كل ما تحتاج لمعرفته حول مهام الرؤية الحاسوبية

بفضل الكاميرات والتطورات في الذكاء الاصطناعي (AI)، أصبحت أجهزة الكمبيوتر والآلات قادرة الآن على رؤية العالم بطريقة تشبه الطريقة التي يرى بها البشر. على سبيل المثال، يمكنها التعرف على الأشخاص، وتتبع الأجسام، وحتى فهم سياق ما يحدث في الفيديو.

على وجه التحديد، يعد computer vision فرع الذكاء الاصطناعي الذي يُمكِّن الآلات من فهم وتفسير المعلومات المرئية من العالم من حولها. تتضمن Computer vision مجموعة متنوعة من المهام، صُممت كل منها لاستخراج نوع معين من الرؤى من الصور أو مقاطع الفيديو. على سبيل المثال، يساعد اكتشاف الكائنات في تحديد وتحديد مواقع العناصر المختلفة في الصورة، بينما تساعد مهام أخرى مثل التتبع، والتجزئة، وتقدير الوضعية الآلات على فهم الحركة، والأشكال، والمواقع بشكل أكثر دقة.

تعتمد مهمة computer vision task المستخدمة لتطبيق معين على نوع الرؤى التي تحتاجها. تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مهام رؤية حاسوبية متنوعة، مما يجعلها خياراً موثوقاً لبناء أنظمة الذكاء الاصطناعي المرئي الواقعية.

في هذا الدليل، سنلقي نظرة فاحصة على مهام الرؤية الحاسوبية التي تدعمها نماذج مثل YOLO11. سنستكشف كيفية عمل كل مهمة وكيف يتم استخدامها عبر مختلف الصناعات. لنبدأ!

ما هي مهام الرؤية الحاسوبية؟#

تهدف مهام الرؤية الحاسوبية إلى محاكاة قدرات الرؤية البشرية بطرق مختلفة. يمكن أن تساعد هذه المهام الآلات في اكتشاف الأجسام، وتتبع حركاتها، وتقدير الوضعيات، وحتى تحديد العناصر الفردية في الصور ومقاطع الفيديو. عادةً ما يتم تمكين مهام الرؤية الحاسوبية بواسطة نماذج تقوم بتقسيم البيانات المرئية إلى أجزاء أصغر حتى تتمكن من تفسير ما يحدث بشكل أوضح.

تدعم Vision AI models مثل نماذج Ultralytics YOLO مهام متعددة، مثل الاكتشاف والتتبع والتقسيم، في إطار عمل واحد. ونتيجة لهذا التنوع، يسهل اعتماد نماذج YOLO11 لمجموعة واسعة من حالات الاستخدام.

Fig 1. مهمات الرؤية الحاسوبية المدعومة بواسطة Ultralytics YOLO11.

مثال جيد على ذلك هو في تحليلات الرياضة. يمكن استخدام YOLO11 لاكتشاف كل لاعب في الملعب باستخدام اكتشاف الأجسام، ثم يمكنه متابعتهم طوال المباراة باستخدام تتبع الأجسام. في الوقت نفسه، يمكن لقدرات تقدير الوضعية في YOLO11 المساعدة في تحليل حركات اللاعبين وتقنياتهم، ويمكن لتجزئة المثيل فصل كل لاعب عن الخلفية، مما يضيف دقة إلى التحليل.

معاً، تخلق مهام الرؤية الحاسوبية هذه التي يدعمها YOLO11 صورة كاملة لما يحدث أثناء المباراة، مما يمنح الفرق رؤى أعمق حول أداء اللاعبين والتكتيكات والاستراتيجية العامة.

نظرة عامة على مهمات الرؤية الحاسوبية المدعومة بواسطة Ultralytics YOLO11#

الآن بعد أن ألقينا نظرة على ماهية مهام الرؤية الحاسوبية، دعنا نتعمق في فهم كل منها بدعم من YOLO11 بمزيد من التفصيل، باستخدام أمثلة من العالم الحقيقي.

