10 مشاريع رؤية حاسوبية سهلة للتعلم العملي

هل لاحظت من قبل كيف تكتشف كاميرات المرور المركبات تلقائياً، أو كيف تستخدم المتاجر كاميرات المراقبة لتتبع المنتجات على الأرفف، أو كيف تستخدم تطبيقات اللياقة البدنية كاميرا هاتفك لفهم حركاتك في الوقت الفعلي؟ تعتمد كل هذه التقنيات على رؤية الحاسوب.

Computer vision هي فرع من الذكاء الاصطناعي يساعد الآلات على رؤية الصور وفيديوهات وفهمها. فبدلاً من مجرد تسجيل العناصر المرئية، يمكن لهذه الأنظمة التعرف على الكائنات، وتحديد الأنماط، وتحويل ما تراه إلى معلومات مفيدة.

تدعم نماذج رؤية حاسوبية مفتوحة المصدر وحيث الحالة الفنية، مثل Ultralytics YOLO26، مجموعة متنوعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتجزئة النسخ، وتقدير وضعية الجسم، وتتبع الكائنات. تم تصميم هذه النماذج لتعمل بكفاءة في الوقت الفعلي، مما يسهل على المطورين بناء تطبيقات عملية عبر قطاعات مختلفة.

10 مشاريع سهلة لرؤية الحاسوب في لمحة سريعة#

10 مشاريع رؤية حاسوبية سهلة للمبتدئين#

نظام إنذار أمني قائم على الرؤية#

تُستخدم الأنظمة الأمنية في المنازل والمكاتب والمستودعات للحفاظ على سلامة الأماكن. ليست الأنظمة التقليدية القائمة على المستشعرات موثوقة دائماً، خاصة في البيئات المتغيرة.

على سبيل المثال، غالباً ما تطلق مستشعرات الحركة الأساسية إنذارات كاذبة بسبب الظلال، أو تغيرات الإضاءة، أو الحركات الصغيرة. في المقابل، يمكن لنظام قائم على الكاميرا ومدعوم بالرؤية الحاسوبية تحديد كائنات معينة ذات أهمية، مما يحسن الدقة بشكل كبير ويقلل من التنبيهات الكاذبة.

يمكن بناء نظام مراقبة أمنية في الوقت الفعلي باستخدام Ultralytics YOLO26، والذي يعالج كل إطار كاميرا ويكتشف كائنات محددة مسبقاً مثل الأشخاص أو المركبات داخل المشهد. وعند تحديد كائن اهتمام، يرسُم النظام مربعات إحاطة حوله ويُخصّص درجة ثقة للتنبؤ.

الشكل 2. اكتشاف شخص في الفناء الخلفي باستخدام نموذج Ultralytics YOLO (المصدر)

يمكن أيضاً تحديد منطقة اهتمام (ROI)، مثل مدخل أو منطقة مقيدة، بحيث لا يتم إطلاق التنبيهات إلا عندما تدخل الكائنات إلى تلك المنطقة المحددة. يمكن أن يساعدك هذا النوع من المشاريع في التعرف على كيفية عمل اكتشاف الكائنات في الوقت الفعلي وكيفية دمج مخرجات النموذج مع الإجراءات الآلية، مثل الإشعارات أو الإنذارات.

مراقبة التمارين الرياضية باستخدام الرؤية الحاسوبية#

تستخدم العديد من تطبيقات اللياقة البدنية كاميرا لحساب التكرارات وتتبع الحركة. وبينما تلتقط الكاميرا الفيديو، تقوم الرؤية الحاسوبية بتحليل حركة الجسم في الوقت الفعلي.

يمكن تطوير نظام مراقبة التمارين الرياضية باستخدام Ultralytics YOLO26 وقدراته على تقدير وضعية الجسم. يقوم النموذج بمعالجة كل إطار واكتشاف نقاط الجسم الرئيسية مثل الكتفين، والمرفقين، والوركين، والرُكَب. تُشكل هذه النقاط هيكلاً عظمياً رقمياً يُمثّل وضعية الشخص وحركته.

