كل ما تحتاج إلى معرفته عن Ultralytics YOLO11 وتطبيقاته

في يوم الاثنين، 30 سبتمبر، أطلقت Ultralytics رسميًا Ultralytics YOLO11، الذي كان آنذاك أحدث تطور في الرؤية الحاسوبية، وذلك بعد ظهوره الأول في YOLO Vision 2024 (YV24)، الفعالية السنوية الهجينة لـ Ultralytics. وسرعان ما بدأ مجتمع الذكاء الاصطناعي استكشاف قدرات النموذج. وبفضل المعالجة الأسرع والدقة الأعلى والنماذج المحسّنة للأجهزة الطرفية والنشر السحابي على حد سواء، يعيد YOLO11 تعريف إمكانات تطبيقات الرؤية الحاسوبية في الوقت الفعلي.

في مقابلة، قال Glenn Jocher، مؤسس Ultralytics ورئيسها التنفيذي: «يتجه العالم نحو الطاقة النظيفة، لكن ليس بالسرعة الكافية. نريد أن يكون تدريب نماذجنا ممكنًا بعدد أقل من العصور التدريبية وعمليات زيادة البيانات وبكمية بيانات أقل، لذا نعمل جاهدين على ذلك. لا يحتوي أصغر نموذج لاكتشاف الأجسام، YOLO11n، إلا على 2.6 مليون معلمة، أي ما يقارب حجم صورة JPEG، وهذا أمر مذهل حقًا. أما أكبر نموذج لاكتشاف الأجسام، YOLO11x، فيضم نحو 56 مليون معلمة، وهو صغير للغاية حتى مقارنة بالنماذج الأخرى. ويمكنك تدريب هذه النماذج باستخدام وحدة GPU زهيدة، مثل وحدة Nvidia عمرها خمس سنوات، مع قليل من الحماس والقهوة».

في هذه المقالة، سنلقي نظرة فاحصة على Ultralytics YOLO11، ونتناول ميزاته وتحسيناته ونتائج قياس أدائه وتطبيقاته الواقعية، لمساعدتك على فهم إمكانات هذا النموذج.

التعرّف على Ultralytics YOLO11: التحسينات مقارنةً بالإصدارات السابقة#

عند إطلاقه، كان YOLO11 أحدث تطور في سلسلة YOLO (ترى مرة واحدة فقط) من نماذج الرؤية الحاسوبية (وقد خلفه منذ ذلك الحين Ultralytics YOLO26). ويقدم تحسينات كبيرة مقارنة بالإصدارات السابقة مثل YOLOv5 وYOLOv8. وقد أدمج فريق Ultralytics ملاحظات المجتمع وأحدث الأبحاث لجعل YOLO11 أسرع وأكثر دقة وكفاءة. كما يدعم YOLO11 مهام الرؤية الحاسوبية نفسها التي يدعمها YOLOv8، بما فيها اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور. ويمكن للمستخدمين، في الواقع، الانتقال بسهولة إلى YOLO11 من دون الحاجة إلى تغيير سير العمل الحالي.

من أبرز مزايا YOLO11 أداءه المتفوق من حيث الدقة والسرعة مقارنة بأسلافه. فمع عدد معلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة (mAP) أعلى على مجموعة بيانات COCO، ما يعني قدرته على اكتشاف الأجسام بدقة وكفاءة أكبر. ومن حيث سرعة المعالجة، يتفوق YOLO11 على النماذج السابقة، مما يجعله مثاليًا للتطبيقات الآنية التي يكون فيها الاكتشاف والاستجابة السريعان أمرين حاسمين، وتكون لكل جزء من الثانية أهميته.

يوضح الرسم البياني لقياس الأداء أدناه ما يميز YOLO11 عن النماذج السابقة. يعرض المحور الأفقي متوسط دقة صندوق COCO (AP)، الذي يقيس دقة اكتشاف الأجسام. أما المحور العمودي فيعرض زمن الاستجابة باستخدام TensorRT 10 FP16 على وحدة GPU من طراز NVIDIA T4، موضحًا سرعة معالجة النموذج للبيانات.

الشكل 1. يوفر Ultralytics YOLO11 قدرات متطورة لاكتشاف الكائنات في الوقت الفعلي.

إطلاق نموذج Ultralytics YOLO11: خيارات مفتوحة المصدر ومؤسسية#

مع إطلاق Ultralytics YOLO11، توسّع Ultralytics سلسلة YOLO بتقديم نماذج مفتوحة المصدر ونماذج للمؤسسات لتلبية الطلب المتزايد في مختلف القطاعات.

