دليل للتعمق في اكتشاف الأجسام في 2025

تدمج صناعات كثيرة حلول الذكاء الاصطناعي (AI) في عملياتها بوتيرة متسارعة. ومن بين تقنيات الذكاء الاصطناعي المتاحة اليوم، تُعد الرؤية الحاسوبية من أكثرها شيوعًا. الرؤية الحاسوبية فرع من الذكاء الاصطناعي يساعد أجهزة الكمبيوتر على رؤية محتوى الصور ومقاطع الفيديو وفهمه، على نحو يشبه البشر. وتمكّن الآلات من التعرّف على الأشياء وتحديد الأنماط وفهم ما تنظر إليه.

يُقدّر أن القيمة السوقية العالمية للرؤية الحاسوبية ستبلغ 72.80 مليار دولار بحلول عام 2034. وتشمل الرؤية الحاسوبية مهام متنوعة تمكّن أنظمة ذكاء الرؤية من تحليل البيانات المرئية وتفسيرها. ومن أكثر مهام الرؤية الحاسوبية استخداماً وأهميةً اكتشاف الأجسام.

يركز اكتشاف الأجسام على تحديد مواقع الأجسام وتصنيفها ضمن البيانات المرئية. فعلى سبيل المثال، إذا عرضت على الحاسوب صورة بقرة، فسيتمكن من اكتشافها ورسم صندوق إحاطة حولها. وتفيد هذه القدرة في تطبيقات العالم الحقيقي، مثل مراقبة الحيوانات والسيارات ذاتية القيادة وأنظمة المراقبة.

إذًا، كيف يمكن تنفيذ اكتشاف الأجسام؟ تتمثل إحدى الطرق في استخدام نماذج الرؤية الحاسوبية. فعلى سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا للرؤية الحاسوبية يدعم مهامًا مثل اكتشاف الأجسام.

سنستعرض في هذا الدليل اكتشاف الأجسام وآلية عمله. كما سنناقش بعض التطبيقات العملية لاكتشاف الأجسام وUltralytics YOLO11.

الشكل 1. استخدام دعم YOLO11 لاكتشاف الأجسام في مراقبة الماشية.

ما اكتشاف الكائنات؟#

اكتشاف الأجسام مهمة من مهام الرؤية الحاسوبية تحدد الأجسام في الصور أو مقاطع الفيديو وتحدد مواقعها. وهي تجيب عن سؤالين أساسيين: «ما الأجسام الموجودة في الصورة؟» و«أين تقع؟»

يمكنك اعتبار اكتشاف الأجسام عملية تتضمن خطوتين أساسيتين. تتيح الخطوة الأولى، وهي تصنيف الأجسام، للنظام التعرّف على الأجسام ووضع تسميات لها، مثل تحديد قطة أو سيارة أو شخص استنادًا إلى الأنماط التي تعلّمها. أما الخطوة الثانية، وهي تحديد الموقع، فتحدد موضع الجسم برسم صندوق إحاطة حوله، موضحةً مكان ظهوره في الصورة. وتمكّن هاتان الخطوتان معًا الآلات من اكتشاف الأجسام في المشهد وفهمها.

ما يميز اكتشاف الأجسام هو قدرته على التعرّف على الأجسام وتحديد مواقعها بدقة. أما مهام الرؤية الحاسوبية الأخرى فتركز على أهداف مختلفة.

فعلى سبيل المثال، يعيّن تصنيف الصور تسميةً للصورة بأكملها. أما تجزئة الصور فتقدم فهمًا لعناصر الصورة على مستوى البكسل. في المقابل، يجمع اكتشاف الأجسام بين التعرّف وتحديد الموقع. وهذا ما يجعله مفيدًا بوجه خاص لمهام مثل عدّ عدة أجسام في الوقت الفعلي.

الشكل 2. مقارنة بين مهام الرؤية الحاسوبية.

التعرّف على الأجسام مقابل اكتشاف الأجسام#

أثناء استكشافك لمصطلحات الرؤية الحاسوبية المختلفة، قد تظن أن التعرّف على الأجسام واكتشاف الأجسام مترادفان، لكن لكل منهما غرض مختلف. ومن الطرق الجيدة لفهم الفرق النظر في اكتشاف الوجوه والتعرّف على الوجوه.

يُعد اكتشاف الوجوه نوعًا من اكتشاف الأجسام. فهو يحدد وجود وجه في الصورة ويشير إلى موقعه باستخدام صندوق إحاطة. ويجيب عن السؤال: «أين الوجه في الصورة؟» وتُستخدم هذه التقنية عادةً في كاميرات الهواتف الذكية التي تضبط التركيز تلقائيًا على الوجوه، أو في كاميرات الأمان التي تكتشف وجود شخص.

