TinyML

يُمثل تعلم الآلة المصغر، والذي يُشار إليه عادةً باسم TinyML، مجالاً فرعياً متخصصاً في تعلم الآلة يركز على نشر النماذج على الأجهزة ذات الطاقة المنخفضة جداً والموارد المحدودة مثل المتحكمات الدقيقة وأجهزة إنترنت الأشياء الصغيرة. وخلافاً للأنظمة التقليدية المعتمدة على السحابة والتي تعتمد على موارد حوسبية هائلة، يعمل TinyML بالكامل عند الحافة (Edge). من خلال تشغيل خوارزميات ذكية محلياً على أجهزة ذات قيود طاقة تُقاس غالباً بملي واط فقط، يقلل هذا النهج من زمن الانتقال، ويضمن خصوصية البيانات، ويقلل بشكل كبير من استخدام النطاق الترددي، وهو نموذج تدعمه وتطوره مجتمعات مثل مؤسسة TinyML.

لتلائم بنجاح معماريات الشبكات العصبية المعقدة على أجهزة محدودة للغاية مثل معالجات ARM Cortex-M، يجب أن تخضع النماذج لتحسين صارم. تُستخدم تقنيات مثل تكميم النموذج -الذي يحول أوزان الفاصلة العائمة 32-بت إلى أعداد صحيحة 8-بت- وتقليم النموذج لتقليل بصمة الذاكرة الإجمالية بشكل كبير. واليوم، تعمل أطر العمل المتخصصة مثل TensorFlow Lite for Microcontrollers من Google وExecuTorch من PyTorch على تسهيل تدفقات عمل الضغط الدقيقة هذه، مما يوفر ذكاءً بصرياً وسمعياً متطوراً للأجهزة المدمجة اليومية.

Link to this sectionTinyML مقابل Edge AI#

في حين أن TinyML يرتبط ارتباطاً وثيقاً بـ Edge AI، فإن التمييز الأساسي يكمن في حجم الأجهزة وميزانية الطاقة. يُعد Edge AI مصطلحاً أوسع يشمل أي تنفيذ محلي لنماذج الذكاء الاصطناعي، وغالباً ما يستخدم أجهزة كمبيوتر ذات لوحة واحدة مثل Raspberry Pi أو وحدات معالجة رسوميات مدمجة قوية مثل NVIDIA Jetson. على النقيض من ذلك، يستهدف TinyML على وجه التحديد الأنظمة المدمجة بعمق والتي تعمل بالبطاريات لأشهر أو سنوات، مثل لوحات Arduino أو شرائح STMicroelectronics. تمتلك هذه الأجهزة عادةً بضع مئات من الكيلوبايت فقط من ذاكرة الوصول العشوائي (RAM)، مما يجعل ضغط النموذج المكثف أمراً إلزامياً.

Link to this sectionتطبيقات العالم الحقيقي#

لقد أتاحت القدرة على نشر الذكاء مباشرة على الأجهزة ذات الحد الأدنى من الموارد العديد من حالات الاستخدام العملية عبر مختلف الصناعات:

• الصيانة التنبؤية في التصنيع الذكي: تنشر المصانع مستشعرات اهتزاز وصوت ذات طاقة منخفضة جداً مباشرة على الآلات. تقوم مستشعرات TinyML هذه بتحليل ترددات المحرك باستمرار لاكتشاف الشذوذ الطفيف الذي يشير إلى فشل وشيك، مما يسمح لفرق الصيانة بمعالجة المشكلات قبل حدوث توقف مكلف.
• الزراعة الذكية الدقيقة: يتم توزيع أجهزة TinyML التي تعمل بالبطارية عبر حقول المحاصيل الشاسعة لمراقبة الظروف البيئية المحلية واكتشاف العلامات المبكرة لانتشار الآفات أو الأمراض باستخدام وحدات كاميرا أساسية، حيث تقوم بإرسال تنبيهات خفيفة الوزن فقط بدلاً من ملفات الصور الثقيلة.
• مراقبة الصوت في الحفاظ على الحياة البرية: يستخدم الباحثون مصفوفات مستشعرات صوتية مخفية تعمل بتقنية TinyML لاكتشاف الأصوات المحددة للأنواع المهددة بالانقراض أو أنشطة قطع الأشجار غير القانونية (مثل المناشير) في الغابات الكثيفة. تعمل هذه الأجهزة بالطاقة الشمسية أو البطارية، وتقوم بتحليل الصوت محلياً وإرسال تنبيهات بعيدة المدى على الفور.

Link to this sectionتصدير النماذج لـ TinyML#

يتطلب إعداد نموذج للمتحكم الدقيق تنسيق تصدير صارماً. باستخدام Ultralytics YOLO26، يمكن للمطورين بناء خطوط أنابيب قوية لـ اكتشاف الكائنات وضغطها لتناسب الأهداف المدمجة. يمكنك إدارة مجموعة البيانات الخاصة بك وإصدارات النماذج بسلاسة على منصة Ultralytics قبل التصدير محلياً. يسمح تكامل TFLite الأصلي بالتحويل السهل إلى تنسيقات الأعداد الصحيحة 8-بت المطلوبة للمتحكمات الدقيقة، مما يكمل خيارات نشر النماذج الأخرى الخاصة بالأجهزة مثل Apple CoreML، وGoogle Edge TPU، وNVIDIA TensorRT.

يوضح المثال التالي كيفية تصدير نموذج YOLO26 خفيف الوزن تم تحسينه خصيصاً بتكميم INT8، مما يجعله مناسباً للنشر على منصات الحافة المتوافقة مع TinyML:

from ultralytics import YOLO

# Initialize the lightweight YOLO26 Nano model for edge use cases
model = YOLO("yolo26n.pt")

# Export to TFLite format with INT8 quantization and a reduced image size
# This minimizes the memory footprint and accelerates inference on microcontrollers
model.export(format="tflite", int8=True, imgsz=160)