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.

ونتيجة لذلك، يكتسب edge AI زخمًا كبيرًا عبر العديد من الصناعات. ومن المتوقع أن يصل سوق برمجيات edge AI إلى 8.88 مليار دولار بحلول عام 2031 مع توجه المزيد من الأنظمة نحو معالجة أسرع وأكثر محلية.

على وجه الخصوص، يتم اعتماد رؤية الحاسوب، وهو فرع من الذكاء الاصطناعي يركز على فهم الصور والفيديو، بسرعة كبيرة على الحافة. فمن عد المواد الغذائية أثناء تغليفها إلى مساعدة المركبات في اكتشاف المشاة، تدعم رؤية الحاسوب عددًا لا يحصى من التطبيقات العملية عبر قطاعات مختلفة.

يصبح هذا ممكنًا من خلال نماذج رؤية الحاسوب. على سبيل المثال، Ultralytics YOLO11 هو نموذج يدعم مهام ذكاء اصطناعي مرئية متنوعة مثل اكتشاف الأشياء، وتقسيم النسخ، وتتبع الأشياء، وتقدير الوضعية. لقد صُمم ليكون سريعًا وفعالًا ويعمل بشكل جيد على الأجهزة ذات موارد الأجهزة المحدودة.

الشكل 1. الكشف عن الطعام وتتبعه أثناء تعبئته باستخدام YOLO11 (المصدر).

بالإضافة إلى ملاءمته للنشر على الحافة، ومن خلال التكاملات المتنوعة التي تدعمها Ultralytics، يمكن تصدير YOLO11 إلى تنسيقات مختلفة مناسبة لبيئات الأجهزة المختلفة.

أحد أكثر الخيارات كفاءة هو MNN (Mobile Neural Network)، وهو محرك استدلال خفيف الوزن مصمم للأجهزة ذات الموارد المنخفضة. يتيح تصدير YOLO11 إلى MNN تشغيله مباشرة على الهواتف المحمولة، والأنظمة المدمجة، ومنصات الحافة الأخرى حيث تكون المعالجة السريعة على الجهاز أمرًا ضروريًا.

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

Link to this sectionنظرة عامة على MNN: إطار عمل للتعلم العميق#

لا يعد تشغيل نماذج رؤية الحاسوب على أجهزة أصغر مثل الهواتف المحمولة والمستشعرات الصناعية والأنظمة المحمولة أمرًا مباشرًا دائمًا. فغالبًا ما تحتوي هذه الأجهزة على ذاكرة محدودة، ومعالجات أبطأ، وقيود صارمة على الطاقة.

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 تحويلها، يمكن نشرها على الأجهزة التي تدعم إطار عمل MNN من أجل استدلال فعال على الجهاز. إحدى المزايا الرئيسية لاستخدام تنسيق MNN هي أنه يبسط نشر YOLO11 في السيناريوهات التي يكون فيها الحجم والسرعة وكفاءة الموارد أمورًا بالغة الأهمية.

Link to this sectionالميزات 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.
• التنفيذ متعدد الخيوط: يدعم تعدد الخيوط، مما يسمح له بالاستفادة الكاملة من المعالجات متعددة النوى للحصول على استدلال 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.

Link to this sectionفهم كيفية عمل تكامل MNN#

بعد ذلك، دعونا نتناول كيفية تصدير نماذج 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 عن طريق تشغيل "pip install ultralytics" في 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 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 فيديو مروري. في هذه الحالة، يمكنك تحميل نموذج YOLO11 بتنسيق MNN لاكتشاف أشياء 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 المخرجات الذي يحتوي على الأشياء المكتشفة تلقائيًا في مجلد 'runs/detect/predict'. أيضًا، إذا كنت ترغب في تشغيل الاستدلال باستخدام حزمة MNN Python مباشرة، يمكنك الاطلاع على وثائق Ultralytics الرسمية لمزيد من التفاصيل والأمثلة.

الشكل 3. تحليل حركة المرور باستخدام نموذج YOLO11 تم تصديره إلى تنسيق MNN. الصورة بواسطة المؤلف.

Link to this sectionحالات استخدام نشر نماذج الذكاء الاصطناعي على الحافة التي يتيحها YOLO11 و MNN#

يُمكّن نشر YOLO11 مع MNN من تنفيذ مهام رؤية حاسوب سريعة وفعالة مثل اكتشاف الأشياء في البيئات التي لا تكون فيها المعالجة المستندة إلى السحابة عملية أو ممكنة. دعونا نرى كيف يمكن أن يكون هذا التكامل مفيدًا بشكل خاص في سيناريوهات العالم الحقيقي.

Link to this sectionذكاء اصطناعي للحافة المحمولة لتحديد أمراض النباتات#

تكتسب تطبيقات تحديد أمراض النباتات التي تستخدم تصنيف الصور شعبية بين البستانيين والباحثين وعشاق الطبيعة. فبمجرد التقاط صورة، يمكن للمستخدمين تحديد العلامات المبكرة للمرض بسرعة، مثل بقع الأوراق أو تغير اللون. ونظرًا لأن هذه التطبيقات غالبًا ما تُستخدم في مناطق خارجية حيث قد يكون الوصول إلى الإنترنت محدودًا أو غير متاح، فإن الاعتماد على المعالجة السحابية يمكن أن يكون غير موثوق.

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

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

Link to this sectionاستدلالات فعالة على الجهاز في التصنيع#

يعد تتبع الطرود بدقة أمرًا ضروريًا على خطوط الإنتاج المزدحمة في مرافق التصنيع. يمكن استخدام YOLO11 لتتبع وعد كل عنصر أثناء تحركه عبر نقاط التفتيش الرئيسية، وتحديث الأعداد في الوقت الفعلي والإبلاغ عن أي تباينات. يساعد هذا في تقليل الشحنات المفقودة أو غير المحسوبة ويدعم عمليات أكثر سلاسة وموثوقية.

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

يمكن أن يكون تكامل MNN مؤثرًا بشكل خاص في هذا السياق. بمجرد تصدير نموذج YOLO11 إلى تنسيق MNN، يمكنه العمل مباشرة على أجهزة مدمجة ومنخفضة الطاقة مثبتة على طول سير النقل.

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.

Link to this sectionمزايا تصدير 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.
• تحسين خصوصية البيانات: تظل البيانات على الجهاز، مما يقلل الحاجة إلى إرسال صور أو فيديوهات حساسة إلى السحابة.
• مفتوح المصدر ومدعوم بنشاط: بدعم من Alibaba ومجتمع نشط، يعد MNN موثوقًا ويتم تحديثه بانتظام بتحسينات الأداء.

Link to this sectionعوامل 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.

Link to this sectionأبرز 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 في تبسيط النشر مع الحفاظ على الأداء وإبقاء متطلبات الموارد منخفضة. سواء كنت تبني أنظمة منزلية ذكية، أو أدوات ميدانية، أو أجهزة صناعية مدمجة، فإن تصدير YOLO11 إلى MNN يوفر طريقة مرنة وفعالة لتشغيل مهام رؤية الحاسوب مباشرة على أجهزة الحافة.

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 الخاصة بنا. اكتشف المزيد حول الذكاء الاصطناعي في الرعاية الصحية ورؤية الحاسوب في التجزئة على صفحات حلولنا!