كل ما تحتاج إلى معرفته عن Ultralytics YOLO11 وتطبيقاته

في يوم الاثنين 30 سبتمبر، أطلقت Ultralytics رسميًا Ultralytics YOLO11، وهو أحدث تطور في مجال computer vision، وذلك عقب ظهوره الأول في مؤتمر YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي لشركة Ultralytics. وقد ضج مجتمع الذكاء الاصطناعي حماسًا بينما سارع الجميع لاستكشاف قدرات النموذج. ومع سرعة معالجة أكبر، ودقة أعلى، ونماذج مُحسَّنة لكل من أجهزة الحافة ونشر السحابة، فإن YOLO11 redefines what’s possible في تطبيقات الرؤية الحاسوبية في الوقت الفعلي.

في interview، شارك مؤسس ورئيس التنفيذي لشركة Ultralytics، Glenn Jocher، قائلًا: "العالم يتجه نحو clean energy، ولكن ليس بالسرعة الكافية. نريد لنماذجنا أن تكون قابلة للتدريب في عدد أقل من الحقبات، مع عدد أقل من عمليات الزيادة وبيانات أقل، لذا نحن نعمل بجد على ذلك. إن أصغر نموذج لاكتشاف الأشياء، YOLO11n، يمتلك 2.6 مليون معامل فقط - وهو ما يعادل حجم صورة JPEG تقريبًا، وهو أمر جنوني حقًا. أما أكبر نموذج لـ object detection، وهو YOLO11x، فيمتلك حوالي 56 مليون معامل، وحتى هذا يعتبر صغيرًا بشكل لا يصدق مقارنة بالنماذج الأخرى. يمكنك تدريبها على وحدة معالجة رسومات رخيصة، مثل وحدة معالجة رسومات Nvidia قديمة عمرها خمس سنوات، مع القليل من الحماس وبعض القهوة."

في هذه المقالة، سنلقي نظرة أقرب على Ultralytics YOLO11، مستكشفين ميزاته، وتحسيناته، ومعايير أداجه، وتطبيقاته في العالم الحقيقي لمساعدتك على فهم ما يمكن أن يقدمه هذا النموذج. لنبدأ الآن!

فهم Ultralytics YOLO11: التحسينات مقارنة بالإصدارات السابقة#

يُعد YOLO11 أحدث تطور في سلسلة نماذج computer vision models التي تحمل اسم YOLO (You Only Look Once)، وهو يقدم تحسينات كبيرة مقارنة بالإصدارات السابقة مثل YOLOv5 وYOLOv8. لقد دمج الفريق في Ultralytics ملاحظات المجتمع والأبحاث المتطورة لجعل YOLO11 أسرع وأكثر دقة وأعلى كفاءة. كما يدعم YOLO11 نفس computer vision tasks التي يدعمها YOLOv8، بما في ذلك object detection، وinstance segmentation، وimage classification. في الواقع، يمكن للمستخدمين الانتقال بسهولة إلى YOLO11 دون الحاجة إلى تغيير سير العمل الحالي.

تتمثل إحدى أبرز ميزات YOLO11 في أدائه المتفوق في كل من الدقة والسرعة مقارنة بالإصدارات السابقة. فمع وجود معلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m mean average precision (mAP) أعلى على COCO dataset، مما يعني أنه يستطيع اكتشاف الأشياء بدقة وكفاءة أكبر. وفيما يتعلق بسرعة المعالجة، يتفوق YOLO11 على النماذج السابقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي، حيث تكون السرعة في الاكتشاف والاستجابة أمرًا بالغ الأهمية، وكل مللي ثانية له أهميته.

يوضح الرسم البياني للمقارنة أدناه كيف يبرز YOLO11 عن النماذج السابقة. على المحور الأفقي، يعرض COCO Box Average Precision (AP)، والذي يقيس دقة اكتشاف الأشياء. بينما يعرض المحور الرأسي زمن الانتقال باستخدام TensorRT10 FP16 على وحدة معالجة رسومات NVIDIA T4 GPU، مما يشير إلى مدى سرعة معالجة النموذج للبيانات.

الشكل 1. يقدم Ultralytics YOLO11 إمكانيات رائدة لاكتشاف الكائنات في الوقت الفعلي.

