استخدام تكامل ONNX لتصدير نماذج Ultralytics YOLO

عندما بدأت حلول الذكاء الاصطناعي تحظى بالاهتمام للمرة الأولى، كانت معظم النماذج تُنشر على خوادم قوية ضمن بيئات خاضعة للتحكم. ومع ذلك، ومع تقدم التكنولوجيا، توسع النشر إلى ما هو أبعد بكثير من مركز البيانات.

اليوم، تعمل نماذج الذكاء الاصطناعي على كل شيء، بدءًا من الخوادم السحابية وأجهزة سطح المكتب وصولًا إلى الهواتف الذكية والأجهزة الطرفية. ويدعم هذا التحول معالجة أسرع، ووظائف دون اتصال، وأنظمة أكثر ذكاءً تعمل بالقرب من المكان الذي تُنشأ فيه البيانات.

ومن المجالات التي يتضح فيها ذلك بوجه خاص الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يمكّن الآلات من تفسير البيانات المرئية. وتُستخدم لدعم تطبيقات مثل التعرّف على الوجوه، والقيادة الذاتية، وتحليل الفيديو في الوقت الفعلي. ومع تنامي حالات الاستخدام هذه، تزداد أيضًا الحاجة إلى نماذج تعمل بسلاسة عبر مجموعة متنوعة من الأجهزة والمنصات.

لكن نشر نماذج الرؤية الحاسوبية عبر مجموعة من أهداف النشر ليس سهلًا دائمًا. فالأجهزة تختلف من حيث العتاد وأنظمة التشغيل والأطر البرمجية المدعومة، ما يجعل المرونة والتوافق أمرين أساسيين.

ولهذا فإن إتاحة خيار تصدير نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 إلى تنسيقات مختلفة أمر بالغ الأهمية. فعلى سبيل المثال، يوفر تكامل ONNX (تبادل الشبكات العصبية المفتوح) الذي تدعمه Ultralytics طريقة عملية لردم الفجوة بين التدريب والنشر. وONNX هو تنسيق مفتوح يجعل النماذج مستقلة عن الأطر البرمجية وجاهزة للنشر عبر المنصات.

الشكل 1. يساعد ONNX على نقل نموذج مُدرَّب في إطار برمجي وتشغيله بسهولة في إطار آخر.

في هذه المقالة، سنلقي نظرةً أقرب على تكامل ONNX الذي تدعمه Ultralytics، ونستكشف كيفية تصدير نموذج YOLO11 للنشر المرن عبر المنصات.

ما هو ONNX وONNX Runtime؟#

تبادل الشبكات العصبية المفتوح هو مشروع مفتوح المصدر يحدد تنسيقًا قياسيًا لنماذج التعلم الآلي. طوّرته في الأصل شركتا Microsoft وFacebook، وهو يتيح للمطورين تدريب نموذج في إطار برمجي مثل PyTorch، وتشغيله في إطار آخر مثل TensorFlow. وهذا يجعل تطوير الذكاء الاصطناعي أكثر مرونة وتعاونًا وإتاحةً، لا سيما في مجالات مثل الرؤية الحاسوبية.

يوفر ONNX مجموعة مشتركة من المُشغِّلات وتنسيقًا موحدًا للملفات، ما يسهّل نقل النماذج بين الأدوات والأطر البرمجية وبيئات التشغيل والمصرّفات المختلفة. عادةً ما يكون النموذج المُدرَّب في إطار برمجي غير متوافق بسهولة مع إطار آخر، لكن باستخدام ONNX يمكنك تصدير نموذجك مرة واحدة ونشره في أي مكان تقريبًا: على وحدات المعالجة المركزية (CPUs)، ووحدات معالجة الرسومات (GPUs)، والأجهزة المحمولة، أو العتاد الطرفي.

إضافةً إلى ذلك، فإن ONNX Runtime هو محرك استدلال عالي الأداء طُوّر خصيصًا لتشغيل النماذج بتنسيق ONNX. وقد صُمم لجعل نماذج ONNX تعمل بسرعة وكفاءة أكبر عبر مجموعة واسعة من المنصات، بما في ذلك الخوادم والأجهزة المحمولة والعتاد الطرفي. ويتوافق ONNX Runtime مع أطر برمجية شائعة مثل PyTorch وTensorFlow وTensorFlow Lite وscikit-learn، ما يسهّل دمجه في مسارات عمل مختلفة ونشر النماذج حيثما دعت الحاجة.

الشكل 2. يتيح ONNX وONNX Runtime نشر النماذج بمرونة عبر المنصات.

