أفضل نماذج اكتشاف الكائنات لتطبيقات iOS على شرائح Apple silicon
أنشئ تطبيقات iOS أكثر ذكاءً باستخدام أفضل نماذج اكتشاف الكائنات. تعرّف على النماذج التي توفر أداءً سريعًا ودقيقًا وفي الوقت الفعلي على أجهزة iOS مثل iPhone وiPad.
أصبحت أجهزة Android وiPhones ضرورة يومية. ويستخدمها الناس للتسوق، والتنقل، والتقاط الصور، ومسح المنتجات ضوئيًا، والتفاعل مع التطبيقات طوال اليوم.
مع النمو السريع للذكاء الاصطناعي، تتضمن العديد من الهواتف الذكية الآن ميزات يمكنها فهم الصور ومقاطع الفيديو التي تلتقطها كاميرا الجهاز. وتعتمد القدرة على تشغيل هذه الميزات بكفاءة بدرجة كبيرة على الأجهزة الأساسية.
فعلى سبيل المثال، في منظومة Apple، تعمل أجهزة مثل iPhones وiPads وMacs بواسطة شرائح Apple Silicon، بما في ذلك سلسلتا A وM. وتدمج تصميمات النظام على شريحة (SoC) وحدات المعالجة المركزية (CPU)، ووحدات معالجة الرسومات (GPU)، ومسرّعات مخصصة للتعلم الآلي، مما يتيح الاستدلال على الجهاز لأحمال عمل الذكاء الاصطناعي.
وعلى وجه الخصوص، تصبح إمكانات تحليل الصور ممكنة بفضل الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يتيح للآلات تفسير المعلومات المرئية من الصور ومقاطع الفيديو وفهمها باستخدام مهام مثل اكتشاف الأجسام.
وتحديدًا، تحلل نماذج اكتشاف الأجسام الصور وتحدد الأجسام من خلال رسم مربعات إحاطة حولها. ويمكن تحسين هذه النماذج لتعمل بكفاءة على الأجهزة المحمولة، مثل شرائح Apple Silicon، مما يتيح تحليلًا بصريًا آنيًا مباشرةً على أجهزة iOS.
الشكل 1. مثال على اكتشاف الأجسام، حيث حُددت الأجسام باستخدام مربعات الإحاطة. (المصدر)
في هذه المقالة، سنستكشف بعضًا من أفضل نماذج اكتشاف الأجسام لبناء تطبيقات iOS سريعة وآنية. لنبدأ!
كيفية عمل كاشفات الأجسام على أجهزة iOS#
يساعد اكتشاف الأجسام التطبيقات على التعرف على الأجسام وتحديد مواقعها في الصورة. وعندما يعالج التطبيق صورة إدخال، يمكن لنموذج اكتشاف الأجسام تحليل المشهد وتحديد الأجسام المختلفة من خلال وضع مربعات إحاطة حولها وإسناد تسميات إليها.
تعتمد معظم أنظمة اكتشاف الأجسام على شبكات عصبية يمكنها التعرف على الأنماط في بيانات التدريب. وبالنسبة إلى مهام الصور، تتعلم هذه النماذج التمثيلات المرئية من خلال تحليل المعلومات على مستوى البكسل من مجموعات بيانات تدريب كبيرة.
تُستخدم الشبكات العصبية الالتفافية (CNNs) غالبًا كأساس لنماذج اكتشاف الأجسام. وتتميز CNNs بفاعليتها في التنبؤات المتعلقة بالصور لأنها تتعلم ميزات مرئية هرمية مثل الحواف والأشكال والأنسجة، مما يساعد النموذج على التعرف على الأجسام داخل المشهد.
ويستكشف الباحثون أيضًا بنيات قائمة على Transformer لمهام الرؤية الحاسوبية. وتحلل هذه النماذج العلاقات بين المناطق المختلفة في الصورة وتلتقط معلومات سياقية أوسع عبر المشهد.
وبصرف النظر عن نوع بنية النموذج، تُعد الكفاءة اعتبارًا بالغ الأهمية لاكتشاف الأجسام على أجهزة iOS. ونظرًا إلى أن هذه النماذج تعمل مباشرةً على الأجهزة المحمولة، فعليها معالجة الصور بسرعة مع استخدام موارد حوسبة محدودة.
تحافظ النماذج الفعالة على زمن استجابة منخفض وتدعم اكتشاف الأجسام في الوقت الفعلي داخل تطبيقات الأجهزة المحمولة، لا سيما عند تحليل إدخال مستمر من الكاميرا.
