بناء نظام فحص بصري قائم على الكاميرا دون خبرة في الذكاء الاصطناعي

تمر كل منتج نستخدمه، سواء كان هاتفاً أو مادة مغلفة أو جزءاً من سيارة، بنوع من فحص الجودة قبل وصوله إلينا كمستهلك نهائي. وقد تم تنفيذ ذلك تقليدياً باستخدام الفحوصات اليدوية أو أنظمة بسيطة قائمة على القواعد. وعلى الرغم من فعالية هذه الأساليب، إلا أنها غالباً ما تكون بطيئة وغير متسقة ويصعب توسيع نطاقها مع زيادة الإنتاج.

لتحسين عملية فحص الجودة، تتجه العديد من الصناعات نحو الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يساعد الآلات على فهم الصور ومقاطع الفيديو. على سبيل المثال، يمكن لنماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics YOLO26 المساعدة في اكتشاف العيوب وتصنيفها وتحديد موقعها بمستوى عالٍ من الدقة.

في بيئات الإنتاج الحقيقية، يمكن استخدام هذه النماذج لتحليل الصور الملتقطة مباشرة من خطوط التجميع عالية السرعة. وبينما تمر المنتجات عبر مراحل مختلفة، تقوم الكاميرات الصناعية بتتبعها، ويقوم النظام بالتحقق من مشكلات مثل الخدوش أو الأجزاء المفقودة أو عدم المحاذاة. وهذا يجعل اكتشاف العيوب أسرع وأكثر اتساقاً مع دعم عمليات الفحص ذات الإنتاجية العالية.

في الماضي، كان بناء هذه الأنظمة يتطلب أدوات متعددة وخبرة تقنية قوية، مما جعل العملية معقدة وتستغرق وقتاً طويلاً. وتعمل Ultralytics Platform، وهي حلنا الجديد المتكامل للرؤية الحاسوبية، على تبسيط هذه العملية من خلال تجميع تحضير البيانات، والتصنيف، وتدريب النماذج، والنشر في مكان واحد.

في هذه المقالة، سنستكشف كيف يمكنك استخدام Ultralytics Platform لبناء أنظمة فحص بصري عملية تعتمد على الكاميرا دون الحاجة لخبرة عميقة في الذكاء الاصطناعي. لنبدأ!

Link to this sectionدور الرؤية الحاسوبية في مراقبة الجودة#

قبل أن نتعمق في كيفية تسهيل Ultralytics Platform لبناء أنظمة الفحص، دعونا نأخذ خطوة للوراء لفهم دور الرؤية الحاسوبية في فحص الجودة.

يعتبر الفحص جزءاً أساسياً من عملية التصنيع لضمان مطابقة المنتجات لمعايير الجودة وخلوها من العيوب. ومع ذلك، يمكن أن تختلف النتائج، خاصة أثناء الورديات الطويلة أو الإنتاج بكميات كبيرة.

لجعل الفحص أكثر موثوقية، تستخدم العديد من الصناعات الرؤية الحاسوبية، المعروفة أيضاً برؤية الآلة، لتحليل الصور من خط الإنتاج وتحديد العيوب. تستخدم هذه الأنظمة التعلم العميق، حيث تتعلم النماذج والخوارزميات الأنماط من مجموعات كبيرة من الصور المصنفة عالية الجودة.

أثناء تدريب النموذج، يتم عرض أمثلة للمنتجات العادية وأنواع مختلفة من العيوب على النموذج. ومع مرور الوقت، يتعلم التعرف على هذه الأنماط بمفرده. وبمجرد تدريبه، يمكن للنموذج فحص كميات كبيرة من المنتجات وتطبيق نفس المعايير بشكل متسق، مما يحسن الدقة.

Link to this sectionمهام الرؤية الحاسوبية الشائعة المستخدمة في فحص الجودة#

يتم تمكين تطبيقات رؤية الآلة بواسطة نماذج الرؤية الحاسوبية مثل Ultralytics YOLO models التي يمكنها دعم أنواع مختلفة من مهام الرؤية. فيما يلي نظرة عامة على كيفية استخدام مهام الذكاء الاصطناعي البصري هذه لسير عمل الفحص الآلي:

• تصنيف الصور: تُستخدم هذه المهمة لتعيين تصنيف واحد لصورة كاملة، مثل "جيد" أو "معيب". وهي توفر تقييماً عالي المستوى لجودة المنتج دون الإشارة إلى موقع العيوب.
• اكتشاف الكائنات: يساعد في تحديد العيوب داخل الصورة وتحديد موقعها باستخدام مربعات الإحاطة. وهذا يجعل من الممكن اكتشاف وتحديد مشكلات مثل التشققات، أو الخدوش، أو المكونات المفقودة.
• تجزئة المثيلات: بالانتقال خطوة أبعد من اكتشاف الكائنات، تتنبأ هذه المهمة بأقنعة على مستوى البكسل لكل عيب تم اكتشافه. وهذا يدعم تحليلاً دقيقاً لشكل وحجم وحدود العيوب.
• تتبع الكائنات: عند تتبع المنتجات عبر إطارات متعددة، يتم متابعة العناصر أثناء تحركها عبر خط الإنتاج. وهذا يحافظ على الاتساق ويضمن عدم تفويت العيوب.
• اكتشاف مربعات الإحاطة الموجهة (OBB): تكتشف هذه المهمة الكائنات باستخدام مربعات إحاطة مدورة بدلاً من تلك المحاذية للمحاور. وهي مفيدة بشكل خاص عندما تظهر العيوب أو المكونات بزوايا مختلفة، مما يسمح بتحديد موقع أكثر دقة.

Link to this sectionنظرة على تطبيقات فحص الجودة عبر الصناعات#

تستخدم الرؤية الحاسوبية على نطاق واسع عبر الصناعات للحفاظ على جودة المنتج، وتلبية المعايير، وتقليل الحاجة إلى الفحص اليدوي. وهي تؤدي وظائف رئيسية مثل اكتشاف العيوب، والتصنيف، والتعرف على الكائنات، والقياس، واكتشاف الشذوذ.

الشكل 1. مثال على اكتشاف وتتبع المنتجات باستخدام أنظمة رؤية الآلة (المصدر)

فيما يلي بعض الأمثلة على حالات الاستخدام الواقعية التي يتم تطبيقها فيها:

• التصنيع: يُستخدم اكتشاف عيوب السطح لتحديد مشكلات مثل الخدوش، والانبعاجات، والشقوق، وتغير اللون من خلال تحليل صور المنتجات على خط الإنتاج لاكتشاف العيوب في الخط. يمكنه أيضاً اكتشاف الأجزاء المفقودة أو أخطاء التجميع في الوقت الفعلي، مما يدعم الفحص المستمر.
• السيارات: تحلل أنظمة الرؤية الحاسوبية أجزاء المحرك وألواح الهيكل للتحقق من المحاذاة واكتشاف التلف. وهي مؤثرة بشكل خاص لفحص الأشكال المعقدة والمناطق التي يصعب الوصول إليها، وغالباً ما تعمل جنباً إلى جنب مع الأنظمة الروبوتية من أجل تحديد المواقع بدقة والفحص الآلي.
• الإلكترونيات وأشباه الموصلات: تكتشف هذه الأنظمة عيوباً صغيرة في المكونات مثل لوحات الدوائر المطبوعة (PCBs)، بما في ذلك مشكلات اللحام، والشقوق الدقيقة، والدوائر التالفة. ومع تحليل الصور عالي الدقة، يمكن اكتشاف حتى العيوب الدقيقة جداً التي غالباً ما يتم تفويتها أثناء الفحص اليدوي.
• التعبئة والتغليف والخدمات اللوجستية: تنفذ الأنظمة البصرية مسح الباركود، وقراءة ملصقات المنتجات، والتحقق من جودة التعبئة والتغليف. وهي تضمن تعبئة المنتجات بشكل صحيح، وإغلاقها، وجاهزيتها للشحن، مما يقلل من الأخطاء.
• الأغذية والمشروبات: تحلل أنظمة الفحص المدعومة بكاميرات الرؤية أو مستشعرات الرؤية مظهر المنتج لتحديد مشكلات مثل الإغلاق غير السليم، ومخاطر التلوث، ووضع ملصقات غير صحيحة، أو عدم الاتساق البصري، مما يساعد في الحفاظ على الجودة والسلامة.
• الأدوية: تُستخدم الرؤية الحاسوبية لفحص الأقراص، والقوارير، والتعبئة والتغليف بحثاً عن عيوب مثل الشقوق، والتلوث، ووضع ملصقات غير صحيحة، أو عدم اتساق مستوى التعبئة، مما يضمن الامتثال للمعايير التنظيمية الصارمة والحفاظ على سلامة المنتج.

Link to this sectionتبسيط سير عمل الفحص البصري مع Ultralytics Platform#

تخيل خط تصنيع حيث تتحرك المنتجات عبر مراحل مختلفة بينما تلتقط الكاميرات صوراً باستمرار للفحص. تُستخدم هذه الصور للتحقق من وجود عيوب مثل الخدوش، أو الأجزاء المفقودة، أو عدم المحاذاة.

حتى الآن، كان بناء وإدارة أنظمة الفحص هذه يتطلب أدوات متعددة وقدر لا بأس به من الخبرة التقنية.

