MNN#

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

ومن المثير للاهتمام أن MNN يُستخدم 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 ويشغل ملايين الاستدلالات يوميًا في بيئات الإنتاج.

فيما يلي بعض الميزات الرئيسية لإطار عمل MNN:

• الاختيار التلقائي للخلفية: يمكن لـ MNN اختيار خلفية التنفيذ الأنسب تلقائيًا، مثل CPU أو GPU، بناءً على الجهاز الذي يعمل عليه.
• Multi-threaded execution: يدعم التنفيذ متعدد الخيوط، مما يسمح له بالاستفادة الكاملة من المعالجات متعددة النوى لاستدلال أسرع.
• دعم تكميم النماذج: يتيح لك تقليل حجم النموذج بشكل كبير باستخدام تكميم FP16 أو INT8، مما يساعد في تحسين سرعة الاستدلال مع استخدام ذاكرة أقل.
• خفيف الوزن وسريع: يتمتع MNN ببصمة صغيرة جدًا، حيث تبلغ مساحة المكتبة الأساسية حوالي 400 كيلوبايت على Android وحوالي 5 ميجابايت على iOS، مما يجعله مثاليًا للأجهزة المحمولة والمدمجة.

فهم كيفية عمل تكامل MNN#

بعد ذلك، سنستعرض كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق MNN.

الخطوة الأولى هي تثبيت Ultralytics Python package، الذي يوفر كل ما تحتاجه لتصدير نماذج YOLO11 إلى تنسيق MNN. يمكنك القيام بذلك عن طريق تشغيل "pip install ultralytics" على جهازك الطرفي أو استخدام موجه الأوامر. إذا كنت تستخدم Jupyter Notebook أو Google Colab، فأضف علامة تعجب قبل الأمر.

إذا واجهت أي مشاكل أثناء التثبيت، فارجع إلى Common Issues guide للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

بمجرد إعداد بيئتك، يمكنك تحميل نموذج YOLO11 مدرب مسبقًا مثل "yolo11n.pt" وتصديره إلى تنسيق MNN كما هو موضح في مقتطف الكود أدناه. إذا كنت قد دربت نموذج YOLO11 المخصص الخاص بك، فيمكنك تصديره ببساطة عن طريق استبدال اسم الملف بمسار نموذجك.

from ultralytics import YOLO

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

بعد تحويل نموذجك إلى MNN، يمكنك استخدامه عبر منصات محمولة ومدمجة مختلفة بناءً على احتياجات تطبيقك.

على سبيل المثال، لنفترض أنك تريد اختبار النموذج المُصدر على مقطع فيديو لحركة المرور. في هذه الحالة، يمكنك تحميل نموذج Ultralytics YOLO11 بتنسيق MNN لاكتشاف الكائنات مثل المركبات والمشاة وإشارات المرور مباشرة 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 تلقائياً في مجلد 'runs/detect/predict'. أيضاً، إذا كنت ترغب في تشغيل الاستدلال باستخدام حزمة MNN Python مباشرة، يمكنك الاطلاع على Ultralytics documentation الرسمية لمزيد من التفاصيل والأمثلة.

الشكل 3. تحليل حركة المرور باستخدام نموذج Ultralytics YOLO11 مُصدر إلى تنسيق MNN. الصورة بواسطة المؤلف.

حالات استخدام نشر نماذج الذكاء الاصطناعي على الحافة المدعومة بواسطة Ultralytics YOLO11 وMNN#

يُمكّن نشر Ultralytics YOLO11 باستخدام MNN من تنفيذ مهام الرؤية الحاسوبية السريعة والفعالة مثل object detection في البيئات التي تكون فيها المعالجة السحابية غير عملية أو غير ممكنة. لنرَ كيف يمكن أن يكون هذا التكامل مفيدًا بشكل خاص في السيناريوهات الواقعية.

ذكاء اصطناعي للحافة المحمولة لتحديد أمراض النباتات#

تكتسب تطبيقات تحديد أمراض النبات التي تستخدم image classification شعبية بين البستانيين والباحثين وعشاق الطبيعة. بمجرد التقاط صورة، يمكن للمستخدمين تحديد العلامات المبكرة للمرض بسرعة، مثل بقع الأوراق أو تغير اللون. نظراً لأن هذه التطبيقات غالباً ما تُستخدم في المناطق الخارجية حيث قد يكون الوصول إلى الإنترنت محدوداً أو غير متوفر، فإن الاعتماد على المعالجة السحابية يمكن أن يكون غير موثوق به.

