أهم 5 نصائح لنشر YOLO26 بكفاءة على الحافة والسحابة

في الشهر الماضي، أطلقت Ultralytics رسمياً Ultralytics YOLO26، مما وضع معياراً جديداً لـ الرؤية الحاسوبية القائمة على الذكاء الاصطناعي، وهو فرع من الذكاء الاصطناعي يُمكّن الآلات من تفسير وفهم المعلومات المرئية من الصور والفيديو. بدلاً من مجرد التقاط اللقطات، تدعم نماذج الرؤية الحاسوبية مثل نماذج Ultralytics YOLO مهام الرؤية مثل اكتشاف الأشياء، وتجزئة الحالات، وتقدير الوضع، وتصنيف الصور.

تم تصميم YOLO26 للمكان الذي تعمل فيه الرؤية الحاسوبية فعلياً، أي على الأجهزة والكاميرات والروبوتات وأنظمة الإنتاج، وهو نموذج متطور يوفر استدلالاً أسرع لوحدة المعالجة المركزية (CPU)، ونشراً مبسطاً، وأداءً فعالاً وشاملاً في البيئات الواقعية. كما تم تصميم نماذج YOLO26 لتسهيل نقل حلول الرؤية الحاسوبية من التجربة إلى الإنتاج.

الشكل 1. نموذج YOLO26 nano يوفر استدلالاً أسرع لوحدة المعالجة المركزية بنسبة تصل إلى 43% مقارنة بـ YOLO11. (المصدر)

يتضمن نشر النموذج عادةً اعتبارات متنوعة، مثل اختيار الأجهزة المناسبة، واختيار تنسيق تصدير مناسب، والتحسين من أجل الأداء، والتحقق من النتائج في ظروف واقعية. التنقل عبر هذه الخطوات أثناء نشر YOLO26 أمر مباشر، بفضل حزمة Ultralytics Python، التي تعمل على تبسيط التدريب والاستدلال وتصدير النماذج عبر أهداف نشر متعددة.

ومع ذلك، حتى مع سير العمل المبسط، فإن اتخاذ قرارات النشر الصحيحة هو أمر أساسي. في هذه المقالة، سنستعرض خمس نصائح عملية لمساعدتك على نشر YOLO26 بكفاءة عبر بيئات الحافة والسحابة، مما يضمن أداء رؤية حاسوبية موثوقاً وقابلاً للتطوير في الإنتاج. لنبدأ!

Link to this sectionما هو نشر النموذج في الرؤية الحاسوبية؟#

قبل أن نغوص في استراتيجيات النشر لنموذج YOLO26، دعونا نتراجع خطوة للوراء ونفهم ما يعنيه نشر النموذج في الرؤية الحاسوبية.

نشر النموذج هو عملية نقل نموذج تعلم عميق مدرب من بيئة تطوير إلى تطبيق واقعي حيث يمكنه معالجة صور جديدة أو تدفقات فيديو وتوليد تنبؤات باستمرار. بدلاً من إجراء تجارب على مجموعات بيانات ثابتة، يصبح النموذج جزءاً من نظام حي.

في الرؤية الحاسوبية، يعني هذا غالباً دمج النموذج مع الكاميرات، أو أجهزة الحافة التي تعمل بالذكاء الاصطناعي، أو واجهات برمجة التطبيقات (API)، أو البنية التحتية السحابية. يجب أن يعمل النموذج ضمن قيود الأجهزة، ويلبي متطلبات زمن الانتقال، ويحافظ على أداء ثابت في ظل ظروف واقعية متغيرة.

يعد فهم هذا التحول من التجربة إلى الإنتاج أمراً ضرورياً لأن قرارات النشر تؤثر بشكل مباشر على مدى جودة أداء النموذج خارج المختبر أو الإعداد التجريبي.

Link to this sectionفهم سير عمل نشر Ultralytics YOLO26#

بعد ذلك، دعونا نلقي نظرة على ما يتضمنه سير عمل نشر YOLO26 فعلياً. ببساطة، هو تسلسل الخطوات التي تأخذ الصورة من مرحلة الالتقاط إلى التحليل وتحويلها إلى تنبؤ.

