استخدام Ultralytics YOLO11 لتشغيل استدلالات الدفعة

إذا سبق لك رؤية سيارة ذاتية القيادة أثناء العمل، فقد شهدت الاستدلال بالذكاء الاصطناعي في الوقت الفعلي. تستخدم السيارة ذاتية القيادة عادةً الكاميرات وأجهزة الاستشعار والذكاء الاصطناعي لمعالجة محيطها واتخاذ قرارات شبه فورية. ومع ذلك، عندما لا تكون الاستجابات السريعة مطلوبة، يمكن أن يكون الاستدلال في الوقت الفعلي مكثفًا للموارد.

خيار أفضل في هذه الحالات هو استدلال الدفعات (batch inference). فبدلاً من معالجة البيانات باستمرار في الوقت الفعلي، يمكن لاستدلال الدفعات التعامل مع مجموعات كبيرة من البيانات في فترات زمنية مجدولة. يساعد هذا النهج في توفير الموارد وتقليل استهلاك الطاقة وخفض تكاليف البنية التحتية.

على سبيل المثال، في تطبيقات الرؤية الحاسوبية، يمكن استخدام نماذج مثل Ultralytics YOLO11 للمهام التي تتطلب الوقت الفعلي مثل اكتشاف الكائنات وتجزئة المثيل. ومع ذلك، يمكن أن تكون معالجة كميات كبيرة من البيانات المرئية في الوقت الفعلي أمرًا شاقًا.

الشكل 1. مثال على تجزئة الكائنات في صورة باستخدام YOLO11.

من خلال استدلال الدفعات، يمكن تشغيل YOLO11 على البيانات المرئية في دفعات، مما يقلل العبء على النظام ويحسن الكفاءة دون التضحية بالأداء. وهذا يسهل نشر حلول رؤية الذكاء الاصطناعي على نطاق واسع دون إرهاق الأجهزة أو زيادة التكاليف.

في هذه المقالة، سنستكشف استدلال الدفعات وفوائده وكيف يمكن تطبيق استدلال الدفعات باستخدام YOLO11 في تطبيقات الرؤية الحاسوبية. لنبدأ!

Link to this sectionنظرة على استدلال الدفعات في الرؤية الحاسوبية#

يمكنك التفكير في استدلال الدفعات على أنه معالجة مهمة كبيرة دفعة واحدة بدلاً من التعامل معها قطعة قطعة فور وصولها. فبدلاً من المعالجة المستمرة للبيانات في الوقت الفعلي، يسمح لك استدلال الدفعات بمعالجة مجموعات كبيرة من البيانات في فترات زمنية محددة. هذا النهج أكثر كفاءة بكثير عندما لا تكون هناك حاجة لاستجابات فورية، مما يساعد في توفير الموارد الحوسبية وتقليل استخدام الطاقة وخفض التكاليف.

عندما يتعلق الأمر بالرؤية الحاسوبية، هناك بعض التطبيقات التي يكون فيها زمن الوصول المنخفض حيويًا. يشير زمن الوصول المنخفض إلى الحد الأدنى من التأخير بين تلقي المدخلات (مثل صورة أو إطار فيديو) واستجابة النظام. على سبيل المثال، في المراقبة الأمنية في الوقت الفعلي، يمكن أن تؤدي التأخيرات البسيطة إلى مخاطر أمنية.

ومع ذلك، في العديد من سيناريوهات الرؤية الحاسوبية الأخرى، لا يكون زمن الوصول المنخفض أمرًا بالغ الأهمية. هنا يتألق استدلال الدفعات - عندما لا يحتاج النظام إلى التفاعل بشكل فوري. يعمل استدلال الدفعات عن طريق تغذية البيانات المرئية إلى نموذج رؤية حاسوبية في مجموعات أو دفعات، مما يتيح للنظام معالجة مجموعات بيانات كبيرة دفعة واحدة بدلاً من القيام بذلك باستمرار في الوقت الفعلي.

Link to this sectionفهم كيفية عمل استدلال الدفعات#

إليك نظرة فاحصة على الخطوات المتبعة في استدلال الدفعات:

• جمع البيانات: يتم جمع البيانات المرئية على مدى فترة زمنية. قد يشمل ذلك لقطات أمنية، أو صور منتجات، أو بيانات العملاء، اعتمادًا على التطبيق.