الميزات الرئيسية لـ ONNX#

قبل أن نناقش كيفية تصدير Ultralytics YOLO11 إلى تنسيق ONNX، دعونا نستعرض بعض الميزات الرئيسية لتنسيق نماذج ONNX.

سواء كنت تنتقل بين الأدوات، أو تنشر على أجهزة مختلفة، أو تحدّث الأنظمة، يساعد ONNX على إبقاء كل شيء يعمل بسلاسة. إليك ما يميز تنسيق نماذج ONNX:

• تنسيق قياسي واحد: يستخدم ONNX طريقةً مشتركة لوصف كيفية بناء النماذج، مثل الطبقات والعمليات (فكّر فيها بوصفها لبنات بناء). وعند تحويل نموذج إلى ONNX، فإنه يتبع هذا المعيار، بحيث يستطيع أي نظام يدعم ONNX فهمه وتشغيله.

• التوافق مع الإصدارات السابقة: رغم استمرار ONNX في التطور، فإنه يضمن استمرار عمل النماذج القديمة مع الإصدارات الأحدث. وهذا يعني أنك لست مضطرًا إلى إعادة تدريب نماذجك أو إعادة بنائها في كل مرة يحصل فيها ONNX على تحديث.

• تصميم النماذج القائم على الرسوم البيانية: تُنظَّم نماذج ONNX على شكل رسوم بيانية حسابية، حيث تمثل كل عقدة عمليةً (مثل طبقة أو دالة رياضية)، وتشير الحواف إلى تدفق البيانات. ويسهّل هذا التصميم القائم على الرسوم البيانية التكامل مع الأنظمة المختلفة التي تستخدم هياكل رسوم بيانية حسابية مماثلة.

• أدوات ملائمة للمطورين: يأتي ONNX مع مجموعة واسعة من الأدوات التي تساعدك على تحويل نماذجك والتحقق منها وتحسينها. وتبسّط هذه الأدوات عملية نقل النماذج بين الأطر البرمجية المختلفة، ويمكنها تسريع النشر، ولا سيما لتطبيقات الرؤية الحاسوبية.

نظرة عامة على تكامل ONNX#

يُعد تصدير نماذج Ultralytics YOLO، مثل Ultralytics YOLO11، بتنسيق ONNX أمرًا مباشرًا، ويمكن إنجازه في بضع خطوات.

للبدء، ثبّت حزمة Ultralytics Python باستخدام مدير حزم مثل ‘pip’. ويمكن تنفيذ ذلك بتشغيل الأمر “pip install ultralytics” في موجه الأوامر أو الطرفية للبدء.

باستخدام حزمة Ultralytics، يمكنك بسهولة تدريب النماذج واختبارها وضبطها بدقة وتصديرها ونشرها لمهام متنوعة في الرؤية الحاسوبية، ما يجعل العملية بأكملها أسرع وأكثر كفاءة. وإذا واجهت أي صعوبات أثناء تثبيتها، يمكنك الرجوع إلى دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

بعد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO11 وتصديره إلى تنسيق ONNX باستخدام الشيفرة أدناه. يحمّل هذا المثال نموذج YOLO11 مُدرَّبًا مسبقًا (yolo11n.pt) ويصدّره كملف ONNX (yolo11n.onnx)، ليصبح جاهزًا للنشر عبر منصات وأجهزة مختلفة.

بعد تحويل نموذجك إلى تنسيق ONNX، يمكنك نشره على مجموعة متنوعة من المنصات.

يوضح المثال أدناه كيفية تحميل نموذج YOLO11 المُصدَّر (yolo11n.onnx) وتشغيل استدلال باستخدامه. ويعني الاستدلال ببساطة استخدام النموذج المُدرَّب لإجراء تنبؤات على بيانات جديدة. وفي هذه الحالة، سنستخدم عنوان URL لصورة حافلة لاختبار النموذج.

عند تشغيل هذه الشيفرة، ستُحفظ صورة الإخراج التالية في المجلد runs/detect/predict.

الشكل 3. تشغيل استدلال باستخدام نموذج Ultralytics YOLO11 المُصدَّر على صورة.

متى ينبغي اختيار تكامل ONNX؟#

تدعم حزمة Ultralytics Python تصدير النماذج إلى عدة تنسيقات، بما في ذلك TorchScript وCoreML وTensorRT وONNX. فلماذا تختار ONNX؟

ما يميز ONNX هو أنه تنسيق مستقل عن الأطر البرمجية. وبينما ترتبط العديد من تنسيقات التصدير الأخرى بأدوات أو بيئات محددة، يستخدم ONNX تنسيقًا موحدًا ومجموعة مشتركة من المُشغِّلات. وهذا يجعله سهل النقل بدرجة كبيرة، وملائمًا للعتاد، ومثاليًا للنشر عبر المنصات، سواء كنت تعمل مع خوادم سحابية أو تطبيقات محمولة أو أجهزة طرفية.

