بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إذا رأيت سيارة ذاتية القيادة قيد التشغيل، 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 كثيف الاستهلاك للموارد.
الخيار الأفضل في هذه الحالات هو الاستدلال الدفعي. بدلاً من معالجة البيانات باستمرار في الوقت الفعلي، يمكن للاستدلال الدفعي معالجة مجموعات كبيرة من البيانات على 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 لمهام في الوقت الفعلي مثل اكتشاف الكائنات وتقسيم المثيلات. ومع ذلك، يمكن أن تكون معالجة كميات كبيرة من البيانات المرئية في الوقت الفعلي أمرًا صعبًا.
الشكل 1. مثال على تقسيم الكائنات في صورة باستخدام YOLO11.
مع الاستدلال الدفعي، يمكن تشغيل YOLO11 على البيانات المرئية على شكل دفعات، مما يقلل الضغط على النظام ويحسن الكفاءة دون التضحية بالأداء. وهذا يجعل من السهل نشر حلول Vision AI على نطاق واسع دون إرهاق الأجهزة أو زيادة التكاليف.
في هذه المقالة، سنستكشف الاستدلال الدفعي وفوائده وكيف يمكن تطبيق الاستدلال الدفعي باستخدام YOLO11 في تطبيقات الرؤية الحاسوبية. هيا بنا نبدأ!
نظرة على الاستدلال الدفعي في الرؤية الحاسوبية
يمكنك اعتبار الاستدلال الدفعي (batch inferencing) بمثابة معالجة مهمة كبيرة مرة واحدة بدلاً من التعامل معها جزءًا جزءًا عند ورودها. بدلاً من معالجة البيانات باستمرار في الوقت الفعلي، يتيح لك الاستدلال الدفعي معالجة مجموعات كبيرة من البيانات على فترات زمنية محددة. هذا النهج أكثر كفاءة عندما لا تكون الاستجابات الفورية ضرورية، مما يساعد على توفير موارد الحوسبة وتقليل استخدام الطاقة وخفض التكاليف.
عندما يتعلق الأمر برؤية الكمبيوتر، هناك تطبيقات معينة يكون فيها زمن الوصول المنخفض أمرًا حيويًا. يشير زمن الوصول المنخفض إلى الحد الأدنى من التأخير بين استقبال المدخلات (مثل صورة أو إطار فيديو) واستجابة النظام. على سبيل المثال، في المراقبة الأمنية في الوقت الفعلي، يمكن أن تتسبب حتى التأخيرات الصغيرة في مخاطر تتعلق بالسلامة.
ومع ذلك، في العديد من سيناريوهات الرؤية الحاسوبية الأخرى، لا يكون الكمون المنخفض بنفس القدر من الأهمية. هذا هو المكان الذي يتألق فيه الاستدلال الدفعي - عندما لا يحتاج النظام إلى الاستجابة على الفور. يعمل الاستدلال الدفعي عن طريق تغذية البيانات المرئية إلى نموذج الرؤية الحاسوبية في مجموعات أو دفعات، مما يمكّن النظام من معالجة مجموعات البيانات الكبيرة مرة واحدة بدلاً من الاستمرار في الوقت الفعلي.
فهم كيفية عمل الاستدلال الدفعي
إليك نظرة فاحصة على الخطوات المتضمنة في الاستدلال الدفعي:
جمع البيانات: يتم جمع البيانات المرئية على مدى فترة من الزمن. يمكن أن يشمل ذلك لقطات أمنية أو صور منتجات أو بيانات العملاء، اعتمادًا على التطبيق.
إعداد الدُفعات: يتم بعد ذلك تجميع البيانات التي تم جمعها في دُفعات. خلال هذه الخطوة، يتم تنسيق البيانات على النحو المطلوب من قبل النموذج. على سبيل المثال، قد يتم تغيير حجم الصور أو تطبيعها أو تحويلها إلى التنسيق المناسب لكي يعالجها النموذج.
التنبؤ: بمجرد إعداد البيانات، يتم تغذية الدفعة بأكملها في النموذج (مثل YOLO11)، الذي يعالج الدفعة بأكملها مرة واحدة. يتيح ذلك للنموذج إجراء تنبؤات لجميع البيانات الموجودة في الدفعة في وقت واحد، مما يجعل العملية أكثر كفاءة مقارنة بمعالجة كل نقطة بيانات على حدة.
متى تستخدم الاستدلال الدفعي؟
الآن بعد أن غطينا ماهية الاستدلال الدفعي وكيف يختلف عن الاستدلال في الوقت الفعلي، دعنا نلقي نظرة فاحصة على متى يجب استخدامه.
يعد الاستدلال الدفعي 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، يتيح لك الاستدلال الدفعي معالجة لقطات شهر كامل على شكل دفعات، وتحديد الأحداث أو الاتجاهات الرئيسية دون الحاجة إلى نتائج فورية. بهذه الطريقة، يمكنك تحليل كميات كبيرة من البيانات بكفاءة أكبر واكتساب رؤى حول الأنماط طويلة الأجل، دون إرهاق النظام أو الحاجة إلى مراقبة مستمرة.