• تحضير الدفعة: يتم بعد ذلك تجميع البيانات المجمعة في دفعات. خلال هذه الخطوة، يتم تنسيق البيانات حسب متطلبات النموذج. على سبيل المثال، قد يتم تغيير حجم الصور أو تسويتها أو تحويلها إلى التنسيق المناسب ليعالجها النموذج.

• التنبؤ: بمجرد تحضير البيانات، يتم تغذية الدفعة بأكملها في النموذج (مثل YOLO11)، الذي يعالج الدفعة بأكملها في وقت واحد. يتيح ذلك للنموذج إجراء تنبؤات لجميع البيانات الموجودة في الدفعة في وقت واحد، مما يجعل العملية أكثر كفاءة مقارنة بالتعامل مع كل نقطة بيانات على حدة.

Link to this sectionمتى تستخدم استدلال الدفعات؟#

الآن بعد أن تناولنا ماهية استدلال الدفعات وكيف يختلف عن الاستدلال في الوقت الفعلي، دعنا نلقي نظرة فاحصة على متى يجب استخدامه.

يعد استدلال الدفعات مثاليًا لتحليل البيانات التاريخية. لنفترض أن لديك لقطات مراقبة من محطة مترو على مدار الشهر الماضي، وتحاول تحديد أنماط معينة، مثل عدد الأشخاص الذين يدخلون ويخرجون في أوقات مختلفة من اليوم.

بدلاً من معالجة كل إطار في الوقت الفعلي، يسمح لك استدلال الدفعات بمعالجة لقطات الشهر بأكمله في دفعات، مما يحدد الأحداث أو الاتجاهات الرئيسية دون الحاجة إلى نتائج فورية. بهذه الطريقة، يمكنك تحليل كميات كبيرة من البيانات بكفاءة أكبر واكتساب رؤى حول الأنماط طويلة المدى، دون إرهاق النظام أو الحاجة إلى مراقبة مستمرة.

يعد استدلال الدفعات أيضًا حلاً مثاليًا عندما تكون موارد النظام محدودة. من خلال تشغيل الاستدلال خلال ساعات خارج أوقات الذروة (مثل الليل)، يمكنك توفير تكاليف الحوسبة والتأكد من عدم تحميل النظام بشكل زائد خلال أوقات الاستخدام القصوى. وهذا يجعله نهجًا فعالًا وفعالًا من حيث التكلفة للشركات أو المشاريع التي تحتاج إلى معالجة مجموعات بيانات كبيرة ولكنها لا تتطلب تحليلًا في الوقت الفعلي.

Link to this sectionاستدلال الدفعات باستخدام Ultralytics YOLO11#

تدعم حزمة Ultralytics Python استدلال الدفعات لنماذج مثل YOLO11. مع YOLO11، يمكنك بسهولة تشغيل استدلال الدفعات عن طريق تحديد الوسيط 'batch'، والذي يحدد عدد الصور أو إطارات الفيديو التي تتم معالجتها في وقت واحد.

خلال عملية استدلال الدفعات، يتم إنشاء تنبؤات لجميع الصور في الدفعة في وقت واحد. افتراضيًا، يتم تعيين حجم الدفعة على 1، ولكن يمكنك ضبطه على أي رقم تفضله.

على سبيل المثال، إذا تم تعيين حجم الدفعة على 5، فسيقوم YOLO11 بمعالجة خمس صور أو إطارات فيديو في المرة الواحدة وإنشاء تنبؤات للخمسة جميعًا في وقت واحد. عادةً ما تؤدي أحجام الدفعات الأكبر إلى أوقات استدلال أسرع، حيث أن معالجة صور متعددة في دفعة واحدة أكثر كفاءة من التعامل معها بشكل فردي.

Link to this sectionتطبيقات الرؤية الحاسوبية التي يدعمها استدلال الدفعات#

بعد ذلك، دعنا نستكشف بعض حالات الاستخدام الواقعية للرؤية الحاسوبية لاستدلال الدفعات.

