منصة Ultralytics: نشر نماذج الرؤية الحاسوبية في أي منطقة

في وقت سابق من هذا الأسبوع، أطلقت Ultralytics منصة Ultralytics Platform، وهي بيئة جديدة متكاملة مصممة لجعل تسليم أنظمة رؤية حاسوبية أسرع من خلال تبسيط كل مرحلة من مراحل سير عمل الذكاء الاصطناعي للرؤية بدءاً من إعداد البيانات وتطوير النماذج ووصولاً إلى نشرها.

أحد الدوافع الرئيسية وراء تطوير منصة Ultralytics هو أن تحويل حل الرؤية الحاسوبية - الذي يُمكّن الآلات من تحليل الصور ومقاطع الفيديو - من مجرد فكرة إلى تأثير ملموس يتطلب أكثر من مجرد بناء نموذج قوي. فبمجرد تدريب النموذج واجتيازه للتحقق، يجب نشره حتى تتمكن التطبيقات من إرسال الصور واستقبال التنبؤات وإجراء الاستنتاج بشكل موثوق في بيئات العالم الحقيقي.

هذه المرحلة من دورة حياة تعلم الآلة هي حيث تتجاوز نماذج الرؤية الحاسوبية مرحلة التجريب وتبدأ في تشغيل الأنظمة العملية. حتى لو سارت الخطوات السابقة مثل إعداد مجموعة البيانات، والترميز، وتدريب النموذج، والاختبار بسلاسة، فإن تلك النتائج لا يمكن أن تُحدث فرقاً دون وجود طريقة موثوقة لنشر النماذج.

الحقيقة في العديد من computer vision projects هي أن نشر النماذج يمكن أن يكون أحد أكثر الخطوات تعقيداً في سير العمل.

غالباً ما تحتاج الفرق إلى تكوين واجهات برمجة تطبيقات (API) للاستنتاج، وإدارة موارد الحوسبة، ونشر النماذج بالقرب من المستخدمين لتقليل زمن الاستجابة، ومراقبة الأداء بمجرد تشغيل الأنظمة في بيئة الإنتاج.

تعمل منصة Ultralytics على تبسيط وأتمتة هذه العملية من خلال توفير خيارات نشر متعددة، بما في ذلك تنسيقات تصدير النماذج، وخدمات الاستنتاج المشتركة، ونقاط النهاية المخصصة عبر المناطق العالمية. بفضل البنية التحتية المدارة والمراقبة المدمجة، يمكن للفرق الانتقال بسهولة من النماذج المدربة إلى أنظمة رؤية حاسوبية جاهزة للإنتاج.

الشكل 1. نظرة على نشر النماذج باستخدام Ultralytics Platform (المصدر)

في هذه المقالة، سنستكشف كيفية نشر نماذج الرؤية الحاسوبية في أي منطقة باستخدام نقاط نهاية مخصصة على منصة Ultralytics. لنبدأ!

ما هو نشر نماذج الرؤية الحاسوبية؟#

قبل أن نتعمق في كيفية نشر نماذج التعلم العميق باستخدام منصة Ultralytics، دعونا نفهم بشكل أفضل ما يعنيه نشر نموذج الرؤية الحاسوبية بالفعل.

model deployment للرؤية الحاسوبية هو عملية أخذ نموذج مدرب وإتاحته للاستخدام في العالم الحقيقي. فبدلاً من تشغيله في بيئة التدريب فقط، يتم إعداد النموذج بحيث يمكن التطبيقات إرسال صور أو مقاطع فيديو إليه وتلقي التنبؤات في المقابل.

على سبيل المثال، قد يكتشف نموذج ما كائنات في صورة، أو يجري تجزئة للصور، أو يحدد عناصر في مستودع، أو يتعرف على أنماط في لقطات فيديو. في معظم الأنظمة الواقعية، يحدث هذا من خلال واجهة برمجة تطبيقات (API) أو نقطة نهاية للاستنتاج.

يرسل التطبيق صورة إلى النموذج، ويثوم النموذج بمعالجتها، ويعيد تنبؤاً في غضون مللي ثانية. هذا ما يسمح لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO بتمكين التطبيقات الفورية.

يمكن نشر النماذج في بيئات مختلفة اعتماداً على حالة الاستخدام. يعمل بعضها في السحابة (عبر المنصات السحابية) ويمكن للعديد من التطبيقات الوصول إليها، بينما يعمل البعض الآخر على أجهزة الحافة، مثل الكاميرات المحلية، أو الروبوتات، أو الأنظمة المدمجة التي تحتاج إلى تنبؤات محلية سريعة.