في الإعداد النموذجي، تلتقط الكاميرا صورة أو إطار فيديو. بعد ذلك تتم معالجة هذه البيانات مسبقاً، مثل تغيير الحجم أو التنسيق بشكل صحيح، قبل تمريرها إلى Ultralytics YOLO26 للاستدلال.

يقوم النموذج بتحليل المدخلات وينتج مخرجات مثل مربعات الإحاطة (BBox)، أو أقنعة التجزئة، أو النقاط الرئيسية. يمكن بعد ذلك استخدام هذه النتائج لتشغيل إجراءات، مثل إرسال تنبيهات، أو تحديث لوحة تحكم، أو توجيه نظام روبوتي.

يعتمد المكان الذي يعمل فيه سير العمل هذا على استراتيجية النشر الخاصة بك. على سبيل المثال، في نشر الحافة، يحدث الاستدلال مباشرة على الجهاز أو بالقرب من الكاميرا، مما يساعد في تقليل زمن الانتقال وتحسين خصوصية البيانات.

في الوقت نفسه، في النشر السحابي، يتم إرسال الصور أو إطارات الفيديو إلى خوادم بعيدة للمعالجة، مما يتيح قابلية توسع أكبر وإدارة مركزية. تستخدم بعض الأنظمة نهجاً هجيناً، حيث يتم إجراء معالجة خفيفة عند الحافة وأعباء عمل أثقل في السحابة.

Link to this sectionاستكشاف متغيرات نموذج YOLO26#

لاتخاذ قرارات نشر مستنيرة، من المهم أيضاً فهم وجود متغيرات مختلفة لنموذج YOLO26 للاختيار من بينها.

جاهزة للاستخدام، تتوفر نماذج Ultralytics YOLO بأحجام متعددة، مما يسهل اختيار إصدار يناسب احتياجات الأجهزة والأداء الخاصة بك. يأتي YOLO26 بخمسة متغيرات: Nano (n)، وSmall (s)، وMedium (m)، وLarge (l)، وExtra Large (x).

النماذج الأصغر، مثل YOLO26n، محسنة للكفاءة وهي رائعة لأجهزة الحافة، وأجهزة إنترنت الأشياء (IoT)، والأنظمة المدمجة، والأنظمة التي تعمل بوحدة المعالجة المركزية (CPU)، حيث يكون زمن الانتقال المنخفض واستهلاك الطاقة الأقل أمراً مهماً. وهي توفر أداءً قوياً مع الحفاظ على الحد الأدنى من استخدام الموارد.

النماذج الأكبر، مثل YOLO26l وYOLO26x، مصممة لتقديم دقة أعلى والتعامل مع مشاهد أكثر تعقيداً. عادةً ما تؤدي هذه المتغيرات بشكل أفضل على الأنظمة المجهزة بوحدات معالجة الرسومات (GPU) أو في البيئات السحابية حيث تتوفر المزيد من موارد الحوسبة.

يعتمد اختيار حجم النموذج المناسب على أهداف النشر الخاصة بك. إذا كانت السرعة والكفاءة على الأجهزة المحدودة هي أولوياتك القصوى، فقد يكون المتغير الأصغر مثالياً. إذا كان تطبيقك يتطلب أقصى قدر من الدقة ولديك إمكانية الوصول إلى أجهزة أقوى، فقد يكون النموذج الأكبر هو الخيار الأفضل.

Link to this sectionنصائح لنشر YOLO26 بكفاءة#

الآن وبعد أن أصبح لدينا فهم أفضل لمتغيرات نموذج YOLO26 وسير عمل النشر، دعونا نستكشف بعض النصائح العملية لنشر YOLO26 بكفاءة عبر بيئات الحافة والسحابة.

Link to this sectionنصيحة 1: ضع في اعتبارك خيارات نشر النموذج الخاصة بك#

أحد القرارات الأولى التي ستحتاج إلى اتخاذها عند نشر Ultralytics YOLO26 هو مكان تشغيل النموذج. تؤثر بيئة النشر الخاصة بك بشكل مباشر على الأداء، وزمن الانتقال، والخصوصية، وقابلية التوسع.

