أفضل نماذج اكتشاف الكائنات لتطبيقات iOS على رقائق Apple silicon

أصبحت أجهزة Android وأجهزة iPhone ضرورة يومية. يستخدمها الناس للتسوق، والتنقل، والتقاط الصور، ومسح المنتجات ضوئيًا، والتفاعل مع التطبيقات طوال اليوم.

مع النمو السريع للذكاء الاصطناعي، تحتوي العديد من الهواتف الذكية الآن على ميزات يمكنها فهم الصور ومقاطع الفيديو التي تلتقطها كاميرا الجهاز. تعتمد القدرة على تشغيل هذه الميزات بكفاءة إلى حد كبير على الأجهزة الأساسية.

على سبيل المثال، في نظام Apple البيئي، تعمل أجهزة مثل iPhones وiPads وMacs بواسطة رقاقات Apple Silicon، بما في ذلك فئات A وM. تدمج تصاميم نظام على رقاقة (SoC) هذه وحدات المعالجة المركزية (CPU)، ووحدات معالجة الرسومات (GPU)، ومسرعات التعلم الآلي المخصصة، مما يتيح الاستنتاج على الجهاز لأعباء عمل الذكاء الاصطناعي.

على وجه الخصوص، أصبحت قدرات تحليل الصور ممكنة من خلال الرؤية الحاسوبية، وهو مجال من مجالات الذكاء الاصطناعي يسمح للآلات بتفسير وفهم المعلومات المرئية من الصور ومقاطع الفيديو باستخدام مهام مثل اكتشاف الكائنات.

بشكل محدد، تقوم نماذج اكتشاف الكائنات بتحليل الصور وتحديد الكائنات عن طريق رسم صناديق إحاطة (bounding boxes) حولها. يمكن تحسين هذه النماذج للتشغيل بكفاءة على الأجهزة المحمولة، مثل رقاقات Apple Silicon، مما يتيح التحليل المرئي الفوري مباشرة على الجهاز في أجهزة iOS.

الشكل 1. مثال على اكتشاف الكائنات، مع تحديد الكائنات بواسطة صناديق إحاطة. (المصدر)

في هذه المقالة، سنستكشف بعضًا من أفضل نماذج اكتشاف الكائنات لبناء تطبيقات iOS سريعة وآنية. لنبدأ!

Link to this sectionكيف تعمل كاشفات الكائنات على أجهزة iOS#

يساعد اكتشاف الكائنات التطبيقات في التعرف على الكائنات وتحديد موقعها في الصورة. عندما تعالج التطبيقات صورة مدخلة، يمكن لنموذج اكتشاف الكائنات تحليل المشهد وتحديد كائنات مختلفة عن طريق وضع صناديق إحاطة حولها وتعيين تسميات لها.

تعتمد معظم أنظمة اكتشاف الكائنات على شبكات عصبية يمكنها التعرف على الأنماط في بيانات التدريب. بالنسبة لمهام الصور، تتعلم هذه النماذج تمثيلات مرئية من خلال تحليل المعلومات على مستوى البكسل من مجموعات بيانات تدريب كبيرة.

غالبًا ما تُستخدم الشبكات العصبية التلافيفية (CNNs) كعمود فقري لنماذج اكتشاف الكائنات. تعد CNNs رائعة لتوقعات الصور لأنها تتعلم ميزات مرئية هرمية مثل الحواف والأشكال والقوام، مما يساعد النموذج على التعرف على الكائنات داخل المشهد.

يستكشف الباحثون أيضًا بنيات قائمة على المحولات (Transformers) لمهام الرؤية الحاسوبية. تحلل هذه النماذج العلاقات بين مناطق مختلفة من الصورة وتلتقط معلومات سياقية أوسع عبر المشهد.

بعيدًا عن نوع بنية النموذج، تعد الكفاءة اعتبارًا حاسمًا لاكتشاف الكائنات على أجهزة iOS. نظرًا لأن هذه النماذج تعمل مباشرة على الأجهزة المحمولة، يجب عليها معالجة الصور بسرعة مع استخدام موارد حوسبة محدودة.

تحافظ النماذج الفعالة على زمن وصول منخفض وتدعم اكتشاف الكائنات الفوري في تطبيقات الجوال، خاصة عند تحليل مدخلات الكاميرا المستمرة.

Link to this sectionما الذي يجعل نموذج اكتشاف الكائنات مناسبًا لـ iOS؟#

قبل الغوص في بعض أفضل نماذج اكتشاف الكائنات لـ iOS، دعونا نتراجع خطوة للوراء ونفهم ما الذي يجعل النموذج رائعًا لتطبيقات الجوال.