أما التعرّف على الوجوه، فهو شكل من أشكال التعرّف على الأجسام. لا يكتفي باكتشاف الوجه، بل يحدد هوية صاحبه من خلال تحليل السمات المميزة ومقارنتها بقاعدة بيانات. ويجيب عن السؤال: «من هذا الشخص؟» وهذه هي التقنية المستخدمة لفتح هاتفك باستخدام Face ID أو في أنظمة أمن المطارات للتحقق من الهويات.

ببساطة، يكتشف اكتشاف الأجسام الأجسام ويحدد مواقعها، بينما يصنفها التعرّف على الأجسام ويحدد هويتها.

الشكل 3. اكتشاف الأجسام مقابل التعرّف عليها. الصورة من إعداد المؤلف.

يمكن تدريب نماذج اكتشاف الأجسام، مثل Ultralytics YOLO11، على اكتشاف الوجوه (على سبيل المثال، باستخدام مجموعة بيانات WIDER FACE)، ولكن ليس على التعرّف على الوجوه. يستطيع نموذج YOLO11 المدرّب تحديد وجود وجه في صورة بكفاءة ورسم صندوق إحاطة حوله، ما يجعله مفيدًا في تطبيقات مثل أنظمة المراقبة ومتابعة الحشود ووضع الوسوم تلقائيًا على الصور. لكنه لا يستطيع تحديد هوية صاحب الوجه. ويمكن دمج YOLO11 مع نماذج مدرّبة خصيصًا على التعرّف على الوجوه، مثل FaceNet أو DeepFace، لإتاحة الاكتشاف والتعرّف في نظام واحد.

فهم آلية عمل الكشف عن العناصر#

قبل مناقشة كيفية عمل اكتشاف الأجسام، دعنا نلقِ نظرة فاحصة أولًا على كيفية تحليل الحاسوب للصورة. فبدلًا من رؤية الصورة كما نراها، يقسمها الحاسوب إلى شبكة من مربعات صغيرة تُسمى وحدات البكسل. وتحتوي كل وحدة بكسل على معلومات عن اللون والسطوع، يمكن للحواسيب معالجتها لتفسير البيانات المرئية.

لفهم وحدات البكسل هذه، تجمعها الخوارزميات في مناطق ذات معنى استنادًا إلى الشكل واللون ومدى تقاربها. ويمكن لنماذج اكتشاف الأجسام، مثل Ultralytics YOLO11، التعرّف على الأنماط أو السمات في مجموعات وحدات البكسل هذه.

فعلى سبيل المثال، لا ترى السيارة ذاتية القيادة أحد المشاة بالطريقة التي نراه بها؛ بل تكتشف الأشكال والأنماط المطابقة لسمات المشاة. وتعتمد هذه النماذج على التدريب المكثف باستخدام مجموعات بيانات الصور الموسومة، ما يتيح لها تعلّم الخصائص المميزة لأشياء مثل السيارات وإشارات المرور والأشخاص.

يتكون نموذج اكتشاف الأجسام المعتاد من ثلاثة أجزاء أساسية: العمود الفقري والعنق والرأس. يستخرج العمود الفقري السمات المهمة من الصورة. ويعالج العنق هذه السمات وينقحها، بينما يتولى الرأس التنبؤ بمواقع الأجسام وتصنيفها.

تنقيح الاكتشافات وعرض النتائج#

بعد إجراء الاكتشافات الأولية، تُطبّق تقنيات المعالجة اللاحقة لتحسين الدقة وتصفية التنبؤات الزائدة. فعلى سبيل المثال، تُزال صناديق الإحاطة المتداخلة لضمان الاحتفاظ بالاكتشافات الأكثر صلة فحسب. كما تُسنَد إلى كل جسم مكتشف درجات ثقة، وهي قيم رقمية تعبّر عن مدى يقين النموذج بأن الجسم المكتشف ينتمي إلى فئة معينة، لتوضيح مدى ثقته بتنبؤاته.

أخيرًا، تُعرض المخرجات مع رسم صناديق إحاطة حول الأجسام المكتشفة، إلى جانب تسميات الفئات المتوقعة ودرجات الثقة. ويمكن بعد ذلك استخدام هذه النتائج في تطبيقات العالم الحقيقي.

نماذج شائعة لاكتشاف الأجسام#

تتوفر اليوم نماذج كثيرة للرؤية الحاسوبية، ومن أشهرها نماذج Ultralytics YOLO. وتشتهر هذه النماذج بالسرعة والدقة وتعدد الاستخدامات. وقد أصبحت على مر السنين أسرع وأكثر دقة وقدرةً على معالجة نطاق أوسع من المهام. كما سهّل إصدار Ultralytics YOLOv5 النشر باستخدام أطر عمل مثل PyTorch، ما أتاح لعدد أكبر من الأشخاص استخدام الذكاء الاصطناعي البصري المتقدم دون الحاجة إلى خبرة تقنية عميقة.