دعم Ultralytics YOLO11 لتصنيف الصور#

عندما تنظر إلى صورة، يمكن لمعظم الناس بسهولة معرفة ما إذا كانت تُظهر كلباً، أو جبلاً، أو إشارة مرور لأننا جميعاً تعلمنا كيف تبدو هذه الأشياء عادةً. تساعد Image classification الآلات في فعل الشيء نفسه من خلال تعليمها كيفية تصنيف الصورة ووضع تسمية لها بناءً على كائنها الرئيسي - سواء كان "سيارة"، أو "موزة"، أو "صورة أشعة سينية مع كسر". تساعد هذه التسمية أنظمة الرؤية الحاسوبية على فهم المحتوى المرئي بحيث يمكنها الاستجابة أو اتخاذ القرارات وفقاً لذلك.

أحد التطبيقات المثيرة للاهتمام لهذه المهمة في الرؤية الحاسوبية هو مراقبة الحياة البرية. يمكن استخدام تصنيف الصور لتحديد أنواع الحيوانات المختلفة من الصور الملتقطة في البرية. من خلال وضع ملصقات تلقائية على الصور، يمكن للباحثين تتبع المجموعات السكانية، ومراقبة أنماط الهجرة، وتحديد الأنواع المهددة بالانقراض بسهولة أكبر لدعم جهود الحفاظ على البيئة.

Fig 2. مثال على استخدام YOLO11 لتصنيف الصور.

قدرات كشف الكائنات في Ultralytics YOLO11#

في حين أن تصنيف الصور مفيد للحصول على فكرة عامة حول محتوى الصورة، إلا أنه يخصص تسمية واحدة فقط للصورة بأكملها. في المواقف التي تتطلب معلومات مفصلة، مثل الموقع الدقيق وهويّة كائنات متعددة، يصبح object detection أمراً بالغ الأهمية.

اكتشاف الأجسام هو عملية تحديد وتحديد مواقع الأجسام الفردية داخل صورة، غالباً عن طريق رسم صناديق حدودية حولها. يعمل Ultralytics YOLO11 بشكل جيد بشكل خاص في اكتشاف الأجسام في الوقت الفعلي، مما يجعله مثالياً لمجموعة واسعة من التطبيقات.

خذ على سبيل المثال، حلول الرؤية الحاسوبية المستخدمة في متاجر التجزئة لتخزين الرفوف. يمكن أن يساعد اكتشاف الأجسام في عد الفواكه والخضروات وغيرها من العناصر، مما يضمن مخزوناً دقيقاً. في الحقول الزراعية، يمكن لنفس التكنولوجيا مراقبة نضج المحاصيل لمساعدة المزارعين على تحديد أفضل وقت للحصاد، حتى التمييز بين المنتجات الناضجة وغير الناضجة.

الشكل 3. اكتشاف الفواكه باستخدام Ultralytics YOLO11.

استخدام YOLO11 لتجزئة المثيل#

يستخدم اكتشاف الكائنات صناديق الإحاطة لتحديد الكائنات وتحديد موقعها في الصورة، ولكنه لا يلتقط أشكالها الدقيقة. وهنا يأتي دور instance segmentation. فبدلاً من رسم صندوق حول الكائن، يتتبع التقسيم المثيل حدوده الدقيقة.

يمكنك التفكير في الأمر على هذا النحو: بدلاً من مجرد الإشارة إلى أن "هناك تفاحة في هذه المنطقة"، فإنه يحدد بعناية ويملأ الشكل الدقيق للتفاحة. تساعد هذه العملية التفصيلية أنظمة الذكاء الاصطناعي على فهم حدود الجسم بوضوح، خاصة عندما تكون الأجسام قريبة من بعضها البعض.

