10 مشروعات سهلة في الرؤية الحاسوبية للتعلم العملي
اكتشف 10 مشروعات سهلة في الرؤية الحاسوبية للتعلم العملي، وابدأ بإنشاء تطبيقات واقعية للذكاء الاصطناعي في الرؤية يمكنك تطويرها وتجربتها اليوم.
هل لاحظت من قبل كيف تكتشف كاميرات المرور المركبات تلقائيًا، وكيف تستخدم المتاجر كاميرات المراقبة لتتبّع المنتجات على الرفوف، أو كيف تستخدم تطبيقات اللياقة كاميرا هاتفك لفهم حركاتك في الوقت الفعلي؟ تعتمد كل هذه التقنيات على الرؤية الحاسوبية.
الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يساعد الآلات على رؤية الصور ومقاطع الفيديو وفهمها. وبدلًا من تسجيل العناصر المرئية فحسب، تستطيع هذه الأنظمة التعرّف على الكائنات وتحديد الأنماط وتحويل ما تراه إلى معلومات مفيدة.
تدعم نماذج الرؤية الحاسوبية مفتوحة المصدر المتطورة، مثل Ultralytics YOLO26، مجموعة متنوعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات وتصنيف الصور وتقسيم المثيلات وتقدير الوضعية وتتبع الكائنات. صُممت هذه النماذج للعمل بكفاءة في الوقت الفعلي، ما يسهّل على المطورين إنشاء تطبيقات عملية في قطاعات مختلفة.
لمحة سريعة عن 10 مشاريع سهلة في الرؤية الحاسوبية#
| # | المشروع | التقنية |
|---|---|---|
| 1 | نظام إنذار أمني | اكتشاف الأجسام |
| 2 | عداد تكرارات التمارين | تقدير الوضعية |
| 3 | إدارة مواقف السيارات | اكتشاف الأجسام |
| 4 | مصنّف أنواع النباتات | تصنيف الصور |
| 5 | إدارة قوائم الانتظار | الاكتشاف + التتبع |
| 6 | مراقبة الحشود | العدّ داخل منطقة |
| 7 | اكتشاف عيوب التصنيع | اكتشاف الأجسام |
| 8 | مراقبة حركة المرور | تجزئة المثيلات |
| 9 | تقدير سرعة المركبات | التتبّع |
| 10 | مراقبة سلامة العمال | تقدير الوضعية |
10 مشاريع سهلة في الرؤية الحاسوبية للمبتدئين#
1. نظام إنذار أمني يعتمد على الرؤية#
تُستخدم الأنظمة الأمنية في المنازل والمكاتب والمستودعات للحفاظ على سلامة الأماكن. ولا تكون الأنظمة التقليدية القائمة على المستشعرات موثوقة دائمًا، خصوصًا في البيئات المتغيرة.
فعلى سبيل المثال، غالبًا ما تُطلق مستشعرات الحركة الأساسية إنذارات كاذبة بسبب الظلال أو تغيرات الإضاءة أو الحركات الصغيرة. في المقابل، يستطيع نظام قائم على الكاميرات ومدعوم بالرؤية الحاسوبية تحديد كائنات معينة موضع اهتمام، ما يحسّن الدقة بدرجة كبيرة ويقلل التنبيهات الكاذبة.
يمكن إنشاء نظام مراقبة أمني في الوقت الفعلي باستخدام Ultralytics YOLO26، الذي يعالج كل إطار من إطارات الكاميرا ويكتشف كائنات محددة مسبقًا، مثل الأشخاص أو المركبات، داخل المشهد. وعند تحديد كائن موضع اهتمام، يرسم النظام مربعات إحاطة حوله ويعيّن درجة ثقة للتنبؤ.
الشكل 2. اكتشاف شخص في فناء خلفي باستخدام نموذج Ultralytics YOLO (المصدر)
يمكن أيضًا تحديد منطقة اهتمام (ROI)، مثل مدخل أو منطقة محظورة، بحيث لا تُطلَق التنبيهات إلا عند دخول الكائنات إلى تلك المنطقة المحددة. ويمكن لهذا النوع من المشاريع أن يساعدك على التعرّف إلى آلية عمل اكتشاف الكائنات في الوقت الفعلي وكيفية دمج مخرجات النموذج مع الإجراءات الآلية، مثل الإشعارات أو الإنذارات.