استنادًا إلى هذا الأساس، وسّع Ultralytics YOLOv8 دعم مهام مثل تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات. وحقق YOLO11 تقدمًا أكبر بأداء أفضل عبر مهام متعددة، ثم خلفه Ultralytics YOLO26. وباستخدام عدد معاملات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة متوسطة (mAP) أعلى على مجموعة بيانات COCO. وبعبارة بسيطة، يستطيع YOLO11 التعرّف على الأجسام بدقة أكبر مع استخدام موارد أقل، ما يجعله أسرع وأكثر موثوقية.

سواء أكنت خبيرًا في الذكاء الاصطناعي أم في بداية مشوارك، يقدم Ultralytics YOLO11 حلًا قويًا وسهل الاستخدام لتطبيقات الرؤية الحاسوبية.

التدريب المخصص لنموذج لاكتشاف الأجسام#

يتضمن تدريب نماذج الذكاء الاصطناعي للرؤية مساعدة أجهزة الكمبيوتر على التعرّف على الصور ومقاطع الفيديو وفهمها. غير أن التدريب قد يستغرق وقتًا طويلًا. وبدلًا من البدء من الصفر، يسرّع التعلّم بالنقل العملية باستخدام نماذج مدرّبة مسبقًا تتعرّف بالفعل على الأنماط الشائعة.

على سبيل المثال، سبق تدريب Ultralytics YOLO11 على مجموعة بيانات COCO، التي تضم مجموعة متنوعة من الأجسام اليومية. ويمكن مواصلة التدريب المخصص لهذا النموذج المدرّب مسبقًا لاكتشاف أجسام محددة قد لا تكون مدرجة في مجموعة البيانات الأصلية.

لتدريب Ultralytics YOLO11 تدريبًا مخصصًا، تحتاج إلى مجموعة بيانات موسومة تحتوي على صور للأجسام التي تريد اكتشافها. فعلى سبيل المثال، إذا أردت إنشاء نموذج للتعرّف على أنواع الفاكهة المختلفة في متجر بقالة، فستُنشئ مجموعة بيانات تضم صورًا موسومة للتفاح والموز والبرتقال وغيرها. وبعد إعداد مجموعة البيانات، يمكن تدريب YOLO11 مع ضبط إعدادات التدريب، مثل حجم الدفعة ومعدل التعلّم وعدد العصور، لتحسين الأداء.

باستخدام هذا النهج، تستطيع الشركات تدريب Ultralytics YOLO11 على اكتشاف أي شيء تقريبًا، بدءًا من الأجزاء المعيبة في التصنيع ووصولًا إلى أنواع الحياة البرية في مشاريع الحفاظ على البيئة، مع تكييف النموذج ليلائم احتياجاتها بدقة.

تطبيقات اكتشاف الأجسام#

بعد ذلك، لنلقِ نظرة على بعض حالات الاستخدام العملية لاكتشاف الأجسام وكيفية إسهامه في إحداث تحول في قطاعات مختلفة.

اكتشاف المخاطر للقيادة الذاتية#

تستخدم السيارات ذاتية القيادة مهام الرؤية الحاسوبية مثل اكتشاف الأجسام للتنقل بأمان وتجنب العوائق. وتساعدها هذه التقنية على التعرّف على المشاة والمركبات الأخرى والحفر ومخاطر الطريق، ما يمكّنها من فهم محيطها على نحو أفضل. كما تستطيع اتخاذ قرارات سريعة والتحرك بأمان وسط حركة المرور من خلال تحليل بيئتها باستمرار.

الشكل 4. مثال على استخدام اكتشاف الأجسام لتحديد الحفر باستخدام Ultralytics YOLO11.

تحليل التصوير الطبي في الرعاية الصحية#

تُنتج تقنيات التصوير الطبي مثل الأشعة السينية والتصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب والموجات فوق الصوتية صورًا مفصلة للغاية لجسم الإنسان، للمساعدة على تشخيص الأمراض وعلاجها. وتنتج هذه الفحوصات كميات كبيرة من البيانات التي يجب على الأطباء، مثل اختصاصيي الأشعة واختصاصيي علم الأمراض، تحليلها بعناية لاكتشاف الأمراض. إلا أن مراجعة كل صورة بالتفصيل قد تستغرق وقتًا طويلًا، وقد يغفل الخبراء أحيانًا بعض التفاصيل بسبب الإرهاق أو ضيق الوقت.

يمكن لنماذج اكتشاف الأجسام مثل Ultralytics YOLO11 المساعدة من خلال تحديد السمات الرئيسية في الصور الطبية تلقائيًا، مثل الأعضاء والأورام أو الحالات الشاذة، بدقة عالية. ويمكن للنماذج المدرّبة تدريبًا مخصصًا إبراز المناطق المثيرة للقلق بصناديق إحاطة، ما يساعد الأطباء على التركيز على المشكلات المحتملة بسرعة أكبر. وهذا يقلل عبء العمل ويحسن الكفاءة ويوفر معلومات سريعة.

