كل ما تحتاج معرفته حول Ultralytics YOLO11 وتطبيقاتها

في يوم الاثنين الموافق 30 سبتمبر، أطلقت Ultralytics رسميًا Ultralytics YOLO11، أحدث التطورات في مجال الرؤية الحاسوبية، بعد ظهوره الأول في YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي لـ Ultralytics. كان مجتمع الذكاء الاصطناعي يعج بالإثارة وهم يندفعون لاستكشاف قدرات النموذج. بفضل المعالجة الأسرع والدقة الأعلى والنماذج المحسّنة لكل من الأجهزة الطرفية والنشر السحابي، يعيد YOLO11 تعريف الممكن في تطبيقات الرؤية الحاسوبية في الوقت الفعلي.

في مقابلة، شارك المؤسس والرئيس التنفيذي لشركة Ultralytics، Glenn Jocher، قائلاً: "العالم يتجه نحو الطاقة النظيفة، ولكن ليس بالسرعة الكافية. نريد أن تكون نماذجنا قابلة للتدريب في عدد أقل من الحقب، مع عدد أقل من الزيادات وكمية أقل من البيانات، لذلك نحن نعمل بجد على ذلك. أصغر نموذج لاكتشاف الكائنات، YOLO11n، لديه 2.6 مليون معلمة فقط - تقريبًا بحجم JPEG، وهو أمر جنوني حقًا. أكبر نموذج لاكتشاف الكائنات، YOLO11x، لديه حوالي 56 مليون معلمة، وحتى ذلك صغير بشكل لا يصدق مقارنة بالنماذج الأخرى. يمكنك تدريبها على وحدة معالجة رسومات رخيصة، مثل وحدة معالجة رسومات Nvidia عمرها خمس سنوات، مع بعض الإثارة وقليل من القهوة."

في هذه المقالة، سوف نلقي نظرة فاحصة على YOLO11، ونستكشف ميزاته وتحسيناته ومعايير الأداء والتطبيقات الواقعية لمساعدتك على فهم ما يمكن أن يفعله هذا النموذج. هيا بنا نبدأ!

فهم YOLO11: تحسينات على الإصدارات السابقة

YOLO11 هو أحدث تقدم في سلسلة YOLO ‏(You Only Look Once) من نماذج الرؤية الحاسوبية، ويقدم تحسينات كبيرة مقارنة بالإصدارات السابقة مثل YOLOv5 و YOLOv8. قام الفريق في Ultralytics بدمج ملاحظات المجتمع وأحدث الأبحاث لجعل YOLO11 أسرع وأكثر دقة وكفاءة. يدعم YOLO11 أيضًا نفس مهام الرؤية الحاسوبية مثل YOLOv8، بما في ذلك اكتشاف الكائنات و تقسيم الحالات و تصنيف الصور. في الواقع، يمكن للمستخدمين التبديل بسهولة إلى YOLO11 دون الحاجة إلى تغيير سير العمل الحالي.

تتمثل إحدى الميزات الرئيسية في YOLO11 في أدائه المتفوق من حيث الدقة والسرعة مقارنة بالإصدارات السابقة. مع عدد أقل من المعلمات بنسبة 22% مقارنة بـ YOLOv8m، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أنه يمكنه اكتشاف الكائنات بدقة وكفاءة أكبر. من حيث سرعة المعالجة، يتفوق YOLO11 على النماذج السابقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي، حيث يكون الاكتشاف والاستجابة السريعة أمرًا بالغ الأهمية، وكل مللي ثانية مهم.

يوضح الرسم البياني المعياري أدناه كيف تتفوق YOLO11 على النماذج السابقة. على المحور الأفقي، يعرض متوسط دقة صندوق COCO (AP)، الذي يقيس دقة الكشف عن الكائنات. يعرض المحور الرأسي زمن الوصول باستخدام TensorRT10 FP16 على وحدة معالجة الرسومات NVIDIA T4، مما يشير إلى مدى سرعة معالجة النموذج للبيانات. 

‍

إطلاق نموذج YOLO11: خيارات مفتوحة المصدر وخيارات للمؤسسات

مع إطلاق Ultralytics YOLO11، تقوم Ultralytics بتوسيع سلسلة YOLO من خلال تقديم نماذج مفتوحة المصدر ونماذج للمؤسسات لتلبية الطلب المتزايد في مختلف الصناعات.

