تشغيل Ultralytics YOLO11 على أجهزة Apple باستخدام CoreML

مع تقديم Apple ميزات مثل Apple Intelligence، يتضح أن الذكاء الاصطناعي على الجهاز أصبح جزءًا أساسيًا من طريقة استخدامنا لهواتفنا. وبالنسبة إلى المطورين، يعني هذا التحول أن المستخدمين يتبنون تطبيقات iOS التي تستخدم إمكانات مثل الرؤية الحاسوبية لتقديم تجارب أذكى وأكثر استجابة.

الرؤية الحاسوبية نوع من الذكاء الاصطناعي (AI) يتيح للحواسيب فهم المعلومات المرئية، مثل الصور أو مقاطع الفيديو، وتحليلها. ويمكن استخدامها على الأجهزة المحمولة في الوقت الفعلي لاكتشاف الأجسام وتصنيفها والتفاعل معها عبر كاميرا الهاتف. ويمكن تدريب نماذج ذكاء الرؤية مثل Ultralytics YOLO11 تدريبًا مخصصًا للتعرّف على أجسام محددة، وفقًا لاحتياجات تطبيقك.

لكن Ultralytics YOLO11 غير مهيأ للعمل على iOS مباشرةً بمجرد تثبيته. ولنشر YOLO11 على أجهزة iPhone أو أجهزة Apple الأخرى، ولا سيما للاستخدام دون اتصال بالإنترنت، يجب تحويله إلى تنسيق مُحسّن لمنظومة Apple.

وهذه تحديدًا المشكلة التي صُمم CoreML لحلها. فـ CoreML إطار عمل للتعلم الآلي من Apple، صُمم لتشغيل النماذج محليًا ودمجها مباشرةً في تطبيقات iOS وmacOS. ويسهّل تكامل CoreML، المدعوم من Ultralytics، تصدير نموذجك لنشره محليًا على أجهزة iPhone.

في هذا المقال، سنتناول بمزيد من التفصيل كيفية تصدير نموذج Ultralytics YOLO11 إلى تنسيق CoreML. كما سنستكشف حالات استخدام آنية توضح مزايا تشغيل نماذج الرؤية الحاسوبية مباشرةً على أجهزة iOS.

ما هو CoreML؟#

CoreML هو إطار عمل للتعلم الآلي (ML) طوّرته Apple، ويتيح للمطورين دمج نماذج التعلم الآلي المدرَّبة مباشرةً في التطبيقات ضمن منظومة Apple، بما فيها iOS (iPhone وiPad) وmacOS (Mac) وwatchOS (Apple Watch) وtvOS (Apple TV). وقد صُمم لجعل التعلم الآلي متاحًا وفعالًا على أجهزة Apple، من خلال تمكين النماذج من العمل مباشرةً على الجهاز دون الحاجة إلى اتصال بالإنترنت.

يعتمد CoreML في جوهره على تنسيق موحد للنماذج يدعم مجموعة واسعة من مهام الذكاء الاصطناعي، مثل تصنيف الصور واكتشاف الأجسام والتعرف على الكلام ومعالجة اللغة الطبيعية. وقد جرى تحسين إطار العمل للاستفادة القصوى من أجهزة Apple، باستخدام وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) ومحرك Apple العصبي (ANE) لتنفيذ النماذج بسرعة وكفاءة.

يدعم CoreML أنواعًا متنوعة من النماذج، ويتوافق مع مكتبات التعلم الآلي الشائعة، ومنها TensorFlow وPyTorch وscikit-learn وXGBoost وLibSVM. وهذا يسهّل على المطورين إضافة إمكانات متقدمة للتعلم الآلي إلى التطبيقات اليومية، مع ضمان عملها بسلاسة عبر أجهزة Apple.

الشكل 1. يدعم CoreML النماذج من أطر عمل الذكاء الاصطناعي الشائعة الأخرى (المصدر).

الميزات الرئيسية لـ CoreML#

فيما يلي بعض الميزات الرئيسية التي تجعل CoreML أداة موثوقة لدمج الذكاء الاصطناعي في تطبيقات Apple:

• تحسين النماذج: يدعم CoreML تقنيات الضغط مثل التكميم والتقليم لتقليل حجم النموذج وتحسين كفاءة التشغيل.
• التخصيص على الجهاز: يدعم إطار عمل التعلم الآلي من Apple التخصيص على الجهاز، ما يتيح تدريب النماذج وتحديثها محليًا استنادًا إلى تفاعلات المستخدم.
• التنبؤات غير المتزامنة: يتيح هذا الإطار لتطبيقك إجراء التنبؤات في الخلفية، مع الحفاظ على سلاسة واجهة المستخدم وسرعة استجابتها أثناء تنفيذ مهام الذكاء الاصطناعي.
• التعلم متعدد المهام: يدعم CoreML النماذج القادرة على تنفيذ مهام متعددة في آن واحد، مثل اكتشاف الأجسام والتعرف على النص في الصورة نفسها.