الشكل 3. التتبع في الوقت الفعلي والعد الآلي لتكرارات التمارين (المصدر)

أثناء أداء تمارين مثل القرفصاء (squats) أو الضغط (push-ups)، يمكن قياس التغييرات في زوايا المفاصل لتقدير التكرارات. على سبيل المثال، من خلال تتبع كيفية ثني الركبة وفردها أثناء القرفصاء، يمكن للنظام حساب كل تكرار مكتمل.

إدارة مواقف المركبات بتمكين الرؤية#

يمكن أن تكون مواقف السيارات محبطة في أماكن مثل المولات، والمكاتب، والمطارات، والمجمعات السكنية. تستغرق عمليات التحقق اليدوي من المساحات وقتاً، ولا تُظهر المستشعرات الأساسية سوى ما إذا كان مكان واحد مشغولاً. يمكن لنظام قائم على الكاميرا مراقبة منطقة وقوف السيارات بأكملها في وقت واحد وإظهار الأماكن المتاحة في الوقت الفعلي.

يمكنك بناء نظام لإدارة المواقف باستخدام Ultralytics YOLO26 لاكتشاف السيارات من بث مباشر للكاميرا. يحلل النظام كل إطار ويحدد السيارات في المشهد.

الشكل 4. إدارة ذكية للمواقف مدعومة بالرؤية الحاسوبية (المصدر)

يمكنك رسم مناطق وقوف السيارات على الشاشة والتحقق مما إذا كانت السيارة المكتشفة تتداخل مع أي من تلك المناطق. إذا حدث ذلك، يتم تمييز المكان على أنه مشغول. وإذا لم يحدث، فإنه يظل متاحاً.

لتوسيع النظام، يمكنك إضافة اكتشاف لوحة الترخيص وتطبيق التعرف الضوئي على الحروف (OCR) لقراءة أرقام اللوحات لأغراض التسجيل أو التحكم في الوصول.

تحديد أنواع النباتات باستخدام تصنيف الصور#

يعد تحديد النباتات أمراً مهماً في الزراعة، والمراقبة البيئية، والتعليم. يستخدمه المزارعون لاكتشاف صحة المحاصيل، ويستخدمه الباحثون لدراسة التنوع البيولوجي، ويستخدمه الطلاب للتعرف على الأنواع المختلفة.

غالباً ما يتطلب تحديد النباتات التقليدي معرفة الخبراء والمقارنة اليدوية، وهو ما قد يستغرق وقتاً طويلاً وغير متسق. تسرّع الرؤية الحاسوبية هذه العملية وتوسع نطاقها من خلال تحليل الصور تلقائياً.

لهذا النوع من الحلول، يمكنك بناء نموذج تصنيف صور يتنبأ بنوع النبات من صورة. يمكنك البدء بنموذج مدرب مسبقاً مثل Ultralytics YOLO26 وضبطه بدقة على مجموعة بيانات نباتات مصنفة باستخدام التعلم النقلي.

أثناء التدريب، يتعلم النموذج أنماطاً مثل شكل الأوراق، والملمس، واختلافات الألوان للتمييز بين الأنواع. للبدء، يمكنك استكشاف مجموعات بيانات النباتات المتاحة للجمهور أو مجموعات البيانات المنسقة من قبل المجتمع على منصات مثل Roboflow Universe للوصول إلى الصور المصنفة بسرعة.

إدارة الطوابير باستخدام رؤية الذكاء الاصطناعي#

تُستخدم أنظمة إدارة الطوابير في أماكن مثل البنوك، والمطارات، والمستشفيات، ومتاجر التجزئة لمراقبة تدفق الحشود وتقليل وقت الانتظار. وتحديداً، باستخدام الرؤية الحاسوبية، يمكنك عد الأشخاص ومراقبتهم في طابور باستخدام بث كاميرا مباشر.

يمكن لنظام مراقبة الطوابير المدمج مع نموذج رؤية حاسوبية، مثل Ultralytics YOLO26 لاكتشاف الأشخاص وتتبعهم، تبسيط إدارة الطوابير. يمكن للنظام معالجة كل إطار فيديو، واكتشاف الأفراد، وعدد الأشخاص الموجودين داخل منطقة طابور محددة مسبقاً.

