ML على الجهاز في التطوير المحمول: ما هو، ما الأطر وكيف يعمل

Q: ما هو ML على الجهاز؟

ML على الجهاز (on-device ML) هو نهج يتم فيه تشغيل نماذج التعلم الآلي مباشرة على جهاز محمول دون إرسال البيانات إلى خادم. Core ML وTensorFlow Lite وML Kit هي الأطر الرئيسية لـ on-device ML.

Q: كيف يختلف Core ML عن TensorFlow Lite؟

Core ML هو إطار Apple لنظامي iOS وmacOS مع تسريع على Neural Engine. TensorFlow Lite هو حل Google متعدد المنصات لنظامي Android وiOS وLinux. Core ML يقدم أداء أفضل على أجهزة Apple، TFLite يقدم تنوعاً.

Q: ما المهام التي يحلها ML Kit؟

ML Kit يحل المهام النموذجية للرؤية الحاسوبية وNLP: التعرف على النص والوجوه والرموز الشريطية والأجسام ووضعيات الجسم. جميع واجهات API تعمل على الجهاز دون إنترنت ولا تتطلب إنشاء نموذج خاص.

Q: هل يحتاج on-device ML إلى إنترنت؟

لا، on-device ML يعمل محلياً بالكامل. يتم تحميل النماذج على الجهاز وتنفيذها دون اتصال بالإنترنت. ML Kit أيضاً يقدم إصدارات API سحابية بدقة أعلى، لكن وضع on-device متاح دون اتصال.

Q: أي إطار تختار لـ ML في التطوير المحمول؟

لنظام iOS فقط، اختر Core ML — فهو يستخدم Neural Engine ومتكامل بشكل وثيق مع نظام Apple البيئي. للمشاريع متعددة المنصات — TensorFlow Lite. للمهام النموذجية بدون نموذج مخصص — ML Kit مع واجهات API جاهزة.

المؤلف: IT Sectr نُشر: 2026-07-29 وقت القراءة: 11 دق

ML على الجهاز (on-device ML) — تنفيذ نماذج التعلم الآلي مباشرة على الجهاز المحمول دون إرسال البيانات إلى خادم. وفقاً لتقرير Google AI، 2025، يفضل أكثر من 70% من المستخدمين التطبيقات التي تستخدم on-device ML بسبب الخصوصية وغياب زمن استجابة الشبكة. Core ML من Apple، وTensorFlow Lite من Google، وML Kit تسمح بحل مهام Vision وNLP والتعرف على الوجوه والأجسام بالكامل على الجهاز — بدون إنترنت وبأقل استهلاك للطاقة.

النقاط الرئيسية

ML على الجهاز — تشغيل نماذج التعلم الآلي مباشرة على جهاز محمول دون معالجة بيانات من جانب الخادم.
Core ML — إطار Apple مع تسريع أجهزة على Neural Engine لنظامي iOS وmacOS.
TensorFlow Lite — حل Google متعدد المنصات مع التكميم ومفوضي GPU وNNAPI وXNNPACK.
ML Kit — SDK مع واجهات برمجة تطبيقات جاهزة للتعرف على النص والوجوه والرموز الشريطية والأجسام دون إنشاء نموذج.
Vision وNaturalLanguage — أدوات ML مدمجة على iOS لتحليل الصور والنص.

ما هو ML على الجهاز ولماذا هو مطلوب في التطبيقات المحمولة

ML على الجهاز (on-device ML) هو نهج يتم فيه تنفيذ نماذج التعلم الآلي مباشرة على الجهاز المحمول دون إرسال البيانات إلى خادم بعيد. الخصوصية هي الميزة الرئيسية: بيانات المستخدم لا تغادر الجهاز. وفقاً لبحث Google (2024)، يرفض 63% من المستخدمين ميزات ML التي تتطلب إرسال البيانات إلى خادم. On-device ML يزيل زمن استجابة الشبكة، ويعمل دون اتصال، ويقلل استهلاك الطاقة من خلال تسريع الأجهزة.

