دليل للتحليل المعمّق لاكتشاف الأجسام في عام 2025

تدمج صناعات كثيرة حلول الذكاء الاصطناعي (AI) في عملياتها بسرعة. ومن بين تقنيات الذكاء الاصطناعي العديدة المتاحة اليوم، تُعدّ الرؤية الحاسوبية من أكثرها شيوعًا. الرؤية الحاسوبية هي فرع من الذكاء الاصطناعي يساعد الحواسيب على رؤية محتويات الصور ومقاطع الفيديو وفهمها، تمامًا كما يفعل البشر. وهي تتيح للآلات التعرّف على الأجسام وتحديد الأنماط وفهم ما تنظر إليه.

يُقدَّر أن تنمو القيمة السوقية العالمية للرؤية الحاسوبية لتصل إلى 175.72 مليار دولار بحلول عام 2032. وتشمل الرؤية الحاسوبية مهام متنوعة تمكّن أنظمة الذكاء الاصطناعي البصري من تحليل البيانات المرئية وتفسيرها. وتُعدّ مهمة اكتشاف الأجسام إحدى أكثر مهام الرؤية الحاسوبية استخدامًا وأهمية.

يركّز اكتشاف الأجسام على تحديد مواقع الأجسام وتصنيفها في البيانات المرئية. فعلى سبيل المثال، إذا عرضت على حاسوب صورة بقرة، فبإمكانه اكتشاف البقرة ورسم مربع إحاطة حولها. وتفيد هذه القدرة في تطبيقات العالم الحقيقي، مثل مراقبة الحيوانات والسيارات ذاتية القيادة والمراقبة الأمنية.

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

في هذا الدليل، سنستكشف اكتشاف الأجسام وآلية عمله. وسنناقش أيضًا بعض تطبيقات اكتشاف الأجسام وUltralytics YOLO11 في العالم الحقيقي.

الشكل 1. استخدام دعم YOLO11 لاكتشاف الأجسام لمراقبة الماشية.

ما هو اكتشاف الأجسام؟#

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

يمكنك النظر إلى اكتشاف الأجسام باعتباره عملية تتضمن خطوتين أساسيتين. تتيح الأولى، وهي تصنيف الأجسام، للنظام التعرّف على الأجسام وتسميتها، مثل تحديد قطة أو سيارة أو شخص استنادًا إلى الأنماط التي تعلّمها. أما الثانية، وهي تحديد الموقع، فتحدد موضع الجسم من خلال رسم مربع إحاطة حوله، موضحةً مكان ظهوره في الصورة. وتمكّن هاتان الخطوتان الآلات معًا من اكتشاف الأجسام وفهمها في المشهد.

يتمثل الجانب الذي يجعل اكتشاف الأجسام فريدًا في قدرته على التعرّف على الأجسام وتحديد مواقعها بدقة. وتركّز مهام الرؤية الحاسوبية الأخرى على أهداف مختلفة.

فعلى سبيل المثال، يعيّن تصنيف الصور تسمية لصورة كاملة. بينما يوفر تجزئة الصور فهمًا على مستوى البكسل للعناصر المختلفة. أما اكتشاف الأجسام فيجمع بين التعرّف وتحديد الموقع. وهذا يجعله مفيدًا بصفة خاصة لمهام مثل عدّ أجسام متعددة في الوقت الفعلي.

الشكل 2. مقارنة مهام الرؤية الحاسوبية.

التعرّف على الأجسام مقابل اكتشاف الأجسام#

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

اكتشاف الوجوه هو نوع من اكتشاف الأجسام. إذ يحدد وجود وجه في صورة ويحدّد موقعه باستخدام مربع إحاطة. ويجيب عن السؤال: «أين يوجد الوجه في الصورة؟» وتُستخدم هذه التقنية عادةً في كاميرات الهواتف الذكية التي تركّز تلقائيًا على الوجوه، أو في كاميرات الأمان التي تكتشف وجود شخص.

