أفضل نماذج اكتشاف الأجسام لتطبيقات iOS على شرائح Apple Silicon

أصبحت أجهزة Android وهواتف iPhone ضرورة يومية. يستخدمها الناس للتسوق والتنقل والتقاط الصور ومسح المنتجات ضوئيًا والتفاعل مع التطبيقات على مدار اليوم.

مع النمو السريع للذكاء الاصطناعي، باتت كثير من الهواتف الذكية تتضمن ميزات قادرة على فهم الصور ومقاطع الفيديو التي تلتقطها كاميرا الجهاز. وتعتمد كفاءة تشغيل هذه الميزات إلى حد كبير على الأجهزة الأساسية.

فعلى سبيل المثال، في منظومة Apple، تعمل أجهزة مثل iPhone وiPad وMac بشرائح Apple Silicon، بما فيها سلسلتا A وM. وتدمج تصميمات النظام على شريحة (SoC) وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسومات (GPU) ومسرّعات مخصصة للتعلم الآلي، ما يتيح الاستدلال على الجهاز لأعباء عمل الذكاء الاصطناعي.

وعلى وجه الخصوص، تتيح الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يمكّن الآلات من تفسير المعلومات المرئية وفهمها في الصور ومقاطع الفيديو باستخدام مهام مثل اكتشاف الكائنات، إمكانات تحليل الصور.

وبالتحديد، تحلل نماذج اكتشاف الكائنات الصور وتحدد الكائنات من خلال رسم مربعات إحاطة حولها. ويمكن تحسين هذه النماذج لتعمل بكفاءة على الأجهزة المحمولة، مثل شرائح Apple Silicon، ما يتيح تحليلًا مرئيًا آنيًا مباشرةً على الجهاز في أجهزة iOS.

الشكل 1. مثال على اكتشاف الكائنات، حيث حُددت الكائنات بواسطة مربعات إحاطة. (المصدر)

في هذا المقال، سنستكشف بعضًا من أفضل نماذج اكتشاف الكائنات لتطوير تطبيقات iOS سريعة تعمل في الوقت الفعلي.

آلية عمل كاشفات الكائنات على أجهزة iOS#

يساعد اكتشاف الكائنات التطبيقات على التعرّف على الكائنات وتحديد مواقعها في الصورة. عندما يعالج التطبيق صورة مُدخلة، يمكن لنموذج اكتشاف الكائنات تحليل المشهد وتحديد الكائنات المختلفة عبر رسم مربعات إحاطة حولها وإسناد تسميات إليها.

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

غالبًا ما تُستخدم الشبكات العصبية الالتفافية (CNNs) بوصفها العمود الفقري لنماذج اكتشاف الكائنات. وتُعد CNNs مناسبة جدًا للتنبؤ بالصور لأنها تتعلم سمات مرئية هرمية، مثل الحواف والأشكال والأنسجة، ما يساعد النموذج على التعرّف على الكائنات داخل المشهد.

يستكشف الباحثون أيضًا بنيات قائمة على Transformer لمهام الرؤية الحاسوبية. وتحلل هذه النماذج العلاقات بين مناطق الصورة المختلفة وتلتقط معلومات سياقية أشمل عبر المشهد.

إلى جانب نوع بنية النموذج، تُعد الكفاءة عاملًا حاسمًا في اكتشاف الكائنات على أجهزة iOS. وبما 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 الكائنات آنيًا في تطبيقات الأجهزة المحمولة، ولا سيما عند تحليل تدفق الكاميرا المستمر.

ما الذي يجعل نموذج اكتشاف الكائنات ملائمًا لنظام iOS؟#

قبل التعمق في بعض أفضل نماذج اكتشاف الكائنات لنظام iOS، لنتوقف قليلًا لفهم ما الذي يجعل النموذج مناسبًا للتطبيقات المحمولة.