فيما يلي بعض الأسباب التي قد تجعل تكامل ONNX الخيار المثالي لمشروعات Ultralytics YOLO11 الخاصة بك:

• النشر القابل للنقل: بعد تصدير نموذج Ultralytics YOLO11 إلى ONNX، يمكنك نشره على منصات مختلفة دون تغيير الشيفرة أو إعادة التدريب.

• دعم واسع على مستوى القطاع: تدعم شركات الذكاء الاصطناعي والأطر البرمجية الكبرى ONNX، ما يجعله تنسيقًا موثوقًا ومقبولًا على نطاق واسع. كما يضمن التوافق على المدى الطويل، على غرار عمل ملفات PDF عبر الأجهزة.

• تطوير مواكب للمستقبل: يساعد استخدام ONNX على حماية استثماراتك في النماذج. ومع تطور الأدوات، يحافظ ONNX على أهمية نماذجك وقابليتها للاستخدام، حتى في البيئات الجديدة أو المختلفة.

• لا احتجاز لدى مورّد: تربطك بعض الأدوات باستخدام نظامها وحده، ما قد يحد مما يستطيع نموذجك القيام به. ويتجنب ONNX ذلك من خلال إتاحة اختيار المنصة الأنسب لاحتياجاتك، دون التقيد بإعداد واحد.

تطبيقات Ultralytics YOLO11 وتنسيق نماذج ONNX#

بعد ذلك، لنستكشف بعض التطبيقات الواقعية التي يمكن فيها نشر Ultralytics YOLO11 بمساعدة تكامل ONNX.

تتبّع المخزون في المستودعات باستخدام Ultralytics YOLO11#

في المستودعات المزدحمة، يصعب مراقبة كل منتج وطرد طوال الوقت. ويمكن لأنظمة الرؤية الحاسوبية مساعدة العاملين على العثور على المنتجات على الرفوف والحصول على رؤى مثل عدد المنتجات ونوعها وغير ذلك. كما يمكن لهذه الأنظمة مساعدة الشركات على إدارة مخزونها الضخم تلقائيًا وتوفير قدر كبير من وقت عمال المستودعات.

وتحديدًا، في المستودعات الذكية، يمكن استخدام نماذج Ultralytics YOLO11 المُصدَّرة إلى ONNX لتحديد العناصر وعدّها في الوقت الفعلي باستخدام الكاميرات والأجهزة الطرفية. ويمكن للنموذج المُصدَّر المساعدة في مسح الرفوف أو المنصات لاكتشاف مستويات المخزون أو العناصر المفقودة أو الأماكن الفارغة. وبما أن التصدير إلى ONNX يجعل النموذج خفيفًا وفعالًا، فإنه يمكن أن يعمل مباشرةً على أجهزة طرفية صغيرة، مثل الكاميرات الذكية، ما يلغي الحاجة إلى خوادم باهظة الثمن أو اتصال سحابي دائم.

الشكل 4. مثال على استخدام YOLO11 لاكتشاف الطرود وعدّها.

إدارة نفايات المستشفيات باستخدام Ultralytics YOLO11#

تنتج المستشفيات في جميع أنحاء العالم كميات كبيرة من النفايات يوميًا، بدءًا من القفازات والمحاقن المستخدمة وصولًا إلى المعدات المستخدمة أثناء الجراحة (مثل الأدوات الجراحية أحادية الاستخدام أو الملوثة، كالمقصات والمشارط). وتُظهر الأبحاث في الواقع أن المستشفيات تنتج نحو 5 ملايين طن من النفايات سنويًا، أي 29 رطلًا من النفايات لكل سرير يوميًا.

يُعد فرز هذه النفايات بشكل صحيح أمرًا ضروريًا للنظافة والسلامة والامتثال للوائح. وباستخدام نماذج Ultralytics YOLO11 المُصدَّرة بتنسيق ONNX، يمكن لـالمستشفيات أتمتة عملية التخلص من النفايات ومراقبتها في الوقت الفعلي.

