Model Deployment

نشر النموذج هو المرحلة الحاسمة التي يتم فيها دمج نموذج تعلم الآلة المُدرب في بيئة الإنتاج لاتخاذ قرارات أو تنبؤات عملية بناءً على بيانات جديدة. وهو يمثل الانتقال من بيئة البحث أو التجربة—التي غالباً ما يتم تنفيذها في دفاتر ملاحظات معزولة—إلى تطبيق حي يتفاعل فيه النموذج مع مستخدمين وأنظمة في العالم الحقيقي. تعمل هذه العملية على تحويل ملف ثابت للأوزان والبنية إلى وكيل ذكاء اصطناعي نشط قادر على تحقيق قيمة، مثل تحديد الكائنات في بث فيديو أو التوصية بمنتجات على موقع إلكتروني.

يتطلب النشر الفعال معالجة تحديات تختلف عن تدريب النموذج، بما في ذلك زمن الاستجابة، والقابلية للتوسع، وتوافق الأجهزة. غالباً ما تستخدم المؤسسات منصة Ultralytics لتبسيط دورة الحياة هذه، مما يضمن إمكانية تقديم النماذج التي تم تدريبها في السحابة بسلاسة إلى بيئات متنوعة، بدءاً من الخوادم القوية وصولاً إلى أجهزة الحافة ذات الموارد المحدودة.

Link to this sectionمشهد النشر#

تندرج استراتيجيات النشر عموماً تحت فئتين: النشر السحابي والنشر على الحافة. يعتمد الاختيار بشكل كبير على المتطلبات المحددة للسرعة والخصوصية والاتصال.

• النشر السحابي: يقيم النموذج على خوادم مركزية، وغالباً ما تتم إدارته بواسطة خدمات مثل AWS SageMaker أو Google Vertex AI. ترسل التطبيقات البيانات عبر الإنترنت إلى النموذج عبر REST API، الذي يعالج الطلب ويعيد النتيجة. توفر هذه الطريقة قوة حوسبة غير محدودة تقريباً، مما يجعلها مثالية للنماذج الكبيرة والمعقدة، لكنها تعتمد على اتصال مستقر بالإنترنت.
• النشر على الحافة: يعمل النموذج محلياً على الجهاز الذي يتم فيه إنشاء البيانات، مثل الهاتف الذكي، أو الطائرة بدون طيار، أو كاميرا المصنع. هذا النهج، المعروف باسم الحوسبة المتطورة، يقلل من زمن الاستجابة ويعزز خصوصية البيانات لأن المعلومات لا تغادر الجهاز. تُستخدم أدوات مثل TensorRT بشكل متكرر لتحسين النماذج لهذه البيئات.

Link to this sectionإعداد النماذج للإنتاج#

قبل أن يتم نشر النموذج، يخضع عادةً للتحسين لضمان تشغيله بكفاءة على الأجهزة المستهدفة. تتضمن هذه العملية تصدير النموذج، حيث يتم تحويل تنسيق التدريب (مثل PyTorch) إلى تنسيق مناسب للنشر مثل ONNX (تبادل الشبكة العصبية المفتوحة) أو OpenVINO.

تقلل تقنيات التحسين مثل الكمّية من حجم النموذج وبصمة الذاكرة دون التضحية بالدقة بشكل كبير. ولضمان الاتساق عبر بيئات الحوسبة المختلفة، غالباً ما يستخدم المطورون أدوات الحاويات مثل Docker، التي تغلف النموذج مع جميع تبعيات البرامج اللازمة له.

فيما يلي مثال على كيفية تصدير نموذج YOLO26 إلى تنسيق ONNX، وهي خطوة شائعة في الاستعداد للنشر:

from ultralytics import YOLO

# Load the YOLO26 nano model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format for broad compatibility
# This creates a file suitable for various inference engines
path = model.export(format="onnx")

print(f"Model successfully exported to: {path}")

Link to this sectionتطبيقات العالم الحقيقي#

يعمل نشر النموذج على تشغيل أنظمة رؤية حاسوبية مستخدمة على نطاق واسع في مختلف الصناعات.

• مراقبة جودة التصنيع: في التصنيع الذكي، تراقب النماذج المنشورة أحزمة النقل في الوقت الفعلي. يمكن لنظام كاميرا يشغل نموذجاً محسناً لأجهزة NVIDIA Jetson اكتشاف العيوب في المنتجات على الفور، مما يؤدي إلى تحفيز ذراع آلية لإزالة العناصر المعيبة. يتطلب هذا زمن استجابة منخفض جداً لا يمكن توفيره إلا من خلال نشر ذكاء اصطناعي على الحافة.
• تحليلات التجزئة: تستخدم المتاجر نماذج منشورة لتحليل حركة الزوار وسلوك العملاء. من خلال دمج نماذج تتبع الكائنات في بث كاميرات المراقبة، يمكن لتجار التجزئة إنشاء خرائط حرارية للممرات الشائعة. تساعد هذه الرؤى في تحسين تخطيطات المتجر وتحسين إدارة المخزون، وغالباً ما تستخدم النشر القائم على السحابة لتجميع البيانات من مواقع متعددة.

Link to this sectionالنشر مقابل الاستدلال مقابل التدريب#

من المهم التمييز بين نشر النموذج والمصطلحات ذات الصلة في دورة حياة تعلم الآلة:

• تدريب النموذج هو المرحلة التعليمية حيث تتعلم الخوارزمية الأنماط من مجموعة بيانات.
• نشر النموذج هو مرحلة الدمج حيث يتم تثبيت النموذج المُدرب في بنية تحتية للإنتاج (خوادم، أو تطبيقات، أو أجهزة).
• الاستدلال هو المرحلة التشغيلية—وهي الفعل الفعلي للنموذج المنشور الذي يعالج بيانات حية لإنتاج تنبؤ. على سبيل المثال، يقوم محرك الاستدلال بتنفيذ الحسابات المحددة بواسطة النموذج المنشور.

Link to this sectionالمراقبة والصيانة#

النشر ليس نهاية الطريق. بمجرد أن تصبح النماذج حية، فإنها تتطلب مراقبة مستمرة للنموذج لاكتشاف مشكلات مثل انحراف البيانات، حيث تبدأ بيانات العالم الحقيقي في الاختلاف عن بيانات التدريب. غالباً ما يتم دمج أدوات مثل Prometheus أو Grafana لتتبع مقاييس الأداء، مما يضمن بقاء النظام موثوقاً به بمرور الوقت. عندما ينخفض الأداء، قد يحتاج النموذج إلى إعادة التدريب وإعادة النشر، مما يكمل دورة MLOps.