يوازن نموذج اكتشاف الكائنات المثالي لتطبيق iOS بين الأداء والكفاءة والموثوقية. إليك بعض العوامل الأساسية التي تحدد مدى ملاءمة النموذج للنشر على iOS:

• زمن استجابة منخفض: ينبغي أن يعالج النموذج الصور بسرعة لدعم اكتشاف الكائنات آنيًا، لا سيما في التطبيقات التي تعتمد على تدفق الكاميرا المستمر.
• حجم نموذج فعال: تعمل النماذج المدمجة بكفاءة أكبر على الأجهزة المحمولة، وتتطلب عادةً ذاكرة وموارد حوسبة أقل.
• دقة الاكتشاف: يضمن الاكتشاف الدقيق تصنيف الكائنات تصنيفًا صحيحًا، ويحافظ على دقة مربعات الإحاطة عبر المشاهد ومقاييس الكائنات وظروف الإضاءة المختلفة.
• استقرار الاستدلال: يُعد ثبات زمن الاستدلال بين الإطارات مهمًا للتطبيقات الآنية. وقد تؤدي التقلبات الكبيرة في زمن المعالجة إلى إسقاط إطارات أو تجربة كاميرا غير مستقرة.
• استهلاك الذاكرة: تؤثر كمية RAM المطلوبة أثناء الاستدلال في سلاسة عمل النموذج بالتزامن مع عمليات التطبيقات الأخرى على أجهزة iOS.

نظرة على أفضل نماذج اكتشاف الكائنات لنظام iOS#

والآن، لنلقِ نظرة على بعض نماذج اكتشاف الكائنات الأكثر استخدامًا على أجهزة iOS.

1. نماذج Ultralytics YOLO#

تُعد نماذج Ultralytics YOLO عائلة شائعة من نماذج اكتشاف الكائنات المصممة لتطبيقات الرؤية الحاسوبية الآنية. وعلى مر السنين، أصدرت Ultralytics نماذج للرؤية مثل Ultralytics YOLOv5 وUltralytics YOLOv8 وUltralytics YOLO11، وأحدث نماذجها المتطورة Ultralytics YOLO26.

قدّم كل إصدار جديد تحسينات في دقة الاكتشاف وكفاءة النموذج وأداء وقت التشغيل. وقد جعلت هذه التحديثات نماذج Ultralytics YOLO ملائمة على نحو متزايد للأجهزة الطرفية، مثل الهواتف الذكية.

الشكل 2. يمكن استخدام YOLO26 لاكتشاف كائنات متعددة في مشهد من العالم الحقيقي. (المصدر)

من أبرز مزايا استخدام نماذج Ultralytics YOLO في تطبيقات iOS تكامل CoreML المتاح عبر حزمة Ultralytics Python. تساعد هذه المكتبة مفتوحة المصدر المطورين على تدريب نماذج Ultralytics YOLO واختبارها وتصديرها ضمن سير عمل بسيط.

تدعم الحزمة تصدير النماذج المدرّبة إلى CoreML، وهو تنسيق التعلم الآلي من Apple المستخدم لنشر النماذج على أجهزة iOS. بعد التصدير، يمكن دمج نموذج CoreML في تطبيق وتشغيله مباشرةً على الجهاز باستخدام مكونات عتادية مثل CPU وGPU وApple Neural Engine. ويمكن أيضًا تصدير نماذج Ultralytics إلى تنسيق Core AI الأحدث من Apple لنظامي iOS 27 وmacOS 27، بينما يظل CoreML التنسيق الافتراضي في Ultralytics iOS SDK.

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

يتيح ذلك للمطورين دمج اكتشاف الكائنات الآني في تطبيقات iOS بسهولة، 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 تسهّل نشر نماذج YOLO على شرائح Apple Silicon.

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

ضمن المنصة، يمكن تصدير النماذج المدرّبة إلى تنسيقات متعددة، بما فيها CoreML لأجهزة Apple. ويتيح ذلك تصدير نموذج Ultralytics YOLO للاستدلال على الجهاز ببضع نقرات فقط.

إضافةً إلى إمكانات التصدير، توفر Ultralytics تطبيقًا مفتوح المصدر بلغة Swift (لغة البرمجة من Apple المستخدمة لبناء تطبيقات iOS). ويتضمن ذلك تطبيق YOLO لنظام iOS جاهزًا للاستخدام ومكتوبًا بلغة Swift، يوضح كيفية دمج نماذج CoreML وتشغيلها على مدخلات الكاميرا واستخدامها لاكتشاف الكائنات آنيًا.