خيارات نشر نماذج الذكاء الاصطناعي على منصة Ultralytics#

بينما تعالج منصة Ultralytics العديد من التحديات التي يواجهها مجتمع الرؤية الحاسوبية، خاصة عندما يتعلق الأمر بنشر النماذج، فإنها توفر طرقاً مرنة لتشغيل الاستنتاج اعتماداً على احتياجات تطبيقك.

إليك نظرة سريعة على خيارات نشر النماذج المتاحة على المنصة:

• Model export: يمكنك تصدير النماذج إلى 17 تنسيقاً مختلفاً، بما في ذلك ONNX و TensorRT و CoreML و TFLite، مما يجعل من الممكن تشغيل النماذج عبر مجموعة واسعة من البيئات مثل أجهزة الحافة مثل Raspberry Pi و NVIDIA Jetson وتطبيقات الهواتف المحمولة وحاويات Docker والبنية التحتية المخصصة.
• الاستنتاج المشترك: تتيح لك المنصة تشغيل التنبؤات من خلال خدمة استنتاج مشتركة مدارة، وهي مثالية لاختبار النماذج بسرعة.
• Dedicated endpoints: قم بنشر النماذج بسهولة كخدمات مستقلة ذات عناوين URL لـ API فريدة يمكن تشغيلها عبر 43 منطقة عالمية، مع ميزات مدمجة للتوسيع التلقائي والمراقبة وفحوصات السلامة لنشر الإنتاج.

النشر باستخدام نقاط النهاية المخصصة#

تُعد نقاط النهاية المخصصة إحدى أكثر الطرق قابلية للتوسع لتشغيل النماذج المدربة مسبقاً أو النماذج المدربة خصيصاً للرؤية الحاسوبية في بيئة الإنتاج على منصة Ultralytics. تتيح لك نقطة النهاية المخصصة نشر نموذج مدرب كخدمة خاصة به، بحيث يمكن للتطبيقات إرسال الصور إليه وتلقي التنبؤات عبر واجهة برمجة التطبيقات (API).

بدلاً من تشغيل نموذج فقط في بيئة تدريب أو دفتر ملاحظات محلي، فإن نشره كنقطة نهاية يجعله متاحاً للتطبيقات الحقيقية. على سبيل المثال، يمكن لنظام مستودع إرسال صور للطرود لاكتشاف الكائنات، أو يمكن لكاميرا ذكية تحليل إطارات الفيديو، أو يمكن لنظام روبوتات استخدام التنبؤات لتوجيه الإجراءات.

تعمل كل نقطة نهاية مخصصة كخدمة ذات مستأجر واحد، مما يعني أن البنية التحتية التي تشغل نموذجك لا يتم مشاركتها مع مستخدمين آخرين. وهذا يوفر أداءً أكثر قابلية للتنبؤ ويجعل من السهل مراقبة كيفية تصرف النموذج في الإنتاج.

فهم وظائف نقاط نهاية الاستنتاج المخصصة#

يمكنك التفكير في نقطة النهاية المخصصة كخدمة مستضافة لنموذجك. توفر منصة Ultralytics عنوان URL فريداً لنقطة النهاية يعمل كنقطة دخول للتطبيقات.

عندما يرسل تطبيق طلباً إلى عنوان URL ذلك، فإنه يتضمن صورة ومعلمات اختيارية مثل عتبات الثقة أو حجم الصورة، جنباً إلى جنب مع مفتاح API للمصادقة.

تقوم الخدمة بتشغيل الاستنتاج على الصورة باستخدام نموذجك وتعيد التنبؤات في استجابة منظمة. يسمح هذا الإعداد للمطورين بدمج نماذج الرؤية الحاسوبية في أنظمة حقيقية باستخدام أدوات الويب القياسية.

يمكن للتطبيقات إرسال الطلبات باستخدام Python أو JavaScript أو cURL أو عملاء HTTP آخرين، مما يسهل ربط النماذج بلوحات المعلومات أو أنظمة الروبوتات أو التطبيقات السحابية. وبما أن نقطة النهاية تعمل بشكل مستقل، فيمكنها أيضاً دعم التحجيم والمراقبة والنشر العالمي، مما يساعد الفرق على بناء أنظمة رؤية حاسوبية موثوقة للإنتاج.

