انشر Ultralytics YOLO11 بسلاسة باستخدام تكامل MNN

في الوقت الحاضر، تجاوزت ابتكارات الذكاء الاصطناعي بيئات الخوادم البعيدة. ويجري دمج حلول الذكاء الاصطناعي في الأجهزة الطرفية مثل المستشعرات والهواتف الذكية. وبفضل هذا التحول التكنولوجي، يمكن الآن معالجة البيانات مباشرةً في مكان توليدها، ما يتيح استجابات أسرع وخصوصية محسّنة وتقليل الاعتماد على الاتصال المستمر بالسحابة.

ونتيجةً لذلك، يكتسب الذكاء الاصطناعي الطرفي زخمًا في العديد من الصناعات. ومن المتوقع أن يصل سوق برمجيات الذكاء الاصطناعي الطرفي إلى 8.88 مليار دولار بحلول عام 2031، مع انتقال المزيد 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 عدّ المنتجات الغذائية أثناء تغليفها إلى مساعدة المركبات على اكتشاف المشاة، تدعم الرؤية الحاسوبية عددًا لا حصر له من التطبيقات العملية في مختلف القطاعات.

ويصبح ذلك ممكنًا بفضل نماذج الرؤية الحاسوبية. فعلى سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا يدعم مهام متنوعة في مجال رؤية الذكاء الاصطناعي، مثل اكتشاف الأجسام، وتقسيم المثيلات، وتتبع الأجسام، وتقدير الوضعيات. وقد صُمم ليكون سريعًا وفعالًا، ويؤدي أداءً جيدًا على الأجهزة ذات موارد العتاد المحدودة.

الشكل 1. اكتشاف الطعام الذي يجري تغليفه وتتبعُه باستخدام Ultralytics YOLO11 (المصدر).

بالإضافة إلى ملاءمته للنشر على الأجهزة الطرفية، يمكن تصدير YOLO11 إلى تنسيقات متنوعة مناسبة لبيئات عتاد مختلفة، وذلك من خلال التكاملات المتنوعة التي تدعمها Ultralytics.

يُعد MNN (الشبكة العصبية للأجهزة المحمولة) أحد أكثر الخيارات كفاءة، وهو محرك استدلال خفيف الوزن مصمم للأجهزة منخفضة الموارد. ويتيح تصدير Ultralytics YOLO11 إلى MNN تشغيله مباشرةً على الهواتف المحمولة والأنظمة المضمنة وغيرها من المنصات الطرفية التي يكون فيها إجراء المعالجة بسرعة على الجهاز أمرًا ضروريًا.

في هذه المقالة، سنستكشف كيفية عمل تكامل MNN، ونسلط الضوء على حالات الاستخدام الشائعة، ونوضح خطوةً بخطوة كيفية البدء في إجراء عمليات الاستدلال باستخدام نموذج Ultralytics YOLO11 مُصدّر. لنبدأ!

نظرة عامة على MNN: إطار عمل للتعلم العميق#

ليس تشغيل نماذج الرؤية الحاسوبية على أجهزة أصغر مثل الهواتف المحمولة والمستشعرات الصناعية والأنظمة المحمولة أمرًا مباشرًا دائمًا. فغالبًا ما تتمتع هذه الأجهزة بذاكرة محدودة ومعالجات أبطأ وقيود صارمة على الطاقة.

إن Mobile Neural Network، أو MNN، هو محرك استدلال خفيف الوزن وعالي الأداء طورته Alibaba لتشغيل نماذج الذكاء الاصطناعي بكفاءة على العتاد منخفض الموارد مع الحفاظ على الأداء في الوقت الفعلي. ويدعم MNN مجموعة واسعة من المنصات، بما في ذلك Android وiOS وLinux، ويعمل على أنواع متعددة من العتاد 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. وبعبارة بسيطة، يعني ذلك إمكانية تحويل النماذج من تنسيق YOLO إلى MNN.

بعد تحويلها، يمكن نشرها على الأجهزة التي تدعم إطار عمل MNN لإجراء الاستدلال بكفاءة على الجهاز. وتتمثل إحدى الفوائد الرئيسية لاستخدام تنسيق MNN في أنه يبسط نشر Ultralytics YOLO11 في السيناريوهات التي يكون فيها الحجم والسرعة وكفاءة الموارد عوامل حاسمة.

