دليل للتعمق في اكتشاف الكائنات في عام 2025

تدمج العديد من الصناعات بسرعة حلول الذكاء الاصطناعي (AI) في عملياتها. ومن بين العديد من تقنيات الذكاء الاصطناعي المتاحة اليوم، يعد الرؤية الحاسوبية أحد أكثر التقنيات شيوعًا. الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي يساعد أجهزة الكمبيوتر على رؤية وفهم محتويات الصور ومقاطع الفيديو، تمامًا كما يفعل البشر. وهي تتيح للآلات التعرف على الكائنات، وتحديد الأنماط، وفهم ما تنظر إليه.

من المتوقع أن تنمو القيمة السوقية العالمية للرؤية الحاسوبية لتصل إلى 175.72 مليار دولار بحلول عام 2032. تشمل الرؤية الحاسوبية مهامًا متنوعة تمكّن أنظمة الذكاء الاصطناعي البصري من تحليل وتفسير البيانات المرئية. وتعد واحدة من أكثر مهام الرؤية الحاسوبية استخدامًا وأهمية هي اكتشاف الكائنات.

اكتشاف الكائنات يركز على تحديد موقع وتصنيف الكائنات في البيانات المرئية. على سبيل المثال، إذا عرضت على جهاز كمبيوتر صورة بقرة، فيمكنه اكتشاف البقرة ورسم صندوق إحاطة (bounding box) حولها. هذه القدرة مفيدة في تطبيقات العالم الحقيقي مثل مراقبة الحيوانات، والسيارات ذاتية القيادة، والمراقبة.

إذًا، كيف يمكن تنفيذ اكتشاف الكائنات؟ إحدى الطرق هي من خلال نماذج الرؤية الحاسوبية. على سبيل المثال، Ultralytics YOLO11 هو نموذج رؤية حاسوبية يدعم مهام الرؤية الحاسوبية مثل اكتشاف الكائنات.

في هذا الدليل، سوف نستكشف اكتشاف الكائنات وكيفية عمله. وسنناقش أيضًا بعض التطبيقات الواقعية لاكتشاف الكائنات ونموذج Ultralytics YOLO11.

الشكل 1. استخدام دعم YOLO11 لاكتشاف الكائنات لمراقبة الماشية.

Link to this sectionما هو اكتشاف الكائنات؟#

اكتشاف الكائنات هو مهمة رؤية حاسوبية تحدد وتحدد مواقع الكائنات في الصور أو مقاطع الفيديو. وهي تجيب على سؤالين رئيسيين: 'ما هي الكائنات الموجودة في الصورة؟' و'أين تقع؟'

يمكنك التفكير في اكتشاف الكائنات كعملية تتضمن خطوتين رئيسيتين. الأولى، تصنيف الكائنات، تسمح للنظام بالتعرف على الكائنات وتصنيفها، مثل تحديد قطة، أو سيارة، أو شخص بناءً على الأنماط المستفادة. الثانية، تحديد الموقع، تحدد موضع الكائن عن طريق رسم صندوق إحاطة حوله، مما يشير إلى مكان ظهوره في الصورة. معًا، تمكن هذه الخطوات الآلات من اكتشاف وفهم الكائنات في مشهد ما.

جانب اكتشاف الكائنات الذي يجعله فريدًا هو قدرته على التعرف على الكائنات وتحديد موقعها بدقة. تركز مهام الرؤية الحاسوبية الأخرى على أهداف مختلفة.

على سبيل المثال، يقوم تصنيف الصور بتعيين تصنيف للصورة بأكملها. في الوقت نفسه، يوفر تقسيم الصور (segmentation) فهمًا على مستوى البكسل للعناصر المختلفة. من ناحية أخرى، يجمع اكتشاف الكائنات بين التعرف وتحديد الموقع. وهذا يجعله مفيدًا بشكل خاص لمهام مثل عد كائنات متعددة في الوقت الفعلي.

الشكل 2. مقارنة بين مهام الرؤية الحاسوبية.