‍

يتميز YOLO11 بخمسة أحجام نماذج متميزة - Nano و Small و Medium و Large و X. يمكن للمستخدمين اختيار أفضل نموذج اعتمادًا على الاحتياجات المحددة لتطبيق رؤية الكمبيوتر الخاص بهم. توفر الأحجام الخمسة مرونة عبر مهام مثل تصنيف الصور و اكتشاف الكائنات و تجزئة المثيل و التتبع و تقدير الوضعية و اكتشاف الكائنات ذات المربعات المحيطة الموجهة (OBB). لكل حجم، يتوفر نموذج لكل مهمة، مما ينتج عنه إجمالي 25 نموذجًا مفتوح المصدر تشكل جوهر عروض Ultralytics. هذه النماذج مثالية لمجموعة واسعة من التطبيقات، من المهام خفيفة الوزن على الأجهزة الطرفية، حيث يوفر نموذج YOLO11n كفاءة رائعة، إلى التطبيقات واسعة النطاق التي تتطلب نموذجي YOLO11l و YOLO11x.

لأول مرة، تقدم Ultralytics نماذج للمؤسسات، مما يمثل علامة فارقة في عروض منتجاتنا، ويسعدنا مشاركة هذه الابتكارات الجديدة مع مستخدمينا. يقدم YOLO11 خمسة نماذج مملوكة مصممة خصيصًا لحالات الاستخدام التجارية. تم تدريب هذه النماذج المؤسسية، التي ستكون متاحة الشهر المقبل، على مجموعة بيانات Ultralytics الجديدة المملوكة، والتي تتكون من أكثر من مليون صورة، مما يوفر نماذج مدربة مسبقًا أكثر قوة. وهي مصممة للتطبيقات الصعبة في العالم الحقيقي، مثل تحليل الصور الطبية و معالجة صور الأقمار الصناعية، حيث يعد اكتشاف الكائنات بدقة أمرًا بالغ الأهمية.

استكشاف ميزات YOLO11 من الجيل التالي

الآن بعد أن ناقشنا ما يقدمه YOLO11، دعنا نلقي نظرة على ما يجعل YOLO11 مميزًا للغاية.

كان أحد التحديات الرئيسية في تطوير YOLO11 هو إيجاد التوازن الصحيح بين الأولويات المتنافسة: جعل النماذج أصغر وأسرع وأكثر دقة. كما أوضح جلين جوتشر، المؤسس والرئيس التنفيذي لشركة Ultralytics، "العمل على البحث والتطوير في YOLO يمثل تحديًا حقيقيًا لأنك تريد الذهاب في ثلاثة اتجاهات مختلفة: تريد أن تجعل النماذج أصغر، وتريد أن تكون أكثر دقة، ولكنك تريد أيضًا أن تكون أسرع على منصات مختلفة مثل وحدة المعالجة المركزية ووحدة معالجة الرسومات. كل هذه المصالح متنافسة، لذلك عليك تقديم تنازلات واختيار مكان إجراء التغييرات."‍ على الرغم من هذه التحديات، يحقق YOLO11 توازنًا مثيرًا للإعجاب، حيث يقدم تحسينات في السرعة والدقة مقارنة بالإصدارات السابقة مثل YOLOv8.

‍

يقدم YOLO11 تحسينات كبيرة مثل استخراج الميزات المحسّن من خلال بنية خلفية ورقبة مُعاد تصميمها، مما يؤدي إلى اكتشاف أكثر دقة للكائنات. تم تحسين النموذج أيضًا للسرعة والكفاءة، مما يوفر أوقات معالجة أسرع مع الحفاظ على دقة عالية. بالإضافة إلى هذه المزايا، فإن YOLO11 قابل للتكيف بدرجة كبيرة عبر البيئات المختلفة، حيث يعمل بسلاسة على الأجهزة الطرفية والمنصات السحابية والأنظمة التي تستخدم وحدات معالجة الرسومات NVIDIA. هذا التكيف يجعله خيارًا مثاليًا للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة عبر إعدادات الأجهزة المختلفة، من الأجهزة المحمولة إلى الخوادم واسعة النطاق.

تطبيقات YOLO11 في الوقت الفعلي

إن تعدد استخدامات YOLO11 يجعله أداة موثوقة في العديد من الصناعات، خاصة عند التعامل مع حالات الاستخدام المعقدة. على سبيل المثال، يعمل بسلاسة على الأجهزة الطرفية ويمكن استخدامه في التطبيقات التي تتطلب تحليلًا في الوقت الفعلي في البيئات ذات القدرة الحاسوبية المحدودة. مثال ممتاز على ذلك هو القيادة الذاتية، حيث تحتاج المركبات إلى اتخاذ قرارات في جزء من الثانية للحفاظ على سلامة الجميع. يساعد YOLO11 عن طريق اكتشاف وتحليل الكائنات على الطريق، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو عندما تكون الأشياء مخفية جزئيًا. يساعد الاكتشاف السريع والدقيق على منع الحوادث ويضمن قدرة المركبات ذاتية القيادة على التنقل بأمان.