2. مراقبة التمارين باستخدام الرؤية الحاسوبية#
تستخدم العديد من تطبيقات اللياقة كاميرا لعدّ التكرارات وتتبع الحركة. وبينما تلتقط الكاميرا الفيديو، تحلل الرؤية الحاسوبية حركة الجسم في الوقت الفعلي.
يمكن تطوير نظام مراقبة التمارين باستخدام Ultralytics YOLO26 وإمكاناته في تقدير الوضعية. يعالج النموذج كل إطار ويكتشف نقاطًا أساسية في الجسم، مثل الكتفين والمرفقين والوركين والركبتين. وتشكل هذه النقاط هيكلًا عظميًا رقميًا يمثل وضعية الشخص وحركته.
الشكل 3. التتبع في الوقت الفعلي والعدّ الآلي لتكرارات التمارين (المصدر)
عند أداء تمارين مثل القرفصاء أو تمارين الضغط، يمكن قياس التغيرات في زوايا المفاصل لتقدير عدد التكرارات. فعلى سبيل المثال، من خلال تتبع كيفية انثناء الركبة واستقامتها أثناء تمرين القرفصاء، يستطيع النظام عدّ كل تكرار مكتمل.
3. إدارة مواقف المركبات المدعومة بالرؤية#
قد يكون ركن السيارات أمرًا محبطًا في أماكن مثل مراكز التسوق والمكاتب والمطارات والمجمعات السكنية. وتستغرق عمليات التحقق اليدوي من الأماكن وقتًا، بينما تُظهر المستشعرات الأساسية ما إذا كان موقف واحد مشغولًا فحسب. ويمكن لنظام قائم على الكاميرات مراقبة منطقة الركن بأكملها دفعة واحدة وإظهار المواقف الشاغرة في الوقت الفعلي.
يمكنك إنشاء نظام لإدارة مواقف السيارات باستخدام Ultralytics YOLO26 لاكتشاف المركبات من بث مباشر للكاميرا. يحلل النظام كل إطار ويحدد السيارات في المشهد.
الشكل 4. إدارة ذكية لمواقف السيارات مدعومة بالرؤية الحاسوبية (المصدر)
يمكنك رسم مناطق مواقف السيارات على الشاشة والتحقق مما إذا كانت سيارة مكتشفة تتداخل مع أي من تلك المناطق. فإذا تداخلت معها، يُعلَّم الموقف بأنه مشغول، وإلا فيبقى متاحًا.
ولتوسيع النظام، يمكنك إضافة اكتشاف لوحات المركبات وتطبيق التعرّف الضوئي على الحروف (OCR) لقراءة أرقام اللوحات لأغراض التسجيل أو التحكم في الوصول.
4. تحديد أنواع النباتات باستخدام تصنيف الصور#
يُعد تحديد النباتات مهمًا في الزراعة والمراقبة البيئية والتعليم. ويستخدمه المزارعون لاكتشاف صحة المحاصيل، ويستخدمه الباحثون لدراسة التنوع البيولوجي، بينما يستخدمه الطلاب للتعلّم عن الأنواع المختلفة.
غالبًا ما يتطلب تحديد النباتات تقليديًا معرفة متخصصة ومقارنة يدوية، وهو ما قد يستغرق وقتًا ويكون غير متسق. وتسرّع الرؤية الحاسوبية هذه العملية وتوسّع نطاقها من خلال تحليل الصور تلقائيًا.
لهذا النوع من الحلول، يمكنك إنشاء نموذج لتصنيف الصور يتنبأ بنوع النبات من صورة. ويمكنك البدء بنموذج مدرّب مسبقًا مثل Ultralytics YOLO26 وضبطه بدقة على مجموعة بيانات نباتات معنونة باستخدام التعلّم بالنقل.
أثناء التدريب، يتعلم النموذج أنماطًا مثل شكل الورقة وملمسها وفروق الألوان للتمييز بين الأنواع. وللبدء، يمكنك استكشاف مجموعات بيانات النباتات المتاحة للعامة أو مجموعات البيانات المجتمعية المنسّقة على منصات مثل Roboflow Universe للوصول سريعًا إلى صور معنونة.
5. إدارة الطوابير باستخدام ذكاء الرؤية#
تُستخدم أنظمة إدارة الطوابير في أماكن مثل البنوك والمطارات والمستشفيات ومتاجر التجزئة لمراقبة تدفق الحشود وتقليل وقت الانتظار. وباستخدام الرؤية الحاسوبية تحديدًا، يمكنك عدّ الأشخاص في طابور ومراقبتهم عبر بث مباشر للكاميرا.