يعد الاستدلال الدفعي أيضًا حلاً مثاليًا عندما تكون موارد النظام محدودة. من خلال تشغيل الاستدلال خلال ساعات الذروة (مثل طوال الليل)، يمكنك توفير تكاليف الحوسبة والتأكد من عدم زيادة تحميل النظام خلال أوقات الاستخدام القصوى. وهذا يجعله نهجًا فعالاً وفعالاً من حيث التكلفة للشركات أو المشاريع التي تحتاج إلى معالجة مجموعات بيانات كبيرة ولكنها لا تتطلب تحليلًا في الوقت الفعلي.
الاستدلال الدفعي باستخدام Ultralytics YOLO11
تدعم حزمة Ultralytics Python الاستدلال الدفعي للنماذج مثل YOLO11. باستخدام YOLO11، يمكنك بسهولة تشغيل الاستدلال الدفعي عن طريق تحديد وسيطة "batch"، التي تحدد عدد الصور أو إطارات الفيديو التي تتم معالجتها مرة واحدة.
أثناء عملية الاستدلال الدفعي، يتم إنشاء تنبؤات لجميع الصور في الدفعة في وقت واحد. بشكل افتراضي، يتم تعيين حجم الدفعة على 1، ولكن يمكنك تعديله إلى أي رقم تفضله.
على سبيل المثال، إذا تم تعيين حجم الدفعة (batch size) على 5، فسيقوم YOLO11 بمعالجة خمس صور أو إطارات فيديو في المرة الواحدة وإنشاء تنبؤات للخمسة جميعًا مرة واحدة. عادةً ما تؤدي أحجام الدفعات الأكبر إلى أوقات استدلال أسرع، حيث أن معالجة صور متعددة في دفعة واحدة أكثر كفاءة من معالجتها بشكل فردي.
تطبيقات الرؤية الحاسوبية التي تم تمكينها عن طريق الاستدلال الدفعي
بعد ذلك، دعنا نستكشف بعض حالات الاستخدام الواقعية لرؤية الكمبيوتر للاستدلال الدفعي.
تعزيز التشخيص والأبحاث في مجال الرعاية الصحية
في البحث الطبي، يعد العمل مع كميات كبيرة من البيانات المرئية أمرًا شائعًا جدًا. هنا، يمكن أن يساعد الاستدلال الدفعي العلماء على تحليل البيانات بسهولة أكبر عبر مجالات مثل الكيمياء وعلم الأحياء وعلم الوراثة. بدلاً من تحليل البيانات واحدة تلو الأخرى، تتم معالجتها على شكل دفعات، مما يوفر الوقت والجهد.
على سبيل المثال، في المرافق الطبية، يمكن أن يكون الاستدلال الدفعي مفيدًا بشكل خاص لتحليل مجموعات كبيرة من الصور الطبية مثل صور الرنين المغناطيسي أو الأشعة المقطعية. يمكن للمستشفيات جمع هذه الفحوصات طوال اليوم ومعالجتها على شكل دفعات طوال الليل.
يسمح هذا النهج للمستشفيات بالاستفادة بشكل أفضل من أجهزتها وموظفيها، وتقليل التكاليف التشغيلية، وضمان مراجعة جميع عمليات المسح بطريقة متسقة وموحدة. كما أنه مفيد لمشاريع بحثية كبيرة ودراسات طويلة الأجل، حيث تكون معالجة كميات هائلة من البيانات ضرورية.
تستخدم السيارات ذاتية القيادة تقنيات الذكاء الاصطناعي مثل الرؤية الحاسوبية لمعالجة العالم من حولها. وبمساعدة النماذج المتقدمة مثل YOLO11، يمكن للأنظمة الموجودة على متن السيارة التعرف على المركبات الأخرى، وخطوط المسارات، وإشارات المرور، والأشخاص في الشارع. في حين أن الاستدلال في الوقت الفعلي أمر بالغ الأهمية على الطريق، فإن تكنولوجيا القيادة الذاتية تعتمد أيضًا بشكل كبير على الاستدلال الدفعي خلف الكواليس.
الشكل 3. يمكن لـ YOLO11 بسهولة اكتشاف المشاة على الطريق.
بعد أن تكمل السيارة رحلتها، يمكن معالجة البيانات التي تجمعها، مثل ساعات من لقطات الكاميرا وقراءات المستشعر ومسح LIDAR، لاحقًا على دفعات كبيرة. وهذا يجعل من الممكن للمهندسين تحديث نماذج الذكاء الاصطناعي للسيارة، وتعزيز سلامة النظام، وتحسين قدرتها على التعامل مع ظروف القيادة المختلفة.
