جلب Ultralytics YOLO11 إلى أجهزة Apple عبر CoreML

مع إدخال Apple لميزات مثل Apple Intelligence، أصبح من الواضح أن الذكاء الاصطناعي على الأجهزة أصبح جزءًا أساسيًا من كيفية استخدامنا لهواتفنا. بالنسبة للمطورين، يعني هذا التحول أن المستخدمين يتبنون تطبيقات iOS التي تستخدم قدرات مثل رؤية الكمبيوتر لتقديم تجارب أكثر ذكاءً واستجابة.

الرؤية الحاسوبية هي نوع من الذكاء الاصطناعي (AI) الذي يُمكِّن أجهزة الكمبيوتر من فهم وتحليل المعلومات المرئية، مثل الصور أو مقاطع الفيديو. على الأجهزة المحمولة، يمكن استخدامها في الوقت الفعلي لاكتشاف الكائنات وتصنيفها والتفاعل معها من خلال كاميرا الهاتف. يمكن التدريب المخصص لننماذج رؤية الذكاء الاصطناعي مثل Ultralytics YOLO11 التعرف على كائنات محددة، وفقاً لاحتياجات تطبيقك.

مع ذلك، لا يتم إعداد Ultralytics YOLO11 للعمل على نظام iOS مباشرة فور إخراجه من الصندوق. لنشر YOLO11 على هواتف آيفون أو أجهزة أبل الأخرى، وخصوصاً للاستخدام دون اتصال بالإنترنت، يجب تحويله إلى تنسيق محسّن لنظام أبل البيئي.

هذا هو تمامًا نوع المشكلة التي وُجد CoreML لحلها. CoreML هو إطار عمل تعلم الآلة الخاص بشركة Apple، المصمم لتشغيل النماذج محليًا والتكامل بسلاسة في تطبيقات iOS وmacOS. CoreML integration، المدعوم من Ultralytics، يسهل تصدير النموذج الخاص بك للنشر المحلي على أجهزة iPhone.

في هذه المقالة، سنلقي نظرة عن قرب على كيفية تصدير نموذج Ultralytics YOLO11 الخاص بك إلى تنسيق CoreML. سنستكشف أيضاً حالات الاستخدام في الوقت الفعلي التي توضح مزايا تشغيل نماذج رؤية الكمبيوتر مباشرة على أجهزة iOS. لنبدأ!

ما هو CoreML؟#

CoreML هو machine learning (ML) framework تم تطويره بواسطة Apple والذي يتيح للمطورين دمج نماذج تعلم الآلة المدربة مباشرة في التطبيقات عبر نظام بيئي لـ Apple، بما في ذلك iOS (iPhone وiPad) وmacOS (Mac) وwatchOS (Apple Watch) وtvOS (Apple TV). تم تصميمه لجعل تعلم الآلة سهل الوصول وفعالاً على أجهزة Apple من خلال تمكين النماذج من التشغيل 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 النماذج من أطر عمل الذكاء الاصطناعي الشهيرة الأخرى (Source).

الميزات الرئيسية لـ CoreML#

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

• Model optimization: يدعم CoreML تقنيات الضغط مثل التكميم والتقليم 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.

كيفية تصدير Ultralytics 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.

الخطوة 1: إعداد بيئتك#

ل الوصول إلى ميزات التكامل التي توفرها Ultralytics، ابدأ بتثبيت Ultralytics Python package. إنها مكتبة خفيفة الوزن وسهلة الاستخدام تبسط المهام 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 واجهتك أي مشكلات أثناء التثبيت أو أثناء التصدير إلى CoreML، فراجع وثائق Ultralytics الرسمية أو Common Issues guide للحصول على المساعدة.

الخطوة 2: تصدير Ultralytics YOLO11 إلى CoreML#

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

إذا لم تكن متأكدًا من نموذج YOLO11 المدرب مسبقًا الذي يجب استخدامه، فيمكنك استكشاف مجموعة models supported بواسطة Ultralytics. يقدم كل منها توازنًا مختلفًا بين السرعة والحجم والدقة، ويمكنك اختيار الأنسب لمشروعك. يمكنك أيضًا استخدام نموذج YOLO11 مدرب مخصّص إذا قمت بتدريب واحد 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")

الخطوة 3: تشغيل الاستدلال باستخدام نموذج CoreML المصدر#

بعد التصدير إلى تنسيق CoreML، يمكن دمج Ultralytics YOLO11 بسهولة في تطبيقات iOS، مما يتيح مهام رؤية الكمبيوتر في الوقت الفعلي مثل object detection 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 Ultralytics YOLO11 مُصدَّر بتنسيق CoreML لاكتشاف الكائنات. الصورة بواسطة المؤلف.

