استخدام Ultralytics YOLO11 لتشغيل عمليات الاستدلال على دفعات

إذا سبق لك أن شاهدت سيارة ذاتية القيادة أثناء عملها، فقد شهدت استدلال الذكاء الاصطناعي في الوقت الفعلي. تستخدم السيارة ذاتية القيادة عادةً الكاميرات والمستشعرات والذكاء الاصطناعي لمعالجة محيطها واتخاذ قرارات شبه فورية. ومع ذلك، عندما لا تكون الاستجابات السريعة مطلوبة، فقد يكون الاستدلال في الوقت الفعلي كثيف الاستهلاك للموارد.

يُعد استدلال الدُفعات خيارًا أفضل في هذه الحالات. فبدلًا من معالجة البيانات باستمرار وفي الوقت الفعلي، يمكن لاستدلال الدُفعات التعامل مع مجموعات كبيرة من البيانات على فترات زمنية مجدولة. ويساعد هذا النهج على توفير الموارد، وخفض استهلاك الطاقة، وتقليل تكاليف البنية التحتية.

على سبيل المثال، في تطبيقات الرؤية الحاسوبية، يمكن استخدام نماذج مثل Ultralytics YOLO11 لتنفيذ مهام في الوقت الفعلي مثل اكتشاف الأجسام وتقسيم المثيلات. ومع ذلك، قد تكون معالجة كميات كبيرة من البيانات المرئية في الوقت الفعلي مهمة شاقة.

الشكل 1. مثال على تقسيم الأجسام في صورة باستخدام Ultralytics YOLO11.

باستخدام استدلال الدُفعات، يمكن تشغيل Ultralytics YOLO11 على البيانات المرئية على دفعات، مما يقلل الضغط على النظام ويحسن الكفاءة دون التضحية بالأداء. وهذا يسهل نشر حلول الذكاء الاصطناعي للرؤية على نطاق واسع دون إرهاق الأجهزة أو زيادة التكاليف.

في هذه المقالة، سنستكشف استدلال الدُفعات وفوائده، وكيفية تطبيق استدلال الدُفعات باستخدام Ultralytics YOLO11 في تطبيقات الرؤية الحاسوبية. لنبدأ!

نظرة على استدلال الدُفعات في الرؤية الحاسوبية#

يمكنك التفكير في استدلال الدُفعات على أنه إنجاز مهمة كبيرة دفعة واحدة بدلًا من التعامل معها جزءًا بعد جزء عند ورودها. فبدلًا من معالجة البيانات باستمرار وفي الوقت الفعلي، يتيح لك استدلال الدُفعات معالجة مجموعات كبيرة من البيانات على فترات زمنية محددة. ويكون هذا النهج أكثر كفاءة بكثير عندما لا تكون الاستجابات الفورية ضرورية، إذ يساعد على توفير موارد الحوسبة، وتقليل استهلاك الطاقة، وخفض التكاليف.

عند التعامل مع الرؤية الحاسوبية، توجد تطبيقات معينة يكون فيها انخفاض زمن الاستجابة أمرًا بالغ الأهمية. ويشير انخفاض زمن الاستجابة إلى الحد الأدنى من التأخير بين تلقي الإدخال، مثل صورة أو إطار فيديو، واستجابة النظام. فعلى سبيل المثال، في المراقبة الأمنية في الوقت الفعلي، قد تؤدي حتى التأخيرات الصغيرة إلى مخاطر على السلامة.

ومع ذلك، لا يُعد انخفاض زمن الاستجابة حاسمًا بالقدر نفسه في كثير من سيناريوهات الرؤية الحاسوبية الأخرى. وهنا يتألق استدلال الدُفعات، عندما لا يحتاج النظام إلى الاستجابة فورًا. يعمل استدلال الدُفعات من خلال تزويد نموذج رؤية حاسوبية بالبيانات المرئية في مجموعات أو دفعات، مما يتيح للنظام معالجة مجموعات بيانات كبيرة دفعة واحدة بدلًا من معالجتها باستمرار وفي الوقت الفعلي.

