Scaleout تقلص وقت تحديثات النماذج من أسابيع إلى ساعات باستخدام Ultralytics YOLO

يفترض تدريب نماذج تعلم الآلة عادةً أنه يمكنك تجميع كل بياناتك في مكان واحد، وإرسالها إلى السحابة، ونشر نموذج جاهز. وفي العديد من البيئات الواقعية، لا يصمد هذا الافتراض. ففي البيئات الدفاعية والصناعية والخاضعة للتنظيم، تظل البيانات مقيدة بموقعها بسبب قوانين الخصوصية، أو التصنيف الأمني، أو تكلفة النطاق الترددي، كما أن الشبكة التي تربط تلك المواقع لا يمكن الوثوق بها دائمًا.

تبني شركة Scaleout البنية التحتية خصيصاً لتلك الظروف. تستخدم منصتها، Scaleout Edge، التعلم الفيدرالي لنقل تدريب النماذج إلى حيث تتواجد البيانات، بدلاً من نقل البيانات إلى النموذج. بالنسبة لمشاريع computer vision، تقوم Scaleout بالتدريب المخصص وضبط Ultralytics YOLO models على عقد أرضية الرؤية (Vision Ground Nodes)، وهي محطات طرفية مدعومة بوحدات معالجة الرسومات (GPU) ومنشورة في كل موقع، بحيث يستمر الاكتشاف في التحسن ميدانياً دون مغادرة أي صور حساسة للجهاز مطلقاً.

نقل تعلم الآلة إلى حيث توجد البيانات#

تأسست شركة Scaleout في عام 2018 على يد باحثين من جامعة أوبسالا يعملون على أنظمة موزعة واسعة النطاق، وانطلقت لجعل تعلم الآلة ممكنًا في الأماكن التي لا يمكن فيها مركزة البيانات. وينصب تركيزها على السياقات التي يكون فيها تجميع البيانات في مكان واحد صعبًا أو مستحيلًا، ويعد التعلم الاتحادي الآلية الأساسية التي تجعل ذلك ممكنًا.

يقوم Federated learning بتوزيع التدريب عبر العديد من الأجهزة، ثم يجمع تحديثات نماذجها في لوحة تحكم مركزية تقوم بتجميعها في نموذج عالمي جديد. يستفيد كل جهاز من فهم بيئته المحلية الخاصة، بينما يستفيد الأسطول ككل من الذكاء الجماعي. تبقى البيانات في مكانها الصحيح، ولا ينتقل سوى ما تعلمه النموذج.

يمتد عمل Scaleout ليشمل القطاعات الدفاعية والصناعية والنقل وغيرها من القطاعات الخاضعة للتنظيم، ويتضمن ارتباطات مثل برنامج مسرع NATO DIANA والتعاون مع BAE Systems. وعبر كل هذه القطاعات، النمط واحد، حيث توجد بيانات لا يمكن نقلها ونماذج لا تزال بحاجة إلى التحسين.

تعقيدات تعلم الآلة الطرفي#

إليك نظرة فاحصة على القيود التي واجهتها Scaleout في تدريب النماذج ميدانيًا:

• أجهزة محدودة: لا تحتوي عمليات النشر الميداني على خوادم مراكز بيانات، بل أجهزة صغيرة منخفضة الطاقة فقط، مثل الكمبيوتر الموجود على طائرة بدون طيار. تشغيل نموذج جاهز عليها أمر ممكن، لكن إعادة تدريب نموذج تتطلب قدرة حوسبة أكبر بكثير.

• البيانات مقفلة على الجهاز: غالباً ما تكون اللقطات اللازمة لإعادة التدريب محمية الملكية ولا يمكن إرسالها إلى خادم مركزي، لذا يجب على النموذج التعلم من البيانات التي لا تغادر edge أبداً.

• لا يوجد متخصصون في الموقع: نادرًا ما يكون المشغلون الذين يلتقطون البيانات في الميدان مهندسي تعلم آلة، لذا لا يمكن أن يعتمد إعادة التدريب على وجود خبرة في علم البيانات.

