تشغيل Ultralytics YOLO11 على أجهزة Apple عبر CoreML

مع تقديم Apple ميزات مثل Apple Intelligence، من الواضح 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 أكثر ذكاءً واستجابةً.

الرؤية الحاسوبية هي أحد أنواع الذكاء الاصطناعي (AI) التي تمكّن أجهزة الكمبيوتر من فهم المعلومات المرئية وتحليلها، مثل الصور أو مقاطع الفيديو. ويمكن استخدامها على الأجهزة المحمولة في الوقت الفعلي لاكتشاف الكائنات وتصنيفها والتفاعل معها عبر كاميرا الهاتف. ويمكن تدريب نماذج ذكاء الرؤية مثل Ultralytics YOLO11 تدريبًا مخصصًا للتعرف على كائنات محددة، وفقًا لاحتياجات تطبيقك.

ومع ذلك، فإن Ultralytics YOLO11 ليس مُعدًا للعمل على iOS مباشرةً. ولنشر YOLO11 على أجهزة iPhone أو أجهزة Apple الأخرى، ولا سيما للاستخدام دون اتصال، يجب تحويله إلى تنسيق مُحسّن لمنظومة Apple.

وهذه بالضبط نوعية المشكلة التي صُمم CoreML لحلها. CoreML هو إطار Apple للتعلم الآلي، وقد صُمم لتشغيل النماذج محليًا والتكامل بسلاسة مع تطبيقات iOS وmacOS. ويسهّل تكامل CoreML، المدعوم من Ultralytics، تصدير نموذجك لنشره محليًا على أجهزة iPhone.

في هذه المقالة، سنلقي نظرة أعمق على كيفية تصدير نموذج Ultralytics YOLO11 إلى تنسيق CoreML. كما سنستكشف حالات استخدام في الوقت الفعلي توضّح مزايا تشغيل نماذج الرؤية الحاسوبية مباشرةً على أجهزة iOS. لنبدأ!

ما هو CoreML؟#

CoreML هو إطار للتعلم الآلي (ML) طوّرته Apple، ويتيح للمطورين دمج نماذج ML المدرّبة مباشرةً في التطبيقات عبر منظومة Apple، بما في ذلك 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.

في صميم CoreML يوجد تنسيق موحّد للنماذج يدعم مجموعة واسعة من مهام الذكاء الاصطناعي، مثل تصنيف الصور واكتشاف الكائنات والتعرف على الكلام ومعالجة اللغة الطبيعية. وقد حُسّن الإطار للاستفادة القصوى من أجهزة Apple، باستخدام CPU (وحدة المعالجة المركزية) وGPU (وحدة معالجة الرسومات) وANE (محرك Apple العصبي) لتنفيذ النماذج بسرعة وكفاءة.

يدعم CoreML أنواعًا متنوعة من النماذج، وهو متوافق مع مكتبات التعلم الآلي الشائعة، بما في ذلك TensorFlow وPyTorch وscikit-learn وXGBoost وLibSVM. ويسهّل ذلك على المطورين إضافة إمكانات ML المتقدمة إلى التطبيقات اليومية، مع ضمان عملها بسلاسة عبر أجهزة Apple.

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

الميزات الأساسية في CoreML#

فيما يلي بعض الميزات الأساسية 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 التشغيل.
• التخصيص على الجهاز: يدعم إطار Apple للتعلم الآلي التخصيص على الجهاز، مما يتيح تدريب النماذج وتحديثها محليًا استنادًا إلى تفاعلات المستخدم.
• التنبؤات غير المتزامنة: يتيح هذا الإطار لتطبيقك تشغيل التنبؤات في الخلفية، مع الحفاظ على سلاسة واجهة المستخدم واستجابتها أثناء معالجة مهام الذكاء الاصطناعي.
• التعلم متعدد المهام: يدعم CoreML النماذج القادرة على تنفيذ مهام متعددة في الوقت نفسه، مثل اكتشاف الكائنات والتعرف على النص في الصورة نفسها.