فهم كيفية عمل استدلال الدُفعات#

إليك نظرةً أقرب على الخطوات المتضمنة في استدلال الدُفعات:

• جمع البيانات: تُجمع البيانات المرئية على مدى فترة زمنية. وقد تشمل هذه البيانات لقطات أمنية، أو صورًا للمنتجات، أو بيانات العملاء، بحسب التطبيق.

• إعداد الدُفعات: تُجمع البيانات التي جرى جمعها بعد ذلك في دفعات. وخلال هذه الخطوة، تُنسّق البيانات وفقًا لما يتطلبه النموذج. فعلى سبيل المثال، قد تُغيّر أحجام الصور، أو تُطبّع، أو تُحوّل إلى التنسيق المناسب لمعالجتها بواسطة النموذج.

• التنبؤ: بعد إعداد البيانات، تُدخَل الدُفعة بأكملها إلى النموذج، مثل Ultralytics YOLO11، الذي يعالج الدُفعة كاملةً دفعة واحدة. ويتيح ذلك للنموذج إجراء تنبؤات لجميع البيانات الموجودة في الدُفعة في الوقت نفسه، مما يجعل العملية أكثر كفاءة مقارنةً بالتعامل مع كل نقطة بيانات على حدة.

متى يُستخدم استدلال الدُفعات؟#

بعد أن تناولنا ماهية استدلال الدُفعات واختلافه عن الاستدلال في الوقت الفعلي، دعونا نلقِ نظرةً أقرب على أوقات استخدامه.

يُعد استدلال الدُفعات مثاليًا لتحليل البيانات التاريخية. لنفترض أن لديك لقطات مراقبة من محطة مترو خلال الشهر الماضي، وأنك تحاول تحديد أنماط معينة، مثل عدد الأشخاص الذين يدخلون ويخرجون في أوقات مختلفة من اليوم.

بدلًا من معالجة كل إطار في الوقت الفعلي، يتيح لك استدلال الدُفعات معالجة لقطات الشهر بأكمله على دفعات، وتحديد الأحداث أو الاتجاهات الرئيسية دون الحاجة إلى نتائج فورية. وبهذه الطريقة، يمكنك تحليل كميات كبيرة من البيانات بكفاءة أكبر واكتساب رؤى حول الأنماط طويلة الأمد، دون إرهاق النظام أو الحاجة إلى المراقبة المستمرة.

يُعد استدلال الدُفعات أيضًا حلًا مثاليًا عندما تكون موارد النظام محدودة. فمن خلال تشغيل الاستدلال خلال ساعات انخفاض الطلب، مثل الليل، يمكنك توفير تكاليف الحوسبة وضمان عدم تحميل النظام فوق طاقته خلال أوقات ذروة الاستخدام. وهذا يجعله نهجًا فعالًا من حيث الكفاءة والتكلفة للشركات أو المشاريع التي تحتاج إلى معالجة مجموعات بيانات كبيرة، لكنها لا تتطلب تحليلًا في الوقت الفعلي.

استدلال الدُفعات باستخدام Ultralytics YOLO11#

تدعم حزمة Ultralytics Python استدلال الدُفعات لنماذج مثل YOLO11. وباستخدام YOLO11، يمكنك بسهولة إجراء استدلال على دفعات من خلال تحديد الوسيط ‘batch’، الذي يحدد عدد الصور أو إطارات الفيديو التي تُعالج في المرة الواحدة.

أثناء عملية استدلال الدُفعات، تُنشأ التنبؤات لجميع الصور الموجودة في الدُفعة في الوقت نفسه. ويكون حجم الدُفعة مضبوطًا افتراضيًا على 1، لكن يمكنك تعديله إلى أي عدد تفضله.

على سبيل المثال، إذا ضُبط حجم الدُفعة على 5، فسيعالج Ultralytics YOLO11 خمس صور أو إطارات فيديو في المرة الواحدة، وينشئ تنبؤات للصور أو الإطارات الخمسة كلها في آن واحد. وتؤدي أحجام الدُفعات الأكبر عادةً إلى أزمنة استدلال أسرع، إذ إن معالجة صور متعددة في دفعة واحدة أكثر كفاءة من التعامل معها بشكل فردي.

تطبيقات الرؤية الحاسوبية التي يتيحها استدلال الدُفعات#

بعد ذلك، دعونا نستكشف بعض حالات الاستخدام الواقعية للرؤية الحاسوبية في استدلال الدُفعات.