النشر متعدد المناطق يحسن الاستنتاج في الوقت الفعلي#

تتمثل الميزة الرئيسية لنقاط النهاية المخصصة على منصة Ultralytics في القدرة على نشر النماذج عبر 43 منطقة عالمية. تغطي هذه المناطق أجزاء متعددة من العالم، بما في ذلك أمريكا الشمالية وأمريكا الجنوبية وأوروبا ومنطقة آسيا والمحيط الهادئ والشرق الأوسط وأفريقيا.

الشكل 2. تدعم Ultralytics Platform 43 منطقة عالمية (المصدر)

يساعد نشر النماذج في مناطق أقرب إلى مكان تشغيل التطبيقات في تقليل زمن الاستجابة، وهو الوقت الذي يستغرقه التطبيق لإرسال صورة وتلقي تنبؤ. كما يمكن أن يساعد المؤسسات على تلبية متطلبات خصوصية البيانات وإقامة البيانات من خلال إبقاء معالجة البيانات أقرب إلى مكان نشأتها.

يُعد زمن الاستجابة المنخفض أمراً مهماً للعديد من تطبيقات الرؤية الحاسوبية التي تعتمد على الاستنتاج في الوقت الفعلي، مثل أنظمة الروبوتات، وأجهزة إنترنت الأشياء (IoT)، وخطوط أنابيب الفحص الصناعي، وبنية تحتية للمدن الذكية.

على سبيل المثال، إذا كان يتم استخدام تطبيق بشكل أساسي في أوروبا، فإن نشر النموذج في منطقة أوروبية يمكن أن يحسن أوقات الاستجابة بشكل كبير مقارنة بتشغيل النموذج في منطقة بعيدة.

كيفية النشر في أي منطقة باستخدام منصة Ultralytics#

يعد نشر نموذج في منطقة معينة أمراً بسيطاً وعادة ما يستغرق بضع دقائق فقط. تتعامل المنصة مع إعداد البنية التحتية حتى يتمكن المطورون من التركيز على دمج النموذج في تطبيقاتهم. دعونا نستعرض الخطوات المتبعة.

الخطوة 1: تدريب أو تحميل نموذج#

قبل النشر، تحتاج إلى نموذج مدرب متاح في مشروعك. يمكن أن يكون هذا نموذجاً تم تدريبه مباشرة على منصة Ultralytics، أو نموذجاً تم تحميله بعد تدريبه في مكان آخر، أو نموذجاً تم استنساخه من مشروع مجتمعي موجود في "علامة تبويب الاستكشاف"، حيث يمكن نسخ المشاريع العامة التي يشاركها مستخدمون آخرون إلى حسابك الخاص بنقرة واحدة.

بمجرد أن يصبح النموذج جاهزاً، افتح صفحة النموذج الخاصة به داخل مشروعك للمتابعة.

الخطوة 2: افتح علامة التبويب Deploy#

انتقل إلى علامة التبويب Deploy للنموذج. يتيح لك هذا القسم من المنصة تكوين عمليات النشر وإطلاقها.

في تلك الصفحة، سترى جدول مناطق وخريطة تفاعلية توضح مواقع النشر المتاحة حول العالم. تقيس المنصة زمن الاستجابة من موقعك وتقوم بفرز المناطق وفقاً لذلك لمساعدتك في اختيار المنطقة الأكثر ملاءمة.

الشكل 3. المناطق مرتبة حسب زمن الانتقال على Ultralytics Platform (المصدر)

الخطوة 3: اختيار منطقة النشر#

اختر منطقة بناءً على مكان وجود المستخدمين أو التطبيقات الخاصة بك. يمكن أن يؤدي نشر النموذج بالقرب من مصدر الطلبات إلى تقليل أوقات الاستجابة بشكل كبير.

الخطوة 4: نشر نقطة النهاية#

بعد اختيار المنطقة وتأكيد التكوين، يمكنك النقر فوق Deploy.

تقوم المنصة بعد ذلك بإعداد بيئة النشر، وسحب صورة النموذج، وبدء الخدمة، وإجراء فحص سلامة للتأكد من أن نقطة النهاية جاهزة. تستغرق هذه العملية عادةً حوالي دقيقة إلى دقيقتين.

بمجرد اكتمال النشر، تنشئ المنصة عنوان URL فريداً لنقطة النهاية يمكن للتطبيقات استخدامه لإرسال طلبات الاستنتاج.