يمكن تطبيق تجزئة المثيل على العديد من التطبيقات، من عمليات تفتيش البنية التحتية إلى المسوحات الجيولوجية. على سبيل المثال، يمكن تحليل البيانات من المسوحات الجيولوجية باستخدام YOLO11 لتجزئة الشقوق السطحية الكبيرة والصغيرة أو التشوهات. من خلال رسم حدود دقيقة حول هذه الشذوذات، يمكن للمهندسين تحديد المشكلات ومعالجتها قبل بدء المشروع.

الشكل 4. تجزئة الشقوق المدعومة بـ YOLO11.

تتبع الأجسام: متابعة الأجسام عبر الإطارات باستخدام YOLO11#

حتى الآن، ركزت مهام الرؤية الحاسوبية التي نظرنا إليها على ما يوجد في صورة واحدة. ومع ذلك، عندما يتعلق الأمر بمقاطع الفيديو، فنحن بحاجة إلى رؤى تتجاوز إطاراً واحداً. ويمكن استخدام مهمة object tracking لهذا الغرض.

يمكن لقدرة تتبع الأجسام في YOLO11 متابعة جسم معين، مثل شخص أو سيارة، أثناء تحركه عبر سلسلة من إطارات الفيديو. حتى إذا تغيرت زاوية الكاميرا أو ظهرت أجسام أخرى، يستمر النظام في متابعة نفس الهدف.

هذا أمر بالغ الأهمية للتطبيقات التي تتطلب مراقبة بمرور الوقت، مثل تتبع السيارات في حركة المرور. في الواقع، يمكن لـ YOLO11 تتبع المركبات بدقة، ومتابعة كل سيارة للمساعدة في تقدير سرعتها في الوقت الفعلي. هذا يجعل تتبع الأجسام مكوناً رئيسياً في أنظمة مثل مراقبة حركة المرور.

Fig 5. يمكن استخدام دعم YOLO11 لتتبع الكائنات في تقدير السرعة.

اكتشاف الصناديق الحدودية الموجهة (OBB) باستخدام YOLO11#

لا تكون الأجسام في العالم الحقيقي دائماً محاذية بشكل مثالي - فقد تكون مائلة أو جانبية أو موضوعة بزوايا غريبة. على سبيل المثال، في صور الأقمار الصناعية، غالباً ما تظهر السفن والمباني مدورة.

تستخدم طرق اكتشاف الكائنات التقليدية صناديق مستطيلة ثابتة لا تتكيف مع اتجاه الكائن، مما يجعل من الصعب التقاط هذه الأشكال المدارة بدقة. يحل Oriented bounding box (OBB) detection هذه المشكلة باستخدام صناديق تدور لتلائم الكائن بشكل مريح، وتتماشى مع زاويته لتحقيق اكتشاف أكثر دقة.

فيما يتعلق بمراقبة الميناء، يمكن لدعم YOLO11 لاكتشاف OBB المساعدة في تحديد وتتبع السفن بدقة بغض النظر عن اتجاهها، مما يضمن مراقبة كل سفينة تدخل أو تغادر الميناء بشكل صحيح. يوفر هذا الاكتشاف الدقيق معلومات في الوقت الفعلي عن مواقع السفن وحركاتها، وهو أمر بالغ الأهمية لإدارة الموانئ المزدحمة ومنع التصادمات.

Fig 6. اكتشاف القوارب باستخدام اكتشاف OBB و YOLO11.

تقدير الوضعية و YOLO11: تتبع النقاط الرئيسية#

Pose estimation هي تقنية رؤية حاسوبية تتتبع النقاط الرئيسية، مثل المفاصل أو الأطراف أو العلامات الأخرى، لفهم كيف يتحرك الكائن. بدلاً من التعامل مع الكائن بأكمله أو الجسم كوحدة كاملة واحدة، تقسم هذه الطريقة الكائن إلى أجزائه الرئيسية. هذا يجعل من الممكن تحليل الحركات، والإيماءات، والتفاعلات بالتفصيل.