فعلى سبيل المثال، يمكن للكاميرات الموضوعة بالقرب من حاويات النفايات في مناطق مثل غرف العمليات أو الممرات مراقبة العناصر أثناء التخلص منها. ويمكن لنموذج Ultralytics YOLO11 مخصص، مُدرَّب على التعرّف على أنواع مختلفة من النفايات الطبية، تحليل اللقطات وتحديد ما يجري التخلص منه. وإذا انتهى المطاف بعنصر في الحاوية الخطأ، مثل محقنة مستخدمة في النفايات العادية، فيمكن إعداد النظام لتنبيه الموظفين فورًا بضوء أو صوت، ما يساعد على منع التلوث وضمان الامتثال.

الشكل 5. استخدام Ultralytics YOLO11 لاكتشاف الأدوات الطبية.

مراقبة المحاصيل باستخدام Ultralytics YOLO11#

يمكن أن يؤثر تحديد الوقت المناسب لحصاد المحاصيل تأثيرًا كبيرًا في جودة المنتجات وإنتاجية المزرعة عمومًا. وتقليديًا، يعتمد المزارعون على الخبرة وعمليات الفحص اليدوية، لكن التطورات الحديثة في التكنولوجيا بدأت تغيّر ذلك.

والآن، بفضل ابتكارات الرؤية الحاسوبية مثل YOLO11 المُصدَّر بتنسيق ONNX، يستطيع المزارعون إدخال الأتمتة والدقة إلى الحقول. وباستخدام طائرات مسيّرة أو كاميرات مثبتة على الجرارات أو الأعمدة، يمكن للمزارعين التقاط صور لمحاصيلهم (مثل الطماطم أو التفاح أو القمح). وبعد ذلك يمكن استخدام YOLO11 لاكتشاف مؤشرات رئيسية مثل اللون والحجم وتوزيع المحاصيل. واستنادًا إلى هذه المعلومات، يستطيع المزارعون تحديد ما إذا كانت المحاصيل جاهزة للحصاد، أو لا تزال في طور النضج، أو تجاوزت ذروة جودتها.

الشكل 6. يمكن استخدام YOLO11 لاكتشاف المحاصيل في لقطات جوية ملتقطة بطائرة مسيّرة.

قيود ONNX التي ينبغي مراعاتها#

رغم أن ONNX يوفر فوائد عديدة، مثل قابلية النقل والتوافق عبر المنصات والتشغيل البيني بين الأطر البرمجية، فهناك بعض القيود التي ينبغي وضعها في الاعتبار:

• حجم النموذج: قد يؤدي تحويل النماذج إلى تنسيق ONNX أحيانًا إلى أحجام ملفات أكبر مقارنةً بتنسيقاتها الأصلية. ويمكن لتقنيات مثل التكميم والتقليم المساعدة في الحد من هذه المشكلة من خلال تقليل حجم النموذج دون التأثير بدرجة كبيرة في الأداء.

• توافق بيئة التشغيل: رغم تصميم ONNX Runtime لتحقيق التوافق عبر المنصات، قد يختلف الأداء والدعم باختلاف العتاد وأنظمة التشغيل.

• تحديات تصحيح الأخطاء: قد يكون تصحيح أخطاء نماذج ONNX أكثر تعقيدًا من تصحيحها في الأطر البرمجية الأصلية مثل PyTorch أو TensorFlow. وقد تكون رسائل الخطأ أقل وصفًا، ما يجعل تحديد المشكلات أكثر صعوبة. ومع ذلك، يمكن لأدوات مثل Netron لتصوير النماذج وإمكانات التسجيل في ONNX Runtime المساعدة في استكشاف الأخطاء وإصلاحها.

أهم النقاط المستخلصة#

يجعل تصدير Ultralytics YOLO11 إلى ONNX من السهل أخذ نموذج رؤية حاسوبية مُدرَّب ونشره في أي مكان تقريبًا، سواء على حاسوب محمول أو جهاز محمول أو حتى كاميرا ذكية صغيرة. ومع تكامل ONNX، لن تكون مقيدًا بإطار برمجي أو منصة واحدة، ما يمنحك المرونة لتشغيل نموذجك في البيئة الأنسب لتطبيقك.

وهذا يجعل الانتقال من التدريب إلى النشر الواقعي أسرع وأكثر كفاءة. وسواء كنت تتتبّع المخزون في مستودع أو تضمن التخلص من نفايات المستشفى بطريقة صحيحة، يساعد هذا الإعداد الأنظمة على العمل بسلاسة أكبر، ويقلل الأخطاء، ويوفر وقتًا ثمينًا.

هل تريد معرفة المزيد عن الرؤية الحاسوبية والذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لبدء مشروعك في مجال الرؤية الحاسوبية. وإذا كنت تستكشف ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في قطاع السيارات، فتفضل بزيارة صفحات حلولنا لاكتشاف المزيد.