Link to this sectionالتعرف على الكائنات مقابل اكتشاف الكائنات#

بينما تستكشف مصطلحات الرؤية الحاسوبية المتنوعة، قد تشعر أن التعرف على الكائنات واكتشاف الكائنات مصطلحان قابلان للتبديل - لكنهما يخدمان أغراضًا مختلفة. طريقة رائعة لفهم الفرق هي من خلال النظر إلى اكتشاف الوجه والتعرف على الوجه.

اكتشاف الوجه هو نوع من اكتشاف الكائنات. فهو يحدد وجود وجه في صورة ويحدد موقعه باستخدام صندوق إحاطة. وهو يجيب على السؤال: "أين يوجد الوجه في الصورة؟" تُستخدم هذه التقنية بشكل شائع في كاميرات الهواتف الذكية التي تركز تلقائيًا على الوجوه أو في كاميرات المراقبة التي تكتشف وجود شخص ما.

التعرف على الوجه، من ناحية أخرى، هو شكل من أشكال التعرف على الكائنات. فهو لا يكتشف وجهًا فحسب، بل يحدد هوية صاحبه من خلال تحليل الميزات الفريدة ومقارنتها بقاعدة بيانات. وهو يجيب على السؤال: "من هذا الشخص؟" هذه هي التقنية الكامنة وراء فتح قفل هاتفك باستخدام Face ID أو أنظمة أمن المطارات التي تتحقق من الهويات.

ببساطة، اكتشاف الكائنات يعثر على الكائنات ويحدد موقعها، بينما يقوم التعرف على الكائنات بتصنيفها وتحديد هويتها.

الشكل 3. اكتشاف الكائنات مقابل التعرف على الكائنات. الصورة بواسطة المؤلف.

تم تصميم العديد من نماذج اكتشاف الكائنات، مثل YOLO11، لدعم اكتشاف الوجه ولكن ليس التعرف على الوجه. يمكن لـ YOLO11 تحديد وجود وجه في صورة بكفاءة ورسم صندوق إحاطة حوله، مما يجعله مفيدًا لتطبيقات مثل أنظمة المراقبة، ومراقبة الحشود، وتوسيم الصور التلقائي. ومع ذلك، لا يمكنه تحديد هوية صاحب الوجه. يمكن دمج YOLO11 مع نماذج مدربة خصيصًا للتعرف على الوجوه، مثل Facenet أو DeepFace، لتمكين الاكتشاف وتحديد الهوية في نظام واحد.

Link to this sectionفهم كيفية عمل اكتشاف الكائنات#

قبل أن نناقش كيفية عمل اكتشاف الكائنات، دعنا نلقي نظرة فاحصة على كيفية تحليل الكمبيوتر للصورة. بدلاً من رؤية الصورة كما نراها، يقوم الكمبيوتر بتقسيمها إلى شبكة من المربعات الصغيرة تسمى البكسلات. يحتوي كل بكسل على معلومات اللون والسطوع التي يمكن لأجهزة الكمبيوتر معالجتها لتفسير البيانات المرئية.

لفهم هذه البكسلات، تقوم الخوارزميات بتجميعها في مناطق ذات معنى بناءً على الشكل، واللون، ومدى قربها من بعضها البعض. يمكن لنماذج اكتشاف الكائنات، مثل YOLO11، التعرف على الأنماط أو الميزات في مجموعات البكسل هذه.

على سبيل المثال، لا ترى السيارة ذاتية القيادة أحد المشاة بالطريقة التي نراها بها - فهي تكتشف الأشكال والأنماط التي تتطابق مع ميزات أحد المشاة. تعتمد هذه النماذج على تدريب مكثف باستخدام مجموعات بيانات الصور المصنفة، مما يسمح لها بتعلم الخصائص المميزة للكائنات مثل السيارات، وعلامات المرور، والأشخاص.