أحد التطبيقات الشائعة لهذه التكنولوجيا هو تقدير وضعية الإنسان. من خلال تتبع مواقع أجزاء الجسم المختلفة في الوقت الفعلي، فإنه يوفر صورة واضحة لكيفية تحرك الشخص. يمكن استخدام هذه المعلومات لأغراض متنوعة، من التعرف على الإيماءات ومراقبة النشاط إلى تحليل الأداء في الرياضة.

وبالمثل، في إعادة التأهيل البدني، يمكن للمعالجين استخدام تقدير وضعية الإنسان و YOLO11 لمراقبة حركات المرضى أثناء التمارين. يساعد هذا في التأكد من إجراء كل حركة بشكل صحيح مع تتبع التقدم بمرور الوقت.

Fig 7. يمكن لـ YOLO11 مراقبة التمرين باستخدام تقدير الوضعية.

استكشاف كيف يدعم YOLO11 مهام الرؤية الحاسوبية المختلفة#

الآن بعد أن استكشفنا جميع مهام الرؤية الحاسوبية التي يدعمها YOLO11 بالتفصيل، دعنا نمر عبر كيفية دعم YOLO11 لها.

YOLO11 ليس مجرد نموذج واحد - بل هو مجموعة من متغيرات النماذج المتخصصة، تم تصميم كل منها لمهمة رؤية حاسوبية محددة. يجعل هذا من YOLO11 أداة متعددة الاستخدامات يمكن تكييفها مع مجموعة واسعة من التطبيقات. يمكنك أيضاً ضبط هذه النماذج بدقة على datasets مخصصة لمعالجة التحديات الفريدة لمشاريعك.

إليك YOLO11 model variants المُدرَّبة مسبقاً لمهام الرؤية المحددة:

• YOLO11: يكتشف هذا النموذج أجساماً متعددة ويضع عليها ملصقات في الوقت الفعلي، مما يجعله مثالياً للتعرف المرئي عالي السرعة.
• YOLO11-seg: يركز هذا المتغير على التجزئة باستخدام أقنعة مفصلة لفصل الأجسام عن خلفياتها.
• YOLO11-obb: صُمم هذا النموذج لاكتشاف الأجسام المدورة عن طريق رسم صناديق حدودية تتماشى مع اتجاه كل جسم.
• YOLO11-cls: يصنف هذا المتغير الصور عن طريق تعيين ملصق فئة واحد بناءً على المحتوى العام.
• YOLO11-pose: يقدر هذا النموذج النقاط الرئيسية على الجسم لتتبع الوضعية، ومواقع الأطراف، والحركة.

كل متغير متاح بأحجام مختلفة، مما يسمح للمستخدمين باختيار التوازن الصحيح بين السرعة والدقة لاحتياجاتهم المحددة.

أبرز النقاط#

تغير مهام الرؤية الحاسوبية الطريقة التي تفهم بها الآلات العالم وتتفاعل معه. من خلال تقسيم الصور ومقاطع الفيديو إلى عناصر رئيسية، تجعل هذه التقنيات من السهل تحليل الأجسام والحركات والتفاعلات بالتفصيل.

من تحسين السلامة المرورية والأداء الرياضي إلى تبسيط العمليات الصناعية، يمكن لنماذج مثل YOLO11 توفير رؤى في الوقت الفعلي تدفع الابتكار. مع استمرار تطور الذكاء الاصطناعي الرؤي، من المرجح أن يلعب دوراً متزايد الأهمية في كيفية تفسيرنا واستخدامنا للبيانات المرئية كل يوم.

انضم إلى our community وقم بزيارة our GitHub repository لرؤية الذكاء الاصطناعي قيد التنفيذ. استكشف our licensing options واكتشف المزيد حول AI in agriculture وcomputer vision in manufacturing على صفحة الحلول الخاصة بنا.