يوازن نموذج اكتشاف الكائنات المثالي لتطبيق iOS بين الأداء والكفاءة والموثوقية. إليك بعض العوامل الرئيسية التي تحدد نموذجًا قويًا لنشره على iOS:

• زمن وصول منخفض: يجب أن يعالج النموذج الصور بسرعة لدعم اكتشاف الكائنات الفوري، خاصة للتطبيقات التي تعتمد على مدخلات الكاميرا المستمرة.
• حجم نموذج فعال: تعمل النماذج المدمجة بكفاءة أكبر على الأجهزة المحمولة وعادة ما تتطلب ذاكرة وموارد حوسبة أقل.
• دقة الاكتشاف: يضمن الاكتشاف الدقيق تصنيف الكائنات بشكل صحيح، وتظل صناديق الإحاطة دقيقة عبر مشاهد مختلفة وأحجام كائنات متنوعة وظروف إضاءة مختلفة.
• استقرار الاستنتاج: يعد وقت الاستنتاج المتسق عبر الإطارات أمرًا مهمًا للتطبيقات الفورية. يمكن أن تتسبب التقلبات الكبيرة في وقت المعالجة في سقوط الإطارات أو تجارب كاميرا غير مستقرة.
• بصمة الذاكرة: تؤثر كمية RAM المطلوبة أثناء الاستنتاج على مدى سلاسة تشغيل النموذج جنبًا إلى جنب مع عمليات التطبيقات الأخرى على أجهزة iOS.

Link to this sectionنظرة على أفضل نماذج اكتشاف الكائنات لـ iOS#

بعد ذلك، دعونا نلقي نظرة على بعض نماذج اكتشاف الكائنات الأكثر استخدامًا لأجهزة iOS.

Link to this sectionنماذج Ultralytics YOLO#

تُعد نماذج Ultralytics YOLO عائلة شهيرة من نماذج اكتشاف الكائنات المصممة لتطبيقات الرؤية الحاسوبية الفورية. على مر السنين، أصدرت Ultralytics نماذج رؤية مثل Ultralytics YOLOv5، وUltralytics YOLOv8، وUltralytics YOLO11، وأحدث نموذج متطور، Ultralytics YOLO26.

قدم كل إصدار جديد تحسينات في دقة الاكتشاف وكفاءة النموذج وأداء وقت التشغيل. جعلت هذه التحديثات نماذج Ultralytics YOLO مناسبة بشكل متزايد للأجهزة الطرفية مثل الهواتف الذكية.

الشكل 2. يمكن استخدام YOLO26 لاكتشاف كائنات متعددة في مشهد واقعي. (المصدر)

إحدى المزايا الرئيسية لاستخدام نماذج Ultralytics YOLO لتطبيقات iOS هي تكامل CoreML الموفر من خلال حزمة Ultralytics Python. تساعد هذه المكتبة مفتوحة المصدر المطورين على تدريب واختبار وتصدير نماذج Ultralytics YOLO بسير عمل بسيط.

تدعم الحزمة تصدير النماذج المدربة إلى CoreML، وهو تنسيق التعلم الآلي من Apple المستخدم لنشر نماذج على أجهزة iOS. بعد التصدير، يمكن دمج نموذج CoreML في تطبيق وتشغيله مباشرة على الجهاز باستخدام أجهزة مثل CPU وGPU وApple Neural Engine.

الشكل 3. CoreML هو إطار عمل Apple لدمج وتشغيل نماذج الذكاء الاصطناعي داخل التطبيقات. (المصدر)

هذا يجعل من السهل على المطورين دمج اكتشاف الكائنات الفوري في تطبيقات iOS مع الحفاظ على استنتاج النموذج على الجهاز.

Link to this sectionخيارات النشر لنماذج Ultralytics YOLO على Apple Silicon#

بعيدًا عن النماذج نفسها، يقدم نظام Ultralytics البيئي مجموعة من الخيارات التي تجعل من السهل نشر نماذج YOLO على رقاقات Apple Silicon.

على سبيل المثال، قدمت Ultralytics مؤخرًا منصة Ultralytics، التي تجمع بين إدارة مجموعات البيانات، وتدريب النماذج، والتحقق منها، ونشرها في بيئة واحدة. يقلل سير العمل الموحد هذا من الحاجة إلى أدوات متعددة ويساعد في تبسيط المسار من التجريب إلى التطبيقات الواقعية.

