استخدام Ultralytics YOLO11 لتشغيل الاستدلالات الدفعية

إذا سبق لك مشاهدة سيارة ذاتية القيادة أثناء عملها، فقد شهدت الاستدلال بالذكاء الاصطناعي في الوقت الفعلي. تستخدم السيارة ذاتية القيادة عادةً الكاميرات والمستشعرات والذكاء الاصطناعي لمعالجة محيطها واتخاذ قرارات شبه فورية. لكن عندما لا تكون الاستجابة السريعة مطلوبة، قد يستهلك الاستدلال في الوقت الفعلي موارد كبيرة.

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

فعلى سبيل المثال، في تطبيقات الرؤية الحاسوبية، يمكن استخدام نماذج مثل Ultralytics YOLO11 للمهام الآنية مثل اكتشاف الأجسام وتقسيم المثيلات. لكن معالجة كميات كبيرة من البيانات المرئية في الوقت الفعلي قد تكون مرهقة.

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

باستخدام الاستدلال على دفعات، يمكن تشغيل Ultralytics YOLO11 على البيانات المرئية ضمن دفعات، ما يقلل الضغط على النظام ويحسن الكفاءة دون التضحية بالأداء. ويسهّل ذلك نشر حلول الذكاء الاصطناعي البصري على نطاق واسع دون إثقال الأجهزة أو زيادة التكاليف.

في هذا المقال، سنستكشف الاستدلال على دفعات وفوائده وكيفية تطبيق الاستدلال على دفعات باستخدام Ultralytics YOLO11 في تطبيقات الرؤية الحاسوبية.

نظرة على الاستدلال على دفعات في الرؤية الحاسوبية#

يمكنك تصور الاستدلال على دفعات على أنه إنجاز مهمة كبيرة دفعة واحدة، بدلًا من التعامل مع كل جزء منها فور وروده. فبدلًا من معالجة البيانات باستمرار في الوقت الفعلي، يتيح الاستدلال على دفعات معالجة مجموعات كبيرة من البيانات على فترات محددة. ويكون هذا النهج أكثر كفاءة بكثير عندما لا تكون الاستجابات الفورية ضرورية، إذ يساعد على توفير موارد الحوسبة وتقليل استهلاك الطاقة وخفض التكاليف.

في مجال الرؤية الحاسوبية، توجد تطبيقات تكون فيها الكمون المنخفض أمرًا بالغ الأهمية. ويشير الكمون المنخفض إلى الحد الأدنى من التأخير بين تلقي المُدخل (مثل صورة أو إطار فيديو) واستجابة النظام. فعلى سبيل المثال، قد تؤدي حتى التأخيرات البسيطة في مراقبة الأمان في الوقت الفعلي إلى مخاطر على السلامة.

لكن زمن الاستجابة المنخفض ليس بالغ الأهمية في كثير من سيناريوهات الرؤية الحاسوبية الأخرى. وهنا تبرز فائدة الاستدلال على دفعات، عندما لا يحتاج النظام إلى الاستجابة فورًا. إذ يعمل الاستدلال على دفعات بتغذية نموذج الرؤية الحاسوبية بالبيانات المرئية في مجموعات أو دفعات، ما يتيح للنظام معالجة مجموعات بيانات كبيرة دفعة واحدة بدلًا من معالجتها باستمرار وفي الوقت الفعلي.

فهم آلية عمل الاستدلال على دفعات#

فيما يلي نظرة أقرب على الخطوات التي يتضمنها الاستدلال على دفعات:

• جمع البيانات: تُجمع البيانات المرئية خلال فترة زمنية. وقد تشمل تسجيلات المراقبة أو صور المنتجات أو بيانات العملاء، بحسب التطبيق.
• إعداد الدفعات: تُجمع البيانات بعد ذلك في دفعات. وخلال هذه الخطوة، تُنسّق البيانات بالشكل الذي يتطلبه النموذج. فعلى سبيل المثال، قد تُغيّر أبعاد الصور أو تُطبّع أو تُحوّل إلى التنسيق المناسب لمعالجتها بواسطة النموذج.
• التنبؤ: بعد تجهيز البيانات، تُمرر الدفعة بأكملها إلى النموذج، مثل Ultralytics YOLO11، الذي يعالجها كاملة دفعة واحدة. ويتيح ذلك للنموذج التنبؤ بجميع بيانات الدفعة في الوقت نفسه، ما يجعل العملية أكثر كفاءة مقارنة بمعالجة كل نقطة بيانات على حدة.

متى يُستخدم الاستدلال على دفعات؟#

بعد أن استعرضنا ماهية الاستدلال على دفعات واختلافه عن الاستدلال في الوقت الفعلي، فلنلقِ نظرة أقرب على الحالات المناسبة لاستخدامه.