يمكن لنظام مراقبة الطوابير المدمج مع نموذج للرؤية الحاسوبية، مثل Ultralytics YOLO26 لاكتشاف الأشخاص وتتبعهم، أن يسهّل إدارة الطوابير. ويستطيع النظام معالجة كل إطار فيديو، واكتشاف الأفراد، وعدّ عدد الأشخاص الموجودين داخل منطقة طابور محددة مسبقًا.
الشكل 5. إدارة الطوابير في مطار مدعومة بذكاء الرؤية
من خلال الجمع بين اكتشاف الكائنات ومنطق التتبع البسيط، يمكنك تقدير طول الطابور، بل وتكوين فكرة عن وقت الانتظار استنادًا إلى سرعة تحرك الطابور.
6. اكتشاف الحشود ومراقبتها اعتمادًا على المناطق#
يُعد عدّ الأشخاص في منطقة محددة مهمًا للفعاليات والأماكن العامة وإدارة السلامة. وبدلًا من عدّ الجميع في الإطار، يمكنك التركيز على منطقة محددة فقط، مثل مدخل أو منطقة انتظار أو منطقة محظورة.
باستخدام Ultralytics YOLO26، يمكنك اكتشاف الأشخاص في كل إطار فيديو وتحديد منطقة مخصصة على الشاشة. ويمكن تصميم هذا الحل لعدّ الأفراد الموجودين داخل تلك الحدود فقط.
الشكل 6. مراقبة الحشود باستخدام العدّ القائم على المناطق (المصدر)
يساعدك هذا النهج على مراقبة كثافة الحشود في المناطق المستهدفة وفهم كيفية تغير الإشغال بمرور الوقت.
7. فحص الجودة في التصنيع#
في التصنيع، يمكن لأخطاء صغيرة مثل المكونات المفقودة أو الوضع غير الصحيح أن تؤثر في جودة المنتج وتؤدي إلى عمليات الإرجاع. ولتقليل هذه المشكلات، تستخدم العديد من خطوط الإنتاج أنظمة رؤية لاكتشاف العيوب قبل انتقال المنتجات إلى المرحلة التالية.
يمكنك محاكاة خط تجميع بسيط تلتقط فيه كاميرا المنتجات أثناء تحركها على حزام ناقل. وباستخدام Ultralytics YOLO26، يستطيع هذا النظام التحقق من وجود جميع المكونات المطلوبة ووضعها بصورة صحيحة.
الشكل 7. اكتشاف الطرود وعدّها على خط تجميع باستخدام YOLO
يمكن أيضًا تطوير هذا النوع من الأنظمة لعدّ العناصر، والتأكد من إحكام إغلاق العبوات، والتحقق من ترتيب المنتجات بصورة صحيحة قبل مغادرتها خط الإنتاج.
8. مراقبة حركة المرور باستخدام تقسيم الصور#
غالبًا ما تتضمن مراقبة حركة المرور أكثر من مجرد عدّ المركبات. ففي التقاطعات المزدحمة، من المفيد فهم كيفية تموضع المركبات داخل المسارات ومقدار مساحة الطريق التي تشغلها.
بالنسبة إلى نظام مراقبة حركة المرور، يمكنك إنشاء حل باستخدام دعم تقسيم المثيلات في Ultralytics YOLO26. وعلى خلاف اكتشاف الكائنات الأساسي، ينشئ تقسيم المثيلات أقنعة على مستوى البكسل لكل مركبة مكتشفة، محددًا شكلها الدقيق بدلًا من رسم مربع إحاطة فحسب.
الشكل 8. تقسيم المركبات وعدّها وتتبعها في الوقت الفعلي (المصدر)
من خلال تحليل أقنعة التقسيم هذه، يستطيع النظام تقديم رؤى أكثر تفصيلًا حول استخدام المسارات وكثافة المركبات وأنماط الازدحام.
9. استخدام الرؤية الحاسوبية لتقدير السرعة#
يُستخدم تقدير السرعة عادةً في مراقبة حركة المرور والخدمات اللوجستية وأنظمة النقل الذكية. وباستخدام الرؤية الحاسوبية، يمكنك تقدير سرعة المركبة مباشرةً من لقطات الفيديو دون استخدام مستشعرات مادية أو رادار.