الشكل 4. مثال على نقطة نهاية منشورة (المصدر)

الخطوة 5: البدء في إرسال طلبات الاستنتاج#

مع تشغيل نقطة النهاية، يمكن للتطبيقات البدء في إرسال الصور إلى النموذج باستخدام نقطة نهاية REST API المتوفرة ومفتاح API الذي يتم تمريره في ترويسة Authorization. تعالج نقطة النهاية كل طلب وتعيد تنبؤات مثل الكائنات المكتشفة، أو مربعات الإحاطة (bbox)، أو غيرها من المخرجات الخاصة بالمهمة.

لمزيد من التفاصيل المتعلقة بنشر النماذج، راجع مستندات Ultralytics Platform docs الرسمية.

مراقبة أداء النموذج والمقاييس لنقاط النهاية المنشورة#

بمجرد نشر نموذج الرؤية الحاسوبية، تصبح مراقبة أدائه جزءاً مهماً من الحفاظ على موثوقية النظام وقوته. حتى النموذج المدرب جيداً يحتاج إلى المراقبة في بيئة الإنتاج للتأكد من استمراره في الاستجابة بسرعة، ومعالجة الطلبات الواردة بشكل صحيح، وتقديم تنبؤات دقيقة.

توفر Ultralytics Platform أدوات built-in monitoring مدمجة تمنح الفرق رؤية واضحة حول أداء نقاط النهاية المنشورة. تعمل صفحة النشر في المنصة بمثابة لوحة تحكم للمراقبة، مما يوفر رؤية مركزية لجميع نقاط النهاية قيد التشغيل جنباً إلى جنب مع المقاييس الرئيسية التي تساعد في تتبع صحة النظام واستخدامه.

إليك بعض المقاييس التي يمكنك مراقبتها باستخدام المنصة:

• زمن استجابة P95: يقيس هذا المقياس وقت استجابة الخادم لطلبات الاستنتاج عند النسبة المئوية 95. يوفر رؤية حول المدة التي تستغرقها معظم طلبات الاستنتاج ويحدد حالات بطء الأداء.
• معدل الخطأ: يمثل نسبة الطلبات التي فشلت أو أعادت أخطاء ضمن نافذة المراقبة المحددة. تسمح مراقبة معدلات الخطأ للفرق باكتشاف المشكلات المتعلقة بالنشر أو الطلبات الواردة بسرعة.
• إجمالي الطلبات: يوضح هذا المقياس العدد الإجمالي لطلبات الاستنتاج التي تمت معالجتها عبر نقاط النهاية المنشورة خلال الفترة الزمنية المحددة (على سبيل المثال، آخر 24 ساعة). وهو يساعد الفرق في فهم مستويات حركة المرور ومدى تكرار استخدام نماذجهم.

بالإضافة إلى هذه المقاييس، توفر المنصة أيضاً فحوصات سلامة لنقطة النهاية وسجلات النشر. تشير فحوصات السلامة إلى ما إذا كانت نقطة النهاية تستجيب بشكل صحيح، بينما توفر السجلات معلومات مفصلة حول الطلبات الأخيرة ونشاط النظام.

أبرز النقاط#

يعد نشر نماذج الرؤية الحاسوبية خطوة حاسمة في تحويل النماذج المدربة إلى أنظمة تشغل تطبيقات العالم الحقيقي. مع منصة Ultralytics، يمكن للفرق نشر النماذج بسهولة عبر نقاط نهاية مخصصة في 43 منطقة عالمية، وتشغيل الاستنتاج في الوقت الفعلي عبر واجهات برمجة التطبيقات، ومراقبة الأداء من بيئة واحدة. من خلال الجمع بين خيارات النشر المرنة، والمراقبة المدمجة، والبنية التحتية القابلة للتوسع، تساعد المنصة المطورين على الانتقال من نماذج تعلم الآلة المدربة إلى تطبيقات رؤية حاسوبية موثوقة بشكل أسرع.

كن جزءاً من community المتنامي! انغمس في مستودع GitHub repository الخاص بنا لمعرفة المزيد حول الذكاء الاصطناعي. إذا كنت تتطلع إلى بناء حلول الرؤية الحاسوبية، فراجع خيارات licensing options لدينا. استكشف فوائد computer vision in healthcare وشاهد كيف يصنع AI in logistics فرقاً!