قم بتحسين نماذج الذكاء الاصطناعي للأجهزة المتطورة باستخدام التدريب الواعي بالتقدير الكمي (QAT)، مما يضمن دقة وكفاءة عالية في البيئات محدودة الموارد.
التدريب الواعي بالتقدير الكمي (QAT) هو تقنية تحسين حاسمة في التعلم الآلي تعمل على سد الفجوة بين نماذج الذكاء الاصطناعي عالية الدقة ونشرها بكفاءة على الأجهزة محدودة الموارد. ومع توسع تطبيقات الذكاء الاصطناعي لتشمل الأجهزة المتطورة مثل الهواتف الذكية وأجهزة استشعار إنترنت الأشياء والأنظمة المدمجة، تصبح الحاجة إلى نماذج دقيقة وفعالة من الناحية الحسابية أمرًا بالغ الأهمية. تتصدى QAT لهذا التحدي من خلال محاكاة تأثيرات التكميم أثناء مرحلة تدريب النموذج، مما يؤدي إلى نماذج قوية ومحسّنة للأجهزة منخفضة الدقة.
يعمل التدريب الواعي بالتقدير الكمي على تحسين الشبكات العصبية لتحمل الدقة العددية المنخفضة المتأصلة في بيئات النشر. وعلى عكس التكميم الكمي بعد التدريب، والذي يتم تطبيقه بعد تدريب النموذج بالكامل، يدمج التدريب الكمي في حلقة التدريب نفسها. يتم تحقيق ذلك من خلال محاكاة عملية التكميم - تقليل الدقة العددية للأوزان والتفعيلات - أثناء التمريرات الأمامية والخلفية. من خلال القيام بذلك، يتعلم النموذج التعويض عن فقدان الدقة، مما يؤدي إلى نموذج يحافظ على دقة أعلى عند التكميم الفعلي للنشر. تتضمن هذه الطريقة استخدام عمليات "التكميم الوهمي" التي تحاكي العمليات الحسابية منخفضة الدقة، مثل int8، مع الاستمرار في إجراء حسابات التدرج وتحديثات الوزن بدقة كاملة. يتيح هذا النهج للنموذج أن يتكيف ويصبح أقل حساسية لتأثيرات التكميم، مما يؤدي إلى أداء أفضل في الاستدلال الكمي.
للاطلاع على فهم أوسع لتقنيات التحسين راجع الدليل الخاص بتحسين النموذج، والذي يقدم نظرة عامة سريعة على طرق تحسين كفاءة النموذج.
في حين يهدف كلٌ من تقييم القياس الكمي وتكميم النماذج إلى تقليل دقة النموذج، إلا أن نهجيهما ونتائجهما يختلفان بشكل كبير. عادةً ما يكون التكميم الكمي للنموذج عملية ما بعد التدريب التي تحوّل نموذجًا مدربًا كامل الدقة إلى تنسيق أقل دقة (مثل INT8) لتقليل حجم النموذج وتسريع الاستدلال. هذه الطريقة مباشرة ولكنها قد تؤدي في بعض الأحيان إلى انخفاض كبير في الدقة، خاصةً بالنسبة للنماذج المعقدة. على النقيض من ذلك، تقوم QAT بإعداد النموذج بشكل استباقي للتحويل الكمي أثناء التدريب، وبالتالي التخفيف من فقدان الدقة وتحقيق أداءٍ فائق في البيئات منخفضة الدقة.
التدريب ذو الدقة المختلطة هو أسلوب تحسين آخر يركز على تسريع عملية التدريب وتقليل بصمة الذاكرة أثناء التدريب. وهو يتضمن استخدام كل من أرقام الفاصلة العائمة 16 بت و32 بت داخل الشبكة. في حين أن الدقة المختلطة تستهدف في المقام الأول كفاءة التدريب، فإن تدريب الدقة المختلطة مصمم خصيصًا لتحسين أداء النماذج بعد التكميم، مع التركيز على كفاءة الاستدلال والدقة في سيناريوهات النشر منخفضة الدقة.
يعد التدريب الواعي بالتقدير الكمي ضروريًا لنشر نماذج الذكاء الاصطناعي في تطبيقات العالم الحقيقي حيث تكون كفاءة الموارد أمرًا بالغ الأهمية. إليك بعض الأمثلة:
في الأجهزة الذكية مثل الهواتف الذكية وأجهزة إنترنت الأشياء، تكون الموارد الحاسوبية والطاقة محدودة في الأجهزة الذكية. تُستخدم QAT على نطاق واسع لتحسين النماذج لتطبيقات الذكاء الاصطناعي المتطورة، مما يتيح المعالجة في الوقت الفعلي مباشرةً على الجهاز. على سبيل المثال، يمكن تحسين Ultralytics YOLO ، وهو نموذج متطور لاكتشاف الأجسام، باستخدام QAT لضمان كفاءة اكتشاف الأجسام في الوقت الفعلي في تطبيقات مثل أنظمة أمن المنازل الذكية أو الكاميرات التي تعمل بالذكاء الاصطناعي. من خلال تقليل حجم النموذج والمتطلبات الحسابية، يجعل QAT من الممكن تشغيل مهام الذكاء الاصطناعي المعقدة على الأجهزة ذات قدرات المعالجة المحدودة.
تتطلب المركبات ذاتية القيادة والروبوتات أنظمة ذكاء اصطناعي يمكنها اتخاذ قرارات سريعة في ظل قيود صارمة على زمن الاستجابة والطاقة. تلعب QAT دورًا حيويًا في تحسين النماذج للنشر في الأنظمة المدمجة ضمن هذه التطبيقات. على سبيل المثال، يمكن أن يؤدي تطبيق معيار القياس القطري على Ultralytics YOLOv8 يمكن أن يحسن بشكل كبير من كفاءة أنظمة اكتشاف المركبات وتتبع المشاة، والتي تعتبر ضرورية لاتخاذ القرارات في الوقت الحقيقي في القيادة الذاتية. ويضمن هذا التحسين قدرة الذكاء الاصطناعي على العمل بفعالية في حدود الطاقة والقيود الحسابية لأجهزة المركبة.
لاستكشاف كيفية تطبيق حلول Ultralytics في مختلف الصناعات، تفضل بزيارة Ultralytics Solutions.
