كل ما تحتاج إلى معرفته عن مهام الرؤية الحاسوبية

بفضل الكاميرات والتطورات في مجال الذكاء الاصطناعي (AI)، أصبحت أجهزة الكمبيوتر والآلات قادرة الآن على رؤية العالم بطريقة مشابهة للبشر. فعلى سبيل المثال، يمكنها التعرّف على الأشخاص، وتتبع الأجسام، وحتى فهم سياق ما يحدث في الفيديو.

تحديدًا، تُعدّ الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي (AI) يمكّن الآلات من فهم المعلومات المرئية من العالم المحيط بها وتفسيرها. وتتضمن الرؤية الحاسوبية مجموعة متنوعة من المهام، صُممت كل منها لاستخراج نوع محدد من الرؤى من الصور أو مقاطع الفيديو. فعلى سبيل المثال، يساعد اكتشاف الأجسام في تحديد العناصر المختلفة في الصورة وتحديد مواقعها، بينما تساعد مهام أخرى مثل التتبع والتجزئة وتقدير الوضعية الآلات على فهم الحركة والأشكال والمواضع بدقة أكبر.

تعتمد مهمة الرؤية الحاسوبية المستخدمة في تطبيق معين على نوع الرؤى التي تحتاج إليها. وتدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مهام مختلفة للرؤية الحاسوبية، ما يجعلها خيارًا موثوقًا لبناء أنظمة ذكاء اصطناعي بصري واقعية.

في هذا الدليل، سنلقي نظرةً أقرب على مهام الرؤية الحاسوبية التي تدعمها نماذج مثل YOLO11. وسنستكشف كيفية عمل كل مهمة وكيفية استخدامها في مختلف القطاعات. لنبدأ!

ما مهام الرؤية الحاسوبية؟#

تهدف مهام الرؤية الحاسوبية إلى محاكاة قدرات الرؤية البشرية بطرق مختلفة. ويمكن لهذه المهام مساعدة الآلات على اكتشاف الأجسام، وتتبع حركتها، وتقدير وضعياتها، وحتى تحديد العناصر الفردية في الصور ومقاطع الفيديو. وعادةً ما تُفعَّل مهام الرؤية الحاسوبية بواسطة نماذج تقسّم البيانات المرئية إلى أجزاء أصغر، لكي تتمكن من تفسير ما يحدث بوضوح أكبر.

تدعم نماذج الذكاء الاصطناعي البصري مثل نماذج Ultralytics YOLO مهام متعددة، مثل الاكتشاف والتتبع والتجزئة، ضمن إطار عمل واحد. وبفضل هذه المرونة، يسهل اعتماد نماذج YOLO11 في مجموعة واسعة من حالات الاستخدام.

الشكل 1. مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11.

ومن الأمثلة الجيدة على ذلك تحليلات الرياضة. إذ يمكن استخدام YOLO11 لاكتشاف كل لاعب في الملعب باستخدام اكتشاف الأجسام، ثم تتبعهم طوال المباراة باستخدام تتبع الأجسام. وفي الوقت نفسه، يمكن لقدرات YOLO11 في تقدير الوضعية أن تساعد في تحليل حركات اللاعبين وتقنياتهم، كما يمكن لتجزئة المثيلات فصل كل لاعب عن الخلفية، ما يضيف دقة إلى التحليل.

تُكوِّن مهام الرؤية الحاسوبية هذه، المدعومة بواسطة YOLO11، صورةً متكاملة لما يحدث أثناء المباراة، وتمنح الفرق رؤى أعمق حول أداء اللاعبين والتكتيكات والاستراتيجية العامة.

نظرة عامة على مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11#

بعد أن ألقينا نظرة على ماهية مهام الرؤية الحاسوبية، دعونا نتعمق في فهم كل مهمة يدعمها YOLO11 بمزيد من التفصيل، باستخدام أمثلة من العالم الواقعي.

