TinyML

يمثّل التعلّم الآلي المصغّر، المعروف شائعًا باسم TinyML، مجالًا فرعيًا متخصصًا من تعلّم الآلة يركّز على نشر النماذج على أجهزة منخفضة الطاقة للغاية ومحدودة الموارد، مثل المتحكّمات الدقيقة وأجهزة إنترنت الأشياء الصغيرة. وعلى خلاف الأنظمة التقليدية القائمة على السحابة، التي تعتمد على موارد حوسبة هائلة، يعمل TinyML بالكامل عند الحافة. ومن خلال تشغيل خوارزميات ذكية محليًا على أجهزة تستهلك قدرًا محدودًا من الطاقة، غالبًا ما يُقاس بالميلي واط، يقلّل هذا النهج زمن الاستجابة، ويضمن خصوصية البيانات، ويخفض استخدام النطاق الترددي بدرجة كبيرة، وهو نموذج تدعمه مجتمعات مثل مؤسسة TinyML وتطوّره.

لملاءمة بنيات الشبكات العصبية المعقدة بنجاح مع العتاد شديد القيود، مثل معالجات ARM Cortex-M، يجب أن تخضع النماذج لعملية تحسين صارمة. وتُستخدم تقنيات مثل تكميم النموذج، الذي يحوّل الأوزان ذات الفاصلة العائمة بحجم 32 بت إلى أعداد صحيحة بحجم 8 بت، وتشذيب النموذج لتقليل البصمة الإجمالية للذاكرة بدرجة كبيرة. واليوم، تيسّر أطر العمل المتخصصة مثل TensorFlow Lite لوحدات التحكّم الدقيقة من Google وExecuTorch من PyTorch عمليات الضغط الدقيقة هذه، مما يتيح إمكانات متقدمة للفهم البصري والسمعي على العتاد المضمّن المستخدم يوميًا.

TinyML مقابل Edge AI#

رغم ارتباط TinyML ارتباطًا وثيقًا بـ Edge AI، يكمن الفرق الأساسي في نطاق العتاد وميزانية الطاقة. ويُعد Edge AI مصطلحًا أوسع يشمل أي تشغيل محلي لنماذج الذكاء الاصطناعي، وغالبًا ما يستخدم حواسيب أحادية اللوحة مثل Raspberry Pi أو وحدات GPU مضمّنة قوية مثل NVIDIA Jetson. وعلى النقيض، يستهدف TinyML تحديدًا الأنظمة المضمّنة بعمق التي تعمل بالبطاريات لأشهر أو سنوات، مثل لوحات Arduino أو شرائح STMicroelectronics. ولا تحتوي هذه الأجهزة عادةً إلا على بضع مئات من الكيلوبايتات من ذاكرة RAM، مما يجعل ضغط النماذج المكثف أمرًا إلزاميًا.

التطبيقات الواقعية#

أتاحت إمكانية نشر الذكاء مباشرةً على عتاد محدود للغاية العديد من حالات الاستخدام العملية في مختلف الصناعات:

• الصيانة التنبؤية في التصنيع الذكي: تنشر المصانع مستشعرات اهتزاز وصوت منخفضة الطاقة للغاية مباشرةً على الآلات. وتحلّل مستشعرات TinyML هذه ترددات المحركات باستمرار لاكتشاف الحالات الشاذة الدقيقة التي تشير إلى عطل وشيك، مما يتيح لفرق الصيانة معالجة المشكلات قبل حدوث توقّف مكلف.
• الزراعة الذكية الدقيقة: تُوزّع أجهزة TinyML تعمل بالبطاريات على مساحات واسعة من حقول المحاصيل لمراقبة الظروف البيئية المحلية واكتشاف العلامات المبكرة لانتشار الآفات أو الأمراض باستخدام وحدات كاميرا أساسية، ولا تنقل سوى تنبيهات صغيرة الحجم بدلًا من ملفات الصور الكبيرة.
• المراقبة الصوتية للحفاظ على الحياة البرية: يستخدم الباحثون مصفوفات مستشعرات صوتية مخفية ومدعومة بتقنية TinyML لاكتشاف الأصوات المميزة للأنواع المهددة بالانقراض أو أنشطة قطع الأشجار غير القانونية، مثل المناشير، في الغابات الكثيفة. وتعمل هذه الأجهزة بالطاقة الشمسية أو البطاريات، وتحلّل الصوت محليًا وتطلق تنبيهات فورية بعيدة المدى.

تصدير النماذج لاستخدام TinyML#

يتطلب إعداد نموذج لمتحكّم دقيق تنسيقًا صارمًا عند التصدير. وباستخدام Ultralytics YOLO26، يمكن للمطورين إنشاء مسارات عمل قوية لـ اكتشاف الأجسام وضغطها لتناسب الأهداف المضمّنة. ويمكنك إدارة مجموعة بياناتك وإصدارات نموذجك بسلاسة على منصة Ultralytics قبل التصدير محليًا. يتيح تكامل TFLite الأصلي التحويل بسهولة إلى تنسيقات الأعداد الصحيحة بحجم 8 بت المطلوبة للمتحكّمات الدقيقة، مع استكمال ذلك بخيارات نشر النماذج الأخرى الخاصة بالعتاد، مثل CoreML من Apple وEdge TPU من Google وTensorRT من NVIDIA.

يوضح المثال التالي كيفية تصدير نموذج Ultralytics YOLO26 خفيف الوزن، ومحسّن تحديدًا باستخدام تكميم INT8، مما يجعله مناسبًا 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)