كجزء من المنصة، يمكن تصدير النماذج المدربة إلى تنسيقات متعددة، بما في ذلك CoreML لأجهزة Apple. هذا يجعل من الممكن تصدير نموذج Ultralytics YOLO للاستنتاج على الجهاز في بضع نقرات فقط.

علاوة على قدرات التصدير، توفر Ultralytics تطبيقًا مفتوح المصدر بلغة Swift (لغة برمجة Apple المستخدمة لبناء تطبيقات iOS) لـ iOS. يتضمن ذلك تطبيق YOLO iOS مكتوبًا بلغة Swift يوضح كيف يمكن دمج نماذج CoreML وتشغيلها على مدخلات الكاميرا واستخدامها لاكتشاف الكائنات الفوري.

Link to this sectionمزايا إضافية لنماذج Ultralytics YOLO#

إليك بعض الخصائص الرئيسية الأخرى التي تجعل نماذج Ultralytics YOLO خيارًا رائعًا لبناء تطبيقات iOS:

• دعم مجموعة من مهام الرؤية: بالإضافة إلى اكتشاف الكائنات، يمكن استخدام نماذج Ultralytics YOLO لتجزئة الحالات (instance segmentation)، وتقدير الوضعية (pose estimation)، وتتبع الكائنات، واكتشاف صناديق الإحاطة الموجهة (OBB)، وتصنيف الصور.
• أحجام نماذج متعددة: توفر Ultralytics متغيرات نماذج مختلفة (مثل nano وsmall وmedium وlarge وextra-large)، مما يسمح للمطورين باختيار إصدار يناسب قيود أداء الأجهزة المحمولة.
• نماذج مدربة مسبقًا: تتوفر نماذج Ultralytics YOLO كنماذج مدربة مسبقًا يمكن استخدامها فورًا أو ضبطها بدقة لمهام محددة، مما يقلل من وقت التطوير.

Link to this sectionEfficientDet#

EfficientDet هي بنية اكتشاف كائنات قدمها باحثون في Google في عام 2019. تم تصميمها لموازنة دقة الاكتشاف وكفاءة الحوسبة، مما يجعلها مناسبة للبيئات ذات الموارد المحدودة.

الفكرة الرئيسية وراء EfficientDet هي طريقة تحجيم تُعرف بالتحجيم المركب (compound scaling). بدلاً من زيادة جزء واحد فقط من النموذج، مثل عمق الشبكة أو دقة الصورة، يقوم هذا النهج بتحجيم مكونات متعددة من البنية معًا.

من خلال تعديل هذه العناصر في وقت واحد، يحافظ النموذج على أداء مستقر سواء تم تكوينه لدقة عالية أو تحسينه لعمليات النشر خفيفة الوزن.

البنية متاحة في عدة متغيرات، تتراوح من EfficientDet-D0 إلى EfficientDet-D7. تم تصميم النماذج الأصغر لاستنتاج أسرع واستخدام أقل للموارد، بينما تركز الإصدارات الأكبر على تحقيق دقة اكتشاف أعلى.

Link to this sectionMobileNet SSD#

MobileNet SSD هو نموذج اكتشاف كائنات خفيف الوزن مصمم للتشغيل بكفاءة على الأجهزة المحمولة والطرفية. اكتسب شعبية حوالي عام 2017.

يجمع النموذج بين بنية MobileNet، التي تركز على استخراج الميزات بكفاءة، ونهج SSD (Single Shot Detector) لاكتشاف الكائنات. تكتشف طريقة SSD الكائنات وتولد صناديق إحاطة في تمريرة أمامية واحدة.

يحافظ هذا التصميم على النموذج سريعًا وبسيطًا نسبيًا، وهو مفيد للتطبيقات التي تحتاج إلى نتائج اكتشاف سريعة. غالبًا ما يُستخدم MobileNet SSD في المواقف التي يكون فيها أحجام النماذج الأصغر وسرعات الاستنتاج الأسرع مهمة.

تقلل بنية MobileNet من كمية الحوسبة المطلوبة، مما يجعل من السهل تشغيل النموذج على الأجهزة ذات قوة المعالجة المحدودة. على الرغم من أن MobileNet SSD قد لا يحقق نفس مستوى دقة بعض بنيات الاكتشاف الأحدث، إلا أنه لا يزال يعمل بشكل جيد للعديد من مهام اكتشاف الكائنات الشائعة.