أما التعرّف على الوجوه، فهو شكل من أشكال التعرّف على الأجسام. فهو لا يكتشف الوجه فحسب، بل يحدد هوية صاحبه من خلال تحليل السمات الفريدة ومقارنتها بقاعدة بيانات. ويجيب عن السؤال: «من هذا الشخص؟» وتقف هذه التقنية وراء فتح هاتفك باستخدام Face ID أو أنظمة أمن المطارات التي تتحقق من الهويات.

ببساطة، يعثر اكتشاف الأجسام على الأجسام ويحدد مواقعها، بينما يصنّف التعرّف على الأجسام هذه الأجسام ويحدد هويتها.

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

صُممت نماذج كثيرة لاكتشاف الأجسام، مثل Ultralytics YOLO11، لدعم اكتشاف الوجوه لا التعرّف عليها. يستطيع YOLO11 تحديد وجود وجه في صورة بكفاءة ورسم مربع إحاطة حوله، ما يجعله مفيدًا لتطبيقات مثل أنظمة المراقبة ومراقبة الحشود ووضع علامات تلقائية على الصور. لكنه لا يستطيع تحديد هوية صاحب الوجه. ويمكن دمج YOLO11 مع نماذج مدرّبة خصيصًا للتعرّف على الوجوه، مثل Facenet أو DeepFace، لإتاحة الاكتشاف والتعرّف في نظام واحد.

فهم آلية عمل كشف الأجسام#

قبل مناقشة آلية عمل اكتشاف الأجسام، لنتأمل أولًا بمزيد من التفصيل كيفية تحليل الحاسوب للصورة. فبدلًا من رؤية الصورة كما نراها، يقسمها الحاسوب إلى شبكة من المربعات الصغيرة التي تُسمى بكسلات. وتحتوي كل بكسل على معلومات عن اللون والسطوع يمكن للحواسيب معالجتها لتفسير البيانات المرئية.

ولفهم هذه البكسلات، تجمعها الخوارزميات في مناطق ذات معنى استنادًا إلى الشكل واللون ومدى قربها من بعضها. ويمكن لنماذج اكتشاف الأجسام، مثل Ultralytics YOLO11، التعرّف على الأنماط أو السمات في مجموعات البكسلات هذه.

فعلى سبيل المثال، لا ترى السيارة ذاتية القيادة المشاة بالطريقة التي نراهم بها، بل تكتشف الأشكال والأنماط التي تتطابق مع سمات المشاة. وتعتمد هذه النماذج على تدريب مكثف باستخدام مجموعات بيانات الصور الموسومة، ما يتيح لها تعلّم الخصائص المميزة لأجسام مثل السيارات وإشارات المرور والأشخاص.

يتكون نموذج اكتشاف الأجسام النموذجي 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، تُطبَّق تقنيات المعالجة اللاحقة لتحسين الدقة وتصفيـة التنبؤات الزائدة. فعلى سبيل المثال، تُزال مربعات الإحاطة المتداخلة لضمان الاحتفاظ بالاكتشافات الأكثر صلة فقط. كما تُسنَد درجات ثقة، وهي قيم عددية تمثل مدى يقين النموذج من انتماء جسم مكتشف إلى فئة معينة، إلى كل جسم مكتشف للإشارة إلى مدى يقين النموذج من تنبؤاته.

وأخيرًا، يُعرض الناتج مع رسم مربعات إحاطة حول الأجسام المكتشفة، إلى جانب تسميات الفئات المتنبأ بها ودرجات الثقة. ويمكن استخدام هذه النتائج بعد ذلك في تطبيقات العالم الحقيقي.

