دليل للتعمق في اكتشاف الكائنات في عام 2025

تدمج العديد من الصناعات حلول الذكاء الاصطناعي بسرعة في عملياتها. ومن بين تقنيات الذكاء الاصطناعي العديدة المتاحة اليوم، يعد الرؤية الحاسوبية أحد أكثرها شعبية. تعد Computer vision فرعاً من فروع الذكاء الاصطناعي الذي يساعد أجهزة الكمبيوتر على رؤية وفهم محتويات الصور والفيديوهات، تماماً كما يفعل البشر. وهي تمكن الآلات من التعرف على الكائنات، وتحديد الأنماط، وفهم ما تنظر إليه.

تشير التقديرات إلى أن global market value of computer vision سينمو ليصل إلى 175.72 مليار دولار بحلول عام 2032. تشمل الرؤية الحاسوبية مهام مختلفة تمكن أنظمة الذكاء الاصطناعي البصري من تحليل وتفسير البيانات البصرية. وتعد كشف الكائنات إحدى أكثر مهام الرؤية الحاسوبية استخداماً وأهمية.

تركز Object detection على تحديد مواقع الكائنات وتصنيفها في البيانات البصرية. على سبيل المثال، إذا عرضت على الكمبيوتر صورة بقرة، فيمكنه اكتشاف البقرة ورسم مربع محيط حولها. هذه القدرة مفيدة في التطبيقات الواقعية مثل مراقبة الحيوانات، والسيارات ذاتية القيادة، والمراقبة.

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

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

Fig 1. استخدام دعم YOLO11 لكشف الكائنات لمراقبة الماشية.

ما 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.

الجانب الذي يجعل كشف الكائنات فريداً هو قدرته على التعرف على الكائنات وتحديد مواقعها بدقة. تركز computer vision tasks 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.

Fig 2. مقارنة مهام الرؤية الحاسوبية.

التعرف 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.

من ناحية أخرى، يعد Face recognition شكلاً من أشكال التعرف على الكائنات. فهو لا يكتشف الوجه فحسب، بل يحدد هوية صاحبه عن طريق تحليل الميزات الفريدة ومقارنتها بقاعدة بيانات. يجيب هذا على سؤال: "من هذا الشخص؟" هذه هي التقنية الكامنة وراء إلغاء 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 Ultralytics YOLO11، لدعم اكتشاف الوجوه وليس التعرف عليها. يمكن لـ YOLO11 تحديد وجود وجه في صورة بكفاءة ورسم صندوق محيط (bounding box) حوله، مما يجعله مفيدًا لتطبيقات مثل أنظمة المراقبة، ومراقبة الحشود، ووضع علامات الصور الآلية. ومع ذلك، لا يمكنه تحديد لمن يعود هذا الوجه. يمكن دمج YOLO11 مع نماذج مُدربة خصيصًا للتعرف على الوجوه، مثل Facenet أو DeepFace، لتمكين كل من الاكتشاف والتعرف في نظام واحد.

فهم 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 بتجمعيها في مناطق ذات معنى بناءً على الشكل، واللون، ومدى تقاربها من بعضها البعض. نماذج الكشف عن الكائنات، مثل Ultralytics YOLO11، قادرة على التعرف على الأنماط أو الميزات داخل مجموعات البكسل هذه.

على سبيل المثال، لا ترى السيارة ذاتية القيادة أحد المشاة بالطريقة التي نراها بها - بل تكتشف الأشكال والأنماط التي تطابق ميزات المشاة. تعتمد هذه النمط على تدريب مكثف مع image datasets مصنفة، مما يسمح لها بتعلم الخصائص المميزة للكائنات مثل السيارات، وإشارات 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.