إطلاق نموذج Ultralytics YOLO11: خيارات مفتوحة المصدر وللشركات#

مع the launch of Ultralytics YOLO11، توسع Ultralytics سلسلة YOLO من خلال توفير كل من نماذج open-source وenterprise لتلبية الطلب المتزايد عبر مختلف الصناعات.

شكل 2. مع هذا الإطلاق، توفر Ultralytics 30 نموذجاً جديداً.

يتميز YOLO11 بخمسة أحجام مميزة للنماذج - Nano، وSmall، وMedium، وLarge، وX. يمكن للمستخدمين اختيار النموذج الأفضل بناءً على الاحتياجات المحددة لتطبيق computer vision application’s. توفر الأحجام الخمسة مرونة عبر مهام مثل image classification، وobject detection، وinstance segmentation، وtracking، وpose estimation، وoriented bounding boxes (OBB) object detection. لكل حجم، يتوفر نموذج لكل مهمة، مما ينتج عنه إجمالي 25 نموذجًا من نوع open-source تشكل جوهر عروض Ultralytics. هذه النماذج مثالية لمجموعة واسعة من applications، بدءًا من المهام خفيفة الوزن على أجهزة الحافة، حيث يقدم نموذج YOLO11n كفاءة مذهلة، وصولاً إلى larger-scale applications التي تتطلب نموذجي YOLO11l وYOLO11x.

لأول مرة، تقدم Ultralytics نماذج enterprise، مما يمثل علامة فارقة رئيسية في عروض منتجاتنا، ونحن متحمسون لمشاركة هذه الابتكارَات الجديدة مع مستخدمينا. يقدم YOLO11 خمسة نماذج مملوكة مصممة خصيصًا لحالات الاستخدام التجاري. هذه النماذج المؤسسية، والتي ستكون متاحة الشهر القادم، تم تدريبها على dataset الجديد المملوك لشركات Ultralytics، والذي يتكون من أكثر من مليون صورة، مما يوفر نماذج مُدربة مسبقًا أكثر قوة. وقد تم هندستها لتناسب demanding, real-world applications، مثل medical imagery analysis وsatellite image processing، حيث يكون الاكتشاف الدقيق للأشياء أمرًا بالغ الأهمية.

استكشاف ميزات الجيل القادم من Ultralytics YOLO11#

الآن بعد أن ناقشنا ما تقدمه Ultralytics YOLO11، دعنا نلقي نظرة على ما يجعل YOLO11 مميزاً للغاية.

تتمثل إحدى التحديات الرئيسية في تطوير YOLO11 في إيجاد التوازن الصحيح بين الأولويات المتنافسة: جعل النماذج أصغر حجمًا، وأسرع، وأكثر دقة. وكما أوضح Glenn Jocher، مؤسس ورئيس تنفيذي لشركة Ultralytics: “Working on YOLO research and development يمثل تحديًا حقًا لأنك ترغب في السير في ثلاثة اتجاهات مختلفة: تريد جعل النماذج أصغر، وتريد أن تصبح أكثر دقة، ولكنك تريد أيضًا أن تكون أسرع على منصات مختلفة مثل وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU). كل هذه مصالح متنافسة، لذا عليك تقديم تنازلات واختيار المكان الذي ستجري فيه التغييرات." ورغم هذه التحديات، يحقق YOLO11 توازنًا مثيرًا للإعجاب، حيث يوفر تحسينات في السرعة والدقة مقارنة بالإصدارات السابقة مثل YOLOv8.

Fig 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الكائنات.

تجلب Ultralytics YOLO11 تحسينات جوهرية مثل تحسين استخراج الميزات من خلال إعادة تصميم هندسة الهيكل الأساسي والعنق، مما يؤدي إلى اكتشاف أكثر دقة للأجسام. كما تم تحسين النموذج من أجل السرعة والكفاءة، مما يوفر أوقات معالجة أسرع مع الحفاظ على دقة عالية. بالإضافة إلى هذه المزايا، فإن YOLO11 قابلة للتكيف بشكل كبير عبر مختلف البيئات، حيث تعمل بسلاسة على الأجهزة الطرفية، والمنصات السحابية، والأنظمة التي تستخدم وحدات معالجة الرسومات من NVIDIA. تجعل هذه القابلية للتكيف منها خياراً مثالياً للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة عبر إعدادات الأجهزة المختلفة، بدءاً من الأجهزة المحمولة وصولاً إلى الخوادم واسعة النطاق.

