نقل Ultralytics YOLOv8 إلى أجهزة Apple عبر CoreML

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

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

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

هذا هو بالضبط نوع المشكلة التي تم تصميم CoreML لحلها. CoreML هو إطار عمل تعلم الآلة من Apple، تم تصميمه لتشغيل النماذج محليًا والاندماج بسلاسة في تطبيقات iOS و macOS. إن تكامل CoreML، المدعوم من Ultralytics، يجعل من السهل تصدير النموذج الخاص بك للنشر المحلي على أجهزة iPhone.

في هذه المقالة، سوف نلقي نظرة فاحصة على كيفية تصدير نموذج YOLO11 الخاص بك إلى تنسيق CoreML. وسوف نستكشف أيضًا حالات الاستخدام في الوقت الفعلي التي توضح مزايا تشغيل نماذج الرؤية الحاسوبية مباشرة على أجهزة iOS. هيا بنا نبدأ!

ما هو CoreML؟

CoreML هو إطار عمل للتعلم الآلي (ML) تم تطويره بواسطة Apple، والذي يمكّن المطورين من دمج نماذج ML المدربة مباشرةً في التطبيقات عبر نظام Apple البيئي، بما في ذلك iOS (iPhone و iPad) و macOS (Mac) و watchOS (Apple Watch) و tvOS (Apple TV). إنه مصمم لجعل التعلم الآلي متاحًا وفعالًا على أجهزة Apple من خلال تمكين النماذج من العمل مباشرةً على الجهاز، دون الحاجة إلى اتصال بالإنترنت.

في صميم CoreML يوجد تنسيق نموذج موحد يدعم مجموعة واسعة من مهام الذكاء الاصطناعي مثل تصنيف الصور واكتشاف الكائنات والتعرف على الكلام ومعالجة اللغة الطبيعية. تم تحسين الإطار لتحقيق أقصى استفادة من أجهزة Apple، باستخدام وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) و ANE (محرك Apple العصبي) لتنفيذ النماذج بسرعة وكفاءة.

يدعم CoreML مجموعة متنوعة من أنواع النماذج وهو متوافق مع مكتبات التعلم الآلي الشائعة، بما في ذلك TensorFlow و PyTorch و scikit-learn و XGBoost و LibSVM. هذا يجعل من السهل على المطورين جلب إمكانات ML المتقدمة إلى التطبيقات اليومية مع ضمان تشغيلها بسلاسة عبر أجهزة Apple.

‍

الميزات الرئيسية لـ CoreML

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

• تحسين النموذج: يدعم CoreML تقنيات الضغط مثل التكميم والتقليم لتقليل حجم النموذج وتحسين كفاءة وقت التشغيل.
• تخصيص على الجهاز: يدعم إطار عمل تعلم الآلة من Apple التخصيص على الجهاز، مما يمكّن النماذج من التدريب والتحديث محليًا بناءً على تفاعلات المستخدم.
• توقعات غير متزامنة: يتيح هذا الإطار لتطبيقك تشغيل التوقعات 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 الكائنات والتعرف على النص في نفس الصورة.

كيفية تصدير YOLOv8 إلى تنسيق CoreML

الآن بعد أن أصبح لدينا فهم أفضل لإطار عمل CoreML، دعنا نستعرض كيفية استخدام تكامل CoreML المدعوم من Ultralytics لتصدير نموذج YOLOv8 إلى تنسيق CoreML.

الخطوة 1: إعداد بيئة العمل الخاصة بك

للوصول إلى ميزات التكامل التي توفرها Ultralytics، ابدأ بتثبيت حزمة Ultralytics Python. إنها مكتبة خفيفة الوزن وسهلة الاستخدام تعمل على تبسيط مهام مثل تدريب وتقييم والتنبؤ بنماذج Ultralytics YOLO وتصديرها.

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

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

الخطوة 2: تصدير YOLO11 إلى CoreML

بمجرد تثبيت الحزمة بنجاح، ستكون جاهزًا 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 واحد توازنًا مختلفًا بين السرعة والحجم والدقة، ويمكنك اختيار الأنسب لمشروعك. يمكنك أيضًا استخدام نموذج YOLO11 مدربًا خصيصًا إذا قمت بتدريب نموذج على مجموعة البيانات الخاصة بك.

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

نموذج "yolo11n" هو الإصدار النانوي، وهو مُحسَّن للسرعة والاستخدام المنخفض للموارد. اعتمادًا على احتياجات مشروعك، يمكنك أيضًا اختيار أحجام نماذج أخرى مثل "s" للصغير، أو "m" للمتوسط، أو "l" للكبير، أو "x" للكبير 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 الذي تم تصديره

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 و iPads و Macs.