أين يمكن استخدام نماذج CoreML المصدرة؟#

يمنح تصدير Ultralytics YOLO11 إلى CoreML مرونة لبناء تطبيقات رؤية كمبيوتر متنوعة يمكنها العمل بكفاءة على أجهزة iPhones وiPads وMacs. بعد ذلك، لنلقِ نظرة على بعض السيناريو هات الواقعية التي يمكن أن يكون فيها هذا الدمج مفيداً بشكل خاص.

تطبيقات الواقع المعزز والألعاب التي تعتمد على نماذج CoreML#

Augmented reality (AR) يمزج المحتوى الرقمي بالعالم الحقيقي عن طريق تراكب عناصر افتراضية على عروض الكاميرا المباشرة. أصبح جزءًا أساسيًا من الألعاب المحمولة، مما يخلق تجارب أكثر تفاعلية وغامرة.

مع تصدير Ultralytics YOLO11 إلى تنسيق CoreML، يمكن لمطوري iOS بناء ألعاب الواقع المعزز التي تتعرف على الكائنات الواقعية مثل المقاعد أو الأشجار أو الإشارات باستخدام كاميرا الهاتف. يمكن للعبة بعد ذلك تراكب العناصر الافتراضية، مثل العملات المعدنية أو الأدلة أو المخلوقات، فوق هذه الكائنات لتحسين محيط اللاعب.

خلف الكواليس، يعمل هذا باستخدام اكتشاف الكائنات وتتبع الكائنات. يكتشف Ultralytics YOLO11 الكائنات ويحددها في الوقت الفعلي، بينما يحافظ التتبع على تلك الكائنات في مجال الرؤية 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.

تطبيقات iOS المدمجة مع نماذج CoreML للتعرف التلقائي على لوحات الأرقام (ANPR) في الوقت الفعلي#

Automatic Number Plate Recognition (ANPR) هو تطبيق رؤية حاسوبية يُستخدم لاكتشاف وقراءة لوحات ترخيص المركبات. يُستخدم بشكل شائع في الأمن ومراقبة المرور وأنظمة التحكم في الوصول. مع CoreML والنماذج مثل YOLO11، يمكن لـ ANPR الآن العمل 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 ذكاء اصطناعي للرؤية مثل Ultralytics YOLO11، المدمج من خلال CoreML، لاكتشاف المركبات وتحديد موقع لوحات أرقامها في الوقت الفعلي باستخدام كاميرا الجهاز. بمجرد اكتشاف اللوحة، يمكن تقنية التعرف الضوئي على الحروف (OCR) قراءة رقم اللوحة. يمكن للتطبيق بعد ذلك مقارنة هذا الرقم بقاعدة بيانات محلية أو سحابية التحقق من الوصول أو الإبلاغ عن المركبات غير المصرح لها.

الشكل 3. يمكن استخدام Vision AI لاكتشاف وقراءة أرقام لوحات الترخيص. (Source).

التطبيقات التي تركز على إمكانية الوصول يمكنها الاستفادة من نماذج CoreML#

كان للذكاء الاصطناعي تأثير هائل على accessibility، مما ساعد في إزالة الحواجز أمام الأشخاص ذوي الإعاقة البصرية. باستخدام أدوات مثل CoreML ونماذج رؤية الكمبيوتر مثل Ultralytics YOLO11، يمكن للمطورين إنشاء تطبيقات iOS تصف العالم من حول المستخدمين في الوقت الفعلي، مما يجعل المهام اليومية أكثر سهولة 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 Ultralytics YOLO11 لاكتشاف الأشخاص

أبرز النقاط#

يخلق تصدير Ultralytics YOLO11 إلى تنسيق CoreML فرصاً جديدة للتطبيقات في الوقت الفعلي، بما في ذلك اكتشاف الكائنات في وضع عدم الاتصال على أجهزة iOS. من الزراعة والأمان إلى سهولة الوصول، يتيح هذا التجميع للمطورين بناء تطبيقات ذكية وفعالة وتركز على الخصوصية تعمل بالكامل على الجهاز.

بخطوات بسيطة قليلة، يمكنك تحويل نموذج Ultralytics YOLO11 الخاص بك وإضافة ميزات رؤية كمبيوتر موثوقة إلى iPhones. والأفضل من ذلك كله، أنه يعمل دون الحاجة إلى اتصال بالإنترنت. بشكل عام، يجلب دمج CoreML قوة الذكاء الاصطناعي المتقدم إلى تطبيقات الجوال اليومية، مما يجعلها أسرع وأكثر استجابة وجاهزة للعمل في أي مكان.

هل أنت فضولي لمعرفة المزيد عن الذكاء الاصطناعي؟ استكشف GitHub repository الخاص بنا، وتواصل مع our community، وتحقق من our licensing options لبدء مشروع رؤية الكمبيوتر الخاص بك. اكتشف كيف تشكل ابتكارات مثل AI in retail وcomputer vision in logistics المستقبل على صفحات الحلول الخاصة بنا.