مزايا on-device ML مقارنة بالحلول السحابية

On-device ML يعالج البيانات بالمللي ثانية بدلاً من الثواني — وهو أمر بالغ الأهمية للتعرف على الوجوه والأجسام في الوقت الفعلي. عدم الحاجة إلى اتصال بالإنترنت هو ميزة أخرى: ميزات ML متاحة في وضع الطيران وفي المناطق ذات الاتصال غير المستقر. Core ML يستخدم Neural Engine في رقائق Apple A12+، مما يوفر 11 تريليون عملية في الثانية باستهلاك أقل من 1 واط. بالنسبة للتطبيقات المحمولة، أصبح on-device ML المعيار الفعلي في مهام Vision وNLP والتعرف على الأجسام.

السيناريوهات الرئيسية لـ on-device ML في التطبيقات المحمولة

ML في التطبيقات المحمولة يستخدم لـ المصادقة بالوجه (Face ID)، ومرشحات AR في Snapchat وInstagram، ومتتبعات اللياقة البدنية مع Pose Detection، ومسح OCR في Adobe Scan، والإدخال التنبؤي في لوحات المفاتيح. يتم إنشاء نماذج مخصصة لمهام محددة عبر Core ML (iOS) أو TensorFlow Lite (Android). ML Kit مناسب للسيناريوهات النموذجية — التعرف على النص والوجوه والرموز الشريطية دون الحاجة إلى تدريب نموذج.

Core ML: إطار Apple لـ ML على الجهاز على iOS

Core ML هو إطار Apple لتشغيل نماذج ML على iPhone وiPad وMac وApple Watch. يختار تلقائياً تسريع الأجهزة الأمثل: Neural Engine للشبكات العصبية على الأجهزة المزودة بـ A12+ (11 TOPS)، وGPU لمهام معالجة الصور، وCPU للحسابات التسلسلية. Core ML يدعم تنسيقات .mlmodel (أصلي) و.mlmodelc (مُجمَّع). يتم تحويل النماذج من PyTorch وTensorFlow عبر coremltools — مكتبة Python تحافظ على الهيكل والأوزان.

Create ML وcoremltools

Create ML هو تطبيق Apple لتدريب نماذج بسيطة دون كتابة كود. للإنتاج يستخدم coremltools — أداة تحويل من PyTorch وTensorFlow وscikit-learn. Coremltools يدعم التكميم float32 → float16 وint8، وتلوين الفضاء اللوني، وإزالة العمليات الزائدة لتقليل حجم النموذج.

python

import coremltools as ct

model = ct.convert(
    "resnet50.mlmodel",
    source="pytorch",
    convert_to="mlprogram"
)
model.save("Resnet50.mlpackage")

Neural Engine وتسريع أجهزة Core ML

Neural Engine هو معالج عصبي متخصص في رقائق Apple A12 والأحدث. 16 نواة تنفذ ما يصل إلى 11 تريليون عملية في الثانية باستهلاك أقل من 1 واط. Core ML يوجه تلقائياً حسابات الشبكات العصبية إلى Neural Engine، والحسابات المتوافقة مع GPU إلى Metal GPU. المطور لا يحتاج إلى اختيار الجهاز — Core ML يفعل ذلك عبر Performance Report، محلالاً النموذج والأجهزة المتاحة.

TensorFlow Lite: ML على الجهاز متعدد المنصات من Google

TensorFlow Lite (TFLite) هو حل Google متعدد المنصات لتشغيل نماذج ML على Android وiOS وLinux. النماذج بتنسيق .tflite ويتم إنشاؤها عبر TFLiteConverter من نظام TensorFlow البيئي. TFLite يدعم التكميم float32 → int8، مما يقلص حجم النموذج 4 مرات مع الحفاظ على 97–99% من الدقة في مهام التصنيف. Google Play Services for TFLite يحدث runtime تلقائياً دون إعادة إصدار التطبيق.