على سبيل المثال، يوضح مقتطف التعليمات البرمجية أدناه كيفية تحميل نموذج CoreML المُصدَّر وإجراء الاستدلال. الاستدلال هو عملية استخدام نموذج مُدرَّب لعمل تنبؤات بشأن بيانات جديدة. في 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 تشغيل الكود، سيتم حفظ الصورة الناتجة في المجلد "runs/detect/predict".

‍

أين يمكن استخدام نماذج CoreML المصدرة؟

يجلب تصدير YOLO11 إلى CoreML المرونة اللازمة لبناء تطبيقات رؤية حاسوبية متنوعة يمكن تشغيلها بكفاءة على أجهزة iPhone و iPad و Mac. بعد ذلك، دعنا نلقي نظرة على بعض السيناريوهات الواقعية حيث يمكن أن يكون هذا التكامل مفيدًا بشكل خاص.

تطبيقات الواقع المعزز والألعاب المدعومة بنماذج CoreML

الواقع المعزز (AR) يمزج المحتوى الرقمي مع العالم الحقيقي عن طريق تراكب العناصر الافتراضية على طرق عرض الكاميرا الحية. إنه يصبح جزءًا رئيسيًا من ألعاب الهاتف المحمول، مما يخلق تجارب أكثر تفاعلية وغامرة.

مع تصدير YOLO11 إلى تنسيق CoreML، يمكن لمطوري iOS إنشاء ألعاب الواقع المعزز التي تتعرف على كائنات العالم الحقيقي مثل المقاعد أو الأشجار أو الإشارات باستخدام كاميرا الهاتف. يمكن للعبة بعد ذلك تراكب عناصر افتراضية، مثل العملات المعدنية أو الأدلة أو المخلوقات، فوق هذه الكائنات لتحسين محيط اللاعب.

خلف الكواليس، يتم ذلك باستخدام الكشف عن الأجسام وتتبعها. يكتشف YOLO11 الأجسام ويحددها في الوقت الفعلي، بينما يحافظ التتبع على رؤية هذه الأجسام 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 التحديات السريعة. يمكن أن يتم تشغيل كل هذا مباشرة على الجهاز دون الحاجة إلى اتصال بالإنترنت، مما يجعل التجربة سلسة وجذابة.

تطبيقات iOS مدمجة مع نماذج CoreML للتعرف التلقائي على لوحات أرقام المركبات (ANPR) في الوقت الفعلي

التعرف التلقائي على لوحة الأرقام (ANPR) هو تطبيق رؤية حاسوبية يستخدم للكشف عن وقراءة لوحات ترخيص المركبات. يشيع استخدامه 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 مفيدًا بشكل خاص في البيئات التي تركز على الأمان. على سبيل المثال، يمكن أن يساعد الفرق في تحديد ما إذا كانت السيارة التي تدخل منطقة محظورة مصرحًا لها بذلك أم لا بسرعة.

يمكن لمثل هذا التطبيق استخدام نموذج Vision AI مثل YOLO11، المدمج من خلال CoreML، لاكتشاف المركبات وتحديد مواقع لوحات أرقامها 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 قائمة على السحابة للتحقق من الوصول أو الإبلاغ عن المركبات غير المصرح بها.

‍

يمكن للتطبيقات التي تركز على إمكانية الوصول الاستفادة من نماذج CoreML

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

على سبيل المثال، يمكن لشخص يعاني من ضعف البصر توجيه كاميرا iPhone الخاصة به إلى محيطه. يستخدم التطبيق اكتشاف الكائنات للتعرف على العناصر الرئيسية، مثل المركبات أو الأشخاص أو لافتات الشوارع، ويروي ما يراه. يمكن استخدام هذا في مواقف مثل التنقل في شارع مزدحم أو فهم حالة طارئة.

‍

النقاط الرئيسية

يخلق تصدير YOLO11 إلى صيغة CoreML فرصًا جديدة للتطبيقات في الوقت الفعلي، بما في ذلك الكشف عن الكائنات في وضع عدم الاتصال على أجهزة iOS. بدءًا من الزراعة والأمن ووصولًا إلى إمكانية الوصول، يتيح هذا المزيج للمطورين إنشاء تطبيقات ذكية وفعالة وتركز على الخصوصية تعمل بالكامل على الجهاز.

ببضع خطوات بسيطة فقط، يمكنك تحويل نموذج YOLO11 الخاص بك وإضافة ميزات رؤية حاسوب 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 الهاتف المحمول اليومية، مما يجعلها أسرع وأكثر استجابة وجاهزة للتشغيل في أي مكان.

هل أنت مهتم بمعرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشروع رؤية الكمبيوتر الخاص بك. اكتشف كيف تشكل الابتكارات مثل الذكاء الاصطناعي في البيع بالتجزئة و رؤية الكمبيوتر في الخدمات اللوجستية المستقبل في صفحات الحلول الخاصة بنا.