كيفية تصدير Ultralytics YOLO11 إلى تنسيق CoreML#

بعد أن أصبح لدينا فهم أفضل لإطار عمل CoreML، لنتناول خطوات استخدام تكامل CoreML الذي تدعمه Ultralytics لتصدير نموذج YOLO11 إلى تنسيق CoreML.

الخطوة 1: إعداد بيئة العمل#

للاستفادة من ميزات التكامل التي توفرها Ultralytics، ابدأ بتثبيت حزمة Ultralytics Python. إنها مكتبة خفيفة وسهلة الاستخدام تبسّط مهامًا مثل تدريب نماذج Ultralytics YOLO وتقييمها وإجراء التنبؤات بها وتصديرها.

يمكنك تثبيت حزمة Ultralytics Python بتنفيذ “pip install ultralytics” في نافذة الأوامر. وإذا كنت تستخدم بيئة مثل Jupyter Notebook أو Google Colab، فأضف علامة تعجب (!) قبل الأمر: “!pip install ultralytics”.

إذا واجهت أي مشكلات أثناء التثبيت أو تصدير النموذج إلى CoreML، فراجع وثائق Ultralytics الرسمية أو دليل المشكلات الشائعة للحصول على المساعدة.

الخطوة 2: تصدير Ultralytics YOLO11 إلى CoreML#

بعد تثبيت الحزمة بنجاح، ستكون جاهزًا لتحميل نموذج Ultralytics YOLO11 وتحويله إلى تنسيق CoreML.

إذا لم تكن متأكدًا من نموذج YOLO11 المدرّب مسبقًا الذي ينبغي استخدامه، فيمكنك استكشاف أحجام نماذج YOLO11 على منصة Ultralytics. ويقدم كل منها توازنًا مختلفًا بين السرعة والحجم والدقة، ويمكنك اختيار الأنسب لمشروعك. كما يمكنك استخدام نموذج YOLO11 مدرّب تدريبًا مخصصًا إذا كنت قد درّبته على مجموعة بياناتك الخاصة.

يستخدم مقتطف الشيفرة أدناه ملف نموذج YOLO11 مدرَّب مسبقًا باسم "yolo11n.pt". وخلال عملية التصدير، يُحوَّل إلى حزمة CoreML باسم "yolo11n.mlpackage."

نموذج "yolo11n" هو إصدار نانو، وقد حُسّن لتحقيق السرعة واستهلاك منخفض للموارد. وبحسب احتياجات مشروعك، يمكنك أيضًا اختيار أحجام أخرى للنماذج، مثل "s" للصغير، و"m" للمتوسط، و"l" للكبير، و"x" للكبير جدًا. ويقدم كل إصدار توازنًا مختلفًا بين السرعة والدقة. وتنطبق خطوات التصدير نفسها على النماذج الأحدث مثل Ultralytics YOLO26.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="coreml")

الخطوة 3: إجراء الاستدلال باستخدام نموذج CoreML المُصدَّر#

بعد التصدير إلى تنسيق CoreML، يمكن دمج Ultralytics YOLO11 بسهولة في تطبيقات iOS، ما يتيح تنفيذ مهام الرؤية الحاسوبية في الوقت الفعلي، مثل اكتشاف الأجسام، على أجهزة مثل iPhone وiPad وMac.

فعلى سبيل المثال، يوضّح مقتطف الشيفرة أدناه كيفية تحميل نموذج CoreML المُصدَّر وإجراء الاستدلال. والاستدلال هو عملية استخدام نموذج مدرَّب لإجراء تنبؤات على بيانات جديدة. وفي هذه الحالة، يحلل النموذج صورة لعائلة تلعب بالكرة.

coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)

بعد تنفيذ الشيفرة، ستُحفَظ صورة الإخراج في المجلد "runs/detect/predict".

الشكل 2. استخدام نموذج Ultralytics YOLO11 المُصدَّر بتنسيق CoreML لاكتشاف الأجسام. الصورة من المؤلف.

أين يمكن استخدام نماذج CoreML المُصدَّرة؟#

يتيح تصدير Ultralytics YOLO11 إلى CoreML مرونة إنشاء تطبيقات متنوعة للرؤية الحاسوبية، تعمل بكفاءة على أجهزة iPhone وiPad وMac. لنلقِ نظرة بعد ذلك على بعض الحالات الواقعية التي يكون فيها هذا التكامل مفيدًا بوجه خاص.

تطبيقات الواقع المعزز والألعاب المدعومة بنماذج CoreML#

يمزج الواقع المعزز (AR) المحتوى الرقمي بالعالم الحقيقي، عبر تراكب عناصر افتراضية على المشاهد الحية للكاميرا. وقد أصبح عنصرًا أساسيًا في ألعاب الأجهزة المحمولة، إذ يتيح تجارب أكثر تفاعلية وغامرة.