دعم Ultralytics YOLO11 لتصنيف الصور#

عندما تنظر إلى صورة، يستطيع معظم الأشخاص بسهولة تحديد ما إذا كانت تُظهر كلبًا أو جبلًا أو إشارة مرور، لأننا تعلمنا جميعًا الشكل المعتاد لهذه الأشياء. ويساعد تصنيف الصور الآلات على فعل الشيء نفسه، من خلال تعليمها تصنيف الصورة ووضع تسمية لها استنادًا إلى العنصر الرئيسي فيها، سواء كان "سيارة" أو "موزة" أو "صورة أشعة سينية لكسر". وتساعد هذه التسمية أنظمة الرؤية الحاسوبية على فهم المحتوى المرئي، كي تتمكن من الاستجابة أو اتخاذ القرارات وفقًا لذلك.

من التطبيقات المثيرة للاهتمام لهذه المهمة من مهام الرؤية الحاسوبية مراقبة الحياة البرية. إذ يمكن استخدام تصنيف الصور لتحديد أنواع الحيوانات المختلفة من الصور الملتقطة في البرية. ومن خلال وضع تسميات تلقائية للصور، يستطيع الباحثون تتبع أعداد الحيوانات، ومراقبة أنماط الهجرة، والتعرف على الأنواع المهددة بالانقراض بسهولة أكبر لدعم جهود الحفاظ على البيئة.

الشكل 2. مثال على استخدام YOLO11 لتصنيف الصور.

قدرات Ultralytics YOLO11 في اكتشاف الأجسام#

في حين يفيد تصنيف الصور في تكوين فكرة عامة عما تحتويه الصورة، فإنه يعيّن تسمية واحدة للصورة بأكملها فقط. وعندما تكون هناك حاجة إلى معلومات تفصيلية، مثل الموقع الدقيق لهويات أجسام متعددة، يصبح اكتشاف الأجسام ضروريًا.

اكتشاف الأجسام هو عملية تحديد الأجسام الفردية داخل الصورة وتحديد مواقعها، غالبًا من خلال رسم مربعات إحاطة حولها. ويتميز Ultralytics YOLO11 بأداء قوي خصوصًا في اكتشاف الأجسام في الوقت الفعلي، ما يجعله مناسبًا لمجموعة واسعة من التطبيقات.

خذ، على سبيل المثال، حلول الرؤية الحاسوبية المستخدمة في متاجر التجزئة لتخزين الرفوف. إذ يمكن لاكتشاف الأجسام المساعدة في عدّ الفواكه والخضروات والعناصر الأخرى، بما يضمن دقة المخزون. وفي الحقول الزراعية، يمكن للتقنية نفسها مراقبة نضج المحاصيل لمساعدة المزارعين على تحديد أفضل وقت للحصاد، بل والتمييز بين المنتجات الناضجة وغير الناضجة.

الشكل 3. اكتشاف الفواكه باستخدام Ultralytics YOLO11.

استخدام YOLO11 لتجزئة المثيلات#

يستخدم اكتشاف الأجسام مربعات الإحاطة لتحديد الأجسام في الصورة وتحديد مواقعها، لكنه لا يلتقط أشكالها الدقيقة. وهنا يأتي دور تجزئة المثيلات. فبدلًا من رسم مربع حول الجسم، ترسم تجزئة المثيلات حدوده الدقيقة.

يمكنك تصور الأمر على النحو الآتي: فبدلًا من الإشارة ببساطة إلى "وجود تفاحة في هذه المنطقة"، تُحدِّد العملية شكل التفاحة الدقيق وترسم حدوده وتملؤه بعناية. ويساعد هذا التفصيل أنظمة الذكاء الاصطناعي على فهم حدود الجسم بوضوح، لا سيما عندما تكون الأجسام متقاربة.