Link to this sectionCenterNet#

CenterNet هو نموذج اكتشاف كائنات يحدد الكائنات عن طريق التنبؤ بنقاط مركزها. تم تقديمه في عام 2019.

بدلاً من إنشاء العديد من المناطق المرشحة، يكتشف النموذج مركز الكائن ثم يتنبأ بحجم صندوق الإحاطة حوله. يبسط هذا النهج خط أنابيب الاكتشاف ويقلل من عدد الخطوات المتضمنة أثناء الاستنتاج.

الشكل 4. نظرة عامة على مراحل اكتشاف الكائنات في CenterNet (المصدر)

يمكن استخدام CenterNet لمهام الاكتشاف الفوري وهو معروف ببنيته البسيطة نسبيًا مقارنة ببعض الكاشفات متعددة المراحل. تُستخدم متغيرات مثل CenterNet مع بنية ResNet بشكل شائع في تطبيقات رؤية حاسوبية مختلفة.

يجعل تصميمه الفعال CenterNet مناسبًا للأنظمة التي تحتاج إلى اكتشاف سريع للكائنات، بما في ذلك التطبيقات التي تعمل على أجهزة iOS.

Link to this sectionNanoDet#

NanoDet هو نموذج اكتشاف كائنات خفيف الوزن مصمم للتطبيقات الفورية على الأجهزة الطرفية والمحمولة. تم تقديمه في عام 2020 بهدف توفير اكتشاف فعال للكائنات مع الحفاظ على حجم النموذج ومتطلبات الحوسبة منخفضة جدًا.

يستخدم النموذج بنية اكتشاف أحادية المرحلة، مما يمكنه من التنبؤ بمواقع الكائنات وفئاتها في تمريرة واحدة عبر الشبكة. يحافظ هذا التصميم على سرعة النموذج وملاءمته للأنظمة ذات موارد الأجهزة المحدودة.

يستخدم NanoDet بنية عمود فقري مدمجة ورأس اكتشاف محسّن لتقليل عدد المعلمات والحسابات المطلوبة أثناء الاستنتاج. تساعد خيارات التصميم هذه في الحفاظ على دقة اكتشاف معقولة مع إعطاء الأولوية للسرعة والكفاءة.

Link to this sectionاختيار نموذج اكتشاف الكائنات المناسب لتطبيق iOS الخاص بك#

غالبًا ما يعتمد اختيار نموذج اكتشاف كائنات لتطبيق iOS على المتطلبات المحددة لحالة الاستخدام. نظرًا لأن هذه النماذج تعمل مباشرة على أجهزة مثل iPhone وiPad، تؤثر عدة عوامل على الخيار الذي سيعمل بشكل أفضل.

إليك بعض الاعتبارات المهمة:

• كفاءة الطاقة: تساعد النماذج التي تستهلك طاقة أقل في الحفاظ على عمر البطارية، وهو أمر مهم لتطبيقات الجوال التي تقوم بمعالجة مستمرة للكاميرا.
• دعم تحسين النموذج: تدعم بعض النماذج تقنيات التحسين مثل التكميم (quantization) أو التقليم (pruning)، والتي يمكن أن تقلل حجم النموذج وتحسن الأداء على أجهزة iOS.
• توافق الأجهزة: يجب أن تعمل بنية النموذج التي تختارها بكفاءة على أجهزة iOS، بما في ذلك CPU وGPU وApple Neural Engine.
• قابلية التوسع: توفر بعض البنيات أحجامًا أو متغيرات متعددة للنماذج، مما يسمح للمطورين باختيار الإصدارات التي تتطابق بشكل أفضل مع متطلبات الأداء والأجهزة.

Link to this sectionأبرز النقاط#

تجلب نماذج اكتشاف الكائنات قدرات رؤية حاسوبية متقدمة إلى تطبيقات الجوال الذكية. من خلال العمل مباشرة على أجهزة iOS، تجعل هذه النماذج من الممكن للتطبيقات تحليل الصور ومقاطع الفيديو من كاميرا الجهاز في الوقت الفعلي. باختيار النموذج المناسب، يمكن للمطورين بناء تطبيقات جوال مستجيبة تعتمد على الرؤية وتقدم أداءً فوريًا وموثوقًا.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد عملية في الذكاء الاصطناعي. للبناء باستخدام الرؤية الحاسوبية اليوم، استكشف خيارات الترخيص لدينا. تعلم كيف يغير الذكاء الاصطناعي في الزراعة ممارسات الزراعة وكيف يشكل الذكاء الاصطناعي في الرؤية الحاسوبية في الروبوتات المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.