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.

Scaleout تبني بنية تحتية لهذه الظروف تحديدًا. وتستخدم منصتها، Scaleout Edge، التعلم الاتحادي لجلب تدريب النماذج إلى حيث توجد البيانات، بدلاً من نقل البيانات إلى النموذج. ولمشاريع الرؤية الحاسوبية، تقوم Scaleout بتدريب وضبط نماذج Ultralytics YOLO خصيصًا على Vision Ground Nodes، وهي محطات طرفية معززة بوحدات GPU ومنشورة في كل موقع، بحيث يستمر الكشف في التحسن في الميدان دون أن تغادر الصور الحساسة الجهاز مطلقًا.

Link to this sectionنقل 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.

التعلم الاتحادي يوزع التدريب عبر العديد من الأجهزة، ثم يجمع تحديثات النماذج الخاصة بها في مستوى تحكم مركزي يدمجها في نموذج عالمي جديد. ويستفيد كل جهاز من فهم بيئته المحلية، بينما يستفيد الأسطول ككل من الذكاء الجماعي. تظل البيانات في مكانها، 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.

Link to this sectionتعقيدات 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.

• بيانات مقفلة على الجهاز: غالبًا ما تكون اللقطات المطلوبة لإعادة التدريب خاصة ولا يمكن إرسالها إلى خادم مركزي، لذا يجب أن يتعلم النموذج من بيانات لا تغادر الطرف أبدًا.

• 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.

Link to this sectionضبط 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 وجود نسخة مفتوحة المصدر من Label Studio للتسمية، وخادم بث لجلب خلاصات الطائرات بدون طيار، وحزمة Ultralytics Python للضبط الدقيق. كل هذا يعمل على أجهزة تتراوح من وحدات NVIDIA Jetson إلى وحدة ميدانية وعرة أو كمبيوتر محمول، اعتمادًا على النشر.

Link to this sectionلماذا تختار نماذج Ultralytics YOLO؟#

بالنسبة لـ Scaleout، فإن أكبر ميزة لـ Ultralytics YOLO هي مدى خفة وزن النماذج، وهو ما يجعل التدريب الاتحادي عبر اتصالات ضعيفة أمرًا عمليًا. بدلاً من نقل البيانات الخام، تنقل Scaleout تحديث النموذج فقط. النموذج الذي تستخدمه أكثر من غيره، Ultralytics YOLOv8 نانو، يبلغ حجمه حوالي 10.7 ميجابايت، لذا فإن التحديث الكامل عبارة عن حزمة صغيرة يمكن إرسالها، حتى عندما يكون النطاق الترددي نادرًا.

تمنح حزمة Ultralytics Python مهندسي Scaleout المرونة لتدريب ونشر النماذج عبر أجهزة متنوعة. يعمل نموذج YOLOv8 نانو المدمج براحة على الأجهزة الطرفية المقيدة، بينما تدعم خيارات التصدير الخاصة بالحزمة النشر عبر البيئات المختلفة التي تعمل فيها Scaleout. ونظرًا لأن النماذج سهلة الضبط بدقة، يمكن للفرق التكرار بسرعة مع تغير الظروف الميدانية.

Link to this sectionUltralytics 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 بوضوح أكبر في عمل Scaleout على الطائرات بدون طيار. في استطلاع الدفاع، تطير طائرة بدون طيار في نمط بحث وتستخدم نموذج Ultralytics YOLO على متنها للكشف عن الأجسام محل الاهتمام وتحديدها وتحديد موقعها الجغرافي في الوقت الفعلي، مع معالجة كل شيء على كمبيوتر الطائرة بدون طيار نفسه بدلاً من إرسالها 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 و Ultralytics YOLO لطائرات الذكاء الاصطناعي بدون طيار (المصدر)

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.

Link to this sectionبناء 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 يفعله الذكاء الاصطناعي للرؤية من أجلك؟ توجه إلى مستودع GitHub الخاص بنا لاكتشاف كيف تغير نماذج YOLO مجالات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الروبوتات. تحقق من خيارات الترخيص الخاصة بنا وابدأ رحلتك نحو أتمتة أكثر ذكاءً.