تقلّص Scaleout مدة تحديث النماذج من أسابيع إلى ساعات باستخدام Ultralytics YOLO

من خلال الضبط الدقيق لنماذج Ultralytics YOLO على الأجهزة الطرفية، تحافظ Scaleout على البيانات في مواقعها، وتعمل دون اتصال، وتطرح نماذج كشف جديدة خلال ساعات بدلًا من أسابيع.

يفترض تدريب نماذج تعلم الآلة عادةً إمكانية جمع كل البيانات في مكان واحد، وإرسالها إلى السحابة، ثم نشر نموذج مكتمل. لكن هذا الافتراض لا يصمد في كثير من البيئات الواقعية. ففي قطاعات الدفاع والصناعة والقطاعات الخاضعة للتنظيم، يفرض قانون الخصوصية أو التصنيف الأمني أو التكلفة الباهظة للنطاق الترددي بقاء البيانات في مواقعها، كما لا يمكن الوثوق دائمًا بالشبكة التي تربط تلك المواقع.

تبني Scaleout بنية تحتية لهذه الظروف تحديدًا. وتستخدم منصتها Scaleout Edge التعلّم الاتحادي لنقل تدريب النماذج إلى مكان وجود البيانات، بدلًا من نقل البيانات إلى النموذج. وفي مشاريع الرؤية الحاسوبية، تدرّب Scaleout نماذج Ultralytics YOLO المخصصة وتُجري لها الضبط الدقيق على عقد Vision Ground Nodes، وهي محطات حافة معززة بوحدات GPU تُنشر في كل موقع، ما يتيح استمرار تحسن الكشف ميدانيًا من دون أن تغادر الصور الحساسة الجهاز.

نقل تعلم الآلة إلى مواقع البيانات#

تأسست Scaleout عام 2018 على يد باحثين من جامعة أوبسالا كانوا يعملون على الأنظمة الموزعة واسعة النطاق، وسعت إلى إتاحة تعلم الآلة في البيئات التي يتعذر فيها توحيد البيانات مركزيًا. وتركز الشركة على السياقات التي يصعب أو يستحيل فيها جمع البيانات في مكان واحد، ويُعد التعلم الاتحادي الآلية الأساسية التي تتيح ذلك.

يوزّع التعلم الاتحادي التدريب على العديد من الأجهزة، ثم يجمع تحديثات نماذجها في مستوى تحكم مركزي يدمجها لإنشاء نموذج عالمي جديد. ويستفيد كل جهاز من فهم بيئته المحلية، بينما تستفيد مجموعة الأجهزة بأكملها من الذكاء الجماعي. وتبقى البيانات في مكانها، ولا ينتقل سوى ما تعلّمه النموذج.

يشمل عمل Scaleout قطاعات الدفاع والصناعة والنقل وغيرها من القطاعات الخاضعة للتنظيم، ويتضمن مشاركات مثل برنامج مسرّع NATO DIANA والتعاون مع BAE Systems. ويتكرر النمط نفسه في جميع هذه المجالات: بيانات لا يمكن نقلها ونماذج لا يزال يتعين تحسينها.

تعقيدات تعلم الآلة على الأجهزة الطرفية#

إليك نظرة أقرب على القيود التي واجهتها Scaleout عند تدريب النماذج ميدانيًا:

• محدودية الأجهزة: لا تتوفر في المواقع الميدانية خوادم مراكز بيانات، بل أجهزة صغيرة منخفضة الطاقة فقط، مثل الحاسوب الموجود على طائرة مسيّرة. ويمكن تشغيل نموذج مكتمل عليها، لكن إعادة تدريبه تتطلب قدرة حوسبة أكبر بكثير.
• البيانات مقيدة بالجهاز: غالبًا ما تكون اللقطات اللازمة لإعادة التدريب مملوكة ولا يمكن إرسالها إلى خادم مركزي، لذا يجب أن يتعلم النموذج من بيانات لا تغادر الجهاز الطرفي مطلقًا.
• غياب المتخصصين في الموقع: نادرًا ما يكون مشغّلو معدات جمع البيانات ميدانيًا مهندسي تعلم آلة، لذلك لا يمكن أن تعتمد إعادة التدريب على وجود خبراء في علم البيانات.
• تغير الظروف باستمرار: تتغير البيئات الميدانية بسرعة، لذا ينبغي تحديث النموذج باستمرار بدلًا من الاعتماد على دورات إعادة تدريب دورية وبطيئة.

