تعرف على كيفية تصدير نماذج Ultralytics YOLO، مثل Ultralytics YOLO11، باستخدام تكامل ONNX للنشر عبر الأنظمة الأساسية المختلفة عبر الأجهزة المتنوعة.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرف على كيفية تصدير نماذج Ultralytics YOLO، مثل Ultralytics YOLO11، باستخدام تكامل ONNX للنشر عبر الأنظمة الأساسية المختلفة عبر الأجهزة المتنوعة.
عندما بدأت حلول الذكاء الاصطناعي في جذب الانتباه، تم نشر معظم النماذج على خوادم قوية في بيئات مُحكمة. ومع ذلك، مع تقدم التكنولوجيا، توسع النشر إلى ما هو أبعد من مركز البيانات.
تعمل نماذج الذكاء الاصطناعي اليوم على كل شيء بدءًا من الخوادم السحابية وأجهزة الكمبيوتر المكتبية وحتى الهواتف الذكية والأجهزة الطرفية. يدعم هذا التحول المعالجة الأسرع والوظائف دون اتصال بالإنترنت والأنظمة الأكثر ذكاءً التي تعمل بالقرب من مكان إنشاء البيانات.
أحد المجالات التي يتضح فيها ذلك بشكل خاص هو رؤية الكمبيوتر - وهو فرع من فروع الذكاء الاصطناعي يمكّن الآلات من تفسير البيانات المرئية. يتم استخدامه لدفع التطبيقات مثل التعرف على الوجه والقيادة الذاتية وتحليل الفيديو في الوقت الفعلي. مع نمو حالات الاستخدام هذه، تزداد الحاجة إلى النماذج التي يمكن أن تعمل بسلاسة عبر الأجهزة والمنصات المتنوعة.
لكن نشر نماذج الرؤية الحاسوبية عبر مجموعة من أهداف النشر ليس دائمًا بسيطًا. تختلف الأجهزة من حيث الأجهزة وأنظمة التشغيل والأطر المدعومة، مما يجعل المرونة والتوافق ضروريين.
لهذا السبب، فإن وجود خيار لتصدير نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 إلى تنسيقات مختلفة هو أمر أساسي. على سبيل المثال، يوفر تكامل ONNX (تبادل الشبكات العصبية المفتوحة) المدعوم من Ultralytics طريقة عملية لسد الفجوة بين التدريب والنشر. ONNX هو تنسيق مفتوح يجعل النماذج غير مرتبطة بإطار عمل وجاهزة للنشر عبر الأنظمة الأساسية.
في هذه المقالة، سنلقي نظرة فاحصة على تكامل ONNX الذي تدعمه Ultralytics ونستكشف كيف يمكنك تصدير نموذج YOLO11 الخاص بك من أجل نشر مرن عبر الأنظمة الأساسية.
يعد Open Neural Network Exchange مشروعًا مفتوح المصدر يحدد تنسيقًا قياسيًا لنماذج تعلم الآلة. تم تطويره في الأصل بواسطة Microsoft وFacebook، وهو يسمح للمطورين بتدريب نموذج في إطار عمل واحد، مثل PyTorch، وتشغيله في إطار آخر، مثل TensorFlow. وهذا يجعل تطوير الذكاء الاصطناعي أكثر مرونة وتعاونًا وإمكانية الوصول إليه، خاصة في مجالات مثل رؤية الكمبيوتر.
توفر ONNX مجموعة شائعة من العمليات وتنسيق ملفات موحد، مما يسهل نقل النماذج بين الأدوات والأطر وأوقات التشغيل والمترجمات المختلفة. عادةً، لا يتوافق النموذج المدرب في إطار عمل واحد بسهولة مع إطار آخر - ولكن مع ONNX، يمكنك تصدير النموذج الخاص بك مرة واحدة ونشره في أي مكان تقريبًا: على وحدات المعالجة المركزية (CPUs)، وحدات معالجة الرسومات (GPUs)، الأجهزة المحمولة أو أجهزة الحافة.
أيضًا، ONNX Runtime هو محرك استدلال عالي الأداء تم تطويره خصيصًا لتشغيل النماذج بتنسيق ONNX. إنه مصمم لجعل نماذج ONNX تعمل بشكل أسرع وأكثر كفاءة عبر مجموعة واسعة من الأنظمة الأساسية - بما في ذلك الخوادم والأجهزة المحمولة وأجهزة الحافة. يتوافق ONNX Runtime مع الأطر الشائعة مثل PyTorch و TensorFlow و TensorFlow Lite و scikit-learn، مما يجعله سهل الدمج في مهام سير عمل مختلفة ونشر النماذج أينما كانت مطلوبة.
