جلب Ultralytics YOLO11 إلى أجهزة Apple عبر CoreML
اكتشف مدى سهولة نقل Ultralytics YOLO11 إلى أجهزة Apple باستخدام CoreML وتمكين مهام الرؤية الحاسوبية السريعة دون اتصال بالإنترنت لتطبيقات iOS في الوقت الفعلي.
مع تقديم Apple لميزات مثل Apple Intelligence، أصبح من الواضح أن الذكاء الاصطناعي على الجهاز نفسه أصبح جزءًا أساسيًا من كيفية استخدامنا لهواتفنا. بالنسبة للمطورين، يعني هذا التحول أن المستخدمين يتبنون تطبيقات iOS التي تستخدم قدرات مثل الرؤية الحاسوبية لتقديم تجارب أكثر ذكاءً واستجابة.
الرؤية الحاسوبية هي نوع من الذكاء الاصطناعي (AI) يُمكّن أجهزة الكمبيوتر من فهم وتحليل المعلومات المرئية، مثل الصور أو مقاطع الفيديو. على الأجهزة المحمولة، يمكن استخدامها في الوقت الفعلي لاكتشاف الأشياء وتصنيفها والتفاعل معها من خلال كاميرا الهاتف. يمكن تدريب نماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics YOLO11 خصيصًا للتعرف على كائنات معينة، وذلك وفقًا لاحتياجات تطبيقك.
ومع ذلك، لم يتم إعداد YOLO11 للعمل على نظام iOS بشكل مباشر. لنشر YOLO11 على أجهزة iPhone أو أجهزة Apple الأخرى، خاصة للاستخدام دون اتصال بالإنترنت، يجب تحويله إلى تنسيق مُحسَّن لنظام Apple البيئي.
هذه بالضبط هي نوع المشكلة التي بُني CoreML لحلها. CoreML هو إطار عمل التعلم الآلي من Apple، وقد صُمم لتشغيل النماذج محليًا والتكامل بسلاسة في تطبيقات iOS وmacOS. إن تكامل CoreML، المدعوم من Ultralytics، يسهل تصدير نموذجك للنشر المحلي على أجهزة iPhone.
في هذه المقالة، سنلقي نظرة فاحصة على كيفية تصدير نموذج YOLO11 الخاص بك إلى تنسيق CoreML. سنستكشف أيضًا حالات الاستخدام في الوقت الفعلي التي توضح مزايا تشغيل نماذج الرؤية الحاسوبية مباشرة على أجهزة iOS. لنبدأ!
Link to this sectionما هو CoreML؟#
CoreML هو إطار عمل للتعلم الآلي (ML) طورته Apple يتيح للمطورين دمج نماذج التعلم الآلي المدربة مباشرة في التطبيقات عبر نظام Apple البيئي، بما في ذلك iOS (iPhone وiPad) وmacOS (Mac) وwatchOS (Apple Watch) وtvOS (Apple TV). تم تصميمه لجعل التعلم الآلي متاحًا وفعالًا على أجهزة Apple من خلال تمكين النماذج من العمل مباشرة على الجهاز، دون الحاجة إلى اتصال بالإنترنت.
في جوهر CoreML يوجد تنسيق نموذج موحد يدعم مجموعة واسعة من مهام الذكاء الاصطناعي مثل تصنيف الصور واكتشاف الكائنات والتعرف على الكلام ومعالجة اللغات الطبيعية. تم تحسين إطار العمل لتحقيق أقصى استفادة من أجهزة Apple، باستخدام CPU (وحدة المعالجة المركزية) وGPU (وحدة معالجة الرسومات) وANE (Apple Neural Engine) لتنفيذ النماذج بسرعة وكفاءة.
يدعم CoreML مجموعة متنوعة من أنواع النماذج ويتوافق مع مكتبات التعلم الآلي الشائعة، بما في ذلك TensorFlow وPyTorch وscikit-learn وXGBoost وLibSVM. هذا يسهل على المطورين جلب قدرات تعلم آلي متقدمة إلى التطبيقات اليومية مع ضمان تشغيلها بسلاسة عبر أجهزة Apple.
الشكل 1. يدعم CoreML نماذج من أطر عمل ذكاء اصطناعي شائعة أخرى (المصدر).
Link to this sectionالميزات الرئيسية لـ CoreML#
إليك بعض الميزات الرئيسية التي تجعل CoreML أداة موثوقة لدمج الذكاء الاصطناعي في تطبيقات Apple:
- تحسين النماذج: يدعم CoreML تقنيات الضغط مثل التكميم (quantization) والتقليم (pruning) لتقليل حجم النموذج وتحسين كفاءة وقت التشغيل.
- التخصيص على الجهاز: يدعم إطار عمل التعلم الآلي من Apple التخصيص على الجهاز، مما يتيح تدريب النماذج وتحديثها محليًا بناءً على تفاعلات المستخدم.
- التنبؤات غير المتزامنة: يتيح إطار العمل هذا لتطبيقك تشغيل التنبؤات في الخلفية، مما يحافظ على واجهة المستخدم سلسة وسريعة الاستجابة أثناء التعامل مع مهام الذكاء الاصطناعي.