الميزات الرئيسية لواجهة الاستدلال الخلفية في MNN#

قبل التعمق في كيفية استخدام تكامل MNN، دعونا نلقِ نظرة على العوامل التي تجعل إطار عمل MNN خيارًا ممتازًا لتشغيل نماذج الذكاء الاصطناعي على الأجهزة الواقعية. فقد صُمم للتعامل مع القيود الفريدة للبيئات الطرفية مع الاستمرار في تقديم أداء سريع وموثوق.

ومن المثير للاهتمام أن Alibaba تستخدم MNN داخليًا في أكثر من 30 تطبيقًا، بما في ذلك Taobao وTmall وYouku وDingTalk وXianyu، ضمن مجموعة واسعة من السيناريوهات مثل الفيديو المباشر والمحتوى القصير والبحث عن الصور وفحوصات الأمان على الجهاز. وهو يدعم النشر على نطاق واسع، ويجري ملايين عمليات الاستدلال يوميًا في بيئات الإنتاج.

فيما يلي بعض الميزات الرئيسية لإطار عمل MNN:

• الاختيار التلقائي للواجهة الخلفية: يمكن لـ MNN اختيار واجهة التنفيذ الخلفية الأنسب تلقائيًا، مثل CPU أو GPU، استنادًا إلى العتاد الذي يعمل عليه.
• التنفيذ متعدد الخيوط: يدعم تعدد الخيوط، ما يتيح له الاستفادة الكاملة من المعالجات متعددة الأنوية لإجراء الاستدلال بسرعة أكبر.
• دعم تكميم النماذج: يتيح تقليل حجم النموذج بدرجة كبيرة باستخدام تكميم FP16 أو INT8، ما يساعد على تحسين سرعة الاستدلال مع استخدام ذاكرة أقل.
• خفيف الوزن وسريع: يتمتع MNN ببصمة صغيرة جدًا؛ إذ تبلغ مساحة المكتبة الأساسية نحو 400 كيلوبايت على Android وحوالي 5 ميغابايت على iOS، ما يجعله مثاليًا للأجهزة المحمولة والمضمنة.

فهم كيفية عمل تكامل MNN#

بعد ذلك، سنوضح خطوةً بخطوة كيفية تصدير نماذج Ultralytics YOLO11 إلى تنسيق MNN.

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python، التي توفر كل ما يلزم لتصدير نماذج YOLO11 إلى تنسيق MNN. ويمكنك القيام بذلك بتشغيل "pip install ultralytics" في الطرفية أو باستخدام 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 مُدرَّب مسبقًا، مثل "yolo11n.pt"، وتصديره إلى تنسيق MNN كما هو موضح في مقتطف التعليمات البرمجية أدناه. وإذا كنت قد درّبت نموذج YOLO11 مخصصًا خاصًا بك، فيمكنك تصديره ببساطة باستبدال 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 ومضمنة مختلفة، وفقًا لاحتياجات تطبيقك.

على سبيل المثال، افترض أنك تريد اختبار النموذج المُصدّر على مقطع فيديو لحركة المرور. في هذه الحالة، يمكنك تحميل نموذج Ultralytics YOLO11 بتنسيق MNN لاكتشاف أجسام 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 الفيديو الناتج الذي يحتوي على الأجسام المكتشفة تلقائيًا في المجلد 'runs/detect/predict'. وإذا كنت تريد أيضًا إجراء الاستدلال باستخدام حزمة MNN Python مباشرةً، فيمكنك مراجعة وثائق Ultralytics الرسمية للحصول على مزيد من التفاصيل والأمثلة.

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

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

يتيح نشر Ultralytics YOLO11 باستخدام MNN تنفيذ مهام رؤية حاسوبية سريعة وفعالة مثل اكتشاف الأجسام في البيئات التي تكون فيها المعالجة المستندة إلى السحابة غير عملية أو غير ممكنة. لنرَ كيف يمكن أن يكون هذا التكامل مفيدًا بصورة خاصة في السيناريوهات الواقعية.