الشكل 5. تحليل الصور الطبية باستخدام Ultralytics YOLO11.

تعزيز الأمن باكتشاف الأشخاص والحالات الشاذة#

تتبع الأجسام مهمة من مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11، وتتيح المراقبة الفورية وتعزيز الأمن. وهي تطوّر اكتشاف الأجسام من خلال تحديد الأجسام ومواصلة تتبع حركتها عبر الإطارات. وتُستخدم هذه التقنية على نطاق واسع في أنظمة المراقبة لتعزيز السلامة في بيئات مختلفة.

على سبيل المثال، يمكن لتتبع الأجسام في المدارس ومراكز الرعاية النهارية المساعدة على مراقبة الأطفال ومنعهم من الابتعاد. وفي التطبيقات الأمنية، يؤدي دورًا أساسيًا في اكتشاف المتسللين في المناطق المحظورة، ومراقبة الحشود لرصد الاكتظاظ أو السلوك المريب، وإرسال تنبيهات فورية عند اكتشاف نشاط غير مصرح به. ومن خلال تتبع الأجسام أثناء حركتها، تعزز أنظمة التتبع المدعومة بـ Ultralytics YOLO11 الأمن، وتؤتمت المراقبة، وتتيح استجابة أسرع للتهديدات المحتملة.

إيجابيات اكتشاف الأجسام وسلبياته#

إليك بعض الفوائد الرئيسية التي يمكن أن يحققها اكتشاف الأجسام لمختلف القطاعات:

• الأتمتة: يمكن لاكتشاف الأجسام المساعدة على تقليل الحاجة إلى الإشراف البشري في مهام مثل مراقبة لقطات كاميرات الدوائر التلفزيونية المغلقة.
• التكامل مع نماذج الذكاء الاصطناعي الأخرى: يمكن دمجه مع أنظمة التعرّف على الوجوه والتعرّف على الأفعال والتتبع لتحسين الدقة والوظائف.
• المعالجة في الوقت الفعلي: تتميز نماذج كثيرة لاكتشاف الأجسام، مثل Ultralytics YOLO11، بالسرعة والكفاءة، ما يجعلها مثالية للتطبيقات الفورية التي تتطلب نتائج آنية.

مع أن هذه الفوائد توضح أثر اكتشاف الأجسام في حالات استخدام مختلفة، فمن المهم أيضًا مراعاة التحديات المرتبطة بتطبيقه. إليك بعض التحديات الرئيسية:

• خصوصية البيانات: قد يثير استخدام البيانات المرئية، لا سيما في المجالات الحساسة مثل المراقبة أو الرعاية الصحية، مشكلات تتعلق بالخصوصية ومخاوف أمنية.
• الاحتجاب: يحدث الاحتجاب في اكتشاف الأجسام عندما تُحجب الأجسام جزئيًا أو تختفي عن الأنظار، مما يصعّب على النموذج اكتشافها وتصنيفها بدقة.
• مكلفة حسابيًا: غالبًا ما تتطلب النماذج عالية الأداء وحدات معالجة رسومات قوية (GPUs) للمعالجة، مما يجعل نشرها في الوقت الفعلي مكلفًا.

أبرز النقاط#

يُعد اكتشاف الأجسام أداة واسعة الاستخدام في الرؤية الحاسوبية، تساعد الآلات على اكتشاف الأجسام وتحديد مواقعها في الصور ومقاطع الفيديو. ويُستخدم في قطاعات تمتد من السيارات ذاتية القيادة إلى الرعاية الصحية، ما يجعل المهام أسهل وأكثر أمانًا وكفاءة. وباستخدام نماذج مثل Ultralytics YOLO11، تستطيع الشركات إنشاء نماذج مخصصة لاكتشاف الأجسام بسهولة، لبناء تطبيقات متخصصة في الرؤية الحاسوبية.

على الرغم من وجود بعض التحديات، مثل مخاوف الخصوصية وحجب الأجسام عن الرؤية، يظل اكتشاف الأجسام تقنية موثوقة. وتجعلها قدرتها على أتمتة المهام ومعالجة البيانات المرئية في الوقت الفعلي والتكامل مع أدوات الذكاء الاصطناعي للرؤية الأخرى جزءًا أساسيًا من أنظمة الذكاء الاصطناعي الحديثة للرؤية.

لمعرفة المزيد، تفضّل بزيارة مستودع GitHub والتفاعل مع مجتمعنا. استكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة عبر صفحات حلولنا. اطّلع على خيارات ترخيص YOLO وابدأ تنفيذ مشاريعك في الذكاء الاصطناعي للرؤية.