TFLiteConverter وتكميم النماذج

TFLiteConverter هو الأداة الرئيسية لتحويل نماذج TensorFlow إلى تنسيق .tflite. التكميم int8 بعد التدريب يضغط النموذج من 300 MB إلى 75 MB دون الوصول إلى مجموعة البيانات الكاملة. التدريب الواعي بالتكميم (QAT) يعطي فقداناً ضئيلاً في الدقة — أقل من 1% على ImageNet. TFLiteConverter أيضاً يدعم تقليم الرسم البياني وإزالة العمليات غير المدعومة من قبل TFLite runtime.

python

import tensorflow as tf

converter = tf.lite.TFLiteConverter.from_saved_model(
    "saved_model_dir"
)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

مفوضي TFLite: GPU وNNAPI وXNNPACK

بدون مفوض، TFLite ينفذ النموذج على CPU أبطأ 3–5 مرات من مع تسريع الأجهزة. مفوض GPU يستخدم OpenCL وOpenGL ES 3.1 على Android، مفوض Core ML يستخدم Neural Engine على iOS. مفوض NNAPI يستخدم NPU وDSP على Android 8.1+. مفوض XNNPACK يوفر تسريعاً متعدد المنصات على ARM CPU مع تحسينات للمعالجات المحمولة. لاختيار مفوض، استخدم TfLiteGpuDelegate.create() مع التحقق من null للنتيجة.

ML Kit: حلول جاهزة لـ ML في التطوير المحمول

ML Kit هو SDK من Google مع واجهات برمجة تطبيقات جاهزة لـ on-device ML. في التطبيقات المحمولة، يستخدم ML Kit لـ التعرف على النص (أكثر من 50 لغة بما في ذلك الكتابة اليدوية)، واكتشاف الوجه (468 نقطة وجه رئيسية)، ومسح الرموز الشريطية (QR، EAN-13، Code 128، PDF417، Data Matrix)، واكتشاف الأجسام. جميع واجهات API تعمل بالكامل على الجهاز دون إنترنت. ML Kit متاح على iOS وAndroid بواجهة API موحدة.

اكتشاف الوجه والتعرف على النص في ML Kit

اكتشاف الوجه يعيد إحداثيات محيط الوجه والحاجبين والعينين والأنف والشفتين، بالإضافة إلى زاوية إمالة الرأس وحالة العينين. أقنعة AR ومرشحات الكاميرا هي حالة الاستخدام الأكثر شيوعاً. التعرف على النص يستخرج النص من الصور بدقة تصل إلى 99% على الأحرف المطبوعة. واجهة API تدعم التعرف في الوقت الفعلي عبر CameraX.

kotlin

val recognizer = TextRecognition.getClient()
val image = InputImage.fromBitmap(bitmap)

recognizer.process(image)
    .addOnSuccessListener { result ->
        result.textBlocks.forEach { block ->
            println(block.text)
        }
    }

مسح الرموز الشريطية واكتشاف الأجسام في ML Kit

مسح الرموز الشريطية يتعرف على الرموز الشريطية في تدفق فيديو الكاميرا في الوقت الفعلي. اكتشاف الأجسام يحدد الأجسام في الصورة مع مربع إحاطة وعلامة فئة (شخص، سيارة، حيوان). اكتشاف الوضعية يحدد 33 نقطة رئيسية للجسم لتطبيقات اللياقة البدنية وتحليل الحركة. وضع العلامات على الصور يعيد ما يصل إلى 10 علامات دلالية للصورة — "طبيعة"، "مدينة"، "طعام".

Vision وNaturalLanguage: أدوات ML مدمجة على iOS وAndroid

Apple توفر حلول ML مدمجة عبر Vision وNaturalLanguage دون تثبيت SDK خارجي. Vision (VNRequest) يقوم باكتشاف الوجوه والنص والرموز الشريطية والمحيطات على الجهاز. NaturalLanguage (NLTokenizer) يوفر الترميز والتحليل الصرفي وتحديد اللغة وتحليل المشاعر. على Android، تم تنفيذ المكافئات عبر ML Kit (التعرف) وSpeechRecognizer من android.speech (الكلام). الأدوات المدمجة لا تتطلب تنزيل النماذج — فهي مثبتة مسبقاً في النظام.