الشكل 5. إدارة الطوابير في مطار مدعومة برؤية الذكاء الاصطناعي

من خلال الجمع بين اكتشاف الكائنات ومنطق التتبع البسيط، يمكنك تقدير طول الطابور وحتى تكوين فكرة عن وقت الانتظار بناءً على مدى سرعة تحرك الطابور.

اكتشاف الحشود ومراقبتها على أساس المنطقة#

يعد عد الأشخاص في منطقة معينة أمراً مهماً للفعاليات، والأماكن العامة، وإدارة السلامة. بدلاً من عد الجميع في الإطار، يمكنك التركيز فقط على منطقة مختارة مثل مدخل، أو منطقة انتظار، أو منطقة مقيدة.

باستخدام Ultralytics YOLO26، يمكنك اكتشاف الأشخاص في كل إطار فيديو وتحديد منطقة مخصصة على الشاشة. يمكن تصميم هذا الحل لعد الأفراد الموجودين داخل تلك الحدود فقط.

الشكل 6. مراقبة الحشود باستخدام العد القائم على المنطقة (المصدر)

يساعدك هذا النهج على مراقبة كثافة الحشود في المناطق المستهدفة وفهم كيفية تغير الإشغال بمرور الوقت.

فحص الجودة في التصنيع#

في التصنيع، يمكن للأخطاء الصغيرة مثل المكونات المفقودة أو التنسيب غير الصحيح أن تؤثر على جودة المنتج وتؤدي إلى المرتجعات. لتقليل هذه المشكلات، تستخدم العديد من خطوط الإنتاج أنظمة رؤية لاكتشاف العيوب قبل أن تنتقل المنتجات إلى المرحلة التالية.

يمكنك محاكاة خط تجميع بسيط حيث تلتقط كاميرا المنتجات أثناء تحركها على حزام ناقل. باستخدام Ultralytics YOLO26، يمكن لمثل هذا النظام التحقق مما إذا كانت جميع المكونات المطلوبة موجودة ومرتبة بشكل صحيح.

الشكل 7. اكتشاف وعدد الطرود في خط تجميع باستخدام YOLO

يمكن أيضاً تطوير هذا النوع من الأنظمة لعد العناصر، والتأكد من إغلاق التغليف، والتحقق مما إذا كانت المنتجات مرتبة بشكل صحيح قبل مغادرة خط الإنتاج.

مراقبة حركة المرور مع تجزئة الصور#

غالباً ما تتضمن مراقبة حركة المرور أكثر من مجرد عد المركبات. في التقاطعات المزدحمة، يساعد ذلك على فهم كيفية تموضع المركبات داخل المسارات ومقدار مساحة الطريق التي تشغلها.

بالنسبة لنظام مراقبة المرور، يمكنك بناء حل باستخدام دعم تجزئة المثيلات في Ultralytics YOLO26. على عكس اكتشاف الكائنات الأساسي، فإن تجزئة المثيلات تنشئ أقنعة على مستوى البكسل لكل مركبة مكتشفة، لتحدد شكلها الدقيق بدلاً من مجرد رسم صندوق محيط.

الشكل 8. تجزئة المركبات وعدها وتتبعها في الوقت الفعلي (المصدر)

من خلال تحليل أقنعة التجزئة هذه، يمكن للنظام تقديم رؤى أكثر تفصيلاً حول استخدام المسارات، وكثافة المركبات، وأنماط الازدحام.

استخدام الرؤية الحاسوبية لتقدير السرعة#

يُستخدم تقدير السرعة بشكل شائع في أنظمة مراقبة المرور، والخدمات اللوجستية، والنقل الذكي. باستخدام الرؤية الحاسوبية، يمكنك تقدير سرعة السيارة 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 تدفق فيديو. من خلال قياس المسافة التي تتحركها المركبة بين الإطارات واستخدام معدل إطارات الفيديو جنباً إلى جنب مع مرجع مسافة في العالم الحقيقي، يمكنك تقدير سرعتها.