يُعد الاستدلال على دفعات مثاليًا لتحليل البيانات التاريخية. لنفترض أن لديك تسجيلات 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 الاستدلال على دفعات معالجة تسجيلات الشهر بأكمله ضمن دفعات، لتحديد الأحداث أو الاتجاهات الرئيسية دون الحاجة إلى نتائج فورية. وبذلك، يمكنك تحليل كميات كبيرة من البيانات بكفاءة أعلى واستخلاص رؤى بشأن الأنماط طويلة الأمد، دون إثقال النظام أو الحاجة إلى مراقبة مستمرة.

يمثل الاستدلال على دفعات أيضًا حلًا مثاليًا عندما تكون موارد النظام محدودة. فمن خلال إجراء 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 ومنخفض التكلفة للشركات أو المشروعات التي تحتاج إلى معالجة مجموعات بيانات كبيرة، لكنها لا تتطلب تحليلًا آنيًا.

الاستدلال على دفعات باستخدام Ultralytics YOLO11#

تدعم حزمة Python من Ultralytics الاستدلال على دفعات لنماذج مثل YOLO11. وباستخدام YOLO11، يمكنك تشغيل الاستدلال على دفعات بسهولة عبر تحديد وسيطة الاستدلال batch وسيطة الاستدلال، التي تحدد عدد الصور أو إطارات الفيديو التي تُعالج في المرة الواحدة.

أثناء الاستدلال على دفعات، تُنشأ التنبؤات لجميع الصور في الدفعة في الوقت نفسه. ويكون حجم الدفعة الافتراضي 1، لكن يمكنك تغييره إلى أي عدد تفضله. ويُطبّق التجميع عندما يكون المصدر دليلًا أو ملف فيديو أو ملف ‎.txt‎ يسرد المصادر.

على سبيل المثال، إذا ضُبط حجم الدفعة على 5، فسيعالج Ultralytics YOLO11 خمس صور أو إطارات فيديو في المرة الواحدة، ويُنشئ تنبؤات للخمسة جميعًا دفعة واحدة. وعادةً ما تزيد أحجام الدفعات الأكبر معدل النقل وتقلل إجمالي وقت المعالجة، لأن معالجة صور متعددة في دفعة واحدة أكثر كفاءة من التعامل معها فرادى.

تطبيقات الرؤية الحاسوبية المدعومة بالاستدلال على دفعات#

لنستكشف بعد ذلك بعض حالات الاستخدام الواقعية للاستدلال على دفعات في الرؤية الحاسوبية.

تحسين التشخيص والأبحاث في الرعاية الصحية#

في الأبحاث الطبية، من الشائع جدًا التعامل مع كميات كبيرة من البيانات المرئية. ويمكن للاستدلال على دفعات هنا مساعدة العلماء على تحليل البيانات بسهولة أكبر في مجالات مثل الكيمياء وعلم الأحياء والوراثة. فبدلًا من تحليل العناصر واحدًا تلو الآخر، تُعالج البيانات على دفعات، ما يوفر الوقت والجهد.

فعلى سبيل المثال، قد يكون الاستدلال على دفعات مفيدًا جدًا في المنشآت الطبية لتحليل مجموعات كبيرة من الصور الطبية، مثل صور الرنين المغناطيسي أو التصوير المقطعي المحوسب. ويمكن للمستشفيات جمع هذه الصور طوال اليوم ومعالجتها ضمن دفعات ليلًا.

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

الشكل 2. اكتشاف حالة في صورة طبية باستخدام Ultralytics YOLO11.

تحسين المركبات ذاتية القيادة باستخدام 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. ومع أن الاستدلال في الوقت الفعلي ضروري على الطريق، تعتمد تقنية القيادة الذاتية أيضًا اعتمادًا كبيرًا على الاستدلال على دفعات في الخلفية.

الشكل 3. يستطيع YOLO11 اكتشاف المشاة على الطريق بسهولة.

بعد انتهاء السيارة من رحلة، يمكن معالجة البيانات التي تجمعها، مثل ساعات من لقطات الكاميرا وقراءات المستشعرات ومسوح 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 الاستدلال على دفعات أيضًا في محاكاة القيادة الذاتية لاختبار كيفية استجابة السيارات ذاتية القيادة لمواقف مختلفة، مثل اجتياز التقاطعات المزدحمة أو التعامل مع تحركات المشاة غير المتوقعة. ويوفر هذا النهج الوقت ويخفض التكاليف ويتجنب المخاطر المرتبطة باختبار كل سيناريو في الواقع.

