استخدام تكامل ONNX لتصدير نماذج Ultralytics YOLO

عندما بدأت حلول الذكاء الاصطناعي تجذب الانتباه لأول مرة، تم نشر معظم النماذج على خوادم قوية في بيئات خاضعة للرقابة. ومع ذلك، مع تقدم التكنولوجيا، توسع النشر إلى ما بعد مركز البيانات بكثير.

اليوم، تعمل نماذج الذكاء الاصطناعي على كل شيء بدءاً من خوادم السحاب وأجهزة الكمبيوتر المكتبية وصولاً إلى الهواتف الذكية وأجهزة الحافة. يدعم هذا التحول معالجة أسرع، ووظائف دون اتصال بالإنترنت، وأنظمة أكثر ذكاءً تعمل بالقرب من مكان توليد البيانات.

أحد المجالات التي يتضح فيها هذا بشكل خاص هو الرؤية الحاسوبية - وهو فرع من الذكاء الاصطناعي يُمكّن الآلات من تفسير البيانات المرئية. ويُستخدَم لدفع تطبيقات مثل التعرف على الوجه، والقيادة الذاتية، وتحليل الفيديو في الوقت الفعلي. ومع نمو حالات الاستخدام هذه، تتزايد أيضاً الحاجة إلى نماذج يمكنها العمل بسلاسة عبر مختلف الأجهزة والمنصات.

لكن نشر نماذج الرؤية الحاسوبية عبر مجموعة من أهداف النشر ليس بالأمر البسيط دائماً. تختلف الأجهزة من حيث الأجهزة وأنظمة التشغيل والأطر المدعومة، مما يجعل المرونة والتوافق أمراً ضرورياً.

لهذا السبب، يُعد توفر خيار تصدير نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 إلى تنسيقات مختلفة أمراً أساسياً. على سبيل المثال، توفر تكامل ONNX (Open Neural Network Exchange) المدعوم من Ultralytics طريقة عمليّة لسد الفجوة بين التدريب والنشر. ONNX هو تنسيق مفتوح يجعل النماذج غير مرتبطة بإطار عمل وجاهزة للنشر عبر المنصات.

الشكل 1. يساعدك ONNX على أخذ نموذج تم تدريبو في إطار عمل وتشغيله في إطار عمل آخر بسهولة.

في هذه المقالة، سنلقي نظرة عن قرب على تكامل ONNX المدعوم من Ultralytics ونستكشف كيف يمكنك تصدير نموذج YOLO11 الخاص بك لنشر مرن ومتعدد المنصات.

ما هو ONNX و ONNX Runtime؟#

إن Open Neural Network Exchange هو مشروع مفتوح المصدر يحدد تنسيقاً قياسياً لنماذج التعلم الآلي. تم تطويره في الأصل بواسطة Microsoft و Facebook، وهو يسمح للمطورين بتدريب نموذج في إطار عمل واحد، مثل PyTorch، وتشغيله في إطار عمل آخر، مثل TensorFlow. وهذا يجعل تطوير الذكاء الاصطناعي أكثر مرونة وتعاوناً وقابلية للوصول، خاصة في مجالات مثل الرؤية الحاسوبية.

يوفر ONNX مجموعة مشتركة من العوامل وتنسيق ملفات موحداً، مما يسهل نقل النماذج بين الأدوات وأطر العمل وبيئات التشغيل والمترجمين المختلفين. عادةً، لا يكون النموذج المدرب في إطار عمل واحد متوافقاً بسهولة مع إطار عمل آخر - ولكن مع ONNX، يمكنك تصدير نموذجك مرة واحدة ونشره في أي مكان تقريبا: على وحدات المعالجة المركزية (CPUs)، أو وحدات معالجة الرسومات (GPUs)، أو الأجهزة المحمولة، أو أجهزة الطرفية (edge).

أيضاً، ONNX Runtime هو محرك استنتاج عالي الأداء تم تطويره خصيصاً لتشغيل النماذج بتنسيق ONNX. لقد تم تصميمه لجعل نماذج ONNX تعمل بشكل أسرع وأكثر كفاءة عبر مجموعة واسعة من المنصات - بما في ذلك الخوادم والأجهزة المحمولة وأجهزة الحافة. يتوافق ONNX Runtime مع الأطر الشهيرة مثل PyTorch و TensorFlow و TensorFlow Lite و scikit-learn، مما يسهل دمجه في سير العمل المختلف ونشر النماذج أينما دعت الحاجة.