بعد التدريب، يمكن تصدير نموذج Ultralytics YOLO11 إلى تنسيق MNN وتشغيله مباشرة على الأجهزة المحمولة. ويمكن للنموذج بعد ذلك تصنيف أنواع النباتات واكتشاف أعراض الأمراض المرئية محليًا، دون إرسال أي بيانات إلى الخادم.

الشكل 4. مثال على استخدام YOLO11 لاكتشاف علامات الصدأ (مرض نباتي) على ورقة (المصدر).

استدلالات فعالة على الجهاز في التصنيع#

يعد تتبع الطرود بدقة أمرًا ضروريًا خطوط الإنتاج المزدحمة في مرافق manufacturing. يمكن استخدام Ultralytics YOLO11 لتتبع العد لكل عنصر أثناء مروره عبر نقاط التفتيش الرئيسية، وتحديث العد في الوقت الفعلي وتحديد أي تناقضات. يساعد هذا في تقليل الشحنات المفقودة أو غير المسجلة ويدعم عمليات أكثر سلاسة وموثوقية.

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

يمكن أن يكون integración MNN مؤثرًا بشكل خاص في هذا السياق. بمجرد تصدير نموذج Ultralytics YOLO11 إلى تنسيق MNN، يمكن تشغيله مباشرة على أجهزة مدمجة ومنخفضة الطاقة مثبتة على طول سير الحركة.

نظرًا لأن جميع عمليات المعالجة تحدث محليًا، يمكن للنظام تقديم ملاحظات فورية ولا يتطلب أي اتصال بالإنترنت. وهذا يضمن أداءً سريعًا وموثوقًا في أرض المصنع، مما يحافظ على استمرار الإنتاج بكفاءة مع الحفاظ على دقة وتحكم عاليين.

مزايا تصدير Ultralytics YOLO11 إلى تنسيق نموذج MNN#

إليك بعض الفوائد الرئيسية لتكامل MNN الذي توفره Ultralytics:

• أوقات استجابة أسرع: نظرًا لأن الاستدلال يعمل على الجهاز، فإن التوقعات تحدث في الوقت الفعلي مع الحد الأدنى من التأخير.
• Improved data privacy: تبقى البيانات على الجهاز، مما يقلل من الحاجة إلى إرسال صور أو مقاطع فيديو حساسة إلى السحابة.
• مفتوح المصدر ومدعوم بنشاط: بدعم من Alibaba ومجتمع نشط، يعد MNN موثوقًا ويتم تحديثه بانتظام بتحسينات الأداء.

عوامل يجب مراعاتها عند استخدام إطار عمل MNN#

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

• التوافق المستمر: قد تتطلب تحديثات إطار العمل أو التغييرات في منصاتك المستهدفة إعادة اختبار أو تعديلات للحفاظ على استمرار عمل كل شيء بسلاسة.
• أدوات تصحيح أخطاء أقل: مقارنة بالأطر الأكبر، يحتوي MNN على أدوات أكثر محدودية لتصحيح الأخطاء وفحص سلوك النموذج، مما قد يجعل استكشاف الأخطاء وإصلاحها أكثر صعوبة.
• يعتمد الأداء على الأجهزة: ستختلف سرعة وكفاءة نموذجك اعتمادًا على الجهاز. اختبر جهازك المستهدف للتأكد من أنه يلبي أهداف الأداء الخاصة بك.

أبرز النقاط#

يجعل دعم Ultralytics لتكامل MNN 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 عملية النشر مع الحفاظ على الأداء والحفاظ على متطلبات الموارد منخفضة. وسواء كنت تبني أنظمة منزلية ذكية، أو أدوات ميدانية، أو أجهزة صناعية مدمجة، فإن تصدير Ultralytics YOLO11 إلى MNN يوفّر طريقة مرنة وفعالة لتشغيل مهام الرؤية الحاسوبية مباشرة على الأجهزة الطرفية.

انضم إلى community المتنامي لدينا! استكشف GitHub repository الخاص بنا للتعمق أكثر في الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع الرؤية الحاسوبية الخاصة بك؟ تحقق من licensing options لدينا. اكتشف المزيد حول AI in healthcare و computer vision in retail على صفحات الحلول الخاصة بنا!