ONNX (Open Neural Network Exchange)

ONNX (Open Neural Network Exchange) هو تنسيق مفتوح المصدر مصمم لتمثيل نماذج تعلم الآلة، مما يسمح بإمكانية التشغيل البيني بين مختلف أطر عمل وأدوات الذكاء الاصطناعي. يعمل كـ "مترجم عالمي" للتعلم العميق، مما يمكن المطورين من بناء النماذج في إطار عمل واحد—مثل PyTorch أو TensorFlow أو Scikit-learn—ونشرها بسلاسة في بيئة أخرى محسنة للاستدلال. من خلال تحديد مجموعة مشتركة من العوامل (operators) وتنسيق ملف قياسي، يلغي ONNX الحاجة إلى نصوص تحويل برمجية معقدة ومخصصة كانت مطلوبة تاريخياً لنقل النماذج من مرحلة البحث إلى الإنتاج. تعد هذه المرونة أمراً بالغ الأهمية لسير عمل الذكاء الاصطناعي الحديث، حيث قد يتم التدريب على وحدات معالجة رسومية (GPU) سحابية قوية بينما تستهدف عملية النشر أجهزة متنوعة مثل أجهزة الحافة (edge devices) أو الهواتف المحمولة أو متصفحات الويب.

Link to this sectionدور ONNX في الذكاء الاصطناعي الحديث#

في المشهد المتطور بسرعة لـ الذكاء الاصطناعي، غالباً ما يستخدم الباحثون والمهندسون أدوات مختلفة لمراحل مختلفة من دورة حياة التطوير. قد يفضل عالم البيانات مرونة PyTorch للتجريب والتدريب، بينما يحتاج مهندس الإنتاج إلى الأداء المحسن لـ TensorRT أو OpenVINO للنشر. بدون تنسيق تبادل قياسي، يكون نقل النموذج بين هذه الأنظمة البيئية أمراً صعباً وعرضة للأخطاء.

يسد ONNX هذه الفجوة من خلال توفير تعريف مشترك للرسم البياني للحسابات (computation graph). عند تصدير نموذج إلى ONNX، يتم تسلسله (serialized) في تنسيق يلتقط بنية الشبكة (الطبقات، الاتصالات) والمعلمات (الأوزان، التحيزات) بطريقة مستقلة عن إطار العمل. يسمح هذا لمحركات الاستدلال المصممة خصيصاً لتسريع الأجهزة—مثل ONNX Runtime—بتنفيذ النموذج بكفاءة عبر منصات متعددة، بما في ذلك Linux وWindows وmacOS وAndroid وiOS.

Link to this sectionالفوائد الرئيسية لاستخدام ONNX#

يوفر اعتماد تنسيق Open Neural Network Exchange العديد من المزايا الاستراتيجية لمشاريع الذكاء الاصطناعي:

• إمكانية التشغيل البيني بين أطر العمل: يمكن للمطورين التبديل بين أطر العمل دون أن يكونوا مقيدين بنظام بيئي واحد. يمكنك تدريب نموذج باستخدام Ultralytics Python API سهل الاستخدام وتصديره للاستخدام في تطبيق C++ أو بيئة JavaScript تعتمد على الويب.
• تحسين الأجهزة: يوفر العديد من مصنعي الأجهزة مزودي تنفيذ متخصصين يتوافقون مع ONNX. هذا يعني أنه يمكن تسريع ملف واحد من نوع .onnx على وحدات معالجة رسومية (GPU) من NVIDIA، أو وحدات معالجة مركزية (CPU) من Intel، أو وحدات معالجة عصبية (NPU) محمولة باستخدام أدوات مثل OpenVINO أو CoreML.
• استدلال أسرع: يطبق ONNX Runtime تحسينات على الرسم البياني—مثل دمج العقد (node fusion) وطوي الثوابت (constant folding)—والتي يمكن أن تقلل بشكل كبير من زمن انتقال الاستدلال. يعد هذا ضرورياً للتطبيقات ذات الزمن الحقيقي مثل المركبات ذاتية القيادة أو خطوط التصنيع عالية السرعة.
• نشر مبسط: بدلاً من الحفاظ على خطوط أنابيب نشر منفصلة لكل إطار عمل تدريب، يمكن لفرق الهندسة توحيد المعايير على ONNX كتنسيق للتسليم، مما يؤدي إلى تبسيط عمليات ModelOps.