الشكل 2. تقدم Ultralytics مع هذا الإطلاق 30 نموذجاً جديداً.

يتوفر YOLO11 بخمسة أحجام مختلفة للنماذج: Nano وSmall وMedium وLarge وX. ويمكن للمستخدمين اختيار النموذج الأنسب بحسب احتياجات تطبيق الرؤية الحاسوبية المحدد. وتوفر الأحجام الخمسة مرونة لمهام مثل اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعية واكتشاف الأجسام باستخدام مربعات إحاطة موجّهة (OBB) وتتبع الأجسام. ويتوفر نموذج لكل مهمة ولكل حجم، ليبلغ المجموع 25 نموذجًا مفتوح المصدر تشكل جوهر منتجات Ultralytics. وتناسب هذه النماذج نطاقًا واسعًا من التطبيقات، بدءًا من المهام خفيفة الوزن على الأجهزة الطرفية، حيث يوفر نموذج YOLO11n كفاءة لافتة، ووصولًا إلى التطبيقات واسعة النطاق التي تتطلب نموذجي YOLO11l وYOLO11x.

للمرة الأولى، تقدم Ultralytics نماذج للمؤسسات، في خطوة تمثل محطة بارزة في عروض منتجاتنا، ويسعدنا مشاركة هذه الابتكارات الجديدة مع مستخدمينا. يقدم YOLO11 خمسة نماذج خاصة مصممة خصيصًا لحالات الاستخدام التجاري. وتُدرّب هذه النماذج المخصصة للمؤسسات، والمتاحة الشهر المقبل، على مجموعة بيانات خاصة جديدة من Ultralytics تضم أكثر من مليون صورة، لتوفير نماذج مدرّبة مسبقًا أكثر متانة. وقد صُممت للتطبيقات الواقعية الصعبة، مثل تحليل الصور الطبية ومعالجة صور الأقمار الصناعية، حيث يكون اكتشاف الأجسام بدقة أمرًا بالغ الأهمية.

استكشاف ميزات الجيل التالي في Ultralytics YOLO11#

بعد أن استعرضنا ما يقدمه Ultralytics YOLO11، لنلقِ نظرة على ما يجعل YOLO11 مميزاً.

كان من أبرز التحديات في تطوير YOLO11 إيجاد التوازن المناسب بين الأولويات المتعارضة: جعل النماذج أصغر وأسرع وأكثر دقة. وكما أوضح Glenn Jocher، مؤسس Ultralytics ورئيسها التنفيذي: «إن العمل على أبحاث YOLO وتطويره صعب جدًا، لأنك تريد التقدم في ثلاثة اتجاهات مختلفة: تريد تصغير النماذج، وزيادة دقتها، وجعلها أسرع على منصات مختلفة مثل CPU وGPU. وهذه الأهداف كلها متعارضة، لذا عليك تقديم تنازلات واختيار الجوانب التي ستجري فيها التغييرات». ورغم هذه التحديات، يحقق YOLO11 توازنًا لافتًا، إذ يقدم تحسينات في السرعة والدقة مقارنة بالإصدارات السابقة مثل YOLOv8.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الكائنات.

يقدم Ultralytics YOLO11 تحسينات كبيرة، مثل تحسين استخلاص الميزات باستخدام بنية معاد تصميمها للعمود الفقري والعنق، مما يؤدي إلى اكتشاف الأجسام بدقة أكبر. كما جرى تحسين النموذج من حيث السرعة والكفاءة، لتوفير أوقات معالجة أقصر مع الحفاظ على دقة عالية. وإضافة إلى هذه الفوائد، يتمتع YOLO11 بقدرة كبيرة على التكيّف مع بيئات مختلفة، إذ يعمل على الأجهزة الطرفية والمنصات السحابية والأنظمة التي تستخدم وحدات GPU من NVIDIA. وهذا التكيّف يجعله خيارًا مثاليًا للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة على إعدادات عتاد متنوعة، من الأجهزة المحمولة إلى الخوادم واسعة النطاق.

تطبيقات Ultralytics YOLO11 في الوقت الفعلي#

يجعل تعدد استخدامات Ultralytics YOLO11 منه أداة موثوقة في قطاعات كثيرة، لا سيما عند التعامل مع حالات استخدام معقدة. فهو يعمل بكفاءة على الأجهزة الطرفية، ويمكن استخدامه في التطبيقات التي تتطلب تحليلًا آنيًا ضمن بيئات محدودة القدرة الحاسوبية. وتُعد القيادة الذاتية مثالًا ممتازًا على ذلك، إذ تحتاج المركبات إلى اتخاذ قرارات في أجزاء من الثانية للحفاظ على سلامة الجميع. ويساعد YOLO11 عبر اكتشاف الأجسام على الطريق وتحليلها، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة، كالإضاءة الخافتة أو حجب الأجسام جزئيًا. ويساعد الاكتشاف السريع والدقيق على منع الحوادث وضمان تنقل المركبات ذاتية القيادة بأمان.