تحسين التشخيص والبحث في قطاع الرعاية الصحية#

في البحث الطبي، يُعد التعامل مع كميات كبيرة من البيانات المرئية أمرًا شائعًا جدًا. وهنا يمكن لاستدلال الدُفعات أن يساعد العلماء على تحليل البيانات بسهولة أكبر في مجالات مثل الكيمياء، وعلم الأحياء، وعلم الوراثة. فبدلًا من تحليل البيانات واحدًا تلو الآخر، تُعالج على دفعات، مما يوفر الوقت والجهد.

على سبيل المثال، يمكن أن يكون استدلال الدُفعات مفيدًا جدًا في المنشآت الطبية لتحليل مجموعات كبيرة من الصور الطبية، مثل صور الرنين المغناطيسي أو فحوصات التصوير المقطعي المحوسب. ويمكن للمستشفيات جمع هذه الفحوصات طوال اليوم ومعالجتها على دفعات خلال الليل.

يتيح هذا النهج للمستشفيات الاستفادة بصورة أفضل من أجهزتها وموظفيها، وخفض التكاليف التشغيلية، وضمان مراجعة جميع الفحوصات بطريقة متسقة وموحدة. كما يفيد في المشاريع البحثية الكبيرة والدراسات طويلة الأمد، التي تتطلب التعامل مع كميات هائلة من البيانات.

الشكل 2. اكتشاف نتيجة في فحص طبي باستخدام Ultralytics YOLO11.

تحسين المركبات ذاتية القيادة باستخدام عمليات المحاكاة#

تستخدم السيارات ذاتية القيادة تقنيات الذكاء الاصطناعي مثل الرؤية الحاسوبية لمعالجة العالم المحيط بها. وبمساعدة نماذج متقدمة مثل Ultralytics YOLO11، تستطيع الأنظمة الموجودة على متن السيارة التعرّف على المركبات الأخرى، وخطوط المسارات، وإشارات المرور، والأشخاص في الشارع. وبينما يُعد الاستدلال في الوقت الفعلي حاسمًا على الطريق، تعتمد تقنيات القيادة الذاتية أيضًا اعتمادًا كبيرًا على استدلال الدُفعات في الخلفية.

الشكل 3. يستطيع YOLO11 اكتشاف المشاة على الطريق بسهولة.

بعد إكمال السيارة رحلة، يمكن معالجة البيانات التي تجمعها، مثل ساعات من لقطات الكاميرا، وقراءات المستشعرات، وعمليات مسح LIDAR، لاحقًا على دفعات كبيرة. ويتيح ذلك للمهندسين تحديث نماذج الذكاء الاصطناعي في السيارة، وتعزيز سلامة النظام، وتحسين قدرته على التعامل مع ظروف القيادة المختلفة.

يُستخدم استدلال الدُفعات أيضًا في عمليات محاكاة القيادة الذاتية لاختبار كيفية استجابة السيارات ذاتية القيادة لمواقف مختلفة، مثل اجتياز التقاطعات المزدحمة أو الاستجابة لتحركات المشاة غير المتوقعة. ويوفر هذا النهج الوقت، ويخفض التكاليف، ويتجنب المخاطر المرتبطة باختبار كل سيناريو في الواقع.

تحليل بيانات البيع بالتجزئة المدعوم باستدلال الدُفعات#

وبالمثل، يمكن لاستدلال الدُفعات باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 أن يعزز الكفاءة التشغيلية في متاجر البيع بالتجزئة بدرجة كبيرة. فعلى سبيل المثال، يمكن لأنظمة الكاميرات في المتاجر التقاط آلاف الصور طوال اليوم، ثم معالجتها على دفعات خلال الليل.

يتيح ذلك للمتاجر تحليل ما يحدث فيها، مثل سلوك العملاء، وأنماط الحركة، وتفاعلات العملاء مع المنتجات، دون الحاجة إلى المعالجة في الوقت الفعلي، التي قد تشكل تحديًا للمتاجر الأصغر.