ابدأ بتقييم سير العمل الخاص بك. هل يتطلب تطبيقك زمن انتقال منخفضاً، مما يعني أنه يجب إنشاء التنبؤات فور التقاط الصورة تقريباً؟

على سبيل المثال، في الروبوتات أو أنظمة السلامة، حتى التأخيرات الصغيرة يمكن أن تؤثر على الأداء. في هذه الحالات، غالباً ما يكون نشر الحافة هو الخيار الأفضل. يؤدي تشغيل الاستدلال مباشرة على الجهاز أو بالقرب من الكاميرا إلى تقليل الوقت المستغرق لمعالجة البيانات وتجنب إرسال الصور عبر الإنترنت، وهو ما يمكن أن يحسن الخصوصية أيضاً.

من ناحية أخرى، يوفر النشر السحابي قابلية توسع أكبر وقوة حوسبة. يمكن للخوادم السحابية معالجة كميات كبيرة من الصور، والتعامل مع تدفقات فيديو متعددة، ودعم إنتاجية أعلى.

على سبيل المثال، في الزراعة، قد يقوم مزارع بجمع آلاف الصور للأوراق وتحليلها على دفعات لتحديد ما إذا كانت المحاصيل تظهر عليها علامات المرض. في هذا النوع من السيناريوهات، قد لا تكون هناك حاجة لأداء فوري في الوقت الفعلي، مما يجعل المعالجة السحابية خياراً عملياً وقابلاً للتطوير.

الشكل 2. مثال لاستخدام YOLO26 لتحليل صور الأوراق

ومع ذلك، فإن إرسال البيانات إلى خوادم بعيدة يؤدي إلى زمن انتقال الشبكة، وهو التأخير الناتج عن نقل الصور عبر الإنترنت وتلقي التنبؤات في المقابل. بالنسبة للتطبيقات غير الحساسة للوقت، قد يكون هذا المقايضة مقبولاً.

هناك أيضاً خيارات بين الحافة البحتة والسحابة البحتة. تستخدم بعض الشركات بنية تحتية محلية تقع بالقرب من مكان إنشاء البيانات. بينما يقوم آخرون ببناء خطوط أنابيب هجينة، حيث يقومون بإجراء تصفية خفيفة على الحافة وإرسال بيانات محددة إلى السحابة لإجراء تحليل أعمق.

يعتمد اختيار خيار النشر الصحيح على متطلبات تطبيقك. من خلال تحديد احتياجاتك للسرعة والخصوصية وقابلية التوسع بوضوح، يمكنك اختيار استراتيجية تضمن عمل YOLO26 بشكل موثوق في الظروف الواقعية.

Link to this sectionنصيحة 2: اختر تنسيق التصدير الذي يتطابق مع أجهزتك#

بمجرد أن تقرر أين سيعمل نموذجك، فإن الخطوة التالية هي اختيار تنسيق التصدير الصحيح. تصدير النموذج يعني تحويله من التنسيق المستخدم أثناء التدريب إلى تنسيق محسّن للنشر.

تم بناء نماذج YOLO26 وتدريبها أصلاً في PyTorch، لكن بيئات الإنتاج تعتمد غالباً على أوقات تشغيل متخصصة تكون أكثر ملاءمة لأجهزة معينة. تم تصميم أوقات التشغيل هذه لتحسين سرعة الاستدلال، وتقليل استخدام الذاكرة، وضمان التوافق مع الجهاز المستهدف.

يسمح تحويل YOLO26 إلى التنسيق المناسب له بالعمل بكفاءة خارج بيئة التدريب. تجعل حزمة Ultralytics Python هذه العملية مباشرة. وهي تدعم مجموعة واسعة من عمليات الدمج لبناء ونشر مشاريع الرؤية الحاسوبية.

إذا كنت ترغب في استكشاف عمليات الدمج هذه بمزيد من التفصيل، يمكنك الاطلاع على وثائق Ultralytics الرسمية. وهي تتضمن دروساً تعليمية خطوة بخطوة، وتوجيهات خاصة بالأجهزة، وأمثلة عملية لمساعدتك على الانتقال من التطوير إلى الإنتاج بثقة.