ما الذي يجعل نموذج اكتشاف الأجسام مناسبًا لأجهزة iOS؟#
قبل التعمق في بعض أفضل نماذج اكتشاف الأجسام لأجهزة iOS، لنتراجع خطوة إلى الوراء ونفهم ما الذي يجعل النموذج مناسبًا لتطبيقات الأجهزة المحمولة.
يوازن نموذج اكتشاف الأجسام المثالي لتطبيق iOS بين الأداء والكفاءة والموثوقية. فيما يلي بعض العوامل الرئيسية التي تحدد قوة النموذج عند نشره على iOS:
- زمن استجابة منخفض: ينبغي أن يعالج النموذج الصور بسرعة لدعم اكتشاف الأجسام في الوقت الفعلي، ولا سيما للتطبيقات التي تعتمد على إدخال مستمر من الكاميرا.
- حجم نموذج فعال: تعمل النماذج المدمجة بكفاءة أكبر على الأجهزة المحمولة، وتتطلب عادةً قدرًا أقل من الذاكرة وموارد الحوسبة.
- دقة الاكتشاف: يضمن الاكتشاف الدقيق تصنيف الأجسام تصنيفًا صحيحًا، ويحافظ على دقة مربعات الإحاطة عبر المشاهد المختلفة ومقاييس الأجسام وظروف الإضاءة.
- استقرار الاستدلال: يُعد اتساق زمن الاستدلال عبر الإطارات مهمًا للتطبيقات الآنية. ويمكن أن تؤدي التقلبات الكبيرة في زمن المعالجة إلى إسقاط إطارات أو تجارب كاميرا غير مستقرة.
- البصمة الذاكرية: يؤثر مقدار RAM المطلوب أثناء الاستدلال في سلاسة تشغيل النموذج بالتوازي مع عمليات التطبيقات الأخرى على أجهزة iOS.
نظرة على أفضل نماذج اكتشاف الأجسام لأجهزة iOS#
بعد ذلك، سنلقي نظرة على بعض نماذج اكتشاف الأجسام الأكثر استخدامًا على أجهزة iOS.
1. نماذج Ultralytics YOLO#
تُعد نماذج Ultralytics YOLO عائلة شائعة من نماذج اكتشاف الأجسام المصممة لتطبيقات الرؤية الحاسوبية الآنية. وعلى مر السنين، أصدرت Ultralytics نماذج للرؤية مثل Ultralytics YOLOv5، وUltralytics YOLOv8، وUltralytics YOLO11، وأحدث نموذج متطور، Ultralytics YOLO26.
قدّم كل إصدار جديد تحسينات في دقة الاكتشاف وكفاءة النموذج وأداء وقت التشغيل. وجعلت هذه التحديثات نماذج Ultralytics YOLO مناسبة بصورة متزايدة للأجهزة الطرفية مثل الهواتف الذكية.
الشكل 2. يمكن استخدام YOLO26 لاكتشاف أجسام متعددة في مشهد من العالم الحقيقي. (المصدر)
تتمثل إحدى الفوائد الرئيسية لاستخدام نماذج Ultralytics YOLO لتطبيقات iOS في تكامل CoreML المتاح من خلال حزمة Ultralytics Python. تساعد هذه المكتبة مفتوحة المصدر المطورين على تدريب نماذج Ultralytics YOLO واختبارها وتصديرها من خلال سير عمل بسيط.
تدعم الحزمة تصدير النماذج المدرّبة إلى CoreML، وهو تنسيق التعلم الآلي من Apple المستخدم لنشر النماذج على أجهزة iOS. وبعد التصدير، يمكن دمج نموذج CoreML في تطبيق وتشغيله مباشرةً على الجهاز باستخدام أجهزة مثل CPU وGPU وApple Neural Engine.
الشكل 3. CoreML هو إطار عمل Apple لدمج نماذج الذكاء الاصطناعي وتشغيلها داخل التطبيقات. (المصدر)
وهذا يسهّل على المطورين دمج اكتشاف الأجسام الآني في تطبيقات iOS مع إبقاء استدلال النموذج على الجهاز.
خيارات نشر نماذج Ultralytics YOLO على Apple Silicon#
إلى جانب النماذج نفسها، توفر منظومة Ultralytics مجموعة من الخيارات التي تجعل نشر نماذج YOLO على شرائح Apple Silicon أسهل.
فعلى سبيل المثال، قدّمت Ultralytics مؤخرًا Ultralytics Platform، التي تجمع إدارة مجموعات البيانات وتدريب النماذج والتحقق منها ونشرها في بيئة واحدة. ويقلل سير العمل الموحد هذا الحاجة إلى أدوات متعددة ويساعد على تبسيط الانتقال من التجارب إلى التطبيقات الواقعية.