الشكل 2. يتيح ONNX و ONNX Runtime نشراً مرناً للنماذج عبر المنصات.

الميزات الرئيسية لـ ONNX#

قبل أن نناقش كيفية تصدير Ultralytics 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، يساعد ONNX في الحفاظ على سير كل شيء بسلاسة. إليك ما يجعل تنسيق نموذج ONNX فريداً:

• تنسيق قياسي واحد: يستخدم ONNX طريقة مشتركة لوصف كيفية بناء النماذج، مثل الطبقات والعمليات (تخيلها ككُتل بناء). عندما يتم تحويل نموذج إلى ONNX، فإنه يتبع هذا المعيار بحيث يمكن لأي نظام يدعم ONNX فهمه وتشغيله.

• التوافق مع الإصدارات السابقة: حتى مع استمرار تحسن ONNX، فإنه يضمن استمرار عمل النماذج القديمة مع الإصدارات الأحدث. هذا يعني أنك لست مضطراً لإعادة تدريب أو إعادة بناء نماذجك في كل مرة يحصل فيها ONNX على تحديث.

• تصميم النموذج القائم على الرسوم البيانية: يتم تنظيم نماذج ONNX كرسوم بيانية للحوسبة، حيث تمثل كل عقدة عملية (مثل طبقة أو وظيفة رياضية)، وتشير الحواف إلى تدفق البيانات. يسهل هذا التصميم القائم على الرسوم البيانية التكامل مع الأنظمة المختلفة التي تستخدم هياكل رسوم بيانية حوسبية مماثلة.

• أدوات صديقة للمطورين: يأتي مع مجموعة واسعة من الأدوات التي تساعدك على تحويل نماذجك والتحقق منها وتحسينها. تبسط هذه الأدوات عملية نقل النماذج بين أطر العمل المختلفة ويمكنها تسريع النشر - خاصة لتطبيقات الرؤية الحاسوبية.

نظرة عامة على تكامل ONNX#

يعد تصدير نماذج Ultralytics YOLO مثل Ultralytics YOLO11 بتنسيق ONNX أمراً مباشراً ويمكن القيام به في خطوات قليلة.

للبدء، قم بتثبيت حزمة Python من Ultralytics باستخدام مدير الحزم مثل pip. يمكن القيام بذلك عن طريق تشغيل الأمر "pip install ultralytics" في موجه الأوامر (command prompt) أو الطرفية (terminal) للبدء.

باستخدام حزمة Ultralytics، يمكنك بسهولة تدريب النماذج واختبارها وضبطها بدقة وتصديرها ونشرها لمختلف مهام الرؤية الحاسوبية - مما يجعل العملية برمتها أسرع وأكثر كفاءة. أثناء التثبيت، إذا واجهت أي صعوبات، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على الحلول والنصائح.

بمجرد تثبيت حزمة Ultralytics، يمكنك تحميل نموذج YOLO11 وتصديره إلى تنسيق ONNX باستخدام الكود أدناه. يقوم هذا المثال بتحميل نموذج YOLO11 مدرب مسبقاً (yolo11n.pt) وتصديره كملف ONNX (yolo11n.onnx)، مما يجعله جاهزاً 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 المُصدر (yolo11n.onnx) وتشغيل استنتاج به. يعني الاستنتاج ببساطة استخدام النموذج المدرب لإجراء تنبؤات على بيانات جديدة. في هذه الحالة، سنستخدم رابط صورة حافلة لاختبار النموذج.

عند تشغيل هذا الكود، سيتم حفظ صورة الإخراج التالية في المجلد runs/detect/predict.

الشكل 3. تشغيل عملية الاستدلال باستخدام نموذج Ultralytics YOLO11 المُصدَّر على صورة.

متى يجب عليك اختيار تكامل ONNX؟#

تدعم حزمة Python من Ultralytics 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 إطار العمل. في حين أن العديد من تنسيقات التصدير الأخرى مرتبطة بأدوات أو بيئات معينة، يستخدم ONNX تنسيقاً موحداً ومجموعة مشتركة من العوامل. وهذا يجعله قابلاً للنقل بدرجة كبيرة، وصديقاً للأجهزة، ومثالياً للنشر عبر المنصات - سواء كنت تعمل مع خوادم سحابية، أو تطبيقات جوال، أو أجهزة حافة.