‍

مثال آخر مثير للاهتمام على نطاق YOLO11 هو قدرته على التعامل مع مربعات الإحاطة الموجهة (OBB). إنه ضروري لاكتشاف الأجسام غير المتراصفة تمامًا. يعد اكتشاف الأجسام باستخدام مربعات الإحاطة الموجهة ميزة مفيدة بشكل خاص في صناعات مثل الزراعة و رسم الخرائط و المراقبة، حيث غالبًا ما تحتوي الصور على أجسام مدورة مثل المحاصيل أو المباني في الصور الجوية أو صور الأقمار الصناعية. على عكس النماذج التقليدية، يمكن لـ YOLO11 تحديد الأجسام بأي زاوية وتقديم نتائج أكثر دقة للمهام التي تتطلب الدقة.

YOLO11 لمطوري الذكاء الاصطناعي: جربه بنفسك

يعد البدء في استخدام YOLO11 أمرًا بسيطًا ومتاحًا، سواء كنت تفضل البرمجة أو خيارًا بدون تعليمات برمجية. للعمل مع YOLO11 من خلال التعليمات البرمجية، يمكنك استخدام حزمة Ultralytics Python لتدريب النماذج ونشرها بسهولة. إذا كنت تفضل اتباع نهج بدون تعليمات برمجية، فإن Ultralytics HUB يتيح لك تجربة YOLO11 ببضع نقرات فقط.

شرح تفصيلي لتعليمات برمجية في YOLO11

لاستخدام YOLO11 مع Python، ستحتاج أولاً إلى تثبيت حزمة Ultralytics. بناءً على تفضيلاتك، يمكنك القيام بذلك باستخدام pip أو conda أو Docker. للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت Ultralytics. أثناء تثبيت الحزم المطلوبة لـ YOLO11، إذا واجهت أي صعوبات، فراجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

بمجرد تثبيت حزمة Ultralytics، يصبح استخدام YOLO11 أمرًا سهلاً. توضح لك مقتطفة التعليمات البرمجية التالية عملية تحميل نموذج، و تدريبه، و اختبار أدائه، و تصديره إلى تنسيق ONNX. للحصول على أمثلة أكثر تعمقًا واستخدام متقدم، تأكد من الرجوع إلى وثائق Ultralytics الرسمية، حيث ستجد أدلة تفصيلية وأفضل الممارسات لـ تحقيق أقصى استفادة من YOLO11.

‍

بالنسبة للمستخدمين الذين يفضلون اتباع نهج عدم استخدام التعليمات البرمجية، توفر منصة Ultralytics HUB طريقة سهلة لتدريب ونشر نماذج YOLO11 ببضع نقرات فقط. للبدء مع HUB، ما عليك سوى إنشاء حساب على منصة Ultralytics HUB، ويمكنك البدء في تدريب نماذجك وإدارتها من خلال واجهة سهلة الاستخدام.

YOLO11: تشكيل مستقبل رؤية الذكاء الاصطناعي

يعمل مجتمع الذكاء الاصطناعي باستمرار على تطوير مجال رؤية الكمبيوتر من خلال السعي لتطوير نماذج أسرع وأكثر دقة للتطبيقات الواقعية. يعد Ultralytics YOLO11 علامة فارقة رئيسية في هذا الجهد، حيث يوفر سرعة ودقة ومرونة محسّنة. إنه مصمم للتطبيقات في الوقت الفعلي والحافة، مما يجعله مثاليًا لصناعات مثل الرعاية الصحية والقيادة الذاتية. سواء كنت تستخدم حزمة Ultralytics Python أو Ultralytics Hub بدون تعليمات برمجية، فإن YOLO11 يبسط مهام Vision AI المعقدة. إنه يوفر إمكانات رؤية كمبيوتر قوية، مما يجعله خيارًا رائعًا للمطورين والشركات.

تفقّد مستودع GitHub الخاص بنا وانضم إلى مجتمعنا النشط لمعرفة المزيد حول الذكاء الاصطناعي. استكشف كيف يقود الذكاء الاصطناعي البصري الابتكار في قطاعات مثل الرعاية الصحية و الزراعة.