كيفية تصدير Ultralytics YOLO11 إلى تنسيق CoreML#

بعد أن كوّنا فهمًا أفضل لإطار CoreML، دعونا نستعرض كيفية استخدام تكامل CoreML المدعوم من 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 وسهلة الاستخدام تبسّط مهامًا مثل تدريب نماذج Ultralytics YOLO وتقييمها وإجراء التنبؤات وتصديرها.

يمكنك تثبيت حزمة Ultralytics Python من خلال تشغيل “pip install ultralytics” في الطرفية الخاصة بالأوامر. وإذا كنت تستخدم بيئة مثل Jupyter Notebook أو Google Colab، فأدرج علامة التعجب (!) 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، تصبح جاهزًا لتحميل نموذج Ultralytics YOLO11 وتحويله إلى تنسيق CoreML.

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

في مقتطف التعليمات البرمجية أدناه، يُستخدم ملف نموذج YOLO11 مدرّب مسبقًا يحمل الاسم "yolo11n.pt". وأثناء عملية التصدير، يُحوّل إلى حزمة CoreML تُسمى "yolo11n.mlpackage."

نموذج "yolo11n" هو الإصدار nano، وقد حُسّن للسرعة وانخفاض استهلاك الموارد. وبناءً على احتياجات مشروعك، يمكنك أيضًا اختيار أحجام نماذج أخرى مثل "s" للصغير، أو "m" للمتوسط، أو "l" للكبير، أو "x" للكبير جدًا. ويقدّم 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 Ultralytics YOLO11 بسهولة في تطبيقات iOS، مما يتيح تنفيذ مهام الرؤية الحاسوبية في الوقت الفعلي، مثل اكتشاف الكائنات، على أجهزة مثل iPhone وiPad وMac.

على سبيل المثال، يوضّح مقتطف التعليمات البرمجية أدناه كيفية تحميل نموذج CoreML المُصدَّر وإجراء الاستدلال. والاستدلال هو عملية استخدام نموذج مدرّب 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 تشغيل التعليمات البرمجية، ستُحفظ صورة الناتج في المجلد "runs/detect/predict".

الشكل 2. استخدام نموذج Ultralytics YOLO11 مُصدَّر بتنسيق CoreML لاكتشاف الكائنات. الصورة من إعداد المؤلف.

أين يمكن استخدام نماذج CoreML المُصدَّرة؟#

يمنح تصدير Ultralytics YOLO11 إلى CoreML مرونةً لبناء تطبيقات متنوعة للرؤية الحاسوبية يمكنها العمل بكفاءة على أجهزة iPhone وiPad وMac. لنلقِ نظرة بعد ذلك على بعض السيناريوهات الواقعية التي يمكن أن يكون فيها هذا التكامل مفيدًا بشكل خاص.

تطبيقات الواقع المعزز والألعاب المدعومة بنماذج CoreML#

يمزج الواقع المعزز (AR) المحتوى الرقمي بالعالم الحقيقي من خلال تراكب العناصر الافتراضية على مشاهد الكاميرا المباشرة. وقد أصبح جزءًا أساسيًا من ألعاب الأجهزة المحمولة، إذ ينشئ تجارب أكثر تفاعلية وغمرًا.

من خلال تصدير Ultralytics YOLO11 إلى تنسيق CoreML، يمكن لمطوري iOS إنشاء ألعاب واقع معزز تتعرف على كائنات العالم الحقيقي، مثل المقاعد والأشجار أو اللافتات، باستخدام كاميرا الهاتف. ويمكن للعبة بعد ذلك عرض عناصر افتراضية، مثل العملات أو الأدلة أو الكائنات، فوق هذه العناصر لتعزيز البيئة المحيطة باللاعب.

يعمل ذلك في الخلفية باستخدام اكتشاف الكائنات وتتبعها. يكتشف Ultralytics YOLO11 الكائنات ويحدد هويتها في الوقت الفعلي، بينما يحافظ التتبع على ظهور تلك الكائنات مع تحرك الكاميرا، مما يضمن بقاء العناصر الافتراضية متراصفةً مع العالم الحقيقي.