الشكل 3. تدعم Ultralytics عمليات دمج مختلفة (المصدر)

بشكل خاص، تدعم حزمة Ultralytics Python تصدير Ultralytics YOLO26 إلى تنسيقات متعددة مصممة لمنصات أجهزة مختلفة. على سبيل المثال، يتيح تنسيق التصدير ONNX التوافق عبر الأنظمة الأساسية، بينما تم تحسين تنسيق التصدير TensorRT لوحدات معالجة الرسومات NVIDIA وأجهزة الحافة NVIDIA Jetson، وتنسيق التصدير OpenVINO مصمم لأجهزة Intel.

تدعم بعض الأجهزة أكثر من تنسيق تصدير واحد، ولكن يمكن أن يختلف الأداء اعتماداً على التنسيق الذي تختاره. بدلاً من اختيار تنسيق افتراضياً، اسأل نفسك: ما هو الخيار الأكثر كفاءة لجهازك؟

قد يوفر تنسيق ما استدلالاً أسرع، بينما قد يوفر تنسيق آخر كفاءة أفضل في الذاكرة أو تكاملاً أسهل في خط الأنابيب الحالي الخاص بك. ولهذا السبب من المهم مطابقة تنسيق التصدير مع أجهزتك وبيئة النشر المحددة الخاصة بك.

إن قضاء الوقت في اختبار خيارات تصدير مختلفة على جهازك المستهدف يمكن أن يحدث فرقاً ملحوظاً في الأداء الواقعي. يساعد تنسيق التصدير المتوافق جيداً في ضمان عمل YOLO26 بكفاءة وموثوقية وبالسرعة التي يتطلبها تطبيقك.

Link to this sectionنصيحة 3: اسأل عما إذا كان نموذجك يحتاج إلى التكميم (Quantization)#

بعد اختيار تنسيق التصدير، من الجيد أيضاً تحديد ما إذا كان يجب تكميم نموذجك.

تكميم النموذج يقلل من الدقة العددية لأوزان النموذج وحساباته، وعادة ما يحولها من 32-بت فاصلة عائمة إلى تنسيقات ذات دقة أقل مثل 16-بت أو 8-بت. يساعد هذا في تقليل حجم النموذج، وخفض استخدام الذاكرة، وتحسين سرعة الاستدلال، خاصة على أجهزة الحافة أو الأنظمة التي تعمل بوحدة المعالجة المركزية.

اعتماداً على أجهزتك وتنسيق التصدير وتبعيات وقت التشغيل، يمكن أن يؤدي التكميم إلى تحسين الأداء بشكل ملحوظ. بعض أوقات التشغيل محسنة للنماذج ذات الدقة المنخفضة، مما يسمح لها بالعمل بشكل أسرع وأكثر كفاءة.

ومع ذلك، يمكن أن يؤثر التكميم قليلاً على الدقة إذا لم يتم تطبيقه بعناية. عند إجراء التكميم بعد التدريب، تأكد من تمرير صور التحقق. تُستخدم هذه الصور أثناء المعايرة لمساعدة النموذج على التكيف مع الدقة المنخفضة والحفاظ على تنبؤات مستقرة.

Link to this sectionنصيحة 4: ضع في اعتبارك انحراف البيانات#

حتى أفضل النماذج المدربة يمكن أن تفقد أداءها بمرور الوقت بسبب انحراف البيانات. يحدث انحراف البيانات عندما تكون البيانات التي يراها نموذجك في الإنتاج مختلفة عن البيانات التي تم تدريبه عليها.

بمعنى آخر، العالم الحقيقي يتغير، لكن نموذجك لا يتغير. ونتيجة لذلك، قد تنخفض الدقة ببطء.

على سبيل المثال، قد تقوم بتدريب نموذج YOLO26 الخاص بك باستخدام صور تم التقاطها خلال النهار. إذا تم استخدام نفس النموذج لاحقاً في الليل، في ظروف إضاءة مختلفة، فقد ينخفض الأداء. يمكن أن تحدث نفس المشكلة مع التغييرات في زوايا الكاميرا، أو الظروف الجوية، أو الخلفيات، أو مظاهر الأشياء.

انحراف البيانات شائع في أنظمة الرؤية الحاسوبية الواقعية. نادراً ما تكون البيئات ثابتة، ويمكن أن تؤثر التغييرات الصغيرة على دقة الاكتشاف. لتقليل تأثير الانحراف، يمكنك التأكد من أن مجموعة بيانات التدريب الخاصة بك تعكس الظروف الواقعية قدر الإمكان.

