كل ما تحتاج إلى معرفته عن Ultralytics YOLO11 وتطبيقاته
تعرف على كل شيء حول نموذج Ultralytics YOLO11 الجديد، وميزاته، وتطبيقاته في الوقت الفعلي في مختلف الصناعات. سنرشدك عبر كل ما تحتاج إلى معرفته.
يوم الاثنين الموافق 30 سبتمبر، أطلقت Ultralytics رسميًا Ultralytics YOLO11، وهو أحدث تطور في مجال رؤية الحاسوب، وذلك بعد ظهوره لأول مرة في YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي لشركة Ultralytics. لقد كان مجتمع الذكاء الاصطناعي يعج بالحماس بينما يسارع الجميع لاستكشاف قدرات النموذج. فمع معالجة أسرع ودقة أعلى ونماذج محسّنة لكل من أجهزة الحافة والنشر السحابي، يعيد YOLO11 تعريف ما هو ممكن في تطبيقات رؤية الحاسوب ذات الزمن الحقيقي.
في مقابلة، صرح مؤسس Ultralytics ورئيسها التنفيذي Glenn Jocher قائلاً: "العالم يتجه نحو الطاقة النظيفة، ولكن ليس بالسرعة الكافية. نحن نريد لنماذجنا أن تكون قابلة للتدريب في عدد أقل من العصور (epochs)، مع عدد أقل من التعزيزات (augmentations) وبيانات أقل، ونحن نعمل بجد على ذلك. أصغر نموذج لاكتشاف الأجسام، YOLO11n، يحتوي على 2.6 مليون معلمة فقط - أي بحجم ملف JPEG تقريبًا، وهذا أمر جنوني حقًا. أكبر نموذج لـ اكتشاف الأجسام، وهو YOLO11x، يحتوي على حوالي 56 مليون معلمة، وحتى هذا يعتبر صغيراً جداً مقارنة بالنماذج الأخرى. يمكنك تدريبها على GPU رخيص، مثل GPU من Nvidia عمره خمس سنوات، فقط بقليل من الحماس وشيء من القهوة."
في هذا المقال، سنلقي نظرة فاحصة على YOLO11، ونستكشف ميزاته، وتحسيناته، ومعايير أدائه، وتطبيقاته الواقعية لمساعدتك على فهم ما يمكن لهذا النموذج القيام به. لنبدأ!
Link to this sectionفهم YOLO11: تحسينات على الإصدارات السابقة#
يعد YOLO11 أحدث تطور في سلسلة نماذج رؤية الحاسوب من نوع YOLO (You Only Look Once)، وهو يقدم تحسينات كبيرة مقارنة بالإصدارات السابقة مثل YOLOv5 و YOLOv8. لقد قام الفريق في Ultralytics بدمج ملاحظات المجتمع والأبحاث المتطورة لجعل YOLO11 أسرع وأكثر دقة وكفاءة. كما يدعم YOLO11 نفس مهام رؤية الحاسوب التي يدعمها YOLOv8، بما في ذلك اكتشاف الأجسام، و تقطيع العناصر، و تصنيف الصور. في الواقع، يمكن للمستخدمين الانتقال بسهولة إلى YOLO11 دون الحاجة إلى تغيير سير العمل الحالي لديهم.
أحد النقاط الرئيسية في YOLO11 هو أداؤه المتفوق من حيث الدقة والسرعة مقارنة بأسلافه. مع عدد معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m، يحقق YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO، مما يعني أنه يمكنه اكتشاف الأجسام بدقة وكفاءة أكبر. ومن حيث سرعة المعالجة، يتفوق YOLO11 على النماذج السابقة، مما يجعله مثالياً للتطبيقات ذات الزمن الحقيقي، حيث يعد الاكتشاف والاستجابة السريعة أمراً بالغ الأهمية، وكل ميلي ثانية لها قيمتها.
يوضح الرسم البياني للمقارنة أدناه كيف يتميز YOLO11 عن النماذج السابقة. على المحور الأفقي، يظهر متوسط دقة صندوق COCO (AP)، الذي يقيس دقة اكتشاف الأجسام. بينما يعرض المحور العمودي زمن التأخير (latency) باستخدام TensorRT10 FP16 على NVIDIA T4 GPU، مما يشير إلى مدى سرعة معالجة النموذج للبيانات.
شكل 1. يوفر YOLO11 قدرات متطورة لاكتشاف الأجسام في الزمن الحقيقي.
Link to this sectionإطلاق نموذج YOLO11: خيارات مفتوحة المصدر وللشركات#
مع إطلاق Ultralytics YOLO11، توسع Ultralytics سلسلة YOLO من خلال توفير نماذج مفتوحة المصدر ونماذج للمؤسسات لتلبية الطلب المتزايد عبر مختلف الصناعات.
