TinyML

يمثل التعلم الآلي المصغر، المعروف عمومًا باسم TinyML، مجالًا فرعيًا متخصصًا في التعلم الآلي يركز على نشر النماذج على أجهزة ذات استهلاك طاقة منخفض للغاية ومحدودة الموارد مثل وحدات التحكم الدقيقة وأجهزة إنترنت الأشياء الصغيرة. على عكس الأنظمة التقليدية القائمة على السحابة التي تعتمد على موارد حاسوبية هائلة، يعمل TinyML بالكامل على الحافة. من خلال تشغيل الخوارزميات الذكية محليًا على أجهزة ذات قيود في الطاقة غالبًا ما تُقاس بميليوات فقط، يقلل هذا النهج من زمن الاستجابة، ويضمن خصوصية البيانات، ويقلل بشكل كبير من استخدام النطاق الترددي، وهو نموذج تدعمه وتطوره مجتمعات مثل مؤسسة TinyML.

من أجل تكييف بنى الشبكات العصبية المعقدة بنجاح مع الأجهزة ذات القيود الشديدة مثل معالجات ARM Cortex-M، يجب أن تخضع النماذج لعملية تحسين صارمة. وتُستخدم تقنيات مثل تكمية النموذج— التي تحول الأوزان ذات النقاط العائمة ذات 32 بت إلى أعداد صحيحة ذات 8 بت — و تقليص النموذج لتقليل الحجم الإجمالي للذاكرة بشكل كبير. اليوم، تسهل الأطر المتخصصة مثل TensorFlow for Microcontrollers Google و ExecuTorch PyTorch سير عمل الضغط الدقيق هذا، مما يوفر ذكاءً بصريًا وسمعيًا متقدمًا للأجهزة المدمجة اليومية.

TinyML مقابل الذكاء الاصطناعي على الحافة

على الرغم من أن TinyML ترتبط ارتباطًا وثيقًا بـ Edge AI، فإن الفارق الأساسي يكمن في حجم الأجهزة وميزانية الطاقة. ويُعد مصطلح Edge AI مصطلحًا أوسع نطاقًا يشمل أي تنفيذ محلي لنماذج الذكاء الاصطناعي، وغالبًا ما يستخدم أجهزة كمبيوتر أحادية اللوحة مثل Raspberry Pi أو وحدات معالجة رسومات مدمجة قوية مثل NVIDIA . في المقابل، يستهدف TinyML على وجه التحديد الأنظمة المدمجة بعمق التي تعمل بالبطاريات لشهور أو سنوات، مثل لوحات Arduino أو رقائق STMicroelectronics. عادةً ما تمتلك هذه الأجهزة بضع مئات من الكيلوبايتات فقط من ذاكرة الوصول العشوائي (RAM)، مما يجعل ضغط النماذج بشكل مكثف أمرًا إلزاميًا.

تطبيقات واقعية

أدت القدرة على نشر أنظمة الذكاء الاصطناعي مباشرةً على أجهزة بسيطة إلى فتح الباب أمام العديد من حالات الاستخدام العملية في مختلف القطاعات:

• الصيانة التنبؤية في التصنيع الذكي: تقوم المصانع بتركيب مستشعرات اهتزاز وصوتية منخفضة الاستهلاك للطاقة للغاية مباشرةً على الآلات. وتقوم مستشعرات TinyML هذه بتحليل ترددات المحركات بشكل مستمر detect الانحرافات detect التي تشير إلى احتمال حدوث عطل وشيك، مما يتيح لفرق الصيانة معالجة المشكلات قبل حدوث فترات توقف مكلفة.
• الزراعة الذكية الدقيقة: تعمل بأجهزة TinyML الصغيرة التي تعمل بالبطاريات، والتي تنتشر عبر حقول المحاصيل الشاسعة لمراقبة الظروف البيئية المحلية detect العلامات المبكرة لتفشي الآفات أو الأمراض باستخدام وحدات كاميرا بسيطة، حيث تقوم بإرسال تنبيهات خفيفة الحجم فقط بدلاً من ملفات الصور الثقيلة.
• المراقبة الصوتية لحماية الحياة البرية: يستخدم الباحثون شبكات من أجهزة الاستشعار الصوتية المخفية التي تعمل بتقنية TinyML detect المميزة للأنواع المهددة بالانقراض أو أنشطة قطع الأشجار غير القانونية (مثل صوت المناشير) في الغابات الكثيفة. تعمل هذه الأجهزة بالطاقة الشمسية أو البطاريات، وتقوم بتحليل الصوت محليًّا وإطلاق تنبيهات بعيدة المدى على الفور.

تصدير النماذج إلى TinyML

يتطلب إعداد نموذج لميكروكونترولر اتباع قواعد تنسيق صارمة عند التصدير. باستخدام Ultralytics ، يمكن للمطورين إنشاء مسارات معالجة قوية لاكتشاف الكائنات وضغطها من أجل الأجهزة المدمجة. يمكنك إدارة مجموعة البيانات وإصدارات النموذج بسلاسة على Ultralytics قبل التصدير محليًا. يتيح TFLite الأصلي TFLite التحويل السهل إلى تنسيقات الأعداد الصحيحة ذات 8 بت المطلوبة للميكروكونترولرات، مما يكمل خيارات نشر النماذج الأخرى الخاصة بالأجهزة مثل CoreMLو Edge TPU Google NVIDIA و TensorRT.

يوضح المثال التالي كيفية تصدير نموذج YOLO26 خفيف الوزن تم تحسينه خصيصًا باستخدام التكمية 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)