الشكل 4. Glenn Jocher على المنصة في YV24 متحدثاً عن تطبيقات Ultralytics YOLO11.

ومن الأمثلة الأخرى المثيرة للاهتمام على تنوع Ultralytics YOLO11 قدرته على التعامل مع مربعات الإحاطة الموجّهة (OBB). وتُعد هذه القدرة ضرورية لاكتشاف الأجسام غير المصطفة تمامًا. وتفيد ميزة اكتشاف الأجسام باستخدام OBB قطاعات مثل الزراعة ورسم الخرائط والمراقبة، حيث تحتوي الصور غالبًا على أجسام مدارة، مثل المحاصيل أو المباني في الصور الجوية أو صور الأقمار الصناعية. وعلى خلاف النماذج التقليدية، يستطيع YOLO11 تحديد الأجسام بأي زاوية وتقديم نتائج أدق بكثير للمهام التي تتطلب الدقة.

Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: جرّبه بنفسك#

البدء باستخدام YOLO11 بسيط ومتاح للجميع، سواء أكنت تفضل البرمجة أم استخدام خيار بلا كتابة شيفرة. لاستخدام YOLO11 عبر الشيفرة، يمكنك استخدام حزمة Ultralytics Python لتدريب النماذج ونشرها بسهولة. وإذا كنت تفضل نهجاً لا يتطلب كتابة شيفرة، تتيح لك منصة Ultralytics تجربة YOLO11 ببضع نقرات فقط.

شرح عملي لشيفرة Ultralytics YOLO11#

لاستخدام YOLO11 مع Python، ستحتاج أولاً إلى تثبيت حزمة Ultralytics. ويمكنك إجراء ذلك باستخدام pip أو conda أو Docker، وفقاً لتفضيلاتك. للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، راجع دليل تثبيت Ultralytics. وإذا واجهت صعوبات أثناء تثبيت الحزم المطلوبة لـYOLO11، فارجع إلى دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

بعد تثبيت حزمة Ultralytics، يصبح استخدام YOLO11 مباشرًا. يوضح مقتطف الشيفرة التالي خطوات تحميل نموذج وتدريبه واختبار أدائه وتصديره إلى تنسيق ONNX. ولمزيد من الأمثلة المفصلة والاستخدامات المتقدمة، يُرجى الرجوع إلى وثائق Ultralytics الرسمية، حيث ستجد أدلة مفصلة وأفضل الممارسات لتحقيق أقصى استفادة من YOLO11.

الشكل 5. استخدام YOLO11 عبر حزمة Ultralytics.

للمستخدمين الذين يفضلون نهجًا لا يتطلب كتابة الشيفرة، توفر Ultralytics Platform طريقة سهلة لتدريب نماذج YOLO11 ونشرها ببضع نقرات فقط. للبدء باستخدام Ultralytics Platform، أنشئ حسابًا على المنصة، ويمكنك بعدها بدء تدريب نماذجك وإدارتها عبر واجهة سهلة الاستخدام.

Ultralytics YOLO11: تشكيل مستقبل الذكاء الاصطناعي للرؤية#

يواصل مجتمع الذكاء الاصطناعي تطوير مجال الرؤية الحاسوبية، سعياً إلى إنشاء نماذج أسرع وأكثر دقة للتطبيقات الواقعية. ويمثل Ultralytics YOLO11 إنجازاً بارزاً في هذا المسعى، إذ يقدم تحسينات في السرعة والدقة والمرونة. وقد صُمم للتطبيقات الفورية والطرفية، مما يجعله مثالياً لصناعات مثل الرعاية الصحية والقيادة الذاتية. وسواء استخدمت حزمة Ultralytics Python أم منصة Ultralytics التي لا تتطلب كتابة شيفرة، فإن YOLO11 يبسط مهام الذكاء الاصطناعي للرؤية المعقدة. وهو يوفر إمكانات قوية في الرؤية الحاسوبية، مما يجعله خياراً رائعاً للمطورين والشركات.

اطّلع على مستودع GitHub وانضم إلى مجتمعنا النشط لمعرفة المزيد عن الذكاء الاصطناعي. واستكشف كيف يدفع الذكاء الاصطناعي للرؤية عجلة الابتكار في قطاعات مثل الرعاية الصحية والزراعة.