الشكل 9. تتبع المركبات باستخدام YOLO (المصدر)
يمكنك استخدام Ultralytics YOLO26 لاكتشاف الكائنات وتتبعها في بث فيديو. ومن خلال قياس المسافة التي تقطعها المركبة بين الإطارات، واستخدام معدل إطارات الفيديو إلى جانب مرجع لمسافة حقيقية، يمكنك تقدير سرعتها.
10. مراقبة سلامة العمال باستخدام تقدير الوضعية#
تُعد سلامة العمال أمرًا بالغ الأهمية في بيئات مثل مواقع البناء والمصانع والمستودعات. ويمكن أن تؤدي الوضعية غير الآمنة أو تقنيات الرفع غير السليمة أو حالات السقوط المفاجئ إلى زيادة خطر الإصابة بدرجة كبيرة.
من الأمثلة على ذلك استخدام Ultralytics YOLO26 مع تقدير الوضعية لتحليل وضعية العمال في الوقت الفعلي. يكتشف النموذج نقاطًا أساسية في الجسم، مثل الكتفين والوركين والركبتين والمرفقين. ومن خلال تقييم زوايا المفاصل وأنماط الحركة، يستطيع النظام تحديد الانحناء غير الآمن أو وضعية الرفع السيئة أو الحركات المفاجئة التي قد تشير إلى سقوط.
الشكل 10. استخدام تقدير وضعية الإنسان لتحليل وضعية عمال البناء (المصدر)
يمكنه أيضًا قياس المدة التي يظل فيها العامل في وضعية مُجهِدة وإطلاق التنبيهات إذا جرى تجاوز الحدود المحددة مسبقًا للوضعية.
فهم كيفية عمل الرؤية الحاسوبية#
الرؤية الحاسوبية مجال من مجالات الذكاء الاصطناعي يستخدم التعلّم العميق والتعلّم الآلي وتقنيات أخرى لمساعدة الآلات على فهم الصور ومقاطع الفيديو. وتمكّن الأنظمة من تحليل البيانات المرئية والتعرّف على الأنماط.
تبدأ العملية غالبًا بمعالجة الصور أو المعالجة المسبقة للبيانات، حيث تُنظَّف البيانات المرئية أو يُعاد تحجيمها أو تحسينها قبل تحليلها. ثم تُدرَّب شبكة عصبية على مجموعات بيانات كبيرة لتتعلم أنماطًا مثل الأشكال والحواف والأنسجة وسمات الكائنات. وبوجه عام، كلما زادت جودة البيانات التي يُدرَّب عليها النموذج، تحسّن أداؤه عبر سيناريوهات العالم الحقيقي المختلفة.
تعتمد العديد من أنظمة الرؤية الحاسوبية الحديثة على الشبكات العصبية الالتفافية (CNNs)، المصممة خصيصًا للمهام المتعلقة بالصور. وتستخرج CNNs السمات المرئية المهمة تلقائيًا وتستخدمها لإجراء التنبؤات.
تُبنى معظم مشاريع المبتدئين حول عدد قليل من مهام الرؤية الأساسية. إليك أهم المهام التي ستصادفها:
- تصنيف الصور: تعيّن هذه المهمة تسمية واحدة إلى صورة كاملة، مثل تحديد ما إذا كانت الصورة تعرض قطة أم كلبًا.
- اكتشاف الكائنات: تُحدَّد الكائنات داخل الصورة وتُبرز باستخدام مربعات الإحاطة، مثل تحديد السيارات أو الأشخاص أو الدراجات الهوائية في مشهد شارع.
- تقسيم المثيلات: يُفصل كل كائن في الصورة على مستوى البكسل بحيث يمكن تحديد شكله الدقيق، وهو أمر مفيد عند الحاجة إلى حدود دقيقة.
- تقدير الوضعية: تُحدَّد النقاط الأساسية في جسم الإنسان، مثل الكتفين والمرفقين والركبتين، في الصور لفهم الوضعية والحركة.
- تتبع الكائنات: تُتابَع الكائنات عبر إطارات الفيديو لمراقبة كيفية تحركها بمرور الوقت.
الشكل 1. مثال على اكتشاف الكائنات باستخدام الرؤية الحاسوبية
التأثير المتنامي للرؤية الحاسوبية#
في الوقت الحاضر، يجري اعتماد ذكاء الرؤية في العديد من القطاعات. وفي الواقع، يُتوقع أن تصل سوق الرؤية الحاسوبية العالمية إلى 58 مليار دولار بحلول عام 2030، بمعدل نمو سنوي يقارب 20% مع دمج مزيد من المؤسسات للذكاء المرئي في أنظمتها.