يمكن تطبيق تجزئة المثيلات في العديد من التطبيقات، بدءًا من فحوصات البنية التحتية ووصولًا إلى المسوحات الجيولوجية. فعلى سبيل المثال، يمكن تحليل بيانات المسوحات الجيولوجية باستخدام YOLO11 لتجزئة الشقوق أو العيوب السطحية الكبيرة والصغيرة. ومن خلال رسم حدود دقيقة حول هذه الحالات الشاذة، يستطيع المهندسون تحديد المشكلات بدقة ومعالجتها قبل بدء المشروع.

الشكل 4. تجزئة الشقوق باستخدام YOLO11.

تتبع الأجسام: تتبع الأجسام عبر الإطارات باستخدام YOLO11#

حتى الآن، ركزت مهام الرؤية الحاسوبية التي تناولناها على ما يظهر في صورة واحدة. لكن عند التعامل مع مقاطع الفيديو، نحتاج إلى رؤى تتجاوز إطارًا واحدًا. ويمكن استخدام مهمة تتبع الأجسام لهذا الغرض.

يمكن لقدرة YOLO11 على تتبع الأجسام متابعة جسم محدد، مثل شخص أو سيارة، أثناء تحركه عبر سلسلة من إطارات الفيديو. وحتى إذا تغيرت زاوية الكاميرا أو ظهرت أجسام أخرى، يواصل النظام تتبع الهدف نفسه.

ويُعد ذلك ضروريًا للتطبيقات التي تتطلب المراقبة بمرور الوقت، مثل تتبع السيارات في حركة المرور. وفي الواقع، يستطيع YOLO11 تتبع المركبات بدقة، ومتابعة كل سيارة للمساعدة في تقدير سرعتها في الوقت الفعلي. وهذا يجعل تتبع الأجسام مكوّنًا أساسيًا في أنظمة مثل مراقبة حركة المرور.

الشكل 5. يمكن استخدام دعم YOLO11 لتتبع الأجسام في تقدير السرعة.

اكتشاف مربعات الإحاطة الموجّهة (OBB) باستخدام YOLO11#

لا تكون الأجسام في العالم الواقعي مصطفة دائمًا بصورة مثالية؛ فقد تكون مائلة أو جانبية أو موضوعة بزوايا غير اعتيادية. فعلى سبيل المثال، غالبًا ما تظهر السفن والمباني في الصور الملتقطة بالأقمار الصناعية وهي مُدارة.

تستخدم أساليب اكتشاف الأجسام التقليدية مربعات مستطيلة ثابتة لا تتكيف مع اتجاه الجسم، ما يجعل التقاط هذه الأشكال المُدارة بدقة أمرًا صعبًا. ويحل اكتشاف مربعات الإحاطة الموجّهة (OBB) هذه المشكلة باستخدام مربعات تدور لتلائم الجسم بإحكام، وتصطف مع زاويته لتحقيق اكتشاف أكثر دقة.

فيما يتعلق بمراقبة الموانئ، يمكن أن يساعد دعم YOLO11 لاكتشاف OBB في تحديد السفن وتتبعها بدقة بغض النظر عن اتجاهها، ما يضمن مراقبة كل سفينة تدخل الميناء أو تغادره على نحو صحيح. ويوفر هذا الاكتشاف الدقيق معلومات آنية عن مواقع السفن وحركاتها، وهو أمر بالغ الأهمية لإدارة الموانئ المزدحمة ومنع التصادمات.

الشكل 6. اكتشاف القوارب باستخدام اكتشاف OBB وYOLO11.

تقدير الوضعية وYOLO11: تتبع النقاط الرئيسية#

تقدير الوضعية هو أسلوب في الرؤية الحاسوبية يتتبع النقاط الرئيسية، مثل المفاصل أو الأطراف أو العلامات الأخرى، لفهم كيفية تحرك الجسم. وبدلًا من التعامل مع الجسم أو الجسد بأكمله كوحدة مكتملة واحدة، تقسّم هذه الطريقة الجسم إلى أجزائه الرئيسية. وهذا يتيح تحليل الحركات والإيماءات والتفاعلات بالتفصيل.