• ظروف متغيرة باستمرار: تتغير البيئات الميدانية بسرعة، لذا يجب تحديث النموذج باستمرار بدلاً من الاعتماد على دورات إعادة تدريب بطيئة ودورية.

ضبط نماذج Ultralytics YOLO على الطرف#

للعمل ضمن هذه القيود، بنت Scaleout حلقة تدريب تعمل بالكامل في الميدان، مع وجود نماذج Ultralytics YOLO في مركزها.

في كل موقع، توجد Vision Ground Node، وهي محطة طرفية معززة بوحدات GPU ذات قدرة حوسبة وتخزين خاصة بها، بجانب أسطول من الطائرات بدون طيار. وبينما تلتقط الطائرات بدون طيار اللقطات، تحدد العقدة الإطارات الأكثر فائدة، ويقوم المشغل بتسميتها، ويتم ضبط نموذج YOLO على تلك الأجهزة المحلية.

بعد بضع حقبات تدريب، يتم إرسال النموذج المحدث فقط إلى مستوى التحكم، ولا يتم إرسال اللقطات الخام أبدًا. يتم تقديم هذه الحلقة من خلال وحدة الرؤية الخاصة بـ Scaleout، وهي امتداد لمنصة Scaleout Edge التي تجمع الأدوات التي يحتاجها مشروع الرؤية الحاسوبية في حزمة واحدة.

إنها تجمع بين اختيار الإطارات، والتسمية، والتدريب، والنشر، مع تولي Ultralytics YOLO مهمة الكشف، حتى تتمكن الفرق من البناء على أساس عملي بدلاً من تجميع هذه القطع بأنفسهم.

طبقت Scaleout هذا النهج لأول مرة في برنامج مسرع NATO DIANA، باستخدام YOLOv8 لضبط الكشف بدقة على البيانات المجمعة ميدانيًا. لم يكن بالإمكان نقل تلك البيانات عبر الشبكات الميدانية أو مركزتها لأسباب تتعلق بالملكية، لذا قامت الفرق بلامركزية الضبط، مما سمح للنموذج بالتعلم من أمثلة جديدة محليًا.

تم بناء الحلقة أيضًا للمشغلين وليس لعلماء البيانات. يرشد النظام غير المتخصصين خلال مراجعة وتسمية الإطارات المهمة، حتى يتمكن الأشخاص في الميدان من الحفاظ على تحسين النموذج بأنفسهم.

تعكس الأدوات الداعمة ذلك، مع الإصدار مفتوح المصدر من Label Studio للتعليقات التوضيحية، وخادم بث جلب خلاصات الطائرات بدون طيار، وUltralytics Python package للضبط الدقيق. يعمل كل ذلك على أجهزة تتراوح من وحدات NVIDIA Jetson إلى وحدة ميدانية متينة أو جهاز كمبيوتر محمول، اعتماداً على النشر.

لماذا تختار نماذج Ultralytics YOLO؟#

بالنسبة لشركة Scaleout، تتمثل الميزة الأكبر لـ Ultralytics YOLO في مدى خفة وزن النماذج، وهو ما يجعل التدريب الفيدرالي عبر الاتصالات الضعيفة أمراً عملياً. بدلاً من نقل البيانات الخام، تنقل Scaleout تحديث النموذج فقط. النموذج الذي تستخدمه أكثر من غيره، Ultralytics YOLOv8 nano، يبلغ حجمه حوالي 10.7 ميغابايت، لذا فإن التحديث الكامل يعد حزمة صغيرة للإرسال، حتى عندما يكون النطاق الترددي شحيحاً.

تمنح حزمة بايثون Ultralytics Python package أيضاً مهندسي Scaleout المرونة اللازمة للتدريب والنشر عبر بيئات الأجهزة المتنوعة. يعمل نموذج YOLOv8 nano المدمج بشكل مريح على الأجهزة الطرفية المقيدة، بينما تدعم export options الخاصة بالحزمة عمليات النشر عبر البيئات المختلفة التي تعمل فيها Scaleout. ونظراً لسهولة ضبط النماذج بدقة، يمكن للفرق التكرار بسرعة مع تغير الظروف الميدانية.