مزايا إضافية لنماذج Ultralytics YOLO#

إليك بعض الخصائص المهمة الأخرى التي تجعل نماذج Ultralytics YOLO خيارًا ممتازًا لبناء تطبيقات iOS:

• يدعم مجموعة من مهام الرؤية: إلى جانب اكتشاف الكائنات، يمكن استخدام نماذج Ultralytics YOLO لتقسيم المثيلات وتصنيف الصور وتقدير الوضعية واكتشاف مربعات الإحاطة الموجّهة (OBB) وتتبع الكائنات، كما يدعم YOLO26 أيضًا التقسيم الدلالي وتقدير العمق.
• أحجام متعددة للنماذج: توفر Ultralytics متغيرات مختلفة للنماذج (مثل النانو والصغير والمتوسط والكبير والكبير جدًا)، ما يتيح للمطورين اختيار إصدار يلائم قيود الأداء في الأجهزة المحمولة.
• نماذج مدرّبة مسبقًا: تتوفر نماذج Ultralytics YOLO بوصفها نماذج مدرّبة مسبقًا، ويمكن استخدامها مباشرةً أو ضبطها بدقة لمهام محددة، ما يقلل وقت التطوير.

2. EfficientDet#

EfficientDet بنية لاكتشاف الكائنات قدمها باحثون في Google عام 2019. وقد صُممت لتحقيق توازن بين دقة الكشف والكفاءة الحاسوبية، ما يجعلها مناسبة للبيئات محدودة الموارد. وللاطلاع على مقارنة معيارية مباشرة، راجع YOLO26 مقابل EfficientDet.

تتمثل إحدى الأفكار الأساسية وراء EfficientDet في أسلوب تحجيم يُعرف بالتحجيم المركب. فبدلًا من زيادة جزء واحد من النموذج فقط، مثل عمق الشبكة أو دقة الصورة، يوسّع هذا النهج مكونات متعددة من البنية معًا.

ومن خلال ضبط هذه العناصر في آن واحد، يحافظ النموذج على أداء مستقر سواء أُعدّ لتحقيق دقة عالية أم حُسّن للنشر خفيف الوزن.

تتوفر البنية في عدة متغيرات، من EfficientDet-D0 إلى EfficientDet-D7. صُممت النماذج الأصغر للاستدلال الأسرع واستهلاك موارد أقل، بينما تركز الإصدارات الأكبر على تحقيق دقة أعلى في الاكتشاف.

3. MobileNet SSD#

MobileNet SSD نموذج خفيف الوزن لاكتشاف الكائنات، صُمم ليعمل بكفاءة على الأجهزة المحمولة والأجهزة الطرفية. وقد اكتسب شعبية نحو عام 2017.

يجمع النموذج بين العمود الفقري MobileNet، الذي يركز على استخراج السمات بكفاءة، ونهج SSD (كاشف اللقطة الواحدة) لاكتشاف الكائنات. وتكتشف طريقة SSD الكائنات وتولّد مربعات الإحاطة في تمريرة أمامية واحدة.

يحافظ هذا التصميم على سرعة النموذج وبساطته نسبيًا، وهو أمر مفيد للتطبيقات التي تتطلب نتائج اكتشاف سريعة. وغالبًا ما يُستخدم MobileNet SSD في الحالات التي يكون فيها صغر حجم النموذج وسرعة الاستدلال من الأولويات.

تقلل بنية MobileNet مقدار الحوسبة المطلوبة، ما يسهل تشغيل النموذج على الأجهزة ذات قدرة المعالجة المحدودة. ومع أن MobileNet SSD قد لا يحقق مستوى الدقة نفسه الذي تحققه بعض بنيات الاكتشاف الأحدث، فإنه يظل فعالًا في كثير من مهام اكتشاف الكائنات الشائعة.

4. CenterNet#

CenterNet نموذج لاكتشاف الكائنات يحدد الكائنات من خلال التنبؤ بنقاط مراكزها. وقد طُرح عام 2019.