الذكاء الاصطناعي الطرفي المحمول لتحديد أمراض النباتات#

تكتسب تطبيقات تحديد أمراض النباتات التي تستخدم تصنيف الصور شعبيةً بين البستانيين والباحثين وهواة الطبيعة. فمن خلال صورة واحدة، يمكن للمستخدمين تحديد العلامات المبكرة للمرض بسرعة، مثل البقع على الأوراق أو تغير لونها. ونظرًا إلى أن هذه التطبيقات تُستخدم غالبًا في المناطق الخارجية التي قد يكون فيها الوصول إلى الإنترنت محدودًا أو غير متاح، فقد تكون المعالجة السحابية غير موثوقة.

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

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

عمليات استدلال فعالة على الجهاز في مجال التصنيع#

يُعد التتبع الدقيق للطرود أمرًا ضروريًا على خطوط الإنتاج المزدحمة في منشآت التصنيع. ويمكن استخدام Ultralytics YOLO11 لتتبع كل عنصر وعدّه أثناء مروره عبر نقاط التحقق الرئيسية، مع تحديث الأعداد في الوقت الفعلي والإبلاغ عن أي اختلافات. ويساعد ذلك على تقليل الشحنات الفائتة أو غير المسجلة، ويدعم عمليات أكثر سلاسة وموثوقية.

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

يمكن أن يكون تكامل MNN مؤثرًا بصورة خاصة في هذا السياق. فبعد تصدير نموذج Ultralytics YOLO11 إلى تنسيق MNN، يمكن تشغيله مباشرةً على أجهزة مدمجة منخفضة الطاقة مثبتة على طول الناقل.

نظرًا إلى أن المعالجة بأكملها تتم محليًا، يستطيع النظام تقديم ملاحظات فورية ولا يتطلب اتصالًا بالإنترنت. ويضمن ذلك أداءً سريعًا وموثوقًا في أرضية المصنع، مع الحفاظ على سير الإنتاج بكفاءة ومستوى عالٍ من الدقة والتحكم.

مزايا تصدير Ultralytics YOLO11 إلى تنسيق نموذج MNN#

فيما يلي بعض الفوائد الرئيسية لتكامل MNN الذي توفره Ultralytics:

• أوقات استجابة أسرع: نظرًا إلى أن الاستدلال يُجرى على الجهاز، تحدث التنبؤات في الوقت الفعلي مع حد أدنى من زمن الاستجابة.
• تحسين خصوصية البيانات: تبقى البيانات على الجهاز، ما يقلل الحاجة إلى إرسال الصور أو مقاطع الفيديو الحساسة إلى السحابة.
• مفتوح المصدر ويحظى بصيانة نشطة: يحظى MNN بدعم Alibaba ومجتمع نشط، ما يجعله موثوقًا ويضمن تحديثه بانتظام بتحسينات في الأداء.

عوامل يجب 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 في المنصات المستهدفة إعادة الاختبار أو إجراء تعديلات للحفاظ على سلاسة التشغيل.
• أدوات تصحيح أخطاء أقل: بالمقارنة مع أطر العمل الأكبر، يوفر MNN أدوات أكثر محدودية لتصحيح الأخطاء وفحص سلوك النموذج، ما قد يجعل استكشاف المشكلات وإصلاحها أكثر صعوبة.
• يعتمد الأداء على العتاد: ستختلف سرعة نموذجك وكفاءته تبعًا للجهاز. اختبر العتاد المستهدف للتأكد من تحقيقه أهداف الأداء الخاصة بك.

أهم النقاط المستخلصة#

يجعل دعم Ultralytics لتكامل MNN تصدير نماذج YOLO11 لاستخدامها على الأجهزة المحمولة والمضمنة أمرًا سهلًا. وهو خيار عملي للتطبيقات التي تتطلب اكتشافًا سريعًا وموثوقًا من دون الاعتماد على الوصول إلى السحابة أو الاتصال المستمر.

يساعد هذا الإعداد على تبسيط النشر مع الحفاظ على الأداء وخفض متطلبات الموارد. وسواء كنت 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 الخاص بنا للتعمق أكثر في الذكاء الاصطناعي. هل أنت مستعد لبدء مشاريع الرؤية الحاسوبية الخاصة بك؟ اطلع على خيارات الترخيص. واكتشف المزيد عن الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع التجزئة في صفحات حلولنا!