كل ما تحتاج إلى معرفته عن Ultralytics YOLO11 وتطبيقاته
تعلّم كل شيء عن نموذج Ultralytics YOLO11 الجديد وميزاته وتطبيقاته في الوقت الفعلي ضمن مختلف القطاعات. وسنرشدك إلى كل ما تحتاج إلى معرفته.
أطلقت Ultralytics رسميًا يوم الاثنين 30 سبتمبر Ultralytics YOLO11، أحدث تطورات الرؤية الحاسوبية، وذلك بعد ظهوره الأول في YOLO Vision 2024 (YV24)، وهو فعالية Ultralytics الهجينة السنوية. وقد أثار النموذج حماس مجتمع الذكاء الاصطناعي، إذ يسارع أفراده إلى استكشاف إمكاناته. وبفضل المعالجة الأسرع والدقة الأعلى والنماذج المحسّنة لكل من الأجهزة الطرفية والنشر السحابي، يعيد YOLO11 تعريف الممكن في تطبيقات الرؤية الحاسوبية الآنية.
في مقابلة، قال مؤسس Ultralytics ورئيسها التنفيذي Glenn Jocher: «يتجه العالم نحو الطاقة النظيفة، ولكن ليس بالسرعة الكافية. نريد أن تكون نماذجنا قابلة للتدريب بعدد أقل من العصور التدريبية، وباستخدام عمليات تعزيز وبيانات أقل، ولذلك نعمل جاهدين على تحقيق ذلك. أصغر نموذج لكشف الأجسام، YOLO11n، لا يضم سوى 2.6 مليون معلَمة، أي بحجم ملف JPEG تقريبًا، وهذا أمر مذهل حقًا. أما أكبر نموذج لكشف الأجسام، YOLO11x، فيضم نحو 56 مليون معلَمة، وحتى هذا العدد صغير للغاية مقارنةً بالنماذج الأخرى. يمكنك تدريبها على GPU منخفض التكلفة، مثل GPU من Nvidia عمره خمس سنوات، مع قليل من الحماس وبعض القهوة فقط».
في هذه المقالة، سنلقي نظرةً أقرب على Ultralytics YOLO11، مستكشفين ميزاته وتحسيناته ونتائج قياس الأداء وتطبيقاته في العالم الحقيقي، لمساعدتك على فهم ما يستطيع هذا النموذج فعله. لنبدأ!
فهم Ultralytics YOLO11: التحسينات مقارنةً بالإصدارات السابقة#
يُعد YOLO11 أحدث تطورات سلسلة YOLO (أنت تنظر مرة واحدة فقط) من نماذج الرؤية الحاسوبية، ويقدم تحسينات كبيرة مقارنةً بالإصدارات السابقة مثل YOLOv5 وYOLOv8. وقد أدرج فريق Ultralytics ملاحظات المجتمع وأحدث الأبحاث لجعل YOLO11 أسرع وأكثر دقة وكفاءة. كما يدعم YOLO11 مهام الرؤية الحاسوبية نفسها التي يدعمها YOLOv8، بما في ذلك كشف الأجسام وتجزئة المثيلات وتصنيف الصور. وفي الواقع، يمكن للمستخدمين الانتقال بسهولة إلى YOLO11 من دون الحاجة إلى تغيير مسارات العمل الحالية.
من أبرز مزايا YOLO11 أداؤه المتفوق من حيث الدقة والسرعة مقارنةً بأسلافه. فمع عدد معلَمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m قيمة أعلى لـمتوسط الدقة المتوسط (mAP) على مجموعة بيانات COCO، ما يعني أنه يستطيع كشف الأجسام بدقة وكفاءة أكبر. أما من حيث سرعة المعالجة، فيتفوق YOLO11 على النماذج السابقة، مما يجعله مثاليًا للتطبيقات الآنية التي تكون فيها سرعة الكشف والاستجابة أمرين حاسمين ويكون لكل ميلي ثانية أهمية.
يوضح الرسم البياني لقياس الأداء أدناه كيف يتميز YOLO11 عن النماذج السابقة. يعرض المحور الأفقي متوسط دقة مربعات COCO (AP)، الذي يقيس دقة كشف الأجسام. ويعرض المحور الرأسي زمن الاستجابة باستخدام TensorRT10 FP16 على GPU NVIDIA T4، موضحًا سرعة معالجة النموذج للبيانات.
الشكل 1. يوفر Ultralytics YOLO11 إمكانات متطورة لكشف الأجسام الآني.
إطلاق نموذج Ultralytics YOLO11: خيارات مفتوحة المصدر ومؤسسية#
مع إطلاق Ultralytics YOLO11، توسّع Ultralytics سلسلة YOLO من خلال توفير نماذج مفتوحة المصدر ومؤسسية لتلبية الطلب المتزايد في مختلف القطاعات.