الضبط الدقيق لنماذج Ultralytics YOLO على الأجهزة الطرفية#

للعمل ضمن هذه القيود، أنشأت Scaleout حلقة تدريب تعمل بالكامل ميدانيًا، وتتمحور حول نماذج Ultralytics YOLO.

يوجد في كل موقع Vision Ground Node، وهي محطة طرفية معززة بـ GPU وتضم مواردها الخاصة من الحوسبة والتخزين، إلى جانب أسطول من الطائرات المسيّرة. وأثناء التقاط الطائرات المسيّرة للقطات، تنتقي المحطة الإطارات الأكثر فائدة، ويضع أحد المشغّلين تسميات عليها، ثم يُضبط نموذج YOLO بدقة على تلك الأجهزة المحلية.

بعد بضع دورات تدريب، يُرسل النموذج المحدّث وحده إلى مستوى التحكم، ولا تُرسل اللقطات الخام مطلقًا. وتُتاح هذه الحلقة عبر وحدة الرؤية من Scaleout، وهي امتداد لمنصة Scaleout Edge يجمع الأدوات اللازمة لمشروع الرؤية الحاسوبية في حزمة واحدة.

تجمع الوحدة بين انتقاء الإطارات والتوسيم والتدريب والنشر، مع تولي Ultralytics YOLO مهمة الكشف، ما يتيح للفرق البناء على أساس جاهز للعمل بدلًا من تجميع هذه المكونات بنفسها.

طبقت Scaleout هذا النهج لأول مرة في برنامج مسرّع NATO DIANA، مستخدمة YOLOv8 لضبط الكشف بدقة اعتمادًا على بيانات جُمعت ميدانيًا. تعذّر نقل هذه البيانات عبر الشبكات الميدانية أو جمعها مركزيًا لأسباب تتعلق بالملكية، لذا لامركز الفريق عملية الضبط الدقيق، ما أتاح للنموذج التعلم من الأمثلة الجديدة محليًا.

صُممت حلقة العمل أيضًا للمشغّلين لا لعلماء البيانات. إذ يرشد النظام غير المتخصص خلال مراجعة الإطارات المهمة ووضع التسميات عليها، ما يمكّن العاملين ميدانيًا من مواصلة تحسين النموذج بأنفسهم.

وتعكس الأدوات المساندة هذا التوجه، إذ تشمل إصدار Label Studio مفتوح المصدر للتوسيم، وخادم بث لاستقبال تدفقات الطائرات المسيّرة، وحزمة Ultralytics Python للضبط الدقيق. وتعمل جميعها على أجهزة تتراوح بين وحدات NVIDIA Jetson ووحدة ميدانية متينة أو حاسوب محمول، بحسب عملية النشر.

لماذا اختيار نماذج Ultralytics YOLO؟#

أكبر ميزة في Ultralytics YOLO بالنسبة إلى Scaleout هي خفة النماذج، إذ تجعل التدريب الاتحادي عمليًا حتى عبر اتصالات ضعيفة. فبدلًا من نقل البيانات الخام، تنقل Scaleout تحديثات النموذج فقط. ويبلغ حجم النموذج الأكثر استخدامًا لديها، Ultralytics YOLOv8 nano، نحو 10.7 ميغابايت، لذا يكون التحديث الكامل حزمة صغيرة يسهل إرسالها حتى عندما يكون عرض النطاق الترددي محدودًا.

كما تمنح حزمة Ultralytics Python مهندسي Scaleout المرونة اللازمة للتدريب والنشر على أجهزة متنوعة. يعمل نموذج YOLOv8 nano صغير الحجم بسلاسة على الأجهزة الطرفية محدودة الموارد، بينما تدعم خيارات التصدير في الحزمة النشر ضمن البيئات المختلفة التي تعمل فيها Scaleout. وبما أن ضبط النماذج بدقة أمر مباشر، تستطيع الفرق تكرار التحسين بسرعة مع تغير الظروف الميدانية.

