إحضار Ultralytics YOLO11 إلى أجهزة Apple عبر CoreML

مع تقديم Apple لميزات مثل Apple Intelligence، من الواضح أن الذكاء الاصطناعي على الجهاز أصبح جزءاً أساسياً من كيفية استخدامنا لهواتفنا. بالنسبة للمطورين، يعني هذا التحول أن المستخدمين يتبنون تطبيقات iOS التي تستخدم إمكانيات مثل الرؤية الحاسوبية لتقديم تجارب أكثر ذكاءً واستجابة.

الرؤية الحاسوبية هي نوع من الذكاء الاصطناعي (AI) الذي يمكّن أجهزة الكمبيوتر من فهم المعلومات المرئية وتحليلها، مثل الصور أو مقاطع الفيديو. على الأجهزة المحمولة، يمكن استخدامه في الوقت الفعلي لاكتشاف الأشياء وتصنيفها والتفاعل معها من خلال كاميرا الهاتف. يمكن تدريب نماذج الذكاء الاصطناعي المرئي مثل Ultralytics YOLO11 بشكل مخصص للتعرف على كائنات معينة، حسب احتياجات تطبيقك. 

ومع ذلك، لم يتم إعداد YOLO11 للتشغيل على نظام iOS مباشرةً من الصندوق. لنشر YOLO11 على أجهزة iPhone أو أجهزة Apple الأخرى، خاصةً للاستخدام دون اتصال بالإنترنت، يجب تحويله إلى تنسيق محسّن لنظام Apple البيئي. 

هذا هو بالضبط نوع المشكلة التي تم تصميم CoreML لحلها. CoreML هو إطار عمل التعلم الآلي الخاص بشركة Apple، والذي تم تصميمه لتشغيل النماذج محليًا ودمجها بسلاسة في تطبيقات iOS و macOS. إن تكامل CoreML، المدعوم من Ultralytics، يجعل من السهل 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 تُظهر مزايا تشغيل نماذج الرؤية الحاسوبية مباشرةً على أجهزة iOS. لنبدأ!

ما هو CoreML؟

CoreML هو إطار عمل للتعلّم الآلي (ML) تم تطويره من قِبل شركة Apple، وهو يتيح للمطورين دمج نماذج التعلّم الآلي المدرّبة مباشرةً في تطبيقات Apple عبر نظام Apple البيئي، بما في ذلك نظام iOS (iPhone وiPad)، وMacOS (Mac)، و watchOS (Apple Watch)، و tvOS (Apple TV). وهي مصممة لجعل التعلم الآلي متاحاً وفعالاً على أجهزة Apple من خلال تمكين النماذج من العمل مباشرةً على الجهاز، دون الحاجة إلى الاتصال بالإنترنت.

يوجد في جوهر CoreML تنسيق موحد للنماذج يدعم مجموعة كبيرة من مهام الذكاء الاصطناعي مثل تصنيف الصور، واكتشاف الأشياء، والتعرف على الكلام، ومعالجة اللغة الطبيعية. تم تحسين إطار العمل لتحقيق أقصى استفادة من أجهزة Apple، باستخدام وحدة المعالجة المركزية (وحدة المعالجة المركزية)، ووحدة معالجة الرسومات (وحدة معالجة الرسومات)، ومحرك Apple العصبي (ANE) لتنفيذ النماذج بسرعة وكفاءة.

يدعم CoreML مجموعة متنوعة من أنواع النماذج، وهو متوافق مع مكتبات التعلم الآلي الشهيرة، بما في ذلك TensorFlow وPyTorch وscikit-learn وXGBoost وLibSVM. وهذا يسهل على المطورين توفير قدرات التعلم الآلي المتقدمة للتطبيقات اليومية مع ضمان تشغيلها بسلاسة عبر أجهزة Apple.

‍

الميزات الرئيسية ل CoreML

إليك بعض الميزات الرئيسية التي تجعل من CoreML أداة موثوقة لدمج الذكاء الاصطناعي في تطبيقات Apple:

• تحسين النموذج: يدعم CoreML تقنيات الضغط مثل التكميم والتشذيب لتقليل حجم النموذج وتحسين كفاءة وقت التشغيل.
• التخصيص على الجهاز: يدعم إطار عمل تعلّم الآلة من Apple التخصيص على الجهاز، مما يتيح تدريب النماذج وتحديثها محلياً بناءً على تفاعلات المستخدم.
• تنبؤات غير متزامنة: يتيح إطار العمل هذا لتطبيقك تشغيل التنبؤات في الخلفية، مما يحافظ على سلاسة واجهة المستخدم واستجابتها أثناء التعامل مع مهام الذكاء الاصطناعي.
• التعلم متعدد المهام: يدعم CoreML النماذج التي يمكنها أداء مهام متعددة في وقت واحد، مثل اكتشاف الأجسام والتعرف على النص في نفس الصورة.

