TensorFlow

TensorFlow عبارة عن نظام أساسي مفتوح المصدر وشامل لـ التعلم الآلي (ML). تم تطويره بواسطة فريق Google Brain، وهو يقدم نظامًا بيئيًا شاملاً ومرنًا من الأدوات والمكتبات وموارد المجتمع التي تسمح للمطورين ببناء وتوزيع التطبيقات التي تعمل بالتعلم الآلي بسهولة. وهو مصمم لتسهيل كل شيء بدءًا من بناء النماذج البسيطة وحتى التدريب والتوزيع على نطاق واسع عبر منصات مختلفة، بما في ذلك الخوادم و الأجهزة الطرفية ومتصفحات الويب.

الميزات والمفاهيم الرئيسية

تم بناء بنية TensorFlow حول عدة مبادئ أساسية تجعلها أداة قوية لـ التعلم العميق (DL) والحسابات العددية الأخرى.

• الرسوم البيانية الحسابية: استخدم TensorFlow تقليديًا رسمًا بيانيًا حسابيًا ثابتًا لتحديد العمليات. في حين أن الإصدارات الحديثة تستخدم التنفيذ الفوري (Eager Execution) افتراضيًا للحصول على شعور بايثوني أكثر سهولة، إلا أن النموذج القائم على الرسم البياني يظل حاسمًا للتحسين والنشر. يسمح هذا الهيكل للإطار بترجمة العمليات الحسابية وتحسينها لتنفيذ فعال على أجهزة مثل وحدات معالجة الرسومات (GPUs) و وحدات معالجة Tensor (TPUs).
• الموترات: هيكل البيانات الأساسي في TensorFlow هو "الموتر"، وهو عبارة عن مصفوفة متعددة الأبعاد. يتم تمثيل جميع البيانات، من صور الإدخال إلى أوزان النموذج، على شكل موترات.
• قابلية التوسع: تم تصميم الإطار للتدريب والاستدلال الموزع على نطاق واسع. يمكن تشغيله على وحدات المعالجة المركزية (CPUs) الفردية أو مجموعات وحدات معالجة الرسوميات (GPUs) أو مسرعات الأجهزة المتخصصة، مما يجعله مناسبًا لبيئات البحث والإنتاج.
• نظام بيئي شامل: TensorFlow هو أكثر من مجرد مكتبة. يتضمن أدوات مثل TensorBoard لتصور مقاييس التدريب، و TensorFlow Serving لـ خدمة النموذج عالية الأداء، و TensorFlow Lite لنشر النماذج على الأجهزة المحمولة والمضمنة.

Tensorflow مقابل الأطر الأخرى

TensorFlow هو أحد أطر التعلم العميق الأكثر شيوعًا، ولكنه يتعايش مع أطر أخرى مثل PyTorch و Keras.

• TensorFlow مقابل PyTorch: هذه هي المقارنة الأكثر شيوعًا في مجتمع تعلم الآلة. في حين أن TensorFlow، بأدواته القوية لنشر النماذج والإنتاج، كان مفضلًا تاريخيًا للتطبيقات الصناعية، غالبًا ما يتم الإشادة بـ PyTorch لبساطته وسهولة استخدامه في البحث. ومع ذلك، مع إدخال Eager Execution، أصبح TensorFlow أكثر سهولة في الاستخدام، مما يضيق الفجوة. غالبًا ما يعود الاختيار إلى الإلمام بالنظام البيئي ومتطلبات المشروع المحددة.
• TensorFlow و Keras: Keras هي ذات مستوى عالٍ الشبكات العصبونية واجهة برمجة التطبيقات (API) التي أصبحت الآن واجهة برمجة التطبيقات الرسمية عالية المستوى لـ TensorFlow. إنها توفر واجهة أبسط وأكثر سهولة لبناء النماذج، وتجريد الكثير من التعقيد الكامن. بالنسبة لمعظم المطورين، يعني بناء النماذج في TensorFlow استخدام tf.keras واجهة برمجة التطبيقات (API).

التطبيقات والأمثلة

TensorFlow متعدد الاستخدامات ويستخدم في العديد من المجالات:

• الرؤية الحاسوبية (CV): تدعم تطبيقات مثل تصنيف الصور، و اكتشاف الكائنات، و تقسيم الصور. على سبيل المثال، تستخدم Google TensorFlow لمعالجة الصور في Google Street View لتحليل الصور البانورامية وتجميعها.
• Natural Language Processing (NLP): تُستخدم في مهام مثل تحليل المشاعر والترجمة الآلية وبناء نماذج لغوية كبيرة مثل BERT. كانت خوارزمية البحث RankBrain من Google، والتي تساعد في تفسير استعلامات البحث، بمثابة نشر مبكر واسع النطاق لـ TensorFlow.
• الرعاية الصحية: يتم تطبيقها في تحليل الصور الطبية للكشف عن الأمراض من عمليات المسح وفي اكتشاف الأدوية.
• الأنظمة المستقلة: تستخدم في تطوير أنظمة الإدراك لـ السيارات ذاتية القيادة و الروبوتات.

تكامل Ultralytics

توفر Ultralytics تكاملًا سلسًا مع TensorFlow، مما يسمح للمستخدمين بالاستفادة من نقاط قوة كلا النظامين الأساسيين. يمكنك بسهولة تصدير نماذج Ultralytics YOLO إلى تنسيقات TensorFlow متنوعة:

• TensorFlow SavedModel: تنسيق قياسي لتقديم النماذج باستخدام TensorFlow Serving أو النشر في البيئات السحابية.
• TensorFlow Lite: تنسيق مُحسَّن للنشر على الأجهزة المحمولة والمدمجة وأجهزة إنترنت الأشياء (IoT).
• TensorFlow.js: يتيح تشغيل النماذج مباشرة في متصفحات الويب أو تطبيقات Node.js.
• TF GraphDef: تنسيق تعريف رسم بياني منخفض المستوى.
• Edge TPU: تصدير لمسرّعات أجهزة Edge TPU من Google.

تتيح هذه المرونة للمستخدمين الذين يقومون بتدريب نماذج مثل Ultralytics YOLOv8 أو YOLO11 داخل نظام Ultralytics البيئي، وربما تتم إدارتها عبر Ultralytics HUB، نشرها بكفاءة عبر مجموعة واسعة من الأنظمة الأساسية التي تدعمها TensorFlow. يمكنك العثور على وثائق تفصيلية حول تكامل Ultralytics هنا.