يحتوي نموذج اكتشاف الكائنات النموذجي على ثلاثة أجزاء رئيسية: الهيكل الأساسي (backbone)، والعنق (neck)، والرأس (head). يستخرج الهيكل الأساسي ميزات مهمة من صورة. يعالج العنق هذه الميزات وينقحها، بينما يكون الرأس مسؤولًا عن التنبؤ بمواقع الكائنات وتصنيفها.

Link to this sectionتنقيح الاكتشافات وتقديم النتائج#

بمجرد إجراء الاكتشافات الأولية، يتم تطبيق تقنيات ما بعد المعالجة لتحسين الدقة وتصفية التنبؤات الزائدة. على سبيل المثال، تتم إزالة صناديق الإحاطة المتداخلة، مما يضمن الاحتفاظ بالاكتشافات الأكثر صلة فقط. أيضًا، يتم تعيين درجات ثقة (قيم رقمية تمثل مدى يقين النموذج من أن كائنًا مكتشفًا ينتمي إلى فئة معينة) لكل كائن مكتشف للإشارة إلى يقين النموذج في تنبؤاته.

أخيرًا، يتم تقديم المخرجات مع صناديق إحاطة مرسومة حول الكائنات المكتشفة، جنبًا إلى جنب مع تصنيفات الفئات المتوقعة ودرجات الثقة الخاصة بها. يمكن بعد ذلك استخدام هذه النتائج في تطبيقات العالم الحقيقي.

Link to this sectionنماذج اكتشاف الكائنات الشائعة#

في الوقت الحاضر، هناك العديد من نماذج الرؤية الحاسوبية المتاحة، وبعضها الأكثر شيوعًا هي نماذج Ultralytics YOLO. وهي معروفة بسرعتها ودقتها وتعدد استخداماتها. على مر السنين، أصبحت هذه النماذج أسرع وأكثر دقة وقدرة على التعامل مع مجموعة واسعة من المهام. سهّل إصدار Ultralytics YOLOv5 عملية النشر باستخدام أطر عمل مثل PyTorch، مما سمح للمزيد من الأشخاص باستخدام الذكاء الاصطناعي البصري المتقدم دون الحاجة إلى خبرة تقنية عميقة.

بناءً على هذا الأساس، قدم Ultralytics YOLOv8 ميزات جديدة مثل تقسيم النسخ (instance segmentation)، وتقدير الوضع (pose estimation)، وتصنيف الصور. الآن، يأخذ YOLO11 الأمور إلى أبعد من ذلك مع أداء أفضل عبر مهام متعددة. مع معلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO. بعبارات بسيطة، يمكن لـ YOLO11 التعرف على الكائنات بدقة أكبر مع استخدام موارد أقل، مما يجعله أسرع وأكثر موثوقية.

سواء كنت خبيرًا في الذكاء الاصطناعي أو بدأت للتو، يوفر YOLO11 حلاً قويًا وسهل الاستخدام لتطبيقات الرؤية الحاسوبية.

Link to this sectionتدريب نموذج مخصص لاكتشاف الكائنات#

يتضمن تدريب نماذج الذكاء الاصطناعي البصري مساعدة أجهزة الكمبيوتر على التعرف على الصور ومقاطع الفيديو وفهمها. ومع ذلك، يمكن أن يكون التدريب عملية تستغرق وقتًا طويلاً. بدلاً من البدء من الصفر، يعمل التعلم بنقل المعرفة (transfer learning) على تسريع الأمور باستخدام نماذج مدربة مسبقًا تتعرف بالفعل على الأنماط الشائعة.

على سبيل المثال، تم تدريب YOLO11 بالفعل على مجموعة بيانات COCO، والتي تحتوي على مجموعة متنوعة من الكائنات اليومية. يمكن تدريب هذا النموذج المدرب مسبقًا بشكل مخصص لاكتشاف كائنات محددة قد لا تكون مدرجة في مجموعة البيانات الأصلية.

