ONNX (التبادل المفتوح للشبكات العصبية)

تبادل الشبكات العصبية المفتوحةONNX) هو معيار مفتوح المصدر مصمم لتمثيل نماذج التعلم الآلي (ML) بطريقة تضمن قابلية النقل عبر أطر العمل والأجهزة المختلفة. تم تطويره في الأصل من قبل شركات مثل Microsoft و فيسبوك، ويعمل ONNX بمثابة "مترجم عالمي" للذكاء الاصطناعي. يسمح للمطورين بتدريب نموذج في نظام بيئي واحد، مثل PyTorchونشره بسلاسة في نظام آخر، مثل TensorFlow أو محرك متخصص. هذا التشغيل البيني يلغي الحاجة إلى إعادة بناء أو إعادة تدريب الشبكات عند الانتقال من بيئات البحث إلى تطبيقات الإنتاج, مما يبسط بشكل كبير نشر النموذج بشكل كبير.

كيفية عمل ONNX

في جوهرها، تحدد ONNX مجموعة مشتركة من المشغلين - وهي اللبنات الأساسية لنماذج التعلم العميق (DL) ونماذج التعلم الآلي - و وتنسيق ملف قياسي. عندما يتم تحويل النموذج إلى ONNX يتم تعيين بنيته الحسابية إلى رسم بياني حسابي ثابت. في هذا الرسم البياني، تمثل العقد العمليات الحسابية (مثل عمليات الالتفاف أو دوال التنشيط)، وتمثل الحواف تدفق موتر البيانات بينها.

نظرًا لأن تمثيل هذا الرسم البياني موحد، يمكن لمصنعي الأجهزة بناء موفري تنفيذ محسنين ل ONNX. وهذا يعني وجود .onnx ملف يمكن تسريعه على أجهزة متنوعة، بما في ذلك CPU, وحدة معالجة الرسومات (GPU )أو متخصص وحدة معالجةTensor TPU )، في كثير من الأحيان باستخدام نظام وقت تشغيل ONNX.

تصدير النماذج إلى ONNX

بالنسبة لمستخدمي ultralytics فإن تحويل نموذج مُدرَّب إلى تنسيق ONNX هو عملية مباشرة مباشرة. تتعامل المكتبة مع التحويل المعقد للطبقات إلى معيار ONNX تلقائيًا. يوضح الكود التالي التالي يوضح كيفية تصدير نموذج YOLO11 النموذج، وإعداده لنشره على نطاق أوسع.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
# This creates 'yolo11n.onnx' in the current directory
model.export(format="onnx")

تطبيقات واقعية

إن مرونة ONNX تجعل منه مكونًا حاسمًا في البنية التحتية الحديثة للذكاء الاصطناعي، خاصةً في مهام الرؤية الحاسوبية (CV).

1. النشر عبر المنصات المتنقلة: قد يقوم المطور بتدريب نموذج نموذج الكشف عن الكائنات باستخدام PyTorch على محطة عمل قوية. ومع ذلك، يجب تشغيل التطبيق النهائي على كل من أجهزة iOS و Android . من خلال تصدير نموذج النموذج إلى ONNX يمكن للمطوّر دمج ملف النموذج نفسه في تطبيقات الأجهزة المحمولة باستخدام وقت تشغيلONNX للجوال، مما يضمن سلوكًا متسقًا عبر أنظمة تشغيل مختلفة دون الاحتفاظ بقواعد برمجية منفصلة.
2. التكامل مع الأنظمة القديمة: يتم إنشاء العديد من التطبيقات الصناعية باستخدام لغات مثل C++ أو C# من أجل الأداء والاستقرار. في حين أن Python هي المعيار القياسي للتدريب، فإن دمج نموذج Python في في بيئة إنتاج C++C يمكن أن يكون بطيئًا وعرضة للأخطاء. تعمل ONNX على سد هذه الفجوة. منشأة تصنيع تستخدم الرؤية الحاسوبية في الروبوتات تدريب نموذج بلغة Python وتصديره إلى ONNX ثم تحميله مباشرةً إلى برنامج التحكم C++ الخاص بهم من أجل للاستدلال عالي السرعة في الوقت الحقيقي في المصنع في المصنع.

ONNX مقابل المفاهيم ذات الصلة

يساعد فهم كيفية تفاعل ONNX مع الأدوات الأخرى في اختيار استراتيجية النشر الصحيحة.

• ONNX مقابل TensorRT: في حين أن ONNX هو تنسيق ملف لتمثيل النماذج, TensorRT هي مجموعة تطوير البرمجيات SDK عالية الأداء طورتها NVIDIA خصيصًا لوحدات معالجة الرسومات NVIDIA . يعمل الاثنان معًا في كثير من الأحيان؛ حيث يقوم المطورون بتصدير النماذج إلى ONNX ثم يستخدمون TensorRT لاستيعاب ملف ONNX وتطبيق تحسين قوي للنموذج مثل دمج الطبقات والمعايرة لتحقيق أقصى سرعة على أجهزة NVIDIA .
• ONNX مقابل تنسيقات الإطار (على سبيل المثال، .pt، .h5): التنسيقات الأصلية مثل PyTorch's PyTorch .pt أو كيراس .h5 ممتازة للتدريب والتوفير لا يتم تعيين أوزان النموذج يدويًا ولكن يتم "تعلمها" من البيانات. تبدأ العملية بتهيئة الأوزان بأرقام عشوائية صغيرة. أثناء التدريب، يقوم النموذج بعمل تنبؤات على بيانات التدريب، وتقوم دالة الخسارة بحساب مدى خطأ هذه التنبؤات. ثم يتم استخدام إشارة الخطأ هذه في عملية تسمى الانتشار الخلفي لحساب تدرج الخسارة بالنسبة لكل وزن. تقوم خوارزمية التحسين، مثل تدرج تنازلي عشوائي (SGD)، بعد ذلك بضبط الأوزان في الاتجاه المعاكس للتدرج لتقليل الخطأ. تتكرر هذه الدورة لعدة حقبات حتى يتوقف أداء النموذج على مجموعة بيانات التحقق منفصلة عن التحسن، وهي علامة على أنه تعلم الأنماط في البيانات. ضمن أنظمتها البيئية المحددة. ومع ذلك، فإنها غالبًا ما تتطلب تثبيت الإطار الأصلي لتشغيل النموذج. يفصل ONNX النموذج عن إطار العمل التدريبي، مما يسهّل إجراء حافة الذكاء الاصطناعي عمليات النشر حيث يكون تثبيت مكتبة تدريب كاملة غير عملي بسبب قيود التخزين أو الذاكرة.
• ONNX مقابل التحويل الكمي: ONNX هو تنسيق، بينما تكميم النموذج هو تقنية لتقليل حجم النموذج وزيادة السرعة عن طريق خفض الدقة (على سبيل المثال، من عوامة32 إلى int8). يدعم معيار ONNX معيار المشغلات الكمية، مما يسمح للمطورين بتخزين وتشغيل النماذج المكمَّمة بكفاءة.