Link to this sectionتطبيقات العالم الحقيقي#

تجعل تعدد استخدامات ONNX منه عنصراً أساسياً في مختلف الصناعات. فيما يلي مثالان ملموسان على تطبيقه:

Link to this sectionذكاء الحافة (Edge AI) على الأجهزة المحمولة#

Consider a mobile application designed for real-time crop health monitoring. The model might be trained on a powerful cloud server using a large dataset of plant images. However, the app needs to run offline on a farmer's smartphone. By exporting the trained model to ONNX, developers can integrate it into the mobile app using ONNX Runtime Mobile. This allows the phone's processor to run object detection locally, identifying pests or diseases instantly without needing an internet connection.

Link to this sectionالاستدلال عبر الويب والمنصات#

In e-commerce, a "virtual try-on" feature might use pose estimation to overlay clothing on a user's webcam feed. Training this model might happen in Python, but the deployment target is a web browser. Using ONNX, the model can be converted and run directly in the user's browser via ONNX Runtime Web. This utilizes the client's device capabilities (WebGL or WebAssembly) to perform computer vision tasks, ensuring a smooth, privacy-preserving experience since video data never leaves the user's computer.

Link to this sectionمقارنة بمصطلحات ذات صلة#

من المفيد التمييز بين ONNX وتنسيقات وأدوات النماذج الأخرى:

• مقارنة بـ TensorRT: بينما يعد ONNX تنسيق تبادل، فإن TensorRT هو محرك استدلال ومحسن مصمم خصيصاً لوحدات معالجة الرسوميات (GPU) من NVIDIA. يتضمن سير العمل الشائع تصدير نموذج إلى ONNX أولاً، ثم تحليل ملف ONNX هذا في TensorRT لتحقيق أقصى قدر من الإنتاجية على أجهزة NVIDIA.
• مقارنة بـ TensorFlow SavedModel: يعد SavedModel تنسيق التسلسل الأصلي لـ TensorFlow. على الرغم من قوته داخل نظام Google البيئي، إلا أنه أقل توافقاً عالمياً من ONNX. غالباً ما توجد أدوات لتحويل SavedModels إلى ONNX للحصول على دعم أوسع للمنصات.
• مقارنة بـ CoreML: CoreML هو إطار عمل Apple لتعلم الآلة على الجهاز. على الرغم من اختلافهما، يتم تحويل النماذج بشكل متكرر من PyTorch إلى ONNX، ثم من ONNX إلى CoreML (أو مباشرة) للتشغيل بكفاءة على أجهزة iPhone وiPad.

Link to this sectionالتصدير إلى ONNX مع Ultralytics#

يعمل نظام Ultralytics البيئي على تبسيط عملية تحويل النماذج المتطورة مثل YOLO26 إلى تنسيق ONNX. مدمجة وظيفة التصدير مباشرة في المكتبة، مما يتعامل مع اجتياز الرسم البياني المعقد وتعيين العوامل (operator mapping) تلقائياً.

يوضح المثال التالي كيفية تصدير نموذج YOLO26 مدرب مسبقاً إلى تنسيق ONNX للنشر:

from ultralytics import YOLO

# Load the YOLO26n model (Nano version recommended for edge deployment)
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
# The 'dynamic' argument enables variable input sizes
path = model.export(format="onnx", dynamic=True)

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

بمجرد التصدير، يمكن استخدام ملف .onnx هذا في Ultralytics Platform للإدارة أو نشره مباشرة على أجهزة الحافة باستخدام ONNX Runtime، مما يجعل الرؤية الحاسوبية عالية الأداء متاحة في أي بيئة تقريباً.