- التعلم متعدد المهام: يدعم CoreML النماذج التي يمكنها أداء مهام متعددة في وقت واحد، مثل اكتشاف الكائنات والتعرف على النص في نفس الصورة.
Link to this sectionكيفية تصدير YOLO11 إلى تنسيق CoreML#
الآن بعد أن أصبح لدينا فهم أفضل لإطار عمل CoreML، دعنا نستعرض كيفية استخدام تكامل CoreML المدعوم من Ultralytics لتصدير نموذج YOLO11 إلى تنسيق CoreML.
Link to this sectionالخطوة 1: إعداد بيئتك#
للوصول إلى ميزات التكامل التي توفرها Ultralytics، ابدأ بتثبيت حزمة Ultralytics Python. إنها مكتبة خفيفة الوزن وسهلة الاستخدام تبسط مهام مثل التدريب والتقييم والتنبؤ وتصدير نماذج Ultralytics YOLO.
يمكنك تثبيت حزمة Ultralytics Python عن طريق تشغيل "pip install ultralytics" في محطة الأوامر الخاصة بك. إذا كنت تستخدم بيئة مثل Jupyter Notebook أو Google Colab، فأضف علامة تعجب (!) قبل الأمر: "!pip install ultralytics".
إذا واجهت أي مشكلات أثناء التثبيت أو أثناء التصدير إلى CoreML، تحقق من وثائق Ultralytics الرسمية أو دليل المشكلات الشائعة للحصول على المساعدة.
Link to this sectionالخطوة 2: تصدير YOLO11 إلى CoreML#
بمجرد تثبيت الحزمة بنجاح، فأنت جاهز لتحميل نموذج YOLO11 وتحويله إلى تنسيق CoreML.
إذا لم تكن متأكدًا من نموذج YOLO11 المدرب مسبقًا الذي يجب استخدامه، فيمكنك استكشاف مجموعة النماذج المدعومة بواسطة Ultralytics. يقدم كل نموذج توازنًا مختلفًا بين السرعة والحجم والدقة، ويمكنك اختيار الأنسب لمشروعك. يمكنك أيضًا استخدام نموذج YOLO11 مدرب خصيصًا إذا كنت قد قمت بتدريبه على مجموعة البيانات الخاصة بك.
في مقتطف الكود أدناه، يتم استخدام ملف نموذج YOLO11 مدرب مسبقًا يسمى "yolo11n.pt". أثناء عملية التصدير، يتم تحويله إلى حزمة CoreML تسمى "yolo11n.mlpackage."
نموذج "yolo11n" هو الإصدار النانو، المُحسَّن للسرعة وانخفاض استهلاك الموارد. اعتمادًا على احتياجات مشروعك، يمكنك أيضًا اختيار أحجام نماذج أخرى مثل "s" للصغير، أو "m" للمتوسط، أو "l" للكبير، أو "x" للكبير جدًا. يوفر كل إصدار توازنًا مختلفًا بين الأداء والدقة.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="coreml")Link to this sectionالخطوة 3: تشغيل الاستدلال باستخدام نموذج CoreML المصدر#
بعد التصدير إلى تنسيق CoreML، يمكن دمج YOLO11 بسهولة في تطبيقات iOS، مما يتيح مهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات على أجهزة مثل iPhones وiPads وMacs.
على سبيل المثال، يوضح مقتطف الكود أدناه كيفية تحميل نموذج CoreML المصدر وإجراء الاستدلال. الاستدلال هو عملية استخدام نموذج مدرب لإجراء تنبؤات على بيانات جديدة. في هذه الحالة، يحلل النموذج صورة لعائلة تلعب بكرة.
coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)بعد تشغيل الكود، سيتم حفظ صورة الإخراج في مجلد "runs/detect/predict".
الشكل 2. استخدام نموذج YOLO11 مصدر بتنسيق CoreML لاكتشاف الكائنات. الصورة بواسطة المؤلف.
Link to this sectionأين يمكن استخدام نماذج CoreML المصدرة؟#
يوفر تصدير YOLO11 إلى CoreML المرونة لبناء تطبيقات رؤية حاسوبية متنوعة يمكن تشغيلها بكفاءة على أجهزة iPhone وiPad وMac. بعد ذلك، دعنا نلقي نظرة على بعض سيناريوهات العالم الحقيقي حيث يمكن أن يكون هذا التكامل مفيدًا بشكل خاص.
Link to this sectionتطبيقات الواقع المعزز والألعاب التي تعتمد على نماذج CoreML#
الواقع المعزز (AR) يمزج المحتوى الرقمي مع العالم الحقيقي عن طريق وضع عناصر افتراضية فوق مشاهد الكاميرا المباشرة. أصبح جزءًا رئيسيًا من ألعاب الأجهزة المحمولة، مما يخلق تجارب أكثر تفاعلية وغامرة.
