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.

الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يساعد الآلات على الرؤية وفهم الصور ومقاطع الفيديو. بدلاً من مجرد تسجيل المشاهد، يمكن لهذه الأنظمة التعرف على الكائنات، وتحديد الأنماط، وتحويل ما تراه إلى معلومات مفيدة.

تدعم نماذج الرؤية الحاسوبية مفتوحة المصدر والمتطورة، مثل Ultralytics YOLO26، مجموعة متنوعة من مهام الرؤية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتجزئة المثيلات، وتقدير الوضعية، وتتبع الكائنات. صُممت هذه النماذج لتعمل بكفاءة في الوقت الفعلي، مما يسهّل على المطورين بناء تطبيقات عملية عبر قطاعات مختلفة.

Link to this section10 مشاريع سهلة لرؤية الحاسوب في لمحة سريعة#

Link to this section10 مشاريع رؤية حاسوبية سهلة للمبتدئين#

Link to this sectionنظام 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، الذي يعالج كل إطار كاميرا ويكتشف كائنات محددة مسبقاً مثل الأشخاص أو المركبات داخل المشهد. عند تحديد كائن ذي أهمية، يرسم النظام مربعات إحاطة حوله ويخصص 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.

Link to this sectionمراقبة 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 لمراقبة التمارين الرياضية باستخدام YOLO26 من Ultralytics وقدراته في تقدير وضعية الجسم. يعالج النموذج كل إطار ويكتشف نقاط الجسم الرئيسية مثل الكتفين والمرفقين والوركين والركبتين. تشكل هذه النقاط هيكلاً رقمياً يمثل وضعية الشخص وحركته.

الشكل 3. التتبع في الوقت الفعلي والحساب 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.

Link to this sectionإدارة 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 إدارة مواقف السيارات باستخدام Ultralytics YOLO26 لاكتشاف المركبات من بث كاميرا مباشر. يقوم النظام بتحليل كل إطار وتحديد السيارات في المشهد.

الشكل 4. إدارة ذكية لمواقف السيارات بتمكين الرؤية 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.

Link to this sectionتحديد 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.

بالنسبة لهذا النوع من الحلول، يمكنك بناء نموذج تصنيف صور يتنبأ بنوع النبات من صورة. يمكنك البدء بنموذج مدرب مسبقاً مثل YOLO26 وضبطه (fine-tune) على مجموعة بيانات نباتية مصنفة باستخدام التعلم بنقل المعرفة (transfer learning).

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.

Link to this sectionإدارة 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 لـ نظام مراقبة الطوابير المدمج مع نموذج رؤية حاسوبية، مثل YOLO26 لاكتشاف الأشخاص وتتبعهم، تبسيط إدارة الطوابير. يمكن للنظام معالجة كل إطار فيديو، واكتشاف الأفراد، وعد عدد 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.

Link to this sectionاكتشاف 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 YOLO26، يمكنك اكتشاف الأشخاص في كل إطار فيديو وتحديد منطقة مخصصة على الشاشة. يمكن تصميم هذا الحل لعد الأفراد الموجودين داخل ذلك النطاق 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.

Link to this sectionفحص 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 الكاميرا صوراً للمنتجات أثناء تحركها على حزام ناقل. باستخدام YOLO26، يمكن لنظام كهذا التحقق مما إذا كانت جميع المكونات المطلوبة موجودة وموضوعة 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.

Link to this sectionمراقبة 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 (instance segmentation) في YOLO26. على عكس الكشف الأساسي عن الكائنات، تقوم تجزئة المثيلات بإنشاء أقنعة على مستوى البكسل لكل مركبة مكتشفة، مما يحدد شكلها الدقيق بدلاً من مجرد رسم صندوق محيط (bounding box).

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

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

Link to this sectionاستخدام الرؤية الحاسوبية لتقدير السرعة#

يُستخدم تقدير السرعة بشكل شائع في أنظمة مراقبة المرور، والخدمات اللوجستية، وأنظمة النقل الذكية. باستخدام رؤية الحاسوب، يمكنك تقدير سرعة المركبة مباشرة من لقطات الفيديو دون استخدام مستشعرات مادية أو رادار.

الشكل 9. تتبع المركبات باستخدام YOLO (المصدر)

يمكنك استخدام YOLO26 لاكتشاف وتتبع الكائنات في دفق الفيديو. من خلال قياس المسافة التي تقطعها المركبة بين الإطارات واستخدام معدل إطارات الفيديو جنباً إلى جنب مع مرجع مسافة واقعي، يمكنك تقدير سرعتها.

Link to this sectionمراقبة 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 YOLO26 مع تقدير وضعية الجسم لتحليل وضعية العمال في الوقت الفعلي. يكتشف النموذج نقاط الجسم الرئيسية مثل الكتفين والوركين والركبتين والمرفقين. من خلال تقييم زوايا المفاصل وأنماط الحركة، يمكن للنظام تحديد الانحناء غير الآمن، أو وضعية الرفع الخاطئة، أو الحركات المفاجئة التي قد تشير إلى السقوط.

الشكل 10. استخدام تقدير وضعية الإنسان لتحليل وضعية عمال البناء (المصدر)

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

Link to this sectionفهم 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.

تُبنى معظم مشاريع المبتدئين حول بضع مهام رؤية أساسية. إليك المهام الرئيسية التي ستواجهها:

• 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

Link to this sectionالتأثير المتنامي للرؤية الحاسوبية#

في الوقت الحاضر، يتم تبني رؤية الذكاء الاصطناعي عبر العديد من الصناعات. في الواقع، من المتوقع أن يصل سوق الرؤية الحاسوبية العالمي إلى 58 مليار دولار بحلول عام 2030، بمعدل نمو يقارب 20% سنوياً مع دمج المزيد من المنظمات للذكاء المرئي 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.

Link to this sectionأشياء 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: اختر الأدوات المدعومة جيداً والسهلة في التعامل معها. يعد Python خياراً شائعاً للمبتدئين لأنه يوفر نظاماً بيئياً كبيراً من مكتبات الرؤية الحاسوبية وموارد التعلم. كما تشتهر نماذج عائلة Ultralytics YOLO بمهام الرؤية المختلفة مثل اكتشاف الكائنات وتتبعها، مما يجعلها نقطة بداية عملية ومتاحة.
• 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.

Link to this sectionأبرز 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 للحصول على موارد الذكاء الاصطناعي. للبدء في تطوير تقنيات الرؤية الحاسوبية القائمة على الذكاء الاصطناعي اليوم، اطلع على خيارات الترخيص الخاصة بنا. تعرف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولاً في أساليب الزراعة، وكيف تساهم الرؤية الحاسوبية في الروبوتات في تشكيل المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.