TensorFlow

TensorFlow هو إطار عمل شامل ومتعدد الاستخدامات ومفتوح المصدر مصمم لتبسيط عملية تطوير ونشر ونشر التعلم الآلي (ML) و وتطبيقات الذكاء الاصطناعي. تم تطويره في الأصل من قبل باحثين ومهندسين من من فريقGoogle Brain، وقد تطوّر إلى نظام بيئي غني بالأدوات والمكتبات وموارد المجتمع التي تُمكِّن الباحثين من الارتقاء بأحدث ما توصلت إليه التكنولوجيا في مجال التعلُّم العميق (DL) مع السماح للمطوِّرين بناء ونشر تطبيقات مدعومة بالتعلّم الآلي بسهولة. صُممت بنيتها لتكون مرنة، وتدعم الحوسبة عبر مجموعة متنوعة من المنصات، بدءًا من الخوادم القوية إلى الأجهزة المحمولة.

المفاهيم الأساسية والبنية الأساسية

يتمحور TensorFlow في جوهره حول مفهوم الرسم البياني لتدفق البيانات. في هذا النموذج، تمثل العقد في الرسم البياني العمليات الرياضية، في حين تمثل حواف الرسم البياني مصفوفات البيانات متعددة الأبعاد، المعروفة باسم الموترين، التي تتدفق بينها. تسمح هذه البنية للإطار بتنفيذ عمليات حسابات الشبكة العصبية (NN) المعقدة بكفاءة.

• الموتر: الوحدة الأساسية للبيانات، على غرار مصفوفات NumPy ولكن مع إمكانية إضافية للإقامة في ذاكرة المسرع مثل GPU أو TPU.
• الرسوم البيانية الحسابية: هذه تحدد منطق الحساب. بينما اعتمدت الإصدارات القديمة بشكل كبير على الرسوم البيانية الثابتة، فإن TensorFlow الحديث يعتمد افتراضيًا على التنفيذ التلقائي، والذي يقيّم العمليات فورًا من أجل من أجل تجربة تصحيح أخطاء فيثونية أكثر سهولة.
• تكامل Keras: لبناء النماذج، يستخدم TensorFlow Keras كواجهة برمجة تطبيقات عالية المستوى. هذا يبسّط إنشاء نماذج التعلم العميق من خلال تجريد التفاصيل منخفضة المستوى، مما يجعلها متاحة للنماذج الأولية السريعة.

الميزات الرئيسية والنظام البيئي

تكمن قوة إطار العمل في نظامه البيئي الموسّع، الذي يدعم دورة حياة تعلّم الآلة بأكملها بدءًا من من المعالجة المسبقة للبيانات إلى نشر الإنتاج.

• التصور: توفر مجموعة TensorBoard أدوات تصوّر track مقاييس التدريب مثل الخسارة والدقة، وتصور الرسوم البيانية للنماذج، وتحليل المساحات.
• نشر الإنتاج: أدوات مثل تسمح خدمةTensorFlow Serving بمرونة وأداء عالٍ مرنة وعالية الأداء لنماذج تعلّم الآلة في بيئات الإنتاج.
• الجوال والويب: يُمكّن TensorFlow Lite من إجراء TensorFlow منخفضة الكمون على الأجهزة المحمولة والأجهزة المدمجة، بينما يتيح TensorFlow.js بتشغيل النماذج مباشرةً في المتصفح أو على Node.js.
• التدريب الموزع: يتوسع إطار العمل دون عناء، ويدعم التدريب الموزع عبر مجموعات من الأجهزة للتعامل مع مجموعات البيانات الضخمة والبنى واسعة النطاق.

TensorFlow مقابل PyTorch

في مشهد أطر التعلّم العميق، غالبًا ما يتم إجراء المقارنة الأساسية بين TensorFlow و PyTorch. في حين أن كلاهما قادر على التعامل مع أعباء العمل البحثية والإنتاجية الحديثة، إلا أن هناك اختلافات تاريخية بينهما. غالباً ما يتم تفضيل TensorFlow في الإعدادات الصناعية لقوة خطوط أنابيب نشر النماذج القوية ودعمها لأجهزة متنوعة الأجهزة المتنوعة من خلال تنسيقات مثل SavedModel و TFLite. أما PyTorch الذي طورته شركة Meta، فكثيرًا ما يُستشهد به بسبب ديناميكية وسهولة استخدامه في البحث الأكاديمي. ومع ذلك، مع التحديثات الأخيرة، فقد ضاقت الفجوة بشكل كبير بشكل كبير، ويوفر كلا الإطارين قابلية ممتازة للتشغيل البيني والأداء.

تطبيقات واقعية

مرونة إطار العمل تجعله مناسبًا لمجموعة واسعة من الصناعات والمهام المعقدة في الرؤية الحاسوبية (السيرة الذاتية) واللغة الطبيعية ومعالجة اللغة الطبيعية.

• الرعاية الصحية: تعمل على تشغيل أنظمة تحليل الصور الطبية المتقدمة التي تساعد أطباء الأشعة في الكشف عن الحالات الشاذة مثل الأورام في صور الأشعة السينية أو التصوير بالرنين المغناطيسي، مما يحسن دقة التشخيص وسرعته.
• البيع بالتجزئة: يستخدمه كبار تجار التجزئة الذكاء الاصطناعي في تطبيقات البيع بالتجزئة، مثل إدارة المخزون الذكي الذكية وأنظمة الدفع الآلي التي تستخدم الكشف عن الأشياء لتحديد المنتجات في في الوقت الفعلي.
• السيارات: في قطاع السيارات، يتم استخدامه لتدريب نماذج الإدراك ل للسيارات ذاتية القيادة، مما يمكّن السيارات من التعرف على الممرات والمشاة وإشارات المرور.

تكامل Ultralytics

تتكامل نماذج Ultralytics YOLO بسلاسة مع نظام TensorFlow البيئي. يمكن للمستخدمين تدريب أحدث النماذج مثل YOLO11 في Python وتصديرها بسهولة إلى متوافقة للنشر على الويب أو الأجهزة المحمولة أو المنصات السحابية. تضمن هذه الإمكانية أن الأداء العالي ل YOLO يمكن الاستفادة منها ضمن البنى التحتية الحالية TensorFlow.

يوضّح المثال التالي كيفية تصدير نموذج YOLO11 المدرّب مسبقًا إلى TensorFlow SavedModel والذي يسمح بسهولة التكامل مع أدوات العرض.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TensorFlow SavedModel format
# This creates a directory containing the saved_model.pb file
model.export(format="saved_model")

بالإضافة إلى SavedModel يدعم Ultralytics التصدير إلى TensorFlow Lite لتطبيقات الهاتف المحمول, و TensorFlow.js للاستدلال المستند إلى الويب، و TPU Edge TPU لتسريع أداء الأجهزة.