وكجزء من المنصة، يمكن تصدير النماذج المدرّبة إلى تنسيقات متعددة، بما في ذلك CoreML لأجهزة Apple. ويتيح ذلك تصدير نموذج Ultralytics YOLO للاستدلال على الجهاز ببضع نقرات فقط.
وفوق إمكانات التصدير، توفر Ultralytics تنفيذًا مفتوح المصدر بلغة Swift (لغة برمجة Apple المستخدمة لبناء تطبيقات iOS) لنظام iOS. ويتضمن ذلك تطبيق YOLO لنظام iOS جاهزًا للاستخدام، مكتوبًا بلغة Swift، يوضح كيفية دمج نماذج CoreML وتشغيلها على إدخال الكاميرا واستخدامها لاكتشاف الأجسام في الوقت الفعلي.
مزايا إضافية لنماذج Ultralytics YOLO#
فيما يلي بعض الخصائص الرئيسية الأخرى التي تجعل نماذج Ultralytics YOLO خيارًا رائعًا لبناء تطبيقات iOS:
- دعم مجموعة من مهام الرؤية: بالإضافة إلى اكتشاف الأجسام، يمكن استخدام نماذج Ultralytics YOLO لتقسيم المثيلات، وتقدير الوضعية، وتتبع الأجسام، واكتشاف مربعات الإحاطة الموجهة (OBB)، وتصنيف الصور.
- أحجام نماذج متعددة: توفر Ultralytics متغيرات مختلفة للنماذج (مثل nano وsmall وmedium وlarge وextra-large)، مما يتيح للمطورين اختيار إصدار يلائم قيود أداء الأجهزة المحمولة.
- نماذج مدرّبة مسبقًا: تتوفر نماذج Ultralytics YOLO كنماذج مدرّبة مسبقًا يمكن استخدامها مباشرةً أو ضبطها بدقة لمهام محددة، مما يقلل وقت التطوير.
2. EfficientDet#
EfficientDet هي بنية لاكتشاف الأجسام قدّمها باحثون في Google عام 2019. وقد صُممت لتحقيق توازن بين دقة الاكتشاف والكفاءة الحاسوبية، مما يجعلها مناسبة للبيئات ذات الموارد المحدودة.
تتمثل إحدى الأفكار الرئيسية وراء EfficientDet في أسلوب تحجيم يُعرف باسم التحجيم المركب. فبدلًا من زيادة جزء واحد فقط من النموذج، مثل عمق الشبكة أو دقة الصورة، يعمل هذا الأسلوب على تحجيم مكونات متعددة من البنية معًا.
ومن خلال ضبط هذه العناصر في الوقت نفسه، يحافظ النموذج على أداء مستقر سواء أُعدّ لتحقيق دقة عالية أو حُسّن لعمليات النشر خفيفة الوزن.
تتوفر البنية في متغيرات متعددة، بدءًا من EfficientDet-D0 وصولًا إلى EfficientDet-D7. وصُممت النماذج الأصغر للاستدلال الأسرع واستخدام موارد أقل، بينما تركز الإصدارات الأكبر على تحقيق دقة اكتشاف أعلى.
3. MobileNet SSD#
MobileNet SSD هو نموذج خفيف الوزن لاكتشاف الأجسام، صُمم ليعمل بكفاءة على الأجهزة المحمولة والطرفية. وقد اكتسب شعبية في نحو عام 2017.
يجمع النموذج بين الأساس MobileNet، الذي يركز على استخراج الميزات بكفاءة، ونهج SSD (كاشف اللقطة الواحدة) لاكتشاف الأجسام. وتكتشف طريقة SSD الأجسام وتولّد مربعات الإحاطة في تمريرة أمامية واحدة.
يحافظ هذا التصميم على سرعة النموذج وبساطته نسبيًا، وهو أمر مفيد للتطبيقات التي تحتاج إلى نتائج اكتشاف سريعة. ويُستخدم MobileNet SSD غالبًا في الحالات التي يكون فيها صغر حجم النموذج وسرعة الاستدلال الأعلى أمرين مهمين.
تقلل بنية MobileNet مقدار الحوسبة المطلوبة، مما يسهّل تشغيل النموذج على الأجهزة ذات القدرة المحدودة على المعالجة. وعلى الرغم من أن MobileNet SSD قد لا يحقق مستوى الدقة نفسه الذي تحققه بعض البنى الأحدث للاكتشاف، فإنه لا يزال يؤدي أداءً جيدًا في العديد من مهام اكتشاف الأجسام الشائعة.