مراقبة سلامة العمال مع تقدير الوضعية#

تعد سلامة العمال أمراً بالغ الأهمية في بيئات مثل مواقع البناء، والمصانع، والمستودعات. يمكن أن تؤدي الوضعية غير الآمنة، وتقنيات الرفع غير الصحيحة، أو السقوط المفاجئ إلى زيادة خطر الإصابة بشكل كبير.

أحد الأمثلة هو استخدام Ultralytics YOLO26 مع تقدير الوضعية لتحليل وضعيات العمال في الوقت الفعلي. يكتشف النموذج نقاط الجسم الأساسية مثل الكتفين، الوركين، الركبتين، والمرفقين. من خلال تقييم زوايا المفاصل أنماط الحركة، يمكن للنظام تحديد الانحناء غير الآمن، أو وضعية الرفع الضعيفة، أو الحركات المفاجئة التي قد تشير إلى السقوط.

الشكل 10. استخدام تقدير وضعية الجسم البشري لتحليل وضعيات عمال البناء (المصدر)

يمكنه أيضاً قياس المدة التي يظل فيها العامل في وضعية مجهدة وإطلاق تنبيهات إذا تم تجاوز عتبات الوضعية المحددة مسبقاً.

فهم كيفية عمل الرؤية الحاسوبية#

الرؤية الحاسوبية هي مجال من مجالات الذكاء الاصطناعي يستخدم التعلم العميق، والتعلم الآلي، وتقنيات أخرى لمساعدة الآلات على فهم الصور ومقاطع الفيديو. وهي تتيح للأنظمة تحليل البيانات المرئية والتعرف على الأنماط.

غالباً ما تبدأ العملية بمعالجة الصور أو المعالجة المسبقة للبيانات، حيث يتم تنظيف البيانات المرئية، أو تغيير حجمها، أو تحسينها قبل تحليلها. يتم بعد ذلك تدريب شبكة عصبية على مجموعات بيانات كبيرة حتى تتمكن من تعلم أنماط مثل الأشكال، والحواف، والقوام، وميزات الكائنات. بشكل عام، كلما زادت جودة البيانات التي يتم تدريب النموذج عليها، كان أداؤه أفضل عبر مختلف سيناريوهات العالم الحقيقي.

تعتمد العديد من أنظمة رؤية الحاسوب الحديثة على الشبكات العصبية التلافيفية (CNNs)، والتي صُممت خصيصاً للمهام المتعلقة بالصور. تقوم CNNs باستخراج السمات البصرية المهمة تلقائياً وتستخدمها لإجراء التنبؤات.

يتم بناء معظم مشاريع المبتدئين حول عدد قليل من مهام الرؤية الأساسية. إليك المهام الرئيسية التي ستصادفها:

• تصنيف الصور: تقوم هذه المهمة بتعيين تسمية واحدة لصورة كاملة، مثل تحديد ما إذا كانت الصورة تظهر قطة أم كلباً.
• اكتشاف الكائنات: يتم تحديد موقع الكائنات داخل الصورة وتمييزها باستخدام مربعات الإحاطة (bounding boxes)، على سبيل المثال، تحديد السيارات، أو الأشخاص، أو الدراجات في مشهد شارع.
• تجزئة المثيلات: يتم فصل كل كائن في الصورة على مستوى البكسل بحيث يمكن تحديد شكله الدقيق، وهو أمر مفيد عند الحاجة إلى حدود دقيقة.
• تقدير الوضعية: يتم تحديد النقاط الرئيسية في جسم الإنسان، مثل الكتفين والمرفقين والركبتين، في الصور لفهم الوضعية والحركة.
• تتبع الكائنات: يتم تتبع 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، يتم تبني الذكاء الاصطناعي للرؤية عبر العديد من الصناعات. في الواقع، من المتوقع أن يصل سوق الرؤية الحاسوبية العالمي إلى 58 مليار دولار بحلول عام 2030، بمعدل نمو سنوي يقارب 20% مع قيام المزيد من المؤسسات بدمج الذكاء البصري في أنظمتها.