تنقيح الاكتشافات وتقديم النتائج#

بمجرد إجراء الاكتشافات الأولية، يتم تطبيق تقنيات المعالجة اللاحقة لتحسين accuracy وتصفية التنبؤات الزائدة. على سبيل المثال، يتم إزالة المربعات المحيطة المتداخلة، مما يضمن الاحتفاظ بالتنبؤات الأكثر صلة فقط. أيضاً، يتم تعيين درجات الثقة (قيم عددية تمثل مدى تأكد النموذج من أن الككتشاف المكتشف ينتمي إلى فئة معين) لكل ككتشاف 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.

نماذج اكتشاف الكائنات الشائعة#

في الوقت الحاضر، هناك العديد من نماذج الرؤية الحاسوبية المتاحة، وبعضها الأكثر شعبية هي Ultralytics YOLO models. وهي معروفة بسرعتها ودقتها وتنوعها. على مر السنين، أصبحت هذه النماذج أسرع وأكثر دقة وقدرة على التعامل مع نطاق أوسع من المهام. لقد جعل إطلاق Ultralytics YOLOv5 النشر أسهل باستخدام أطر عمل مثل PyTorch، مما يسمح لمزيد من الأشخاص باستخدام الذكاء الاصطناعي البصري المتقدم دون الحاجة إلى خبرة تقنية عميقة.

بناءً على هذا الأساس، قدمت Ultralytics YOLOv8 ميزات جديدة مثل تجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور. والآن، يأخذ YOLO11 الأمور إلى أبعد من ذلك بأداء أفضل عبر مهام متعددة. مع معاملات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة أعلى (mAP) 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 خبيراً في الذكاء الاصطناعي أو مبتدئاً، فإن Ultralytics YOLO11 يقدم حلاً قوياً وسهل الاستخدام لتطبيقات الرؤية الحاسوبية.

تدريب 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 Ultralytics YOLO11 مسبقاً على مجموعة بيانات COCO، والتي تحتوي على مجموعة متنوعة من الأشياء اليومية. يمكن تدريب هذا النموذج المدرب مسبقاً خصيصاً لاكتشاف أشياء محددة قد لا تكون مدرجة في مجموعة البيانات الأصلية.

لإجراء custom-train لنموذج Ultralytics YOLO11، تحتاج إلى مجموعة بيانات مصنفة تحتوي على صور للكائنات التي تريد اكتشافها. على سبيل المثال، إذا كنت تريد بناء نموذج لتحديد أنواع مختلفة من الفواكه في متجر بقالة، فسوف تقم بإنشاء مجموعة بيانات تحتوي على صور مصنفة للتفاح، والموز، والبرتقال، وما إلى ذلك. بمجرد تجهيز مجموعة البيانات، يمكن تدريب YOLO11، مع ضبط المعلمات مثل حجم الدُفعة (batch size)، ومعدل التعلم (learning rate)، ودورات التدريب (epochs) لتحسين الأداء.

بهذه الطريقة، يمكن للشركات تدريب Ultralytics YOLO11 على اكتشاف أي شيء، بدءاً من القطع المعيبة في التصنيع وصولاً إلى أنواع الحياة البرية في مشاريع الحفاظ على البيئة، مع تصميم النموذج ليناسب احتياجاتهم بدقة.

تطبيقات اكتشاف الكائنات#

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

اكتشاف المخاطر للقيادة الذاتية#

تستخدم Self-driving cars مهام الرؤية الحاسوبية مثل كشف الكائنات للتنقل بأمان وتجنب العقبات. تساعدهم هذه التقنية على التعرف على المشاة، والمركبات الأخرى، والحفر، ومخاطر الطريق، مما يتيح لهم فهم محيطهم بشكل أفضل. يمكنهم اتخاذ قرارات سريعة والتحرك بأمان عبر حركة المرور من خلال التحليل المستمر لبيئتهم.

Fig 4. مثال على استخدام الكشف عن الكائنات لاكتشاف الحفر باستخدام Ultralytics YOLO11.