4. CenterNet#
CenterNet هو نموذج لاكتشاف الأجسام يحدد الأجسام من خلال التنبؤ بنقاط مراكزها. وقد قُدّم عام 2019.
بدلًا من توليد العديد من المناطق المرشحة، يكتشف النموذج مركز الجسم ثم يتنبأ بحجم مربع الإحاطة المحيط به. ويبسط هذا الأسلوب مسار الاكتشاف ويقلل عدد الخطوات اللازمة أثناء الاستدلال.
الشكل 4. نظرة عامة على مراحل اكتشاف الأجسام في CenterNet (المصدر)
يمكن استخدام CenterNet لمهام الاكتشاف في الوقت الفعلي، ويُعرف ببنيته البسيطة نسبيًا مقارنةً ببعض كاشفات المراحل المتعددة. وتُستخدم المتغيرات مثل CenterNet مع أسس ResNet عادةً في تطبيقات مختلفة للرؤية الحاسوبية.
يجعل تصميم CenterNet الفعال مناسبًا للأنظمة التي تحتاج إلى اكتشاف سريع للأجسام، بما في ذلك التطبيقات التي تعمل على أجهزة iOS.
5. NanoDet#
NanoDet هو نموذج خفيف الوزن لاكتشاف الأجسام، صُمم للتطبيقات الآنية على الأجهزة الطرفية والمحمولة. وقد قُدّم عام 2020 بهدف توفير اكتشاف فعال للأجسام مع إبقاء حجم النموذج ومتطلباته الحاسوبية منخفضين جدًا.
يستخدم النموذج بنية اكتشاف أحادية المرحلة، مما يمكّنه من التنبؤ بمواقع الأجسام وفئاتها في تمريرة واحدة عبر الشبكة. ويحافظ هذا التصميم على سرعة النموذج وملاءمته للأنظمة ذات موارد الأجهزة المحدودة.
يستخدم NanoDet أساسًا مدمجًا ورأس اكتشاف محسّنًا لتقليل عدد المعاملات وعمليات الحساب المطلوبة أثناء الاستدلال. وتساعد خيارات التصميم هذه في الحفاظ على دقة اكتشاف معقولة مع إعطاء الأولوية للسرعة والكفاءة.
اختيار نموذج اكتشاف الأجسام المناسب لتطبيق iOS الخاص بك#
يعتمد اختيار نموذج اكتشاف الأجسام لتطبيق iOS غالبًا على المتطلبات المحددة لحالة الاستخدام. ونظرًا إلى أن هذه النماذج تعمل مباشرةً على أجهزة مثل iPhone وiPad، تؤثر عدة عوامل في تحديد الخيار الأفضل.
فيما يلي بعض الاعتبارات المهمة:
- كفاءة استهلاك الطاقة: تساعد النماذج التي تستهلك طاقة أقل في الحفاظ على عمر البطارية، وهو أمر مهم لتطبيقات الأجهزة المحمولة التي تنفذ معالجة مستمرة من الكاميرا.
- دعم تحسين النموذج: تدعم بعض النماذج تقنيات تحسين مثل التكميم أو التقليم، مما يمكن أن يقلل حجم النموذج ويحسن الأداء على أجهزة iOS.
- التوافق مع الأجهزة: ينبغي أن تعمل بنية النموذج التي تختارها بكفاءة على أجهزة iOS، بما في ذلك CPU وGPU وNeural Engine من Apple.
- قابلية التوسع: توفر بعض البنى أحجامًا أو متغيرات متعددة للنماذج، مما يتيح للمطورين اختيار الإصدارات التي تتوافق بأفضل شكل مع متطلبات الأداء والأجهزة.
أهم النقاط المستخلصة#
تجلب نماذج اكتشاف الأجسام إمكانات متقدمة للرؤية الحاسوبية إلى التطبيقات المحمولة الذكية. ومن خلال تشغيلها مباشرةً على أجهزة iOS، تتيح هذه النماذج للتطبيقات تحليل الصور ومقاطع الفيديو من كاميرا الجهاز في الوقت الفعلي. وباختيار النموذج المناسب، يمكن للمطورين بناء تطبيقات محمولة مستجيبة قائمة على الرؤية وتقدم أداءً آنيًا موثوقًا.
انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد عملية في AI. وللبناء باستخدام AI للرؤية اليوم، استكشف خيارات الترخيص لدينا. وتعرّف على كيفية مساهمة AI في الزراعة في تحويل الزراعة، وكيف تعمل AI للرؤية في الروبوتات على تشكيل المستقبل، وذلك بزيارة صفحات حلولنا.