تطبيقات Ultralytics YOLO11 في الوقت الفعلي#

تجعل مرونة Ultralytics YOLO11 منها أداة موثوقة عبر العديد من الصناعات، خاصة عند التعامل مع حالات الاستخدام المعقدة. على سبيل المثال، تعمل بسلاسة على الأجهزة الطرفية ويمكن استخدامها للتطبيقات التي تتطلب تحليلاً في الوقت الفعلي في بيئات ذات طاقة حوسبية محدودة. مثال ممتاز على ذلك هو القيادة الذاتية، حيث تحتاج المركبات إلى اتخاذ قرارات في جزء من الثانية للحفاظ على سلامة الجميع. تساعد YOLO11 في اكتشاف وتحليل الكائنات على الطريق، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو عندما تكون الأجسام محجوبة جزئياً. يساعد الاكتشاف السريع والدقيق في منع الحوادث ويضمن قدرة المركبات على التنقل بأمان.

Fig 4. Glenn Jocher على المسرح في مؤتمر YV24، يتحدث عن تطبيقات Ultralytics YOLO11.

مثال آخر مثير للاهتمام على نطاق استخدام Ultralytics YOLO11 هو قدرتها على التعامل مع مربعات الإحاطة الموجهة (OBB). إنه أمر بالغ الأهمية لاكتشاف الكائنات التي لا تكون محاذاة تماماً. يعد اكتشاف كائنات OBB ميزة مفيدة بشكل خاص في صناعات مثل الزراعة، والخرائط، والمراقبة، حيث غالباً ما تحتوي الصور على كائنات مُدارة مثل المحاصيل أو المباني في صور الأقمار الصناعية أو الصور الجوية. على عكس النماذج التقليدية، تستطيع YOLO11 تحديد الأجسام بأي زاوية وتوفير نتائج أكثر دقة للمهام التي تتطلب دقة عالية.

Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: جربه بنفسك#

البدء في استخدام YOLO11 أمر بسيط وسهل الوصول إليه، وسواء كنت تفضل البرمجة أو خيارًا بدون برمجة. للعمل مع YOLO11 من خلال الكود، يمكنك استخدام Ultralytics Python package لتدريب ونشر النماذج بسهولة. وإذا كنت تفضل النهج الخالي من البرمجة، فإن Ultralytics Platform يتيح لك تجربة YOLO11 بنقرات معدودة فقط.

جولة تفصيلية في كود Ultralytics YOLO11#

لاستخدام YOLO11 مع Python، ستحتاج أولاً إلى تثبيت حزمة Ultralytics. وبناءً على تفضيلاتك، يمكنك القيام بذلك باستخدام pip أو conda أو Docker. للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة Ultralytics Installation Guide. وأثناء تثبيت الحزم المطلوبة لـ YOLO11، إذا واجهت أي صعوبات، فارجع إلى Common Issues Guide للحصول على الحلول والنصائح.

بمجرد تثبيت حزمة Ultralytics، فإن using YOLO11 is straightforward. يرشدك مقتطف الكود التالي خلال عملية loading a model، وtraining it، وtesting its performance، وexporting إلى ONNX format. لمزيد من الأمثلة المتعمقة والاستخدام المتقدم، احرص على الرجوع إلى official Ultralytics documentation، حيث ستجد guides مفصلة وأفضل الممارسات من أجل getting the most out of YOLO11.

شكل 5. استخدام YOLO11 من خلال حزمة Ultralytics.

بالنسبة للمستخدمين الذين يفضلون نهجًا بدون برمجة، توفر Ultralytics Platform طريقة سهلة لتدريب ونشر نماذج YOLO11 بنقرات معدودة فقط. لكي get started with Ultralytics Platform، ما عليك سوى إنشاء حساب على منصة Ultralytics، ويمكنك البدء في تدريب نماذجك وإدارتها من خلال واجهة سهلة الاستخدام.

Ultralytics YOLO11: صياغة 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 GitHub repository الخاص بنا وانضم إلى our active community لمعرفة المزيد عن الذكاء الاصطناعي. استكشف كيف تقود رؤية الذكاء الاصطناعي الابتكار في قطاعات مثل healthcare وagriculture.