ومن الأمثلة الأخرى المثيرة للاهتمام استخدام استدلال الدُفعات لإنشاء خرائط حرارية توضح مناطق نشاط العملاء المرتفع والمنخفض داخل المتجر. ومن خلال تحليل هذه الخرائط الحرارية، يستطيع تجار التجزئة تحديد المناطق التي تجذب أكبر قدر من حركة الزوار، وأجزاء المتجر التي قد تحتاج إلى مزيد من الاهتمام أو إلى تحسين مواضع المنتجات. ويمكن أن تساعد هذه البيانات تجار التجزئة على اتخاذ قرارات أفضل بشأن تخطيط المتجر، وتحديد مواضع المنتجات، وحتى الاستراتيجيات الترويجية لتحسين تجربة العملاء والمبيعات.

الشكل 4. يمكن للخرائط الحرارية أن تساعد تجار التجزئة على تحديد المناطق الشائعة في المتاجر.

إيجابيات وسلبيات استدلال الدُفعات#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يوفرها استدلال الدُفعات لمختلف القطاعات:

• سهولة التكامل: يمكن دمج استدلال الدُفعات بسهولة في سير العمل الحالي، لا سيما في قطاعات مثل البيع بالتجزئة، والأمن، أو الرعاية الصحية، حيث يلزم معالجة كميات كبيرة من البيانات بالجملة.
• سهولة إدارة البيانات: عند التعامل مع كميات كبيرة من البيانات، يمكن لاستدلال الدُفعات تبسيط إدارة البيانات، إذ تُجمع البيانات في أجزاء يمكن التحكم فيها. ويسهل ذلك تتبع البيانات ومراجعتها وتنظيمها بمرور الوقت.
• تقليل حمل الشبكة: عند معالجة البيانات على دفعات، يمكن تقليل كمية البيانات المنقولة في أي لحظة، مما يخفف الضغط على موارد الشبكة في الأنظمة السحابية أو بيئات الحوسبة الموزعة.

رغم وجود مزايا عديدة لاستخدام استدلال الدُفعات، فهناك أيضًا بعض القيود التي ينبغي أخذها في الاعتبار. وفيما يلي بعض العوامل التي يجب وضعها في الحسبان:

• متطلبات التخزين: يمكن أن يؤدي تخزين مجموعات البيانات الكبيرة لمعالجة الدُفعات إلى زيادة تكاليف التخزين بدرجة كبيرة، لا سيما مع الصور عالية الدقة، أو مقاطع الفيديو، أو كميات البيانات الكبيرة.
• احتمال تراكم الأعمال: إذا تراكمت البيانات بسرعة أو لم تُعالج الدُفعات الكبيرة في الوقت المحدد، فقد يتكون تراكم للأعمال. وقد يؤدي ذلك إلى تأخيرات في تقديم الرؤى ومعالجة البيانات الجديدة في الوقت المناسب.
• ارتفاعات مفاجئة في استهلاك الموارد: يمكن أن تتسبب الدُفعات الكبيرة، ولا سيما التي تتضمن صورًا عالية الدقة، في ارتفاعات مفاجئة في استهلاك الذاكرة أو موارد الحوسبة. وإذا لم تُدار هذه الارتفاعات بصورة صحيحة، فقد ترهق الأنظمة، مما يؤدي إلى التباطؤ أو التعطل.

أهم النقاط المستخلصة#

يُعد استدلال الدُفعات وسيلة فعالة لمعالجة كميات كبيرة من البيانات المرئية التي لا تتطلب نتائج فورية. فبدلًا من تحليل كل صورة في الوقت الفعلي، يعالج الصور على دفعات في أوقات مجدولة، مثل الليل.

تتميز هذه الطريقة بفعاليتها من حيث التكلفة، وتقلل الحمل الحاسوبي، مع تقديم نتائج دقيقة في الوقت نفسه. ومن مساعدة المتاجر على إدارة المخزون إلى مساعدة الأطباء في تحليل الفحوصات الطبية وتعزيز تقنيات السيارات ذاتية القيادة، يجعل استدلال الدُفعات الرؤية الحاسوبية أكثر إتاحةً وأقل تكلفة وأكثر عملية للتطبيقات الواقعية.

هل أنت مستعد للتعمق في الذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا للبدء في رحلتك مع الرؤية الحاسوبية. تعرّف على المزيد حول ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في قطاع الخدمات اللوجستية في صفحات حلولنا.