إليك بعض الأسباب التي تجعل تكامل ONNX الخيار الأمثل لمشاريعك باستخدام Ultralytics YOLO11:

• نشر قابل للنقل: بمجرد تصديره إلى ONNX، يمكن نشر نموذج Ultralytics YOLO11 الخاص بك على منصات مختلفة دون تغيير الكود أو إعادة التدريب.

• دعم على مستوى الصناعة: ONNX مدعوم من قبل شركات الذكاء الاصطناعي والأطر الرئيسية، مما يجعله تنسيقاً موثوقاً ومقبولاً على نطاق واسع. إنه يضمن التوافق على المدى الطويل، تماماً مثل كيفية عمل ملفات PDF عبر الأجهزة.

• تطوير مستقبلي: يساعد استخدام ONNX في حماية استثماراتك في النماذج. مع تطور الأدوات، يحافظ ONNX على أهمية نماذجك وقابليتها للاستخدام، حتى في بيئات جديدة أو مختلفة.

• لا يوجد ارتباط بمورد محدد: تربطك بعض الأدوات باستخدام نظامها فقط، مما قد يحد مما يمكن لنموذجك القيام به. يتجنب ONNX ذلك من خلال السماح لك باختيار المنصة التي تعمل بشكل أفضل لاحتياجاتك، دون أن تكون عالقاً في إعداد واحد.

تطبيقات Ultralytics YOLO11 وصيغة نموذج ONNX#

بعد ذلك، دعنا نستكشف بعض التطبيقات الواقعية حيث يمكن نشر Ultralytics YOLO11 بمساعدة تكامل ONNX.

تتبع المخزون في المستودعات باستخدام Ultralytics YOLO11#

في المستودعات المزدحمة، من الصعب مراقبة كل منتج وطرود في جميع الأوقات. يمكن لأنظمة الرؤية الحاسوبية مساعدة العمال في العثور على المنتجات على الرفوف والحصول على رؤى مثل عدد المنتجات، والنوع، وما إلى ذلك. يمكن لمثل هذه الأنظمة مساعدة الشركات على إدارة مخزونها الضخم تلقائياً وتوفير الكثير من الوقت لعمال المستودعات.

تحديداً، في المستودعات الذكية، يمكن استخدام نماذج Ultralytics YOLO11 المصدرة إلى ONNX لتحديد العناصر وحسابها في الوقت الفعلي باستخدام الكاميرات وأجهزة الحافة. يمكن أن يساعد النموذج المصدر في فحص الرفوف أو المنصات لاكتشاف مستويات المخزون أو العناصر المفقودة أو الأماكن الفارغة. وبما أن التصدير إلى ONNX يجعل النموذج خفيف الوزن وفعالاً، فيمكن تشغيله مباشرة على أجهزة حافة صغيرة، مثل الكاميرات الذكية، مما يغني عن الحاجة إلى خوادم باهظة الثمن أو اتصال مستمر بالإنترنت.

الشكل 4. مثال على استخدام YOLO11 للكشف عن الحزم وعدها.

إدارة النفايات في المستشفيات باستخدام Ultralytics YOLO11#

تنتج المستشفيات في جميع أنحاء العالم كميات كبيرة من النفايات كل يوم، من القفازات والمحاقن المستخدمة إلى المعدات المستخدمة أثناء الجراحة (مثل الأدوات الجراحية ذات الاستخدام الواحد أو الملوثة مثل المقصات والمشارط). في الواقع، تُظهر الأبحاث أن المستشفيات تنتج نحو 5 ملايين طن من النفايات كل عام، وهو ما يعادل 29 رطلاً من النفايات لكل سرير يومياً.

يعد فرز هذه النفايات بشكل صحيح أمراً أساسياً للنظافة والسلامة والالتزام باللوائح. مع نماذج Ultralytics YOLO11 المصدرة بتنسيق ONNX، يمكن للمستشفيات أتمتة ومراقبة التخلص من النفايات في الوقت الفعلي.