تساعد Ultralytics YOLO Scaleout على تحديث النماذج بسرعة أكبر#

مع Ultralytics YOLO، يظل الجزء الأكبر من العمل على الجهاز. ويُجرى التدريب على مئات الجيجابايتات من اللقطات الميدانية، لكن ما يُنقل فعليًا هو نموذج لا يتجاوز حجمه نحو 10 MB. وهذا يقلل كثيرًا كمية البيانات التي يجب نقلها، ما يجعل التدريب الاتحادي قابلًا للتطبيق عبر الشبكات المحدودة التي تعتمد عليها عمليات النشر هذه.

كما يغيّر هذا النهج سرعة إعادة النموذج المحسّن إلى الميدان. فبدلًا من أسابيع أو أشهر لجمع البيانات وإرسالها إلى موقع مركزي وإعادة التدريب والنشر، تختصر هذه العملية إلى أيام وساعات عندما تعمل الحلقة على الأجهزة الطرفية.

يتجلى ذلك بوضوح في أعمال الطائرات المسيّرة لدى Scaleout. ففي الاستطلاع الدفاعي، تتبع طائرة مسيّرة نمط بحث وتستخدم نموذج Ultralytics YOLO على متنها للكشف عن الأجسام محل الاهتمام وتحديدها وتحديد مواقعها الجغرافية في الوقت الفعلي، مع إجراء كل المعالجة على حاسوب الطائرة نفسها بدلًا من إرسال البيانات للتحليل.

وعندما تجمع الطائرات المسيّرة لقطات جديدة، تُغذى هذه البيانات إلى Vision Ground Node حيث يُضبط YOLO بدقة على الإطارات الجديدة، ثم يُرسل نموذج محدّث إلى الطائرات، كل ذلك من دون أن تغادر اللقطات الموقع مطلقًا. يجب أن تواكب نماذج الكشف الظروف سريعة التغير والبيانات التي لا يمكن نقلها، ويظل النموذج الذي أُعيد تدريبه محليًا مفيدًا في حين يتراجع أداء نموذج ثابت دُرّب مركزيًا.

الشكل 1. مثال على كيفية تشغيل Scaleout وUltralytics YOLO لطائرات الذكاء الاصطناعي المسيّرة (المصدر).

يمتد النمط نفسه إلى ما هو أبعد من الطائرات المسيّرة. ففي البيئات الصناعية، مثل مواقع الطاقة والمنشآت النائية، حيث تكون بيانات كل موقع حساسة، تحسّن المنصة نماذج الكشف عبر مواقع عديدة من دون أن تعبر أي بيانات خام حدود المنشأة. وسواء كانت البيانات على متن طائرة مسيّرة أو في منشأة ثابتة، تُبقي Scaleout اللقطات في موقعها ولا تنقل سوى ما تعلّمه النموذج.

بناء ذكاء اصطناعي تكيفي لبيئات يتعذر فيها نقل البيانات#

مع نمو Scaleout، تواصل توسيع نطاق الرؤية الحاسوبية الاتحادية والمعتمدة على الأجهزة الطرفية لتشمل مزيدًا من البيئات والأجهزة. وصُممت وحداتها الجاهزة لاختصار أشهر من التكامل إلى أيام، كي يتمكن العملاء من استخدام أجهزتهم الخاصة واعتماد حلقة التعلم التكيفي من دون إعادة بناء شيفرة تعلم الآلة الأساسية.

وبوضع Ultralytics YOLO في صميم مسار الكشف لديها، تتيح Scaleout تدريب الذكاء الاصطناعي وتحسينه في البيئات التي تقصر فيها الأساليب التقليدية تحديدًا، مع إبقاء البيانات في موقعها، ومواصلة التشغيل عند تعطل الشبكات، وتحويل أساطيل الأجهزة الطرفية إلى نظام يتعلم باستمرار بوصفه كلًا متكاملًا.

هل أنت مستعد لاكتشاف ما يمكن لذكاء الرؤية الاصطناعي أن يقدمه لك؟ توجّه إلى مستودع GitHub لاكتشاف كيف تُحدث نماذج YOLO تحولًا في مجالات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الروبوتات. اطّلع على خيارات الترخيص وابدأ رحلتك نحو أتمتة أكثر ذكاءً.