للقيام بـ تدريب مخصص لنموذج YOLO11، تحتاج إلى مجموعة بيانات مصنفة تحتوي على صور للكائنات التي تريد اكتشافها. على سبيل المثال، إذا كنت ترغب في بناء نموذج لتحديد أنواع مختلفة من الفاكهة في متجر بقالة، فستقوم بإنشاء مجموعة بيانات تحتوي على صور مصنفة للتفاح، والموز، والبرتقال، وما إلى ذلك. بمجرد إعداد مجموعة البيانات، يمكن تدريب YOLO11، مع ضبط المعلمات مثل حجم الدفعة (batch size)، ومعدل التعلم (learning rate)، وعدد الدورات (epochs) لتحسين الأداء.

من خلال هذا النهج، يمكن للشركات تدريب YOLO11 لاكتشاف أي شيء، من الأجزاء المعيبة في التصنيع إلى أنواع الحياة البرية في مشاريع الحفاظ على البيئة، مما يجعل النموذج مصممًا حسب احتياجاتهم بالضبط.

Link to this sectionتطبيقات اكتشاف الكائنات#

بعد ذلك، دعنا نلقي نظرة على بعض حالات الاستخدام الواقعية لاكتشاف الكائنات وكيف يغير العديد من الصناعات.

Link to this sectionاكتشاف المخاطر للقيادة الذاتية#

السيارات ذاتية القيادة تستخدم مهام الرؤية الحاسوبية مثل اكتشاف الكائنات للتنقل بأمان وتجنب العوائق. تساعد هذه التقنية السيارات على التعرف على المشاة، والمركبات الأخرى، والحفر، ومخاطر الطرق، مما يتيح لها فهم محيطها بشكل أفضل. يمكن للسيارات اتخاذ قرارات سريعة والتحرك بأمان عبر حركة المرور من خلال تحليل بيئتها باستمرار.

الشكل 4. مثال على استخدام اكتشاف الكائنات لاكتشاف الحفر باستخدام YOLO11.

Link to this sectionتحليل الصور الطبية في الرعاية الصحية#

تقنيات التصوير الطبي مثل الأشعة السينية، والتصوير بالرنين المغناطيسي (MRI)، والتصوير المقطعي المحوسب (CT)، والموجات فوق الصوتية تنشئ صورًا مفصلة للغاية لجسم الإنسان للمساعدة في تشخيص الأمراض وعلاجها. تنتج هذه الفحوصات كميات كبيرة من البيانات التي يجب على الأطباء، مثل أطباء الأشعة وأخصائيي علم الأمراض، تحليلها بعناية لاكتشاف الأمراض. ومع ذلك، يمكن أن تستغرق مراجعة كل صورة بالتفصيل وقتًا طويلاً، وقد يغفل الخبراء البشريون أحيانًا عن تفاصيل بسبب التعب أو ضيق الوقت.

يمكن لنماذج اكتشاف الكائنات مثل YOLO11 المساعدة عن طريق تحديد الميزات الرئيسية تلقائيًا في الفحوصات الطبية، مثل الأعضاء، أو الأورام، أو التشوهات، بدقة عالية. يمكن للنماذج المدربة مخصصًا إبراز مجالات الاهتمام بصناديق إحاطة، مما يساعد الأطباء على التركيز على المشكلات المحتملة بشكل أسرع. هذا يقلل من عبء العمل، ويحسن الكفاءة، ويوفر رؤى سريعة.

الشكل 5. تحليل الصور الطبية باستخدام YOLO11.

Link to this sectionزيادة الأمن من خلال اكتشاف الأشخاص والشذوذ#

تتبع الكائنات هو مهمة رؤية حاسوبية مدعومة بواسطة YOLO11، مما يتيح المراقبة في الوقت الفعلي وتحسينات أمنية. وهو يعتمد على اكتشاف الكائنات من خلال تحديد الكائنات وتتبع حركتها باستمرار عبر الإطارات. تُستخدم هذه التقنية على نطاق واسع في أنظمة المراقبة لتحسين السلامة في بيئات مختلفة.