على سبيل المثال، يمكن للكاميرات الموضوعة بالقرب من حاويات النفايات في مناطق مثل غرف العمليات أو الممرات مراقبة العناصر عند التخلص منها. يمكن لنموذج Ultralytics YOLO11 المخصص، المدرب على التعرف على أنواع مختلفة من النفايات الطبية، تحليل اللقطات وتحديد ما يتم التخلص منه. إذا انتهى المطاف بالعنصر في الحاوية الخاطئة، مثل محقنة مستخدمة في القمامة العادية، فيمكن إعداد النظام لتنبيه الموظفين على الفور بضوء أو صوت، مما يساعد على منع التلوث وضمان الامتثال.

الشكل 5. استخدام Ultralytics YOLO11 لاكتشاف الأدوات الطبية.

مراقبة المحاصيل المدعومة بواسطة Ultralytics YOLO11#

إن معرفة الوقت المناسب لحصاد المحاصيل يمكن أن يكون له تأثير كبير على جودة المنتج والإنتاجية الإجمالية للمزرعة. تقليدياً، يعتمد المزارعون على الخبرة والفحص اليدوي - ولكن مع التقدم الأخير في التكنولوجيا، بدأ ذلك في التغير.

الآن، بفضل ابتكارات الرؤية الحاسوبية مثل YOLO11، المصدرة بتنسيق ONNX، يمكن للمزارعين جلب الأتمتة والدقة إلى الحقل. باستخدام الطائرات بدون طيار (drones) 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، وتوزيع المحاصيل. بناءً على هذه المعلومات، يمكن للمزارعين تحديد ما إذا كانت المحاصيل جاهزة للحصاد، أو لا تزال تنضج، أو تجاوزت ذروتها بالفعل.

الشكل 6. يمكن استخدام YOLO11 للكشف عن المحاصيل في لقطات طائرات بدون طيار الجوية.

قيود ONNX التي يجب مراعاتها#

على الرغم من أن ONNX يقدم العديد من المزايا، مثل قابلية النقل، والتوافق عبر المنصات، وقابلية التشغيل البيني بين أطر العمل، إلا أن هناك بعض القيود التي يجب وضعها في الاعتبار:

• حجم النموذج: يمكن أن يؤدي تحويل النماذج إلى تنسيق ONNX في بعض الأحيان إلى احجام ملفات أكبر مقارنة بتنسيقاتها الأصلية. يمكن أن تساعد تقنيات مثل التكميم والتقليم (quantization and pruning) في تخفيف هذه المشكلة عن طريق تقليل حجم النموذج دون التأثير بشكل كبير على الأداء.

• التوافق مع وقت التشغيل: على الرغم من أن ONNX Runtime مصمم للتوافق عبر المنصات، إلا أن الأداء والدعم قد يختلفان عبر الأجهزة وأنظمة التشغيل المختلفة.

• تحديات التصحيح: قد يكون تصحيح أخطاء نماذج ONNX أكثر تعقيداً منه في أطر العمل الأصلية مثل PyTorch أو TensorFlow. قد تكون رسائل الخطأ أقل وصفاً، مما يجعل من الصعب تحديد المشكلات. ومع ذلك، يمكن لأدوات مثل Netron لتصور النموذج وقدرات تسجيل ONNX Runtime المساعدة في استكشاف الأخطاء وإصلاحها.

أبرز النقاط#

تصدير Ultralytics YOLO11 إلى ONNX يجعل من السهل أخذ نموذج رؤية حاسوبية مدرب ونشره في أي مكان تقريباً - سواء كان ذلك على كمبيوتر محمول، أو جهاز محمول، أو حتى كاميرا ذكية مدمجة. مع تكامل ONNX، أنت لست مقيداً بإطار عمل أو منصة واحدة، مما يمنحك المرونة لتشغيل نموذجك في البيئة التي تناسب تطبيقك بشكل أفضل.

هذا يجعل الانتقال من التدريب إلى النشر في العالم الحقيقي أسرع وأكثر كفاءة. سواء كنت تتتبع المخزون في مستودع أو تضمن التخلص من نفايات المستشفيات بشكل صحيح، يساعد هذا الإعداد الأنظمة على العمل بسلاسة أكبر، ويقلل من الأخطاء، ويوفر وقتاً ثميناً.

هل تريد معرفة المزيد عن الرؤية الحاسوبية والذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لإنطلاق مشروع الرؤية الحاسوبية الخاص بك. إذا كنت تستكشف الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في صناعة السيارات، تفضل بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.