تحليل الصور الطبية في الرعاية الصحية#

تخلق تقنيات Medical imaging مثل الأشعة السينية، والتصوير بالرنين المغناطيسي، والأشعة المقطعية، والموجات فوق الصوتية صوراً مفصلة للغاية لجسم الإنسان للمساعدة في تشخيص الأمراض وعلاجها. تنتج هذه الفحوصات كميات كبيرة من البيانات التي يجب على الأطباء، مثل أطباء الأشعة وأطباء الأمراض، تحليلها بعناية للككتشاف الأمراض. ومع ذلك، قد يكون مراجعة كل صورة بالتفصيل استهلاكاً للوقت، وقد يفوت الخبراء البشريون التفاصيل أحياناً بسبب الإرهاق أو قيود الوقت.

تستطيع نماذج الكشف عن الكائنات مثل Ultralytics YOLO11 المساعدة في التحديد التلقائي للميزات الرئيسية في الصور الطبية، مثل الأعضاء أو الأورام أو التشوهات، بدقة عالية. يمكن للنماذج المدربة خصيصاً إبراز مناطق الاهتمام باستخدام BBox، مما يساعد الأطباء على التركيز على المشكلات المحتملة بسرعة أكبر. هذا يقلل من عبء العمل، ويحسن الكفاءة، ويوفر رؤى سريعة.

Fig 5. تحليل الصور الطبية باستخدام Ultralytics YOLO11.

زيادة الأمن من خلال اكتشاف الأشخاص والشذوذ#

تتبع الكائنات هو مهمة رؤية حاسوبية يدعمها Ultralytics YOLO11، مما يتيح المراقبة في الوقت الفعلي وتحسينات الأمان. وهو يعتمد على الكشف عن الكائنات من خلال تحديد الكائنات وتتبع حركتها باستمرار عبر الإطارات. تُستخدم هذه التقنية على نطاق واسع في أنظمة المراقبة لتحسين الأمان في بيئات مختلفة.

على سبيل المثال، في المدرس ومراكز الرعاية النهارية، يمكن أن يساعد تتبع الكائنات في مراقبة الأطفال ومنعهم من الضياع. وفي تطبيقات الأمان، يلعب دوراً رئيسياً في اكتشاف المتسللين في المناطق المحظورة، ومراقبة الحشود بحثاً عن الاكتظاظ أو السلوك المشبوه، وإرسال تنبيهات في الوقت الفعلي عند اكتشاف أي نشاط غير مصرح به. من خلال متابعة الكائنات أثناء تحركها، تعمل أنظمة التتبع المدعومة بـ Ultralytics YOLO11 على تعزيز الأمان، وأتمتة المراقبة، وإتاحة الاستجابات السريعة للتهديدات المحتملة.

إيجابيات 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 الكشف عن الكائنات، مثل Ultralytics YOLO11، تتسم بالسرعة والكفاءة، مما يجعلها مثالية للتطبيقات الفورية التي تتطلب نتائج آنية.

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:

• Data privacy: قد يثير استخدام البيانات البصرية، لا سيما في المناطق الحساسة 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.

أبرز النقاط#

يُعد الكشف عن الكائنات أداة ثورية في الرؤية الحاسوبية تساعد الآلات على اكتشاف وتحديد مواقع الكائنات في الصور والفيديوهات. ويُستخدم في قطاعات متنوعة تتراوح من السيارات ذاتية القيادة إلى الرعاية الصحية، مما يجعل المهام أسهل وأكثر أماناً وكفاءة. ومع النماذج الأحدث مثل Ultralytics YOLO11، يمكن للشركات إنشاء نماذج مخصصة للكشف عن الكائنات بسهولة لتطوير 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 repository الخاص بنا وتفاعل مع our community. استكشف الابتكارات في قطاعات مثل AI in self-driving cars وcomputer vision in agriculture على صفحات الحلول الخاصة بنا. تحقق من خيارات YOLO licensing options الخاصة بنا وأحلق مشاريع الذكاء الاصطناعي البصري الخاصة بك بالحياة. 🚀