قبل أن نناقش كيفية تصدير YOLO11 إلى تنسيق ONNX، دعنا نتحقق من بعض الميزات الرئيسية لتنسيق نموذج ONNX.
سواء كنت تقوم بالتبديل بين الأدوات، أو النشر على أجهزة مختلفة، أو ترقية الأنظمة، فإن ONNX يساعد في الحفاظ على سير كل شيء بسلاسة. إليك ما يجعل تنسيق نموذج ONNX فريدًا:
يُعد تصدير نماذج Ultralytics YOLO مثل Ultralytics YOLO11 بتنسيق ONNX أمرًا مباشرًا ويمكن القيام به في بضع خطوات.
للبدء، قم بتثبيت حزمة Ultralytics Python باستخدام مدير الحزم مثل ‘pip’. يمكن القيام بذلك عن طريق تشغيل الأمر “pip install ultralytics” في موجه الأوامر أو الجهاز الطرفي.
باستخدام حزمة Ultralytics، يمكنك بسهولة تدريب واختبار وضبط وتصدير ونشر النماذج لمهام رؤية الكمبيوتر المختلفة - مما يجعل العملية بأكملها أسرع وأكثر كفاءة. أثناء التثبيت، إذا واجهت أي صعوبات، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على حلول ونصائح.
بمجرد تثبيت حزمة Ultralytics، يمكنك تحميل وتصدير نموذج YOLO11 إلى تنسيق ONNX باستخدام الكود أدناه. يقوم هذا المثال بتحميل نموذج YOLO11 المدرب مسبقًا (yolo11n.pt) وتصديره كملف ONNX (yolo11n.onnx)، مما يجعله جاهزًا للنشر عبر منصات وأجهزة مختلفة.
بعد تحويل النموذج الخاص بك إلى تنسيق ONNX، يمكنك نشره على مجموعة متنوعة من الأنظمة الأساسية.
يوضح المثال أدناه كيفية تحميل نموذج YOLO11 المصدر (yolo11n.onnx) وتشغيل استنتاج باستخدامه. يعني الاستنتاج ببساطة استخدام النموذج المدرب لعمل تنبؤات حول بيانات جديدة. في هذه الحالة، سنستخدم عنوان URL لصورة حافلة لاختبار النموذج.
عند تشغيل هذا الكود، سيتم حفظ صورة الإخراج التالية في المجلد runs/detect/predict.
تدعم حزمة Ultralytics Python تصدير النماذج إلى عدة تنسيقات، بما في ذلك TorchScript و CoreML و TensorRT و ONNX. إذن، لماذا تختار ONNX؟
ما يميز ONNX هو أنه تنسيق مستقل عن الأطر. في حين أن العديد من تنسيقات التصدير الأخرى مرتبطة بأدوات أو بيئات معينة، فإن ONNX يستخدم تنسيقًا موحدًا ومجموعة مشتركة من العمليات. وهذا يجعله قابلاً للنقل بدرجة كبيرة، وصديقًا للأجهزة، ومثاليًا للنشر عبر الأنظمة الأساسية - سواء كنت تعمل مع خوادم سحابية أو تطبيقات محمولة أو أجهزة طرفية.
إليك بعض الأسباب التي تجعل تكامل ONNX هو الخيار الأمثل لمشاريع YOLO11 الخاصة بك:
بعد ذلك، دعنا نستكشف بعض التطبيقات الواقعية حيث يمكن نشر YOLO11 بمساعدة تكامل ONNX.
في المستودعات المزدحمة، من الصعب مراقبة كل منتج وعبوة في جميع الأوقات. يمكن لأنظمة الرؤية الحاسوبية مساعدة العمال في العثور على المنتجات على الرفوف والحصول على رؤى مثل عدد المنتجات ونوعها وما إلى ذلك. يمكن لهذه الأنظمة مساعدة الشركات في إدارة مخزونها الواسع تلقائيًا وتوفير الكثير من الوقت لعمال المستودعات.
على وجه التحديد، في المستودعات الذكية، يمكن استخدام نماذج YOLO11 المصدرة إلى ONNX لتحديد وعد العناصر في الوقت الفعلي باستخدام الكاميرات والأجهزة الطرفية. يمكن للنموذج المصدر أن يساعد في فحص الرفوف أو المنصات لاكتشاف مستويات المخزون أو العناصر المفقودة أو البقع الفارغة. نظرًا لأن التصدير إلى ONNX يجعل النموذج خفيف الوزن وفعالاً، فيمكن تشغيله مباشرةً على الأجهزة الطرفية الصغيرة، مثل الكاميرات الذكية، مما يلغي الحاجة إلى خوادم باهظة الثمن أو الوصول المستمر إلى السحابة.