نماذج اكتشاف الأجسام الشائعة#

تتوفر اليوم نماذج كثيرة للرؤية الحاسوبية، ومن أشهرها نماذج Ultralytics YOLO. وتشتهر هذه النماذج بالسرعة والدقة وتعدد الاستخدامات. وعلى مر السنين، أصبحت أسرع وأكثر دقة وقادرة على التعامل مع نطاق أوسع من المهام. وقد سهّل إصدار Ultralytics YOLOv5 عملية 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، قدّم Ultralytics YOLOv8 ميزات جديدة مثل تجزئة الحالات وتقدير الوضعية وتصنيف الصور. أما الآن، فيرتقي YOLO11 بالأداء أكثر عبر مهام متعددة. فباستخدام عدد معلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة (mAP) أعلى على مجموعة بيانات COCO. وبعبارات بسيطة، يستطيع YOLO11 التعرّف على الأجسام بدقة أكبر مع استخدام موارد أقل، ما يجعله أسرع وأكثر موثوقية.

سواء كنت خبيرًا في الذكاء الاصطناعي أو في بداية مشوارك، يوفر Ultralytics YOLO11 حلًا قويًا وسهل الاستخدام لتطبيقات الرؤية الحاسوبية.

تدريب نموذج مخصص لاكتشاف الأجسام#

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

فعلى سبيل المثال، دُرّب Ultralytics YOLO11 مسبقًا على مجموعة بيانات COCO، التي تحتوي على مجموعة متنوعة من الأجسام اليومية. ويمكن مواصلة تدريب هذا النموذج المدرّب مسبقًا تدريبًا مخصصًا لاكتشاف أجسام محددة قد لا تكون مدرجة في مجموعة البيانات الأصلية.

لتنفيذ التدريب المخصص لـ Ultralytics YOLO11، تحتاج إلى مجموعة بيانات موسومة تحتوي على صور للأجسام التي تريد اكتشافها. فعلى سبيل المثال، إذا أردت إنشاء نموذج لتحديد أنواع مختلفة من الفواكه في متجر بقالة، فستنشىء مجموعة بيانات تتضمن صورًا موسومة للتفاح والموز والبرتقال وغيرها. وبعد إعداد مجموعة البيانات، يمكن تدريب YOLO11 مع ضبط معلمات مثل حجم الدفعة ومعدل التعلّم وعدد العصور لتحسين الأداء.

باستخدام هذا النهج، يمكن للشركات تدريب Ultralytics YOLO11 على اكتشاف أي شيء، بدءًا من الأجزاء المعيبة في التصنيع ووصولًا إلى أنواع الحياة البرية في مشاريع الحفاظ على البيئة، مع تكييف النموذج وفق احتياجاتها الدقيقة.

تطبيقات اكتشاف الأجسام#

لنلقِ نظرة بعد ذلك على بعض حالات استخدام اكتشاف الأجسام في العالم الحقيقي وكيف يغير هذا المجال صناعات متنوعة.

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 الطرق، ما يمكّنها من فهم محيطها على نحو أفضل. ويمكنها اتخاذ قرارات سريعة والتحرك بأمان وسط حركة المرور من خلال تحليل بيئتها باستمرار.

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

تحليل التصوير الطبي في الرعاية الصحية#

تُنشئ تقنيات التصوير الطبي مثل الأشعة السينية والتصوير بالرنين المغناطيسي والتصوير المقطعي بالمحوسب والموجات فوق الصوتية صورًا عالية التفاصيل لجسم الإنسان للمساعدة في تشخيص الأمراض وعلاجها. وتنتج عمليات التصوير هذه كميات كبيرة من البيانات التي يجب على الأطباء، مثل أطباء الأشعة وأطباء علم الأمراض، تحليلها بعناية لاكتشاف الأمراض. إلا أن مراجعة كل صورة بالتفصيل قد تستغرق وقتًا طويلًا، وقد يفوّت الخبراء البشريون أحيانًا بعض التفاصيل بسبب التعب أو ضيق الوقت.

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

الشكل 5. تحليل الصور الطبية باستخدام Ultralytics YOLO11.