قم بتضمين صور تم التقاطها في أوقات مختلفة من اليوم، وفي ظروف إضاءة مختلفة، وعبر بيئات متنوعة. بعد النشر، يمكنك الاستمرار في مراقبة الأداء وتحديث النموذج أو ضبطه دقيقاً عند الحاجة.

Link to this sectionنصيحة 5: قياس الأداء في ظروف واقعية#

قبل نشر نموذجك بالكامل، يمكنك قياس أدائه في ظروف واقعية.

الشكل 4. نظرة على قياس أداء YOLO26 مقارنة بالنماذج الأخرى (المصدر)

من الشائع اختبار الأداء في بيئات خاضعة للرقابة باستخدام صور عينة أو مجموعات بيانات صغيرة. ومع ذلك، غالباً ما تتصرف الأنظمة الواقعية بشكل مختلف. يمكن أن تؤثر قيود الأجهزة، وتأخيرات الشبكة، وتدفقات الفيديو المتعددة، والمدخلات المستمرة على الأداء.

يشير قياس الأداء إلى قياس كيفية أداء نموذجك على الجهاز الفعلي والإعداد الذي سيعمل عليه. يتضمن ذلك التحقق من سرعة الاستدلال، وزمن الانتقال الإجمالي، واستخدام الذاكرة، واستقرار النظام. من المهم اختبار النموذج نفسه فحسب، بل خط الأنابيب بأكمله، بما في ذلك المعالجة المسبقة وأي خطوات معالجة لاحقة.

قد يعمل النموذج بشكل جيد في اختبار صورة واحدة، لكنه يعاني عند معالجة فيديو مباشر باستمرار. وبالمثل، قد لا يعكس الأداء على جهاز تطوير قوي كيفية تصرف النموذج على جهاز حافة منخفض الطاقة.

من خلال قياس الأداء في ظل ظروف واقعية، يمكنك تحديد الاختناقات مبكراً وإجراء تعديلات قبل البث المباشر. يساعد الاختبار في نفس البيئة التي سيعمل فيها YOLO26 على ضمان أداء موثوق ومستقر وثابت في الإنتاج.

Link to this sectionاعتبارات أخرى رئيسية لنشر النموذج#

إليك بعض العوامل الإضافية التي يجب وضعها في الاعتبار عند نشر YOLO26:

• المراقبة والتسجيل: قم بإعداد أدوات مراقبة لتتبع المقاييس مثل زمن الانتقال، والدقة، وصحة النظام بعد النشر.
• الأمن والخصوصية: قم بتنفيذ ضمانات لحماية البيانات المرئية الحساسة، خاصة عند استخدام السحابة أو البنية التحتية عن بُعد.
• تحسين اختناقات خط الأنابيب: قم بتقييم خط الأنابيب بأكمله، بما في ذلك وحدات مثل المعالجة المسبقة، والاستدلال، والمعالجة اللاحقة، ونقل البيانات، حيث يمكن أن تحدث تأخيرات خارج النموذج نفسه.
• تخطيط قابلية التوسع: خطط مسبقاً للنمو من خلال ضمان قدرة نظامك على التعامل مع زيادة حركة المرور، أو كاميرات إضافية، أو أعباء عمل موسعة.

Link to this sectionأبرز النقاط#

يبدأ نشر YOLO26 بكفاءة بفهم مكان تشغيل نموذجك وما يحتاجه تطبيقك حقاً. من خلال اختيار نهج النشر الصحيح، ومطابقة تنسيق التصدير مع أجهزتك، واختبار الأداء في ظروف واقعية، يمكنك بناء أنظمة رؤية حاسوبية موثوقة وسريعة الاستجابة. مع الإعداد الصحيح، يجعل Ultralytics YOLO26 من الأسهل جلب رؤية حاسوبية سريعة وجاهزة للإنتاج إلى الحافة والسحابة.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا. اطلع على صفحات حلولنا لاكتشاف تطبيقات متنوعة مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية. اكتشف خيارات الترخيص لدينا وابدأ مع رؤية الذكاء الاصطناعي اليوم!