بدلًا من إنشاء مناطق مرشحة كثيرة، يكتشف النموذج مركز الكائن ثم يتنبأ بحجم مربع الإحاطة حوله. ويبسّط هذا النهج مسار الاكتشاف ويقلل عدد الخطوات أثناء الاستدلال.

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

يمكن استخدام CenterNet لمهام الاكتشاف الآني، ويُعرف ببنيته البسيطة نسبيًا مقارنةً ببعض الكواشف متعددة المراحل. وتُستخدم متغيرات مثل CenterNet مع أعمدة فقارية ResNet على نطاق واسع في تطبيقات الرؤية الحاسوبية المختلفة.

يجعل التصميم الفعال CenterNet ملائمًا للأنظمة التي تتطلب اكتشافًا سريعًا للكائنات، بما في ذلك التطبيقات التي تعمل على أجهزة iOS.

5. NanoDet#

NanoDet نموذج خفيف الوزن لاكتشاف الكائنات، صُمم للتطبيقات الآنية على الأجهزة الطرفية والمحمولة. وقد طُرح عام 2020 بهدف توفير اكتشاف فعال للكائنات مع إبقاء حجم النموذج ومتطلباته الحاسوبية منخفضين جدًا.

يستخدم النموذج بنية اكتشاف أحادية المرحلة، ما يتيح له التنبؤ بمواقع الكائنات وفئاتها في تمريرة واحدة عبر الشبكة. ويحافظ هذا التصميم على سرعة النموذج وملاءمته للأنظمة ذات موارد العتاد المحدودة.

يستخدم NanoDet عمودًا فقريًا مدمجًا ورأس اكتشاف محسّنًا لتقليل عدد المعلمات والحسابات المطلوبة أثناء الاستدلال. وتساعد هذه الخيارات التصميمية على الحفاظ على دقة اكتشاف معقولة مع إعطاء الأولوية للسرعة والكفاءة.

اختيار نموذج اكتشاف الكائنات المناسب لتطبيق iOS#

غالبًا ما يعتمد اختيار نموذج اكتشاف الكائنات لتطبيق iOS على المتطلبات الخاصة بحالة الاستخدام. ولأن هذه النماذج تعمل مباشرةً على أجهزة مثل iPhone وiPad، تؤثر عدة عوامل في تحديد الخيار الأفضل.

إليك بعض الاعتبارات المهمة:

• كفاءة استهلاك الطاقة: تساعد النماذج الأقل استهلاكًا للطاقة على إطالة عمر البطارية، وهو أمر مهم للتطبيقات المحمولة التي تعالج تدفق الكاميرا باستمرار.
• دعم تحسين النماذج: تدعم بعض النماذج تقنيات التحسين، مثل التكميم أو التقليم، التي يمكنها تقليل حجم النموذج وتحسين أدائه على أجهزة iOS.
• التوافق مع العتاد: ينبغي أن تعمل بنية النموذج الذي تختاره بكفاءة على عتاد iOS، بما في ذلك CPU وGPU وNeural Engine من Apple.
• قابلية التوسع: توفر بعض البنى أحجامًا أو متغيرات متعددة للنماذج، ما يتيح للمطورين اختيار الإصدارات الأنسب لمتطلبات الأداء والعتاد.

أبرز النقاط#

توفر نماذج اكتشاف الكائنات إمكانات متقدمة للرؤية الحاسوبية للتطبيقات المحمولة الذكية. وبعملها مباشرةً على أجهزة iOS، تتيح هذه النماذج للتطبيقات تحليل الصور والفيديو الملتقطين بكاميرا الجهاز في الوقت الفعلي. وباختيار النموذج المناسب، يمكن للمطورين بناء تطبيقات محمولة سريعة الاستجابة تعتمد على الرؤية وتقدم أداءً آنيًا موثوقًا.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للاطلاع على موارد عملية في الذكاء الاصطناعي. وللبناء باستخدام ذكاء الرؤية اليوم، استكشف خيارات الترخيص. تعرّف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولًا في الزراعة، وكيف يشكّل ذكاء الرؤية في الروبوتات المستقبل، وذلك بزيارة صفحات الحلول لدينا.