باستخدام Ultralytics YOLO11 المُصدَّر إلى تنسيق CoreML، يمكن لمطوري iOS إنشاء ألعاب واقع معزز تتعرف على أجسام العالم الحقيقي، مثل المقاعد والأشجار واللافتات، باستخدام كاميرا الهاتف. ويمكن للعبة بعد ذلك تراكب عناصر افتراضية، مثل العملات أو الأدلة أو المخلوقات، فوق هذه الأجسام لإثراء محيط اللاعب.

تعمل هذه التقنية في الخلفية باستخدام اكتشاف الأجسام وتتبعها. يكتشف Ultralytics YOLO11 الأجسام ويحددها في الوقت الفعلي، بينما يحافظ التتبع على ظهور تلك الأجسام عند تحرك الكاميرا، لضمان بقاء العناصر الافتراضية متوائمة مع العالم الحقيقي.

يمكن للاعبين توجيه هواتفهم واستكشاف محيطهم والتفاعل مع ما يرونه لجمع العناصر أو إكمال تحديات سريعة. ويمكن تشغيل كل ذلك مباشرةً على الجهاز دون الحاجة إلى اتصال بالإنترنت، ما يجعل التجربة سلسة وجذابة.

تطبيقات iOS المدمجة مع نماذج CoreML للتعرّف الآلي على لوحات المركبات (ANPR)#

يُعد التعرّف الآلي على لوحات المركبات (ANPR) تطبيقًا للرؤية الحاسوبية يُستخدم لاكتشاف لوحات تسجيل المركبات وقراءتها. ويُستخدم عادةً في أنظمة الأمن ومراقبة حركة المرور والتحكم في الدخول. وباستخدام CoreML ونماذج مثل YOLO11، أصبح بالإمكان تشغيل ANPR بكفاءة على أجهزة iOS.

قد يكون وجود تطبيق ANPR على جهاز iPhone مفيدًا على نحو خاص في البيئات التي تركز على الأمن. فعلى سبيل المثال، يمكنه مساعدة الفرق على تحديد ما إذا كانت المركبة التي تدخل منطقة محظورة مصرحًا لها بذلك بسرعة.

يمكن لمثل هذا التطبيق استخدام نموذج للذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11، مدمج عبر CoreML، لاكتشاف المركبات وتحديد مواقع لوحات تسجيلها في الوقت الفعلي باستخدام كاميرا الجهاز. وبمجرد اكتشاف لوحة، يمكن لتقنية التعرف الضوئي على الحروف (OCR) قراءة رقمها. ويمكن للتطبيق بعد ذلك مقارنة هذا الرقم بقاعدة بيانات محلية أو سحابية للتحقق من صلاحية الدخول أو الإبلاغ عن المركبات غير المصرح بها.

الشكل 3. يمكن استخدام ذكاء الرؤية لاكتشاف أرقام لوحات التسجيل وقراءتها. (المصدر).

تطبيقات إمكانية الوصول التي تستفيد من نماذج CoreML#

كان للذكاء الاصطناعي أثر كبير في إمكانية الوصول، إذ ساعد على إزالة العوائق أمام الأشخاص ذوي الإعاقات البصرية. وباستخدام أدوات مثل CoreML ونماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، يستطيع المطورون إنشاء تطبيقات iOS تصف العالم المحيط بالمستخدمين في الوقت الفعلي، ما يسهّل المهام اليومية ويعزز استقلاليتهم.

فعلى سبيل المثال، يمكن لشخص يعاني إعاقة بصرية توجيه كاميرا iPhone نحو محيطه. ويستخدم التطبيق اكتشاف الأجسام للتعرّف على العناصر الأساسية، مثل المركبات والأشخاص ولافتات الشوارع، ثم يصف ما يراه صوتيًا. ويمكن الاستفادة من ذلك في مواقف مثل التنقل في شارع مزدحم أو فهم حالة طارئة.

الشكل 4. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأشخاص

أبرز النقاط#

يفتح تصدير Ultralytics YOLO11 إلى تنسيق CoreML فرصًا جديدة للتطبيقات الآنية، بما في ذلك اكتشاف الأجسام دون اتصال بالإنترنت على أجهزة iOS. فمن الألعاب والأمان إلى تسهيل الوصول، يتيح هذا المزيج للمطورين إنشاء تطبيقات ذكية وفعالة تركّز على الخصوصية وتعمل بالكامل على الجهاز.

بخطوات بسيطة قليلة، يمكنك تحويل نموذج Ultralytics YOLO11 وإضافة ميزات موثوقة للرؤية الحاسوبية إلى أجهزة iPhone. والأفضل من ذلك كله أنه يعمل دون الحاجة إلى اتصال بالإنترنت. وبوجه عام، يتيح تكامل CoreML إمكانات الذكاء الاصطناعي المتقدم للتطبيقات المحمولة اليومية، ما يجعلها أسرع وأكثر استجابة وجاهزة للعمل في أي مكان.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا لبدء مشروعك في الرؤية الحاسوبية. تعرّف على كيفية إسهام ابتكارات مثل الذكاء الاصطناعي في تجارة التجزئة والرؤية الحاسوبية في الخدمات اللوجستية في رسم ملامح المستقبل عبر صفحات حلولنا.