تعزيز الأمان باكتشاف الأشخاص والشذوذ#

تتبع الأجسام هو مهمة في الرؤية الحاسوبية يدعمها Ultralytics YOLO11، ما يتيح المراقبة في الوقت الفعلي وتعزيز الأمان. وهو يبني على اكتشاف الأجسام من خلال تحديد الأجسام وتتبع حركتها باستمرار عبر الإطارات. وتُستخدم هذه التقنية على نطاق واسع في أنظمة المراقبة لتحسين الأمان في بيئات متنوعة.

فعلى سبيل المثال، يمكن أن يساعد تتبع الأجسام في المدارس ومراكز رعاية الأطفال على مراقبة الأطفال ومنعهم من الابتعاد. وفي تطبيقات الأمان، يؤدي دورًا رئيسيًا في اكتشاف المتسللين في المناطق المحظورة، ومراقبة الحشود لرصد الاكتظاظ أو السلوك المريب، وإرسال تنبيهات في الوقت الفعلي عند اكتشاف نشاط غير مصرّح به. ومن خلال تتبع الأجسام أثناء حركتها، تعزز أنظمة التتبع المدعومة بـ Ultralytics YOLO11 الأمان، وتؤتمت المراقبة، وتتيح استجابات أسرع للتهديدات المحتملة.

إيجابيات وسلبيات اكتشاف الأجسام#

فيما يلي بعض الفوائد الأساسية التي يمكن أن يحققها اكتشاف الأجسام لمختلف الصناعات:

• الأتمتة: يمكن أن يساعد اكتشاف الأجسام على تقليل الحاجة إلى الإشراف البشري في مهام مثل مراقبة لقطات كاميرات الدوائر التلفزيونية المغلقة.
• العمل 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 لحظية.

رغم أن هذه الفوائد تبرز تأثير اكتشاف الأجسام في حالات الاستخدام المختلفة، فمن المهم أيضًا مراعاة التحديات المرتبطة بتطبيقه. وفيما يلي بعض التحديات الأساسية:

• خصوصية البيانات: قد يثير استخدام البيانات المرئية، خصوصًا في المجالات الحساسة مثل المراقبة أو الرعاية الصحية، قضايا تتعلق بالخصوصية ومخاوف أمنية.

• الحجب: يحدث الحجب في اكتشاف الأجسام عندما تكون الأجسام محجوبة جزئيًا أو مخفية عن الرؤية، ما يصعّب على النموذج اكتشافها وتصنيفها بدقة.

• مكلف حسابيًا: غالبًا ما تتطلب النماذج عالية الأداء وحدات معالجة رسومية (GPUs) قوية للمعالجة، ما يجعل النشر في الوقت الفعلي مكلفًا.

أهم النقاط المستخلصة#

يُعدّ اكتشاف الأجسام أداة ثورية في الرؤية الحاسوبية تساعد الآلات على اكتشاف الأجسام وتحديد مواقعها في الصور ومقاطع الفيديو. ويُستخدم في قطاعات تتراوح بين السيارات ذاتية القيادة والرعاية الصحية، ما يجعل المهام أسهل وأكثر أمانًا وكفاءة. ومع النماذج الأحدث مثل Ultralytics YOLO11، يمكن للشركات بسهولة إنشاء نماذج مخصصة لاكتشاف الأجسام لبناء تطبيقات متخصصة في الرؤية الحاسوبية.

رغم وجود بعض التحديات، مثل مخاوف الخصوصية واختفاء الأجسام عن الرؤية، يُعدّ اكتشاف الأجسام تقنية موثوقة. وتجعل قدرته على أتمتة المهام ومعالجة البيانات المرئية في الوقت الفعلي والتكامل مع أدوات الذكاء الاصطناعي البصري الأخرى منه جزءًا أساسيًا من الابتكارات المتطورة.

لمعرفة المزيد، تفضل بزيارة مستودعنا على GitHub والتفاعل مع مجتمعنا. واستكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة عبر صفحات حلولنا. وتعرّف على خيارات ترخيص YOLO وحوّل مشاريع الذكاء الاصطناعي البصري لديك إلى واقع. 🚀