يمكن للاعبين توجيه هواتفهم واستكشاف محيطهم والتفاعل مع ما يرونه لجمع العناصر أو إكمال التحديات السريعة. ويمكن تنفيذ كل ذلك مباشرةً على الجهاز دون الحاجة إلى اتصال بالإنترنت، مما يجعل التجربة سلسة وتفاعلية.

تطبيقات iOS المدمج فيها نماذج CoreML للتعرف الفوري على لوحات المركبات ANPR#

التعرّف الآلي على لوحات المركبات (ANPR) هو تطبيق للرؤية الحاسوبية يُستخدم لاكتشاف لوحات تسجيل المركبات وقراءتها. ويُستخدم عادةً في أنظمة الأمن ومراقبة المرور والتحكم في الوصول. ومع CoreML ونماذج مثل YOLO11، يمكن الآن تشغيل ANPR بكفاءة على أجهزة iOS.

قد يكون امتلاك تطبيق ANPR على جهاز iPhone مفيدًا بشكل خاص في البيئات التي تركز على الأمن. فعلى سبيل المثال، يمكنه مساعدة الفرق على تحديد ما إذا كانت المركبة التي تدخل منطقة مقيّدة مصرحًا لها أم لا بسرعة.

يمكن لتطبيق من هذا النوع استخدام نموذج ذكاء رؤية مثل Ultralytics YOLO11، مدمجًا عبر CoreML، لاكتشاف المركبات وتحديد مواقع لوحاتها في الوقت الفعلي باستخدام كاميرا الجهاز. وبمجرد اكتشاف اللوحة، يمكن لتقنية التعرف الضوئي على الحروف (OCR) قراءة رقمها. ثم يستطيع التطبيق مقارنة هذا الرقم بقاعدة بيانات محلية أو سحابية للتحقق من صلاحية الوصول أو الإبلاغ عن المركبات غير المصرح لها.

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

يمكن لتطبيقات التركيز على إمكانية الوصول الاستفادة من نماذج CoreML#

كان للذكاء الاصطناعي تأثير هائل في إمكانية الوصول، إذ ساعد على إزالة العوائق أمام الأشخاص ذوي الإعاقات البصرية. وباستخدام أدوات مثل CoreML ونماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، يمكن للمطورين إنشاء تطبيقات iOS تصف العالم المحيط بالمستخدمين في الوقت الفعلي، مما يجعل المهام اليومية أسهل وأكثر استقلالية.

على سبيل المثال، يمكن لشخص ذي إعاقة بصرية توجيه كاميرا iPhone نحو محيطه. ويستخدم التطبيق اكتشاف الكائنات للتعرف على العناصر الأساسية، مثل المركبات أو الأشخاص أو لافتات الشوارع، ثم يصف ما يراه صوتيًا. ويمكن استخدام ذلك في مواقف مثل عبور شارع مزدحم أو فهم حالة طارئة.

الشكل 4. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأشخاص

أهم النقاط المستخلصة#

يفتح تصدير Ultralytics YOLO11 إلى تنسيق CoreML فرصًا جديدة للتطبيقات في الوقت الفعلي، بما في ذلك اكتشاف الكائنات دون اتصال على أجهزة iOS. ومن الزراعة والأمن إلى إمكانية الوصول، يتيح هذا المزيج للمطورين بناء تطبيقات ذكية وفعالة تركز على الخصوصية وتعمل بالكامل على الجهاز.

باتباع بضع خطوات بسيطة فقط، يمكنك تحويل نموذج Ultralytics YOLO11 وإضافة ميزات موثوقة للرؤية الحاسوبية إلى أجهزة iPhone. والأفضل من ذلك أنه يعمل دون الحاجة إلى اتصال بالإنترنت. وبوجه عام، يجلب تكامل CoreML قوة الذكاء الاصطناعي المتقدم إلى تطبيقات الأجهزة المحمولة اليومية، مما يجعلها أسرع وأكثر استجابةً وجاهزةً للعمل في أي مكان.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لدينا لبدء مشروعك في مجال الرؤية الحاسوبية. تعرّف على كيفية مساهمة ابتكارات مثل الذكاء الاصطناعي في قطاع التجزئة والرؤية الحاسوبية في الخدمات اللوجستية في تشكيل المستقبل عبر صفحات حلولنا.