Link to this sectionتعزيز التشخيص والبحث في الرعاية الصحية#

في البحوث الطبية، يعد العمل بكميات كبيرة من البيانات المرئية أمرًا شائعًا للغاية. هنا، يمكن أن يساعد استدلال الدفعات العلماء على تحليل البيانات بسهولة أكبر عبر مجالات مثل الكيمياء والبيولوجيا وعلم الوراثة. بدلاً من التحليل واحدًا تلو الآخر، تتم معالجة البيانات في دفعات، مما يوفر الوقت والجهد.

على سبيل المثال، في المرافق الطبية، يمكن أن يكون استدلال الدفعات مفيدًا بشكل خاص لتحليل مجموعات كبيرة من الصور الطبية مثل التصوير بالرنين المغناطيسي (MRI) أو الأشعة المقطعية (CT scans). يمكن للمستشفيات جمع هذه المسوحات طوال اليوم ومعالجتها في دفعات أثناء الليل.

يسمح هذا النهج للمستشفيات بالاستفادة بشكل أفضل من أجهزتها وموظفيها، وتقليل التكاليف التشغيلية، وضمان مراجعة جميع المسوحات بطريقة متسقة وموحدة. كما أنه مفيد للمشاريع البحثية الكبيرة والدراسات طويلة المدى، حيث تكون معالجة كميات هائلة من البيانات ضرورية.

الشكل 2. اكتشاف فحص طبي باستخدام YOLO11.

Link to this sectionتحسين المركبات ذاتية القيادة باستخدام المحاكاة#

تستخدم السيارات ذاتية القيادة تقنيات الذكاء الاصطناعي مثل الرؤية الحاسوبية لمعالجة العالم من حولها. بمساعدة نماذج متقدمة مثل YOLO11، يمكن للأنظمة الموجودة على متن السيارة التعرف على المركبات الأخرى، وخطوط المسار، وعلامات الطرق، والأشخاص في الشارع. في حين أن الاستدلال في الوقت الفعلي أمر بالغ الأهمية على الطريق، فإن التكنولوجيا ذاتية القيادة تعتمد أيضًا بشكل كبير على استدلال الدفعات خلف الكواليس.

الشكل 3. يمكن لـ YOLO11 اكتشاف المشاة على الطريق بسهولة.

بعد أن تكمل السيارة رحلتها، يمكن معالجة البيانات التي تجمعها، مثل ساعات من لقطات الكاميرا، وقراءات أجهزة الاستشعار، ومسوحات LIDAR، لاحقًا في دفعات كبيرة. هذا يجعل من الممكن للمهندسين تحديث نماذج الذكاء الاصطناعي للسيارة، وتعزيز سلامة النظام، وتحسين قدرتها على التعامل مع ظروف القيادة المختلفة.

يُستخدم استدلال الدفعات أيضًا في محاكيات القيادة الذاتية لاختبار كيفية تفاعل السيارات ذاتية القيادة في مواقف مختلفة، مثل التنقل في التقاطعات المزدحمة أو الاستجابة لحركات المشاة غير المتوقعة. يوفر هذا النهج الوقت، ويقلل التكاليف، ويتجنب المخاطر المرتبطة باختبار كل سيناريو في الحياة الواقعية.

Link to this sectionتحليل بيانات التجزئة المدفوع باستدلال الدفعات#

وبالمثل، بالنسبة لمتاجر التجزئة، يمكن لاستدلال الدفعات باستخدام نماذج الرؤية الحاسوبية مثل YOLO11 تعزيز الكفاءة التشغيلية بشكل كبير. على سبيل المثال، يمكن لأنظمة الكاميرات في المتاجر التقاط آلاف الصور طوال اليوم، والتي يمكن بعد ذلك معالجتها في دفعات أثناء الليل.

يسمح هذا للمتاجر بتحليل ما يحدث داخل المتجر، مثل سلوك العملاء، وأنماط حركة المرور، وتفاعلات المنتجات، دون الحاجة إلى معالجة في الوقت الفعلي، وهو ما قد يكون صعبًا للمتاجر الصغيرة.