Ultralytics YOLO تساعد Scaleout على تحديث النماذج بشكل أسرع#

مع Ultralytics YOLO، يظل الجزء الأثقل من العمل على الجهاز. يتم التدريب على مئات الجيجابايت من اللقطات الميدانية، ولكن ما يتم نقله فعليًا هو نموذج يبلغ حجمه حوالي 10 ميجابايت. وهذا يضيف ما يقرب من عشرة أضعاف تقليل البيانات التي يجب نقلها، وهو ما يجعل التدريب الاتحادي قابلاً للتطبيق عبر الشبكات المحدودة التي تعتمد عليها عمليات النشر هذه.

يغير هذا النهج أيضًا مدى سرعة عودة النموذج المحسن إلى الميدان. فما قد يستغرق بخلاف ذلك أسابيع أو أشهر من جمع البيانات وشحنها إلى مكان مركزي، وإعادة التدريب، وإعادة النشر، يتقلص إلى أيام وساعات عندما تعمل الحلقة على الطرف.

يظهر هذا بشكل أوضح في عمل Scaleout في مجال drone. في الاستطلاع الدفاعي، تطير طائرة بدون طيار في نمط بحث وتستخدم نموذج Ultralytics YOLO على متنها لاكتشاف وتحديد وتحديد الموقع الجغرافي للأشياء ذات الصلة في الوقت الفعلي، مع معالجة كل شيء على كمبيوتر الطائرة بدون طيار نفسه بدلاً من إرساله للتحليل.

بينما تجمع الطائرات بدون طيار لقطات جديدة، تغذي تلك البيانات Vision Ground Node حيث يتم ضبط YOLO على الإطارات الجديدة، ويتم إرسال نموذج محدث مرة أخرى، كل ذلك دون أن تغادر اللقطات الموقع أبدًا. يجب أن تواكب نماذج الكشف الظروف التي تتغير بسرعة والبيانات التي لا يمكن نقلها، ويظل النموذج الذي يتم إعادة تدريبه محليًا مفيدًا حيث يتخلف النموذج الثابت المدرب مركزيًا.

الشكل 1. مثال على كيفية تشغيل Scaleout وUltralytics YOLO لطائرات الذكاء الاصطناعي بدون طيار (Source)

يمتد النمط نفسه إلى ما هو أبعد بكثير من الطائرات بدون طيار. في الإعدادات الصناعية مثل مواقع الطاقة والمرافق النائية، حيث تكون بيانات كل موقع حساسة، تعمل المنصة على تحسين نماذج الكشف عبر العديد من المواقع دون عبور أي بيانات خام لحدود المرفق. وسواء كانت البيانات موجودة على طائرة بدون طيار أو منشأة ثابتة، فإن Scaleout تبقي اللقطات في مكانها وتنقل فقط ما تعلمه النموذج.

بناء ذكاء اصطناعي تكيفي للبيئات التي لا يمكن فيها نقل البيانات#

مع نمو Scaleout، تواصل توسيع رؤيتها الحاسوبية الاتحادية القائمة على الطرف عبر المزيد من الإعدادات والأجهزة. صُممت وحداتها الجاهزة لضغط أشهر من التكامل في أيام، حتى يتمكن العملاء من إحضار أجهزتهم الخاصة واعتماد حلقة التعلم التكيفي دون إعادة بناء كود تعلم الآلة الأساسي.

مع وجود Ultralytics YOLO في جوهر خط أنابيب الكشف الخاص بها، تجعل Scaleout من الممكن تدريب وتحسين الذكاء الاصطناعي في البيئات التي تفشل فيها النهج التقليدية، مما يحافظ على البيانات في مكانها، ويحافظ على التشغيل عند فشل الشبكات، ويحول أساطيل الأجهزة الطرفية إلى نظام يستمر في التعلم ككل.

هل أنت مستعد لاستكشاف ما يمكن أن تفعله رؤية الذكاء الاصطناعي (Vision AI) من أجلك؟ توجه إلى GitHub repository الخاص بنا لاكتشاف كيف تغير نماذج YOLO مجالات مثل AI in manufacturing وcomputer vision in robotics. تحقق من licensing options الخاصة بنا وابدأ رحلتك نحو أتمتة أكثر ذكاءً.