شكل 2. مع هذا الإطلاق، توفر Ultralytics 30 نموذجاً جديداً.
يتميز YOLO11 بخمسة أحجام نماذج متميزة - Nano و Small و Medium و Large و X. يمكن للمستخدمين اختيار النموذج الأفضل بناءً على احتياجات تطبيق رؤية الحاسوب الخاصة بهم. توفر الأحجام الخمسة مرونة عبر مهام مثل تصنيف الصور، و اكتشاف الأجسام، و تقطيع العناصر، و التتبع، و تقدير الوضع، و اكتشاف الأجسام بصناديق محددة التوجيه (OBB). لكل حجم، يتوفر نموذج لكل مهمة، مما يؤدي إلى إجمالي 25 نموذجاً مفتوح المصدر يشكل جوهر عروض Ultralytics. هذه النماذج مثالية لمجموعة واسعة من التطبيقات، بدءاً من المهام خفيفة الوزن على أجهزة الحافة، حيث يوفر نموذج YOLO11n كفاءة مبهرة، وصولاً إلى التطبيقات واسعة النطاق التي تتطلب نموذجي YOLO11l و YOLO11x.
لأول مرة، تقدم Ultralytics نماذج للمؤسسات، مما يمثل علامة فارقة في عروض منتجاتنا، ونحن متحمسون لمشاركة هذه الابتكارات الجديدة مع مستخدمينا. يقدم YOLO11 خمسة نماذج احتكارية مصممة خصيصاً لحالات الاستخدام التجاري. هذه النماذج المخصصة للمؤسسات، والتي ستكون متاحة الشهر المقبل، تم تدريبها على مجموعة بيانات Ultralytics الجديدة والحصرية، والتي تتكون من أكثر من مليون صورة، مما يوفر نماذج مدربة مسبقاً أكثر قوة. لقد تم تصميمها لـ التطبيقات الواقعية المتطلبة، مثل تحليل الصور الطبية و معالجة صور الأقمار الصناعية، حيث يكون اكتشاف الأجسام بدقة أمراً بالغ الأهمية.
Link to this sectionاستكشاف ميزات الجيل القادم من YOLO11#
الآن بعد أن ناقشنا ما يقدمه YOLO11، دعونا نلقي نظرة على ما يجعل YOLO11 مميزاً جداً.
أحد التحديات الرئيسية في تطوير YOLO11 كان إيجاد التوازن الصحيح بين الأولويات المتنافسة: جعل النماذج أصغر وأسرع وأكثر دقة. كما أوضح Glenn Jocher، مؤسس Ultralytics ورئيسها التنفيذي: "العمل على أبحاث وتطوير YOLO يمثل تحدياً كبيراً لأنك تريد التحرك في ثلاثة اتجاهات مختلفة: تريد جعل النماذج أصغر، وتريدها أن تصبح أكثر دقة، ولكنك تريدها أيضاً أن تكون أسرع على منصات مختلفة مثل CPU و GPU. كل هذه مصالح متنافسة، لذا عليك تقديم تنازلات واختيار أين ستجري التغييرات". على الرغم من هذه التحديات، يحقق YOLO11 توازناً مذهلاً، حيث يقدم تحسينات في السرعة والدقة مقارنة بالإصدارات السابقة مثل YOLOv8.
شكل 3. مثال على استخدام YOLO11 لاكتشاف الأجسام.
يجلب YOLO11 تحسينات كبيرة مثل استخراج الميزات المحسّن مع بنية أساسية (backbone) وعنق (neck) معاد تصميمها، مما يؤدي إلى اكتشاف أكثر دقة للأجسام. كما تم تحسين النموذج من حيث السرعة والكفاءة، مما يوفر أوقات معالجة أسرع مع الحفاظ على دقة عالية. بالإضافة إلى هذه المزايا، يعد YOLO11 قابل للتكيف بدرجة عالية عبر بيئات مختلفة، حيث يعمل بسلاسة على أجهزة الحافة، والمنصات السحابية، والأنظمة التي تستخدم NVIDIA GPUs. هذه القدرة على التكيف تجعله خياراً مثالياً للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة عبر إعدادات عتاد متنوعة، من الأجهزة المحمولة إلى الخوادم واسعة النطاق.