من التطبيقات الشائعة لهذه التقنية تقدير وضعية الإنسان. فمن خلال تتبع مواضع أجزاء الجسم المختلفة في الوقت الفعلي، توفر التقنية صورة واضحة عن كيفية تحرك الشخص. ويمكن استخدام هذه المعلومات في أغراض متنوعة، بدءًا من التعرّف على الإيماءات ومراقبة الأنشطة ووصولًا إلى تحليل الأداء في الرياضة.

وبالمثل، في إعادة التأهيل البدني، يستطيع المعالجون استخدام تقدير وضعية الإنسان وYOLO11 لمراقبة حركات المرضى أثناء التمارين. ويساعد ذلك على التأكد من تنفيذ كل حركة بصورة صحيحة مع تتبع التقدم بمرور الوقت.

الشكل 7. يستطيع YOLO11 مراقبة تمرين باستخدام تقدير الوضعية.

استكشاف كيفية دعم YOLO11 لمختلف مهام الرؤية الحاسوبية#

بعد أن استكشفنا بالتفصيل جميع مهام الرؤية الحاسوبية التي يدعمها YOLO11، دعونا نستعرض كيفية دعم YOLO11 لهذه المهام.

ليس YOLO11 نموذجًا واحدًا فحسب؛ بل هو مجموعة من إصدارات النماذج المتخصصة، صُمم كل منها لمهمة محددة من مهام الرؤية الحاسوبية. وهذا يجعل YOLO11 أداة مرنة يمكن تكييفها مع مجموعة واسعة من التطبيقات. كما يمكنك ضبط هذه النماذج بدقة باستخدام مجموعات البيانات المخصصة لمعالجة التحديات الفريدة في مشاريعك.

فيما يلي إصدارات نموذج YOLO11 المدرَّبة مسبقًا لمهام رؤية محددة:

• YOLO11: يكتشف هذا النموذج أجسامًا متعددة ويضع تسميات لها في الوقت الفعلي، ما يجعله مثاليًا للتعرّف البصري عالي السرعة.
• YOLO11-seg: يركز هذا الإصدار على التجزئة باستخدام أقنعة تفصيلية لفصل الأجسام عن خلفياتها.
• YOLO11-obb: صُمم هذا النموذج لاكتشاف الأجسام المُدارة من خلال رسم مربعات إحاطة تتوافق مع اتجاه كل جسم.
• YOLO11-cls: يصنّف هذا الإصدار الصور من خلال تعيين تسمية فئة واحدة استنادًا إلى المحتوى العام.
• YOLO11-pose: يقدّر هذا النموذج النقاط الرئيسية في الجسم لتتبع الوضعية ومواضع الأطراف والحركة.

يتوفر كل إصدار بأحجام مختلفة، ما يتيح للمستخدمين اختيار التوازن المناسب بين السرعة والدقة لتلبية احتياجاتهم الخاصة.

أهم النقاط المستخلصة#

تغيّر مهام الرؤية الحاسوبية طريقة فهم الآلات للعالم وتفاعلها معه. ومن خلال تقسيم الصور ومقاطع الفيديو إلى عناصر رئيسية، تسهّل هذه التقنيات تحليل الأجسام والحركات والتفاعلات بالتفصيل.

بدءًا من تحسين السلامة المرورية والأداء الرياضي ووصولًا إلى تبسيط العمليات الصناعية، يمكن لنماذج مثل YOLO11 توفير رؤى آنية تدفع عجلة الابتكار. ومع استمرار تطور الذكاء الاصطناعي البصري، من المرجح أن يؤدي دورًا متزايد الأهمية في كيفية تفسيرنا للبيانات المرئية واستخدامنا لها يوميًا.

انضم إلى مجتمعنا وزُر مستودع GitHub الخاص بنا لترى الذكاء الاصطناعي قيد التنفيذ. واستكشف خيارات الترخيص لدينا وتعرّف على المزيد حول الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع في صفحات حلولنا.