إطار Vision: VNRequest وVNCoreMLRequest

Vision يشمل VNDetectFaceRectanglesRequest (اكتشاف الوجوه)، وVNRecognizeTextRequest (التعرف على النص)، وVNDetectBarcodesRequest (الرموز الشريطية)، وVNDetectHumanBodyPoseRequest (الهيكل العظمي). VNCoreMLRequest يدمج نموذج Core ML مخصص في خط أنابيب Vision — على سبيل المثال، تصنيف المشاعر على الوجوه المكتشفة. جميع الطلبات تنفذ على Neural Engine بأقل زمن استجابة.

swift

let request = VNRecognizeTextRequest { request, error in
    guard let observations = request.results
        as? [VNRecognizedTextObservation] else { return }
    for observation in observations {
        let topCandidate = observation
            .topCandidates(1).first
        print(topCandidate?.string as? String ?? "")
    }
}

let handler = VNImageRequestHandler(
    cgImage: image, options: [:]
)
try? handler.perform([request])

NaturalLanguage وSFSpeechRecognizer على iOS

NaturalLanguage يوفر NLTokenizer لتقسيم النص إلى رموز، وNLLanguageRecognizer لتحديد اللغة (72 لغة)، وNLSentimentAnalyzer لتحليل مشاعر النص. SFSpeechRecognizer هو واجهة API للتعرف على الكلام تدعم أكثر من 50 لغة على الجهاز (iOS 13+). يتطلب إذن SFSpeechRecognizerAuthorizationStatus قبل الاستخدام. النتائج تأتي بشكل غير متزامن عبر SFSpeechRecognitionResultHandler.

الأسئلة الشائعة

ما هو ML على الجهاز؟

ML على الجهاز (on-device ML) هو نهج يتم فيه تشغيل نماذج التعلم الآلي مباشرة على جهاز محمول دون إرسال البيانات إلى خادم. Core ML وTensorFlow Lite وML Kit هي الأطر الرئيسية لـ on-device ML.

كيف يختلف Core ML عن TensorFlow Lite؟

Core ML هو إطار Apple لنظامي iOS وmacOS مع تسريع على Neural Engine. TensorFlow Lite هو حل Google متعدد المنصات لنظامي Android وiOS وLinux. Core ML يقدم أداء أفضل على أجهزة Apple، TFLite يقدم تنوعاً.

ما المهام التي يحلها ML Kit؟

ML Kit يحل المهام النموذجية للرؤية الحاسوبية وNLP: التعرف على النص والوجوه والرموز الشريطية والأجسام ووضعيات الجسم. جميع واجهات API تعمل على الجهاز دون إنترنت ولا تتطلب إنشاء نموذج خاص.

هل يحتاج on-device ML إلى إنترنت؟

لا، on-device ML يعمل محلياً بالكامل. يتم تحميل النماذج على الجهاز وتنفيذها دون اتصال بالإنترنت. ML Kit أيضاً يقدم إصدارات API سحابية بدقة أعلى، لكن وضع on-device متاح دون اتصال.

أي إطار تختار لـ ML في التطوير المحمول؟

لنظام iOS فقط، اختر Core ML — فهو يستخدم Neural Engine ومتكامل بشكل وثيق مع نظام Apple البيئي. للمشاريع متعددة المنصات — TensorFlow Lite. للمهام النموذجية بدون نموذج مخصص — ML Kit مع واجهات API جاهزة.

الخلاصة

ML على الجهاز — تشغيل النماذج مباشرة على جهاز محمول دون إرسال البيانات إلى خادم، مع زمن استجابة شبكة صفري.
Core ML — إطار Apple مع تسريع أجهزة على Neural Engine لنظامي iOS وmacOS.
TensorFlow Lite — حل Google متعدد المنصات مع تكميم int8 ومفوضي GPU وNNAPI وXNNPACK.
ML Kit — SDK مع واجهات API جاهزة للتعرف على النص والوجوه والرموز الشريطية دون بناء نموذج.
Vision وNaturalLanguage — أدوات ML مدمجة على iOS دون تثبيت مكتبات خارجية.
التكميم يقلص حجم النموذج 4 مرات مع فقدان ضئيل في الدقة — المعيار للتطبيقات المحمولة.
On-device ML هو معيار إلزامي للتطبيقات ذات البيانات الحساسة وسيناريوهات الاستخدام دون اتصال.

سنقوم بتطوير تطبيق جوال جاهز

تقدم IT Sectr تطبيقات iOS وAndroid للشركات الناشئة والشركات منذ عام 2017. سوف نقدم لك النصح ونقترح أفضل حل.

مناقشة المشروع