يستخدم الاستدلال الدفعي أيضًا في عمليات محاكاة القيادة الذاتية لاختبار كيفية تفاعل السيارات ذاتية القيادة في المواقف المختلفة، 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 البيع بالتجزئة مدفوعًا بالاستدلال الدفعي
وبالمثل، بالنسبة لمتاجر البيع بالتجزئة، يمكن أن يعزز الاستدلال الدفعي باستخدام نماذج الرؤية الحاسوبية مثل YOLO11 الكفاءة التشغيلية بشكل كبير. على سبيل المثال، يمكن لأنظمة الكاميرات في المتاجر التقاط آلاف الصور على مدار اليوم، والتي يمكن معالجتها بعد ذلك على شكل دفعات طوال الليل.
يتيح ذلك للمتاجر تحليل ما يحدث في المتجر، مثل سلوك العملاء وأنماط حركة المرور وتفاعلات المنتج، دون الحاجة إلى معالجة في الوقت الفعلي، وهو ما قد يمثل تحديًا للمتاجر الصغيرة.
مثال آخر مثير للاهتمام هو استخدام الاستدلال الدفعي لإنشاء خرائط حرارية، والتي تصور مناطق النشاط العالي والمنخفض للعملاء داخل المتجر. من خلال تحليل هذه الخرائط الحرارية، يمكن لتجار التجزئة تحديد المناطق التي تجذب أكبر عدد من الزوار وأي أجزاء من المتجر قد تحتاج إلى مزيد من الاهتمام أو تحسين وضع المنتج. يمكن أن تساعد هذه البيانات تجار التجزئة على اتخاذ قرارات أفضل بشأن تصميم المتجر وتحديد مواقع المنتجات وحتى الاستراتيجيات الترويجية لتحسين تجربة العملاء والمبيعات.
الشكل 4. يمكن أن تساعد الخرائط الحرارية تجار التجزئة في تحديد المناطق الشائعة في المتاجر.
إيجابيات وسلبيات الاستدلال الدفعي
فيما يلي بعض الفوائد الرئيسية التي يمكن أن يجلبها الاستدلال الدفعي لمختلف الصناعات:
سهولة التكامل: يمكن دمج الاستدلال الدفعي بسهولة في سير العمل الحالي، خاصة بالنسبة للصناعات مثل البيع بالتجزئة أو الأمن أو الرعاية الصحية، حيث يجب معالجة كميات كبيرة من البيانات بكميات كبيرة.
إدارة أسهل للبيانات: عند العمل مع كميات كبيرة من البيانات، يمكن أن يؤدي الاستدلال الدفعي إلى تبسيط إدارة البيانات نظرًا لتجميع البيانات في أجزاء يمكن التحكم فيها. وهذا يسهل تتبع البيانات ومراجعتها وتنظيمها بمرور الوقت.
تقليل حمولة الشبكة: عند معالجة البيانات على شكل دفعات، يمكن تقليل كمية البيانات المنقولة في أي لحظة معينة، مما يقلل الضغط على موارد الشبكة في الأنظمة السحابية أو بيئات الحوسبة الموزعة.
في حين أن هناك العديد من المزايا لاستخدام الاستدلال الدفعي، إلا أن هناك أيضًا بعض القيود التي يجب أخذها في الاعتبار. فيما يلي بعض العوامل التي يجب وضعها في الاعتبار:
متطلبات التخزين: يمكن أن يؤدي تخزين مجموعات بيانات كبيرة للمعالجة الدفعية إلى زيادة تكاليف التخزين بشكل كبير، خاصة مع الصور ومقاطع الفيديو عالية الدقة أو كميات كبيرة من البيانات.
احتمالية التراكم: إذا تراكمت البيانات بسرعة أو لم تتم معالجة الدفعات الكبيرة في الوقت المحدد، فقد يحدث تراكم. يمكن أن يؤدي ذلك إلى تأخير في تقديم الرؤى ومعالجة البيانات الجديدة في الوقت المناسب.
ارتفاعات الموارد: يمكن أن تتسبب الدفعات الكبيرة، وخاصة تلك التي تتضمن صورًا عالية الدقة، في ارتفاعات في الذاكرة أو استخدام الحوسبة. إذا لم تتم إدارة هذه الارتفاعات بشكل صحيح، فقد تطغى على الأنظمة، مما يؤدي إلى تباطؤ أو أعطال.
النقاط الرئيسية
يعد الاستدلال الدفعي طريقة فعالة لمعالجة كميات كبيرة من البيانات المرئية التي لا تتطلب نتائج فورية. بدلاً من تحليل كل صورة في الوقت الفعلي، تتم معالجتها على دفعات في أوقات مجدولة، مثل طوال الليل.
هذه الطريقة فعالة من حيث التكلفة، وتقلل من العبء الحسابي، ولا تزال تقدم نتائج دقيقة. من مساعدة المتاجر في إدارة المخزون إلى مساعدة الأطباء في تحليل الفحص الطبي وتعزيز تقنيات السيارات ذاتية القيادة، فإن الاستدلال الدفعي يجعل رؤية الكمبيوتر أكثر سهولة وبأسعار معقولة وعملية للتطبيقات الواقعية.
.webp)