الشكل 2. تقدم Ultralytics مع هذا الإطلاق 30 نموذجًا جديدًا.
يتوفر YOLO11 بخمسة أحجام متميزة من النماذج: Nano وSmall وMedium وLarge وX. ويمكن للمستخدمين اختيار النموذج الأنسب وفقًا للاحتياجات المحددة لـتطبيق الرؤية الحاسوبية. وتوفر الأحجام الخمسة مرونةً عبر مهام مثل تصنيف الصور وكشف الأجسام وتجزئة المثيلات والتتبع وتقدير الوضعية وكشف الأجسام ذات الصناديق المحيطة الموجّهة (OBB). ويتوفر لكل حجم نموذج مخصص لكل مهمة، ليبلغ المجموع 25 نموذجًا مفتوح المصدر تشكل جوهر عروض Ultralytics. وتناسب هذه النماذج مجموعة واسعة من التطبيقات، بدءًا من المهام خفيفة الوزن على الأجهزة الطرفية، حيث يقدم نموذج YOLO11n كفاءةً مذهلة، وصولًا إلى التطبيقات واسعة النطاق التي تتطلب نموذجي YOLO11l وYOLO11x.
للمرة الأولى، تقدم Ultralytics نماذج مؤسسية، ما يمثل محطةً مهمة في عروض منتجاتنا، ويسعدنا مشاركة هذه الابتكارات الجديدة مع مستخدمينا. يقدم YOLO11 خمسة نماذج مملوكة مصممة خصيصًا لحالات الاستخدام التجارية. وقد دُرّبت هذه النماذج المؤسسية، التي ستتوفر الشهر المقبل، على مجموعة بيانات مملوكة جديدة لـUltralytics تضم أكثر من مليون صورة، مما يوفر نماذج مدرّبة مسبقًا أكثر متانة. وقد صُممت لتلبية التطبيقات الصعبة في العالم الحقيقي، مثل تحليل الصور الطبية ومعالجة صور الأقمار الصناعية، حيث يكون كشف الأجسام بدقة أمرًا بالغ الأهمية.
استكشاف ميزات الجيل الجديد من Ultralytics YOLO11#
بعد أن ناقشنا ما يقدمه Ultralytics YOLO11، لنلقِ نظرةً على ما يجعل YOLO11 مميزًا إلى هذا الحد.
تمثّل أحد التحديات الرئيسية في تطوير YOLO11 في إيجاد التوازن المناسب بين أولويات متعارضة: جعل النماذج أصغر وأسرع وأكثر دقة. وكما أوضح Glenn Jocher، مؤسس Ultralytics ورئيسها التنفيذي، فإن «العمل على البحث والتطوير في YOLO يمثل تحديًا حقيقيًا، لأنك تريد التوجه في ثلاثة اتجاهات مختلفة: تريد جعل النماذج أصغر، وتريد زيادة دقتها، لكنك تريدها أيضًا أن تكون أسرع على منصات مختلفة مثل CPU وGPU. كل هذه مصالح متعارضة، لذا يتعين عليك تقديم تنازلات واختيار مواضع إجراء التغييرات». وعلى الرغم من هذه التحديات، يحقق YOLO11 توازنًا مذهلًا، إذ يقدم تحسينات في السرعة والدقة مقارنةً بالإصدارات السابقة مثل YOLOv8.
الشكل 3. مثال على استخدام Ultralytics YOLO11 لكشف الأجسام.
يقدم Ultralytics YOLO11 تحسينات كبيرة، مثل تحسين استخراج السمات بفضل إعادة تصميم بنية العمود الفقري والعنق، مما يؤدي إلى كشف الأجسام بدقة أكبر. كما جرى تحسين النموذج لتحقيق السرعة والكفاءة، إذ يوفر أوقات معالجة أسرع مع الحفاظ على دقة عالية. وإضافةً إلى هذه المزايا، فإن YOLO11 قابل للتكيف بدرجة كبيرة مع البيئات المختلفة، ويعمل بسلاسة على الأجهزة الطرفية والمنصات السحابية والأنظمة التي تستخدم وحدات GPU من NVIDIA. وتجعله هذه القدرة على التكيف خيارًا مثاليًا للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة عبر إعدادات الأجهزة المتنوعة، بدءًا من الأجهزة المحمولة وصولًا إلى الخوادم واسعة النطاق.
