نشر النموذج

نشر النموذج هو المرحلة الحاسمة التي يتم فيها دمج نموذج التعلم الآلي المدرب في بيئة الإنتاج للاتخاذ قرارات عملية أو وضع تنبؤات بناءً على بيانات جديدة. وهو يمثل الانتقال من بيئة البحث أو التجربة — التي غالبًا ما تتم في أجهزة كمبيوتر محمولة معزولة — إلى تطبيق حي حيث يتفاعل النموذج مع المستخدمين والأنظمة في العالم الحقيقي. تحول هذه العملية ملفًا ثابتًا من الأوزان والبنية إلى وكيل ذكاء اصطناعي نشط قادر على تحقيق قيمة، مثل تحديد الكائنات في موجز فيديو أو التوصية بمنتجات على موقع ويب.

يتطلب النشر الفعال معالجة تحديات مختلفة عن تدريب النماذج، بما في ذلك زمن الاستجابة وقابلية التوسع وتوافق الأجهزة . غالبًا ما تستخدم المؤسسات Ultralytics لتبسيط دورة الحياة هذه، مما يضمن إمكانية توفير النماذج المدربة في السحابة بسلاسة إلى بيئات متنوعة ، بدءًا من الخوادم القوية إلى الأجهزة الطرفية المحدودة الموارد.

مشهد النشر

تنقسم استراتيجيات النشر عمومًا إلى فئتين: النشر السحابي والنشر الطرفي. يعتمد الاختيار بشكل كبير على المتطلبات المحددة للسرعة والخصوصية والاتصال.

• النشر السحابي: يوجد النموذج على خوادم مركزية، غالبًا ما تديرها خدمات مثل AWS SageMaker أو Google AI. ترسل التطبيقات البيانات عبر الإنترنت إلى النموذج عبر REST API، والتي تعالج الطلب وتعيد النتيجة. توفر هذه الطريقة قوة حوسبة غير محدودة تقريبًا، مما يجعلها مثالية للنماذج الكبيرة والمعقدة، ولكنها تعتمد على اتصال إنترنت مستقر.
• النشر على الحافة: يعمل النموذج محليًا على الجهاز الذي يتم إنشاء البيانات عليه، مثل الهاتف الذكي أو الطائرة بدون طيار أو كاميرا المصنع. هذا النهج، المعروف باسم الحوسبة على الحافة، يقلل من زمن الاستجابة ويعزز خصوصية البيانات لأن المعلومات لا تغادر الجهاز. أدوات مثل TensorRT تُستخدم بشكل متكرر لتحسين النماذج لهذه البيئات.

تحضير النماذج للإنتاج

قبل أن يتم نشر النموذج، يخضع عادةً لعملية تحسين لضمان تشغيله بكفاءة على الأجهزة المستهدفة . تتضمن هذه العملية تصدير النموذج، حيث يتم تحويل تنسيق التدريب (مثل PyTorch) إلى تنسيق سهل النشر مثل ONNX (Open Neural Network Exchange) أو OpenVINO.

تقلل تقنيات التحسين مثل التكمية من حجم النموذج ومساحة الذاكرة دون التضحية بالدقة بشكل كبير. لضمان الاتساق عبر بيئات الحوسبة المختلفة، غالبًا ما يستخدم المطورون أدوات الحاويات مثل Docker، التي تحزم النموذج مع جميع التبعيات البرمجية الضرورية.

فيما يلي مثال على كيفية تصدير نموذج YOLO26 إلى ONNX ، وهي خطوة شائعة في التحضير للنشر:

from ultralytics import YOLO

# Load the YOLO26 nano model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format for broad compatibility
# This creates a file suitable for various inference engines
path = model.export(format="onnx")

print(f"Model successfully exported to: {path}")

تطبيقات واقعية

تستخدم قدرات نشر النماذج على نطاق واسع أنظمة الرؤية الحاسوبية في مختلف الصناعات.

• مراقبة جودة التصنيع: في التصنيع الذكي، تراقب النماذج المطبقة أحزمة النقل في الوقت الفعلي. يمكن لنظام الكاميرا الذي يعمل بنموذج مُحسّن لأجهزة NVIDIA detect في المنتجات على الفور، مما يؤدي إلى تشغيل ذراع آلي لإزالة العناصر المعيبة. وهذا يتطلب زمن انتقال منخفض للغاية لا يمكن أن يوفره سوى نشر الذكاء الاصطناعي المتطور.
• تحليلات البيع بالتجزئة: تستخدم المتاجر نماذج مطبقة لتحليل حركة الزوار وسلوك العملاء. من خلال دمج نماذج تتبع الكائنات في بث كاميرات المراقبة ، يمكن لتجار التجزئة إنشاء خرائط حرارية للممرات الشهيرة. تساعد هذه الرؤى في تحسين تخطيط المتاجر وتحسين إدارة المخزون، وغالبًا ما تستخدم النشر القائم على السحابة لتجميع البيانات من مواقع متعددة.

النشر مقابل الاستدلال مقابل التدريب

من المهم التمييز بين نشر النموذج والمصطلحات ذات الصلة في دورة حياة التعلم الآلي:

• التدريب النموذجي هو المرحلة التعليمية التي يتعلم فيها الخوارزمية الأنماط من مجموعة البيانات.
• نشر النموذج هو مرحلة التكامل التي يتم فيها تثبيت النموذج المدرب في بنية تحتية للإنتاج (خوادم أو تطبيقات أو أجهزة).
• الاستدلال هو المرحلة التشغيلية — العمل الفعلي للنموذج المطبق الذي يعالج البيانات الحية لإنتاج تنبؤ. على سبيل المثال، يقوم محرك الاستدلال بتنفيذ الحسابات المحددة بواسطة النموذج المطبق.

المراقبة والصيانة

النشر ليس نهاية الطريق. بمجرد بدء التشغيل، تتطلب النماذج مراقبة مستمرة detect مثل انحراف البيانات، حيث تبدأ البيانات الواقعية في الاختلاف عن بيانات التدريب. غالبًا ما يتم دمج أدوات مثل Prometheus أو Grafana track مقاييس track مما يضمن بقاء النظام موثوقًا بمرور الوقت. عندما ينخفض الأداء، قد يحتاج النموذج إلى إعادة التدريب وإعادة النشر، مما يكمل دورة MLOps.