تحليل بيانات التجزئة بالاستدلال على دفعات#

وبالمثل، يمكن للاستدلال على دفعات باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 أن يعزز الكفاءة التشغيلية بدرجة كبيرة في متاجر التجزئة. فعلى سبيل المثال، يمكن لأنظمة الكاميرات في المتاجر التقاط آلاف الصور على مدار اليوم، ثم معالجتها ضمن دفعات ليلًا.

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

ومن الأمثلة الأخرى المثيرة للاهتمام استخدام الاستدلال على دفعات لإنشاء خرائط حرارية توضح مناطق ارتفاع نشاط العملاء وانخفاضه داخل المتجر. ومن خلال تحليل هذه الخرائط الحرارية، يستطيع تجار التجزئة تحديد المناطق التي تجذب أكبر عدد من الزوار والأجزاء التي قد تحتاج إلى مزيد من الاهتمام أو تحسين توزيع المنتجات فيها. ويمكن أن تساعد هذه البيانات تجار التجزئة على اتخاذ قرارات أفضل بشأن تصميم المتجر ومواقع المنتجات وحتى الاستراتيجيات الترويجية لتحسين تجربة العملاء والمبيعات.

الشكل 4. يمكن للخرائط الحرارية مساعدة تجار التجزئة على تحديد المناطق الرائجة في المتاجر.

إيجابيات الاستدلال على دفعات وسلبياته#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يوفرها الاستدلال على دفعات لمختلف القطاعات:

• سهولة التكامل: يسهل دمج الاستدلال على دفعات في تدفقات العمل الحالية، ولا سيما في قطاعات مثل التجزئة والأمان والرعاية الصحية، حيث يلزم معالجة كميات كبيرة من البيانات دفعة واحدة.
• سهولة إدارة البيانات: عند التعامل مع كميات كبيرة من البيانات، يمكن للاستدلال على دفعات تبسيط إدارة البيانات من خلال تقسيمها إلى أجزاء يسهل التعامل معها. وهذا يسهّل تتبع البيانات ومراجعتها وتنظيمها بمرور الوقت.
• تقليل حمل الشبكة: عند معالجة البيانات على دفعات، يمكن تقليل كمية البيانات المنقولة في أي لحظة، ما يخفف الضغط على موارد الشبكة في الأنظمة السحابية أو بيئات الحوسبة الموزعة.

على الرغم من مزايا الاستدلال على دفعات العديدة، هناك بعض القيود التي ينبغي أخذها في الحسبان. وفيما يلي بعض العوامل التي يجدر مراعاتها:

• متطلبات التخزين: قد يؤدي تخزين مجموعات بيانات كبيرة لمعالجتها على دفعات إلى زيادة تكاليف التخزين بدرجة كبيرة، ولا سيما عند التعامل مع صور عالية الدقة أو مقاطع فيديو أو كميات ضخمة من البيانات.
• احتمال تراكم الأعمال المتأخرة: إذا تراكمت البيانات بسرعة أو لم تُعالج الدفعات الكبيرة في الوقت المحدد، فقد تتكون قائمة انتظار متراكمة. ويمكن أن يؤدي ذلك إلى تأخير تقديم الرؤى ومعالجة البيانات الجديدة في الوقت المناسب.
• ارتفاع مفاجئ في استهلاك الموارد: قد تتسبب الدفعات الكبيرة، ولا سيما تلك التي تتضمن صورًا عالية الدقة، في ارتفاع مفاجئ لاستهلاك الذاكرة أو القدرة الحاسوبية. وإذا لم تُدر هذه الارتفاعات على النحو المناسب، فقد ترهق الأنظمة وتؤدي إلى بطء الأداء أو تعطلها.

أبرز النقاط#

يُعد الاستدلال على دفعات طريقة فعّالة لمعالجة كميات كبيرة من البيانات المرئية التي لا تتطلب نتائج فورية. فبدلًا من تحليل كل صورة في الوقت الفعلي، تُعالج الصور على دفعات في أوقات مجدولة، مثل ساعات الليل.

تتميز هذه الطريقة بفعاليتها من حيث التكلفة، وتقلل الحمل الحاسوبي، مع الحفاظ على دقة النتائج. ومن مساعدة المتاجر على إدارة المخزون إلى مساعدة الأطباء في تحليل الفحوص الطبية وتحسين تقنيات السيارات ذاتية القيادة، يجعل الاستدلال على دفعات الرؤية الحاسوبية أكثر إتاحةً وأقل تكلفةً وأكثر عمليةً للتطبيقات الواقعية.

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لبدء رحلتك في الرؤية الحاسوبية. واكتشف المزيد عن الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في قطاع الخدمات اللوجستية عبر صفحات حلولنا.