استخدام Ultralytics YOLO11 لتشغيل استدلالات الدفعة

إذا رأيت سيارة ذاتية القيادة قيد العمل، فقد شهدت استدلال الذكاء الاصطناعي في الوقت الفعلي. عادةً ما تستخدم السيارة ذاتية القيادة 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 مكلفاً من حيث الموارد.

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 رؤية الكمبيوتر، يمكن استخدام نماذج مثل Ultralytics YOLO11 للمهام في الوقت الفعلي مثل اكتشاف الكائنات وتقسيم المثيلات. ومع ذلك، قد تُمثل معالجة أحجام كبيرة من البيانات المرئية في الوقت الفعلي عبئاً ثقيلاً.

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

باستخدام الاستدلال الدفعي، يمكن تشغيل Ultralytics YOLO11 على البيانات المرئية على دفعات، مما يقلل الضغط على النظام ويحسن الكفاءة دون التضحية بالاداء. هذا يسهل نشر حلول الرؤية الحاسوبية على نطاق واسع دون إرهاق الأجهزة أو زيادة التكاليف.

في هذه المقالة، سنستكشف الاستدلال المجمّع، وفوائده، وكيفية تطبيق الاستدلال المجمّع باستخدام Ultralytics YOLO11 في تطبيقات رؤية الكمبيوتر. لنبدأ!

نظرة 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.

مع ذلك، في العديد من سيناريوهات رؤية الكمبيوتر الأخرى، لا يكون زمن الوصول المنخفض بنفس الأهمية الحاسمة. وهنا يتألق الاستدلال الدفعي - عندما لا يحتاج النظام إلى التفاعل بشكل فوري. يعمل الاستدلال الدفعي عن طريق تغذية البيانات المرئية إلى نموذج رؤية الكمبيوتر في مجموعات أو دفعات، مما يتيح للنظام معالجة مجموعات بيانات كبيرة دفعة واحدة بدلاً من معالجتها باستمرار في الوقت الفعلي.

فهم 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 إعداد البيانات، يتم إدخال الدفعة بأكملها في النموذج (مثل Ultralytics YOLO11)، والذي يقوم بمعالجة الدفعة بأكملها مرة واحدة. 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.

متى 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.

يُعد الاستدلال الدفعي مثالياً لتحليل البيانات التاريخية. لنفترض أن لديك لقطات مراقبة من محطة مترو خلال الشهر الماضي، وكنت تحاول 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.

استدلال الدفعات باستخدام Ultralytics YOLO11#

تدعم حزمة بايثون من Ultralytics الاستدلال الدفعي لنماذج مثل YOLO11. باستخدام YOLO11، يمكنك بسهولة تشغيل الاستدلال الدفعي عن طريق تحديد معامل "batch"، والذي يحدد عدد الصور أو إطارات الفيديو التي تتم معالجتها دفعة واحدة.

أثناء عملية الاستدلال الدفعي، يتم إنشاء التنبؤات لجميع الصور في الدفعة في وقت واحد. افتراضياً، يتم تعيين حجم الدفعة على 1، ولكن يمكنك تعديله إلى أي رقم تفضله.

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

تطبيقات الرؤية الحاسوبية التي يدعمها استدلال الدفعات#

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

تعزيز التشخيص والبحث في الرعاية الصحية#

في البحث الطبي، يُعد العمل مع كميات كبيرة من البيانات المرئية أمراً شائعاً للغاية. وهنا، يمكن أن يساعد الاستدلال الدفعي العلماء على تحليل البيانات بشكل أكثر سهولة عبر مجالات مثل الكيمياء، وعلم الأحياء، وعلم الوراثة. بدلاً من التحليل واحداً تلو الآخر، يتم معالجة البيانات على 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 Ultralytics YOLO11.

تحسين المركبات ذاتية القيادة باستخدام المحاكاة#

تستخدم السيارات ذاتية القيادة تقنيات الذكاء الاصطناعي مثل رؤية الكمبيوتر لمعالجة العالم من حولها. بمساعدة النماذج المتقدمة مثل Ultralytics YOLO11، يمكن أن تتعرف الأنظمة الموجودة على متن السيارة على المركبات الأخرى، وخطوط الحارات، وإقشارات المرور، والأشخاص في الشارع. وفي حين أن الاستدلال في الوقت الفعلي يُعد أمراً بالغ الأهمية على الطريق، فإن تكنولوجيا القيادة الذاتية تعتمد بشكل كبير أيضاً على الاستدلال المجمّع في الخلفية.

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.

تحليل بيانات التجزئة المدفوع باستدلال الدفعات#

وبالمثل، بالنسبة لمتاجر التجزئة، يمكن أن يؤدي الاستدلال المجمّع باستخدام نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11 إلى تعزيز الكفاءة التشغيلية بشكل كبير. على سبيل المثال، يمكن أن تلتقط أنظمة الكاميرات في المتاجر آلاف الصور طوال اليوم، والتي يمكن بعد ذلك معالجتها في دفعات بين عشية وضحاها.

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 الاستدلال الدفعي لتوليد خرائط الحرارة، والتي تصور مناطق نشاط العملاء المرتفع والمنخفض داخل المتجر. من خلال تحليل هذه خرائط الحرارة، يمكن لتجار التجزئة تحديد المناطق التي تجذب أكبر عدد من حركة المشاة، وأي أجزاء من المتجر قد تتطلب مزيداً من الاهتمام أو تحسين وضع المنتجات. يمكن أن تساعد هذه البيانات تجار التجزئة في اتخاذ قرارات أفضل بشأن تخطيط المتجر، وتحديد مواقع المنتجات، وحتى الاستراتيجيات الترويجية لتحسين تجربة العملاء والمبيعات.

الشكل 4. يمكن لخرائط الحرارة أن تساعد تجار التجزئة في تحديد المناطق الشهيرة في المتاجر.

إيجابيات وسلبيات استدلال الدفعات#

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

• سهولة التكامل: يمكن دمج الاستدلال الدفعي بسهولة في سير العمل الحالي، لا سيما بالنسبة لصناعات مثل تجارة التجزئة، أو الأمن، أو الرعاية الصحية، حيث يلزم معالجة أحجام 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.

أبرز 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، وتحقق من خيارات الترخيص الخاصة بنا لبدء رحلتك في مجال رؤية الكمبيوتر. اكتشف المزيد حول الابتكارات مثل الذكاء الاصطناعي في التصنيع ورؤية الكمبيوتر في صناعة الخدمات اللوجستية على صفحات الحلول الخاصة بنا.