كيفية تصدير YOLO11 إلى تنسيق CoreML

والآن بعد أن أصبح لدينا فهم أفضل لإطار عمل CoreML، دعنا نتعرف على كيفية استخدام تكامل CoreML المدعوم من قبل Ultralytics لتصدير نموذج YOLO11 إلى تنسيق CoreML.

الخطوة 1: إعداد بيئتك

للوصول إلى ميزات التكامل التي توفرها Ultralytics، ابدأ بتثبيت حزمة Ultralytics Python. إنها مكتبة خفيفة الوزن وسهلة الاستخدام تعمل على تبسيط المهام مثل التدريب والتقييم والتنبؤ وتصدير نماذج Ultralytics YOLO.

يمكنك تثبيت حزمة Ultralytics Python عن طريق تشغيل "pip install ultralytics" في طرفية الأوامر. إذا كنت تستخدم بيئة مثل Jupyter Notebook أو Google Colab، قم بتضمين علامة تعجب (!) قبل الأمر: "!pip install ultralytics".

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

الخطوة 2: تصدير YOLO11 إلى CoreML

بمجرد تثبيت الحزمة بنجاح، تصبح جاهزًا لتحميل نموذج YOLO11 وتحويله إلى تنسيق CoreML.

إذا لم تكن متأكدًا من نموذج YOLO11 المدرب مسبقًا الذي تريد استخدامه، يمكنك استكشاف مجموعة النماذج التي تدعمها Ultralytics. يقدم كل نموذج توازنًا مختلفًا بين السرعة والحجم والدقة، ويمكنك اختيار الأنسب لمشروعك. يمكنك أيضًا استخدام نموذج YOLO11 المدرب خصيصًا إذا كنت قد دربت نموذجًا على مجموعة البيانات الخاصة بك.

في مقتطف الشيفرة أدناه، يتم استخدام ملف نموذج YOLO11 المدرب مسبقًا باسم "yolo11n.pt". أثناء عملية التصدير، يتم تحويله إلى حزمة CoreML تسمى "yolo11n.mlpackage".

الطراز "yolo11n" هو الإصدار النانو المُحسَّن للسرعة والاستخدام المنخفض للموارد. واعتمادًا على احتياجات مشروعك، يمكنك أيضًا اختيار أحجام نماذج أخرى مثل "s" للأحجام الصغيرة، أو "m" للمتوسطة، أو "l" للكبيرة، أو "x" للكبيرة جدًا. يقدم كل إصدار توازنًا مختلفًا بين الأداء والدقة.

‍

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

model.export(format="coreml")

‍

الخطوة 3: تشغيل الاستدلال باستخدام نموذج CoreML المُصدَّر

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

على سبيل المثال، يوضّح مقتطف الشيفرة أدناه كيفية تحميل نموذج CoreML المُصدَّر وإجراء الاستدلال. الاستدلال هو عملية استخدام نموذج مدرّب لإجراء تنبؤات على بيانات جديدة. في هذه الحالة، يقوم النموذج بتحليل 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 تشغيل الشيفرة، ستُحفظ صورة الإخراج في مجلد "التشغيل/الكشف/التنبؤ".

‍

أين يمكن استخدام نماذج CoreML المصدرة؟

يجلب تصدير YOLO11 إلى CoreML المرونة اللازمة لإنشاء تطبيقات رؤية حاسوبية متنوعة يمكن تشغيلها بكفاءة على أجهزة iPhone وiPad وMac. بعد ذلك، دعونا نلقي نظرة على بعض السيناريوهات الواقعية حيث يمكن أن يكون هذا التكامل مفيدًا بشكل خاص.

تطبيقات الواقع المعزز والألعاب التي تعتمد على نماذج CoreML

يمزج الواقع المعزز (AR) بين المحتوى الرقمي والعالم الحقيقي من خلال تراكب العناصر الافتراضية على مشاهد الكاميرا الحية. وقد أصبح جزءاً أساسياً من ألعاب الهاتف المحمول، مما يخلق تجارب أكثر تفاعلية وغامرة.