مع تصدير YOLO11 إلى تنسيق CoreML، يمكن لمطوري iOS بناء ألعاب واقع معزز تتعرف على كائنات العالم الحقيقي مثل المقاعد أو الأشجار أو اللافتات باستخدام كاميرا الهاتف. يمكن للعبة بعد ذلك وضع عناصر افتراضية، مثل العملات المعدنية أو القرائن أو المخلوقات، فوق هذه الكائنات لتعزيز محيط اللاعب.
خلف الكواليس، يعمل هذا باستخدام اكتشاف الكائنات وتتبع الكائنات. يكتشف YOLO11 الكائنات ويحددها في الوقت الفعلي، بينما يحافظ التتبع على تلك الكائنات في العرض أثناء تحرك الكاميرا، مما يضمن بقاء العناصر الافتراضية متوافقة مع العالم الحقيقي.
يمكن للاعبين توجيه هواتفهم واستكشاف بيئتهم والتفاعل مع ما يرونه لجمع العناصر أو إكمال تحديات سريعة. يمكن لكل هذا أن يعمل مباشرة على الجهاز دون الحاجة إلى اتصال بالإنترنت، مما يجعل التجربة سلسة وجذابة.
Link to this sectionتطبيقات iOS المدمجة مع نماذج CoreML للتعرف التلقائي على لوحات الأرقام (ANPR) في الوقت الفعلي#
التعرف التلقائي على لوحات الأرقام (ANPR) هو تطبيق رؤية حاسوبية يستخدم لاكتشاف وقراءة لوحات ترخيص المركبات. يُستخدم بشكل شائع في أنظمة الأمن ومراقبة حركة المرور والتحكم في الوصول. مع CoreML ونماذج مثل YOLO11، يمكن الآن تشغيل ANPR بكفاءة على أجهزة iOS.
يمكن أن يكون وجود تطبيق ANPR على هاتف iPhone الخاص بك مفيدًا بشكل خاص في البيئات التي تركز على الأمن. على سبيل المثال، يمكن أن يساعد الفرق في تحديد ما إذا كانت مركبة تدخل منطقة مقيدة مصرحًا لها أم لا بسرعة.
يمكن لمثل هذا التطبيق استخدام نموذج رؤية ذكاء اصطناعي مثل YOLO11، مدمج عبر CoreML، لاكتشاف المركبات وتحديد لوحات ترخيصها في الوقت الفعلي باستخدام كاميرا الجهاز. بمجرد اكتشاف اللوحة، يمكن لتقنية التعرف الضوئي على الحروف (OCR) قراءة رقم الترخيص. يمكن للتطبيق بعد ذلك مقارنة هذا الرقم بقاعدة بيانات محلية أو سحابية للتحقق من الوصول أو الإبلاغ عن المركبات غير المصرح بها.
الشكل 3. يمكن استخدام رؤية الذكاء الاصطناعي لاكتشاف وقراءة أرقام لوحات الترخيص. (المصدر).
Link to this sectionالتطبيقات التي تركز على إمكانية الوصول يمكنها الاستفادة من نماذج CoreML#
كان للذكاء الاصطناعي تأثير كبير على إمكانية الوصول، مما ساعد في إزالة الحواجز أمام الأشخاص ذوي الإعاقات البصرية. باستخدام أدوات مثل CoreML ونماذج الرؤية الحاسوبية مثل YOLO11، يمكن للمطورين بناء تطبيقات iOS تصف العالم من حول المستخدمين في الوقت الفعلي، مما يجعل المهام اليومية أسهل وأكثر استقلالية.
على سبيل المثال، يمكن لشخص ضعيف البصر توجيه كاميرا iPhone الخاصة به إلى محيطه. يستخدم التطبيق اكتشاف الكائنات للتعرف على العناصر الرئيسية، مثل المركبات أو الأشخاص أو لافتات الشوارع، ويسرد ما يراه. يمكن استخدام هذا في مواقف مثل التنقل في شارع مزدحم أو فهم حالة طوارئ.
الشكل 4. مثال على استخدام YOLO11 لاكتشاف الأشخاص
Link to this sectionأبرز النقاط#
يخلق تصدير YOLO11 إلى تنسيق CoreML فرصًا جديدة للتطبيقات في الوقت الفعلي، بما في ذلك اكتشاف الكائنات دون اتصال بالإنترنت على أجهزة iOS. من الزراعة والأمن إلى إمكانية الوصول، يتيح هذا المزيج للمطورين بناء تطبيقات ذكية وفعالة وتركز على الخصوصية تعمل بالكامل على الجهاز.
من خلال بضع خطوات بسيطة، يمكنك تحويل نموذج YOLO11 الخاص بك وإضافة ميزات رؤية حاسوبية موثوقة إلى أجهزة iPhone. والأفضل من ذلك كله، أنه يعمل دون الحاجة إلى اتصال بالإنترنت. بشكل عام، يجلب تكامل CoreML قوة الذكاء الاصطناعي المتقدم إلى تطبيقات الأجهزة المحمولة اليومية، مما يجعلها أسرع وأكثر استجابة وجاهزة للعمل في أي مكان.
هل تشعر بالفضول لمعرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشروع الرؤية الحاسوبية الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في البيع بالتجزئة والرؤية الحاسوبية في الخدمات اللوجستية المستقبل على صفحات حلولنا.