Link to this sectionتطبيقات YOLO11 في الزمن الحقيقي#
تجعل تعدد استخدامات YOLO11 منه أداة موثوقة عبر العديد من الصناعات، خاصة عند التعامل مع حالات استخدام معقدة. على سبيل المثال، يعمل بسلاسة على أجهزة الحافة ويمكن استخدامه لـ التطبيقات التي تتطلب تحليلاً في الزمن الحقيقي في بيئات ذات قدرة حوسبة محدودة. ومن الأمثلة الممتازة على ذلك القيادة الذاتية، حيث تحتاج المركبات لاتخاذ قرارات في أجزاء من الثانية للحفاظ على سلامة الجميع. يساعد YOLO11 في ذلك من خلال اكتشاف وتحليل الأجسام على الطريق، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو عندما تكون الأجسام مخفية جزئياً. يساعد الاكتشاف السريع والدقيق في منع الحوادث ويضمن قدرة المركبات ذاتية القيادة على التنقل بأمان.
شكل 4. Glenn Jocher على المسرح في YV24، يتحدث عن تطبيقات YOLO11.
مثال آخر مثير للاهتمام على نطاق YOLO11 هو قدرته على التعامل مع صناديق التحديد الموجهة (OBB). هذا أمر ضروري لاكتشاف الأجسام غير المحاذية بشكل مثالي. يعد اكتشاف الأجسام بـ OBB ميزة مفيدة بشكل خاص في صناعات مثل الزراعة، و الخرائط، و المراقبة، حيث غالباً ما تحتوي الصور على أجسام مستديرة مثل المحاصيل أو المباني في الصور الجوية أو صور الأقمار الصناعية. على عكس النماذج التقليدية، يمكن لـ YOLO11 تحديد الأجسام في أي زاوية وتقديم نتائج أكثر دقة للمهام التي تتطلب الدقة.
Link to this sectionYOLO11 لمطوري الذكاء الاصطناعي: جربه بنفسك#
البدء باستخدام YOLO11 بسيط ويمكن الوصول إليه، سواء كنت تفضل البرمجة أو خياراً بدون برمجة (no-code). للعمل مع YOLO11 من خلال الكود، يمكنك استخدام حزمة Python من Ultralytics لتدريب ونشر النماذج بسهولة. إذا كنت تفضل نهجاً بدون برمجة، فإن منصة Ultralytics تتيح لك تجربة YOLO11 ببضع نقرات فقط.
Link to this sectionجولة في كود YOLO11#
لاستخدام YOLO11 مع Python، ستحتاج أولاً إلى تثبيت حزمة Ultralytics. اعتماداً على تفضيلاتك، يمكنك القيام بذلك باستخدام pip أو conda أو Docker. للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO11، إذا واجهت أي صعوبات، ارجع إلى دليل المشكلات الشائعة للحصول على الحلول والنصائح.
بمجرد تثبيت حزمة Ultralytics، يصبح استخدام YOLO11 مباشراً. يرشدك مقتطف الكود التالي خلال عملية تحميل نموذج، و تدريبه، و اختبار أدائه، و تصديره إلى تنسيق ONNX. للحصول على أمثلة أكثر تعمقاً واستخدامات متقدمة، تأكد من الرجوع إلى وثائق Ultralytics الرسمية، حيث ستجد أدلة مفصلة وأفضل الممارسات لـ تحقيق أقصى استفادة من YOLO11.
شكل 5. استخدام YOLO11 من خلال حزمة Ultralytics.
للمستخدمين الذين يفضلون نهجاً بدون برمجة، توفر منصة Ultralytics طريقة سهلة لتدريب ونشر نماذج YOLO11 ببضع نقرات فقط. لـ البدء بمنصة Ultralytics، ما عليك سوى إنشاء حساب على منصة Ultralytics، ويمكنك البدء في تدريب وإدارة نماذجك من خلال واجهة بديهية.
Link to this sectionYOLO11: تشكيل مستقبل رؤية الذكاء الاصطناعي#
يعمل مجتمع الذكاء الاصطناعي باستمرار على تطوير مجال رؤية الحاسوب من خلال السعي لتطوير نماذج أسرع وأكثر دقة للتطبيقات الواقعية. يعد Ultralytics YOLO11 علامة فارقة في هذا الجهد، حيث يجلب تحسينات في السرعة والدقة والمرونة. إنه مصمم للتطبيقات في الزمن الحقيقي وتطبيقات الحافة، مما يجعله مثالياً لصناعات مثل الرعاية الصحية والقيادة الذاتية. سواء كنت تستخدم حزمة Python من Ultralytics أو منصة Ultralytics بدون برمجة، فإن YOLO11 يبسط مهام رؤية الذكاء الاصطناعي المعقدة. إنه يقدم قدرات قوية في رؤية الحاسوب، مما يجعله خياراً رائعاً للمطورين والشركات.
تحقق من مستودع GitHub الخاص بنا وانضم إلى مجتمعنا النشط لمعرفة المزيد عن الذكاء الاصطناعي. استكشف كيف تقود رؤية الذكاء الاصطناعي الابتكار في قطاعات مثل الرعاية الصحية والزراعة.