على سبيل المثال، يعد النقل أحد مجالات النمو الرئيسية. فيما يتعلق بالسيارات ذاتية القيادة، تسمح الرؤية الحاسوبية للمركبات باكتشاف المسارات، والمركبات، والمشاة، وإشارات المرور في الوقت الفعلي.

تعتبر تجارة التجزئة مثالاً آخر مثيراً للاهتمام. تستخدم متاجر التجزئة الآلية الرؤية الحاسوبية ودمج المستشعرات لاكتشاف المنتجات التي يلتقطها العملاء، مما يتيح تجربة تسوق بدون دفع تقليدي.

في غضون ذلك، في مجال الرعاية الصحية، تُستخدم رؤية الحاسوب على نطاق واسع في التصوير الطبي لتحليل الفحوصات مثل الأشعة السينية، والرنين المغناطيسي، وصور الأشعة المقطعية، مما يساعد الأطباء على اكتشاف التشوهات ودعم التشخيص.

أشياء يجب مراعاتها قبل البدء في مشروع رؤية الذكاء الاصطناعي#

يمكن أن يساعدك التخطيط المسبق لمشروع رؤية الذكاء الاصطناعي الخاص بك على تجنب الأخطاء الشائعة وبناء نظام أكثر موثوقية. إليك بعض العوامل العملية التي يجب مراعاتها قبل البدء في مشروع رؤية حاسوبية:

• حدد الهدف بوضوح: كن محدداً بشأن ما تريد أن يفعله النظام، سواء كان ذلك اكتشاف الكائنات، أو تتبع الحركة، أو تقدير الوضعية، أو تصنيف الصور. يمكن لهدف واضح أن يوجه قراراتك التقنية بشكل أفضل طوال المشروع.
• أعط الأولوية لجودة مجموعة البيانات: تعتبر البيانات والتعليقات التوضيحية المصنفة جيداً، والمتنوعة، والممثلة ضرورية. غالباً ما تؤدي البيانات منخفضة الجودة إلى أداء غير موثوق للنموذج.
• اختر الأدوات المناسبة: حدد الأدوات المدعومة جيداً والسهلة الاستخدام. تُعد Python خياراً شائعاً للمبتدئين لأنها توفر نظاماً بيئياً كبيراً من مكتبات الرؤية الحاسوبية وموارد التعلم. تحظى النماذج من عائلة Ultralytics YOLO بشعبية كبيرة أيضاً لمختلف مهام الرؤية مثل اكتشاف الكائنات وتتبعها، مما يجعلها نقطة بداية عملية ويسيرة.
• التحسين لظروف العالم الحقيقي: يمكن أن تؤثر تغيرات الإضاءة، وزوايا الكاميرا، وضبابية الحركة، وفوضى الخلفية على الأداء. اختبر نظامك في ظروف مشابهة لما سيُستخدم فيه فعلياً.
• فكر في الخصوصية والأخلاقيات: إذا كنت تعمل مع صور أو مقاطع فيديو لأشخاص، ففكر في لوائح خصوصية البيانات وممارسات الذكاء الاصطناعي المسؤول. تأكد من جمع البيانات واستخدامها بشكل مناسب.

أبرز النقاط#

تُغير الرؤية الحاسوبية طريقة فهم الأنظمة للبيانات المرئية. من خلال استكشاف أفكار المشاريع العملية والتطبيقات الواقعية، يمكن للمبتدئين اكتساب خبرة عملية بسرعة.

تجعل نماذج مثل Ultralytics YOLO26 من الأسهل البدء ورؤية النتائج بشكل أسرع. مع أهداف واضحة وبيانات عالية الجودة، يمكنك بناء أساس متين لأنظمة رؤية حاسوبية أكثر تقدماً.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا لموارد الذكاء الاصطناعي. لبناء تطبيقات بالذكاء الاصطناعي للرؤية اليوم، راجع خيارات الترخيص الخاصة بنا. وتعرَّف على كيف يُحدث الذكاء الاصطناعي في الزراعة تحولاً في قطاع الزراعة، وكيف يُشكل الذكاء الاصطناعي للرؤية في الروبوتات المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.