على سبيل المثال، في المدارس ومراكز الرعاية النهارية، يمكن أن يساعد تتبع الكائنات في مراقبة الأطفال ومنعهم من التجول بعيدًا. في التطبيقات الأمنية، يلعب دورًا رئيسيًا في اكتشاف المتسللين في المناطق المحظورة، ومراقبة الحشود بحثًا عن الاكتظاظ أو السلوك المشبوه، وإرسال تنبيهات في الوقت الفعلي عند اكتشاف نشاط غير مصرح به. من خلال تتبع الكائنات أثناء تحركها، تعمل أنظمة التتبع التي تعمل بواسطة YOLO11 على تعزيز الأمن، وأتمتة المراقبة، والسماح باستجابات أسرع للتهديدات المحتملة.

Link to this sectionإيجابيات وسلبيات اكتشاف الكائنات#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن يقدمها اكتشاف الكائنات لمختلف الصناعات:

• الأتمتة: يمكن أن يساعد اكتشاف الكائنات في تقليل الحاجة إلى الإشراف البشري في مهام مثل مراقبة لقطات الدوائر التلفزيونية المغلقة (CCTV).
• يعمل مع نماذج الذكاء الاصطناعي الأخرى: يمكن دمجه مع أنظمة التعرف على الوجوه، والتعرف على الإجراءات، والتتبع لتحسين الدقة والوظائف.
• المعالجة في الوقت الفعلي: العديد من نماذج اكتشاف الكائنات، مثل YOLO11، سريعة وفعالة، مما يجعلها مثالية للتطبيقات في الوقت الفعلي التي تتطلب نتائج فورية.

بينما تسلط هذه الفوائد الضوء على كيفية تأثير اكتشاف الكائنات على حالات الاستخدام المختلفة، من المهم أيضًا النظر في التحديات التي ينطوي عليها تنفيذه. فيما يلي بعض التحديات الرئيسية:

• خصوصية البيانات: قد يثير استخدام البيانات المرئية، خاصة في مجالات حساسة مثل المراقبة أو الرعاية الصحية، مشكلات تتعلق بالخصوصية ومخاوف أمنية.

• الإغلاق (Occlusion): يحدث الإغلاق في اكتشاف الكائنات عندما يتم حجب الكائنات جزئيًا أو إخفاؤها عن الأنظار، مما يجعل من الصعب على النموذج اكتشافها وتصنيفها بدقة.

• مكلفة حوسبيًا: تتطلب النماذج عالية الأداء غالبًا وحدات معالجة رسومات (GPUs) قوية للمعالجة، مما يجعل النشر في الوقت الفعلي مكلفًا.

Link to this sectionأبرز النقاط#

اكتشاف الكائنات هو أداة رائدة في الرؤية الحاسوبية تساعد الآلات على اكتشاف وتحديد مواقع الكائنات في الصور ومقاطع الفيديو. يتم استخدامه في قطاعات تتراوح من السيارات ذاتية القيادة إلى الرعاية الصحية، مما يجعل المهام أسهل وأكثر أمانًا وكفاءة. مع نماذج أحدث مثل YOLO11، يمكن للشركات بسهولة إنشاء نماذج مخصصة لاكتشاف الكائنات لإنشاء تطبيقات رؤية حاسوبية متخصصة.

على الرغم من وجود بعض التحديات، مثل مخاوف الخصوصية وحجب الكائنات عن الأنظار، فإن اكتشاف الكائنات تقنية موثوقة. إن قدرتها على أتمتة المهام، ومعالجة البيانات المرئية في الوقت الفعلي، والاندماج مع أدوات الذكاء الاصطناعي البصري الأخرى تجعلها جزءًا أساسيًا من الابتكارات المتطورة.

لمعرفة المزيد، تفضل بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة على صفحات الحلول الخاصة بنا. تحقق من خيارات ترخيص YOLO الخاصة بنا واجعل مشاريع الذكاء الاصطناعي البصري الخاصة بك تنبض بالحياة. 🚀