تنتج المستشفيات في جميع أنحاء العالم كميات كبيرة من النفايات كل يوم، من القفازات والحقن المستخدمة إلى المعدات المستخدمة أثناء الجراحة (مثل الأدوات الجراحية ذات الاستخدام الواحد أو الملوثة مثل المقص والمشارط). في الواقع، تُظهر الأبحاث أن المستشفيات تنتج حوالي 5 ملايين طن من النفايات كل عام، أي 29 رطلاً من النفايات لكل سرير في اليوم.
يُعد الفرز السليم لهذه النفايات أمرًا ضروريًا للنظافة والسلامة واتباع اللوائح. وباستخدام نماذج YOLO11 المُصدَّرة بتنسيق ONNX، يمكن للمستشفيات أتمتة ومراقبة التخلص من النفايات في الوقت الفعلي.
على سبيل المثال، يمكن للكاميرات الموضوعة بالقرب من صناديق النفايات في مناطق مثل غرف العمليات أو الممرات مراقبة العناصر أثناء التخلص منها. يمكن لنموذج YOLO11 مخصص، تم تدريبه على التعرف على أنواع مختلفة من النفايات الطبية، تحليل اللقطات وتحديد ما يتم التخلص منه. إذا انتهى الأمر بعنصر في الصندوق الخطأ، مثل حقنة مستعملة في القمامة العادية، فيمكن إعداد النظام لتنبيه الموظفين على الفور بضوء أو صوت، مما يساعد على منع التلوث وضمان الامتثال.
إن معرفة الوقت المناسب لحصاد المحاصيل يمكن أن يكون له تأثير كبير على كل من جودة المنتج والإنتاجية الإجمالية للمزرعة. تقليديًا، يعتمد المزارعون على الخبرة والفحوصات اليدوية - ولكن مع التطورات الأخيرة في التكنولوجيا، بدأ ذلك يتغير.
الآن، مع ابتكارات الرؤية الحاسوبية مثل YOLO11، المصدرة بتنسيق ONNX، يمكن للمزارعين إدخال الأتمتة والدقة إلى الحقل. باستخدام الطائرات بدون طيار أو الكاميرات المثبتة على الجرارات أو الأعمدة، يمكن للمزارعين التقاط صور لمحاصيلهم (مثل الطماطم أو التفاح أو القمح). يمكن بعد ذلك استخدام YOLO11 لاكتشاف المؤشرات الرئيسية مثل اللون والحجم و توزيع المحاصيل. بناءً على هذه المعلومات، يمكن للمزارعين تحديد ما إذا كانت المحاصيل جاهزة للحصاد، أو لا تزال تنضج، أو تجاوزت بالفعل ذروتها.
في حين أن ONNX يقدم العديد من المزايا، مثل قابلية النقل والتوافق عبر الأنظمة الأساسية وقابلية التشغيل البيني للإطار، إلا أن هناك بعض القيود التي يجب وضعها في الاعتبار:
إن تصدير Ultralytics YOLO11 إلى ONNX يجعل من السهل أخذ نموذج رؤية حاسوبية مدرب ونشره في أي مكان تقريبًا - سواء كان ذلك على جهاز كمبيوتر محمول أو جهاز محمول أو حتى كاميرا ذكية صغيرة. مع تكامل ONNX، أنت غير مرتبط بإطار عمل أو نظام أساسي واحد، مما يمنحك المرونة لتشغيل النموذج الخاص بك في البيئة التي تناسب تطبيقك على أفضل وجه.
هذا يجعل الانتقال من التدريب إلى النشر في العالم الحقيقي أسرع وأكثر كفاءة. سواء كنت تتتبع المخزون في مستودع أو تضمن التخلص من النفايات في المستشفى بشكل صحيح، فإن هذا الإعداد يساعد الأنظمة على العمل بسلاسة أكبر، ويقلل الأخطاء، ويوفر وقتًا ثمينًا.
هل تريد معرفة المزيد عن الرؤية الحاسوبية والذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. إذا كنت تستكشف ابتكارات مثل الذكاء الاصطناعي في التصنيع و الرؤية الحاسوبية في صناعة السيارات، فقم بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.
.webp)