مثال آخر مثير للاهتمام هو استخدام استدلال الدفعات لإنشاء خرائط حرارية، والتي تصور مناطق نشاط العملاء المرتفع والمنخفض داخل المتجر. من خلال تحليل هذه الخرائط الحرارية، يمكن لتجار التجزئة تحديد المناطق التي تجذب أكبر قدر من حركة المرور وأي أجزاء من المتجر قد تحتاج إلى مزيد من الاهتمام أو تحسين وضع المنتج. يمكن أن تساعد هذه البيانات تجار التجزئة في اتخاذ قرارات أفضل بشأن تخطيط المتجر، ووضع المنتج، وحتى الاستراتيجيات الترويجية لتحسين تجربة العملاء والمبيعات.

الشكل 4. يمكن أن تساعد الخرائط الحرارية تجار التجزئة في تحديد المناطق الشهيرة في المتاجر.

Link to this sectionإيجابيات وسلبيات استدلال الدفعات#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يجلبها استدلال الدفعات لمختلف الصناعات:

• سهولة التكامل: يمكن دمج استدلال الدفعات بسهولة في سير العمل الحالي، خاصة للصناعات مثل التجزئة، أو الأمن، أو الرعاية الصحية، حيث يلزم معالجة كميات كبيرة من البيانات بشكل مجمع.
• إدارة بيانات أسهل: عند العمل مع كميات كبيرة من البيانات، يمكن لاستدلال الدفعات تبسيط إدارة البيانات نظرًا لأن البيانات يتم تجميعها في أجزاء يمكن إدارتها. وهذا يسهل تتبع البيانات ومراجعتها وتنظيمها بمرور الوقت.
• تقليل حمل الشبكة: عند معالجة البيانات في دفعات، يمكن تقليل كمية البيانات المنقولة في أي لحظة معينة، مما يقلل العبء على موارد الشبكة في الأنظمة القائمة على السحابة أو بيئات الحوسبة الموزعة.

بينما توجد العديد من المزايا لاستخدام استدلال الدفعات، هناك أيضًا بعض القيود التي يجب مراعاتها. إليك بعض العوامل التي يجب وضعها في الاعتبار:

• متطلبات التخزين: يمكن أن يؤدي تخزين مجموعات بيانات كبيرة لمعالجة الدفعات إلى زيادة تكاليف التخزين بشكل كبير، خاصة مع الصور عالية الدقة، أو مقاطع الفيديو، أو كميات كبيرة من البيانات.
• احتمالية تراكم الأعمال: إذا تراكمت البيانات بسرعة أو لم تتم معالجة الدفعات الكبيرة في الوقت المحدد، فقد يتطور تراكم للأعمال. يمكن أن يؤدي ذلك إلى تأخير في تقديم الرؤى ومعالجة البيانات الجديدة في الوقت المناسب.
• طفرات الموارد: يمكن أن تسبب الدفعات الكبيرة، خاصة تلك التي تتضمن صورًا عالية الدقة، طفرات في استخدام الذاكرة أو الحوسبة. إذا لم تتم إدارتها بشكل صحيح، فقد تؤدي هذه الطفرات إلى إرهاق الأنظمة، مما يؤدي إلى تباطؤ أو تعطل.

Link to this sectionأبرز النقاط#

يعد استدلال الدفعات طريقة فعالة لمعالجة كميات كبيرة من البيانات المرئية التي لا تتطلب نتائج فورية. فبدلاً من تحليل كل صورة في الوقت الفعلي، يتم معالجتها في دفعات في أوقات مجدولة، مثل الليل.

هذه الطريقة فعالة من حيث التكلفة، وتقلل من الحمل الحوسبي، وتوفر نتائج دقيقة. من مساعدة المتاجر في إدارة المخزون إلى مساعدة الأطباء في تحليل الفحوصات الطبية وتعزيز تقنيات السيارات ذاتية القيادة، يجعل استدلال الدفعات الرؤية الحاسوبية أكثر سهولة في الوصول إليها وبأسعار معقولة وعملية للتطبيقات الواقعية.

هل أنت مستعد للتعمق في الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، واطلع على خيارات الترخيص الخاصة بنا للبدء في رحلتك في مجال الرؤية الحاسوبية. اكتشف المزيد حول ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الخدمات اللوجستية على صفحات حلولنا.