تطبيقات Ultralytics YOLO11 الآنية#
تجعل تعددية استخدامات Ultralytics YOLO11 منه أداةً موثوقة في قطاعات كثيرة، لا سيما عند التعامل مع حالات الاستخدام المعقدة. فعلى سبيل المثال، يعمل بسلاسة على الأجهزة الطرفية ويمكن استخدامه في تطبيقات تتطلب تحليلًا آنيًا في بيئات ذات قدرة حوسبية محدودة. ومن الأمثلة الممتازة على ذلك القيادة الذاتية، حيث تحتاج المركبات إلى اتخاذ قرارات في أجزاء من الثانية للحفاظ على سلامة الجميع. ويساعد YOLO11 من خلال كشف الأجسام الموجودة على الطريق وتحليلها، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة كالإضاءة المنخفضة أو حالات الحجب الجزئي. ويساعد الكشف السريع والدقيق على منع الحوادث وضمان قدرة المركبات ذاتية القيادة على التنقل بأمان.
الشكل 4. Glenn Jocher على المسرح في YV24، متحدثًا عن تطبيقات Ultralytics YOLO11.
ومن الأمثلة الأخرى المثيرة للاهتمام على نطاق استخدام Ultralytics YOLO11 قدرته على التعامل مع الصناديق المحيطة الموجّهة (OBB). وتُعد هذه القدرة ضرورية لكشف الأجسام غير المحاذاة تمامًا. ويُعد كشف الأجسام باستخدام OBB ميزةً مفيدةً بصفة خاصة في قطاعات مثل الزراعة ورسم الخرائط والمراقبة، حيث تحتوي الصور غالبًا على أجسام مُدارة مثل المحاصيل أو المباني في الصور الجوية أو صور الأقمار الصناعية. وعلى خلاف النماذج التقليدية، يستطيع YOLO11 تحديد الأجسام من أي زاوية وتقديم نتائج أدق بكثير للمهام التي تتطلب دقة عالية.
Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: جرّبه بنفسك#
يُعد البدء باستخدام YOLO11 سهلًا ومتاحًا، سواء كنت تفضل البرمجة أو خيارًا من دون تعليمات برمجية. وللعمل مع YOLO11 من خلال التعليمات البرمجية، يمكنك استخدام حزمة Ultralytics لـPython لتدريب النماذج ونشرها بسهولة. وإذا كنت تفضل نهجًا من دون تعليمات برمجية، تتيح لك منصة Ultralytics تجربة YOLO11 ببضع نقرات فقط.
شرح تفصيلي لشفرة Ultralytics YOLO11#
لاستخدام YOLO11 مع Python، ستحتاج أولًا إلى تثبيت حزمة Ultralytics. وبحسب تفضيلاتك، يمكنك إجراء ذلك باستخدام pip أو conda أو Docker. وللحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت Ultralytics. وإذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـYOLO11، فارجع إلى دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.
بعد تثبيت حزمة Ultralytics، يصبح استخدام YOLO11 سهلًا. يوضح لك مقتطف الشفرة التالي عملية تحميل نموذج وتدريبه واختبار أدائه وتصديره إلى تنسيق ONNX. ولمزيد من الأمثلة المتعمقة والاستخدام المتقدم، احرص على الرجوع إلى وثائق Ultralytics الرسمية، حيث ستجد أدلة مفصلة وأفضل الممارسات من أجل تحقيق أقصى استفادة من YOLO11.
الشكل 5. استخدام YOLO11 من خلال حزمة Ultralytics.
بالنسبة إلى المستخدمين الذين يفضلون نهجًا من دون تعليمات برمجية، توفر منصة Ultralytics طريقةً سهلة لتدريب نماذج YOLO11 ونشرها ببضع نقرات فقط. ولـالبدء باستخدام منصة Ultralytics، ما عليك سوى إنشاء حساب على منصة Ultralytics، وبعدها يمكنك بدء تدريب نماذجك وإدارتها من خلال واجهة سهلة الاستخدام.
Ultralytics YOLO11: تشكيل مستقبل الذكاء الاصطناعي للرؤية#
يواصل مجتمع الذكاء الاصطناعي تطوير مجال الرؤية الحاسوبية باستمرار، سعيًا إلى ابتكار نماذج أسرع وأكثر دقة للتطبيقات في العالم الحقيقي. ويمثل Ultralytics YOLO11 محطةً مهمة في هذا الجهد، إذ يقدم تحسينات في السرعة والدقة والمرونة. وقد صُمم للتطبيقات الآنية والطرفية، مما يجعله مثاليًا لقطاعات مثل الرعاية الصحية والقيادة الذاتية. وسواء كنت تستخدم حزمة Ultralytics لـPython أو منصة Ultralytics من دون تعليمات برمجية، فإن YOLO11 يبسّط مهام الذكاء الاصطناعي المعقدة في مجال الرؤية. كما يوفر إمكانات قوية للرؤية الحاسوبية، مما يجعله خيارًا رائعًا للمطورين والشركات.
اطّلع على مستودع GitHub وانضم إلى مجتمعنا النشط لمعرفة المزيد عن AI. واستكشف كيف تقود الرؤية المعتمدة على AI الابتكار في قطاعات مثل الرعاية الصحية والزراعة.