على سبيل المثال، يُعد النقل أحد مجالات النمو الرئيسية. وفيما يتعلق بالسيارات ذاتية القيادة، تتيح الرؤية الحاسوبية للمركبات اكتشاف المسارات والمركبات والمشاة وإشارات المرور في الوقت الفعلي.
وتُعد تجارة التجزئة مثالًا آخر مثيرًا للاهتمام. إذ تستخدم متاجر التجزئة الآلية الرؤية الحاسوبية ودمج المستشعرات لاكتشاف المنتجات التي يلتقطها العملاء، ما يتيح التسوق دون الدفع عند الصندوق.
وفي الوقت نفسه، تُستخدم الرؤية الحاسوبية في مجال الرعاية الصحية على نطاق واسع في التصوير الطبي لتحليل فحوصات مثل الأشعة السينية وصور الرنين المغناطيسي والصور المقطعية، ما يساعد الأطباء على اكتشاف التشوهات ودعم التشخيص.
أمور ينبغي مراعاتها قبل بدء مشروع في ذكاء الرؤية#
يمكن أن يساعدك التخطيط المسبق لمشروع ذكاء الرؤية على تجنب الأخطاء الشائعة وبناء نظام أكثر موثوقية. إليك بعض العوامل العملية التي ينبغي مراعاتها قبل بدء مشروع في الرؤية الحاسوبية:
- حدّد الهدف بوضوح: كن محددًا بشأن ما تريد أن يفعله النظام، سواء كان اكتشاف الكائنات أو تتبع الحركة أو تقدير الوضعية أو تصنيف الصور. ويمكن لهدف واضح أن يوجّه قراراتك التقنية بصورة أفضل طوال المشروع.
- أعطِ الأولوية لجودة مجموعة البيانات: تُعد البيانات والتعليقات التوضيحية جيدة التسمية والمتنوعة والممثلة للواقع أمرًا أساسيًا. وغالبًا ما تؤدي البيانات منخفضة الجودة إلى أداء غير موثوق للنموذج.
- اختيار الأدوات المناسبة: اختر أدوات تحظى بدعم جيد ويسهل التعامل معها. تُعد Python خيارًا شائعًا للمبتدئين لأنها توفر منظومة واسعة من مكتبات الرؤية الحاسوبية وموارد التعلم. كما تحظى النماذج من عائلة Ultralytics YOLO بشعبية في مختلف مهام الرؤية، مثل اكتشاف الأجسام وتتبعها، مما يجعلها نقطة انطلاق عملية وسهلة الوصول.
- التحسين للظروف الواقعية: يمكن أن تؤثر تغيّرات الإضاءة وزوايا الكاميرا والضبابية الناتجة عن الحركة وفوضى الخلفية في الأداء. اختبر نظامك في ظروف مماثلة للظروف التي سيُستخدم فيها فعليًا.
- فكّر في الخصوصية والأخلاقيات: إذا كنت تعمل على صور أو مقاطع فيديو لأشخاص، فضع في اعتبارك لوائح خصوصية البيانات وممارسات الذكاء الاصطناعي المسؤول. تأكد من جمع البيانات واستخدامها على نحو مناسب.
أهم النقاط المستخلصة#
تغيّر الرؤية الحاسوبية طريقة فهم الأنظمة للبيانات المرئية. ومن خلال استكشاف أفكار المشاريع العملية والتطبيقات الواقعية، يمكن للمبتدئين اكتساب خبرة عملية بسرعة.
تسهّل نماذج مثل Ultralytics YOLO26 البدء وتحقيق النتائج بسرعة أكبر. وبفضل الأهداف الواضحة والبيانات عالية الجودة، يمكنك بناء أساس متين لأنظمة رؤية حاسوبية أكثر تقدمًا.
انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للحصول على موارد الذكاء الاصطناعي. وللبناء باستخدام الذكاء الاصطناعي للرؤية اليوم، اطّلع على خيارات الترخيص لدينا. تعرّف على كيفية إسهام الذكاء الاصطناعي في الزراعة في تحويل الزراعة، وكيف يسهم الذكاء الاصطناعي للرؤية في الروبوتات في تشكيل المستقبل، وذلك بزيارة صفحات حلولنا.