باستخدام YOLO11 الذي تم تصديره إلى تنسيق CoreML، يمكن لمطوري iOS إنشاء ألعاب الواقع المعزز التي تتعرف على الأشياء الواقعية مثل المقاعد أو الأشجار أو اللافتات باستخدام كاميرا الهاتف. يمكن للعبة بعد ذلك تراكب العناصر الافتراضية، مثل العملات المعدنية أو القرائن أو المخلوقات، فوق هذه الأشياء لتعزيز البيئة المحيطة باللاعب.

خلف الكواليس، يعمل هذا باستخدام اكتشاف الأجسام وتتبع الأجسام. يكتشف YOLO11 الأجسام ويحددها في الوقت الفعلي، بينما يحافظ التتبع على تلك الأجسام في العرض أثناء تحرك الكاميرا، مع التأكد من بقاء العناصر الافتراضية متماشية مع العالم الحقيقي.

يمكن للاعبين توجيه هواتفهم واستكشاف بيئتهم والتفاعل مع ما يرونه لجمع العناصر أو إكمال التحديات السريعة. يمكن تشغيل كل ذلك مباشرة على الجهاز دون الحاجة إلى اتصال بالإنترنت، مما يجعل التجربة سلسة وجذابة.

تطبيقات iOS المدمجة مع نماذج CoreML لـ ANPR في الوقت الحقيقي

التعرُّف التلقائي على لوحات الأرقام (ANPR ) هو تطبيق رؤية حاسوبية يُستخدم لاكتشاف لوحات أرقام السيارات وقراءتها. يُستخدم عادةً 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 جهاز iPhone الخاص بك مفيداً بشكل خاص في البيئات التي تركز على الأمن. على سبيل المثال، يمكن أن يساعد الفرق في تحديد ما إذا كانت السيارة التي تدخل منطقة محظورة مصرحاً بها أم لا.

يمكن لمثل هذا التطبيق استخدام نموذج ذكاء اصطناعي بصري مثل YOLO11، المدمج من خلال CoreML، لاكتشاف المركبات وتحديد موقع لوحات الترخيص الخاصة بها في الوقت الفعلي باستخدام كاميرا الجهاز. بمجرد اكتشاف اللوحة، يمكن لتقنية التعرّف 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 لها.

‍

يمكن للتطبيقات التي تركز على إمكانية الوصول الاستفادة من نماذج CoreML

كان للذكاء الاصطناعي تأثير كبير على إمكانية الوصول، مما ساعد على كسر الحواجز أمام الأشخاص ذوي الإعاقات البصرية. باستخدام أدوات مثل CoreML ونماذج الرؤية الحاسوبية مثل YOLO11، يمكن للمطورين إنشاء تطبيقات iOS التي تصف العالم من حول المستخدمين في الوقت الفعلي، مما يجعل المهام اليومية أسهل وأكثر استقلالية.

على سبيل المثال، يمكن للشخص الذي يعاني من إعاقة بصرية توجيه كاميرا الآيفون إلى محيطه. ويستخدم التطبيق خاصية اكتشاف الأشياء للتعرف على العناصر الرئيسية، مثل المركبات أو الأشخاص أو لافتات الشوارع، ويروي ما يراه. يمكن استخدام ذلك في مواقف مثل التنقل في شارع مزدحم أو فهم حالة طوارئ.

‍

الوجبات الرئيسية

إن تصدير YOLO11 إلى تنسيق CoreML يخلق فرصاً جديدة للتطبيقات في الوقت الحقيقي، بما في ذلك اكتشاف الكائنات غير المتصلة بالإنترنت على أجهزة iOS. يتيح هذا المزيج للمطوّرين إنشاء تطبيقات ذكية وفعّالة وتركز على الخصوصية وتعمل بالكامل على الجهاز، بدءاً من الزراعة والأمان وصولاً إلى إمكانية الوصول.

من خلال بضع خطوات بسيطة، يمكنك تحويل طراز YOLO11 الخاص بك وإضافة ميزات رؤية الكمبيوتر الموثوقة إلى أجهزة iPhone. وأفضل ما في الأمر أنه يعمل دون الحاجة إلى اتصال بالإنترنت. بشكل عام، يوفر تكامل CoreML قوة الذكاء الاصطناعي المتقدم لتطبيقات الجوال اليومية، مما يجعلها أسرع وأكثر استجابة وجاهزة للتشغيل في أي مكان.

هل لديك فضول لمعرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص لدينا لبدء مشروع رؤية الكمبيوتر الخاص بك. اكتشف كيف تُشكّل الابتكارات مثل الذكاء الاصطناعي في مجال البيع بالتجزئة والرؤية الحاسوبية في مجال الخدمات اللوجستية المستقبل على صفحات الحلول الخاصة بنا.