في الواقع، في Ultralytics، رأينا ردود فعل متسقة من مجتمع الرؤية بالذكاء الاصطناعي حول مدى تشتت هذه العملية واستهلاكها للوقت، مع وجود اختناقات شائعة تشمل الأدوات المبعثرة، وإعداد البيئة المعقد، وسير عمل تصنيف البيانات غير الفعال، والتأخير في تدريب النموذج، والتحديات في النشر. لعبت هذه التعليقات دوراً رئيسياً في تشكيل Ultralytics Platform.

الشكل 2. لمحة عن Ultralytics Platform (المصدر)

باستخدام Ultralytics Platform، يمكن التعامل مع عملية التطوير والنشر بأكملها في مكان واحد. يمكن تحميل البيانات الخام وتصنيفها لإنشاء مجموعات بيانات التدريب، والتي تُستخدم بعد ذلك لتدريب النماذج لاكتشاف العيوب. وبمجرد تدريبها، يمكن نشر هذه النماذج لتحليل صور جديدة من خط الإنتاج، مع وجود أدوات مدمجة لمراقبة الأداء بمرور الوقت.

بالإضافة إلى تجميع سير العمل بالكامل في مكان واحد، تم تصميم Ultralytics Platform لتكون سهلة الاستخدام. حتى المستخدمون ذوو الخبرة المحدودة في تعلم الآلة يمكنهم الانتقال من مرحلة التفكير إلى الإنتاج بسرعة.

Link to this sectionاستخدام Ultralytics Platform لتصنيف العيوب في الصور#

الآن بعد أن رأينا كيف تجمع Ultralytics Platform سير العمل معاً، دعونا نستعرض كيفية استخدامه في كل مرحلة من مراحل خط أنابيب الرؤية بالذكاء الاصطناعي، بدءاً من تحميل البيانات وتصنيف العيوب.

Link to this sectionإدارة مجموعة بيانات الفحص على Ultralytics Platform#

الخطوة الأولى هي جلب البيانات إلى المنصة. يمكنك تحميل الصور أو مقاطع الفيديو أو أرشيفات مجموعات البيانات مثل ملفات ZIP أو TAR أو GZ. يتم دعم تنسيقات مجموعات البيانات الشائعة مثل YOLO و COCO، لذا يمكن استيراد مجموعات البيانات الموجودة دون خطوات إضافية.

يمكنك أيضاً البدء بشكل أسرع باستخدام مجموعات البيانات التي يشاركها المجتمع. يمكن استكشاف مجموعات البيانات هذه واستنساخها في مساحة عملك، مما يتيح لك البناء على البيانات الموجودة بدلاً من البدء من الصفر. بمجرد استنساخها، يمكن تحديثها وتوسيعها لحالة استخدامك المحددة.

إذا كنت تعمل على تجارب مختلفة، فيمكن إعادة استخدام مجموعات البيانات عن طريق استيرادها كملفات NDJSON، مما يسهل إعادة إنشائها أو مشاركتها دون تحويل إضافي.

بعد تحميل البيانات، تقوم المنصة بإعدادها تلقائياً. فهي تتحقق من تنسيقات الملفات، وتعالج التصنيفات، وتغير حجم الصور إذا لزم الأمر، وتنشئ إحصاءات أساسية لمجموعة البيانات. يتم تقسيم مقاطع الفيديو إلى إطارات بحيث يمكن استخدامها للتدريب، ويتم تحسين الصور لتسهيل التصفح والتحليل.

Link to this sectionتصنيف البيانات المدعوم بواسطة Ultralytics Platform#

بمجرد أن تصبح البيانات جاهزة، تكون الخطوة التالية هي تصنيف البيانات. وهنا يتم تصنيف العيوب بحيث يمكن للنموذج تعلم ما يجب اكتشافه. تتضمن Ultralytics Platform محرر تصنيف مدمج يدعم مهام مثل اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضع، واكتشاف مربعات الإحاطة الموجهة.

يمكنك تصنيف البيانات يدوياً باستخدام أدوات مثل مربعات الإحاطة، أو المضلعات، أو النقاط الرئيسية، اعتماداً على حالة استخدامك. ولتسريع الأمور، توفر المنصة أيضاً تصنيفاً بمساعدة الذكاء الاصطناعي.

على سبيل المثال، يسمح التصنيف الذكي المستند إلى SAM بتصنيف الكائنات باستخدام نقرات بسيطة. من خلال تحديد المناطق التي يجب تضمينها أو استبعادها، ينشئ النظام قناعاً في الوقت الفعلي، والذي يمكن بعد ذلك تعديله إذا لزم الأمر.

الشكل 3. تصنيف ذكي مدفوع بـ SAM داخل Ultralytics Platform (المصدر)

بالإضافة إلى ذلك، يمكن للتصنيف الذكي المستند إلى YOLO إنشاء تصنيفات تلقائياً باستخدام تنبؤات النموذج. يمكن مراجعة هذه التصنيفات وصقلها، مما يسهل العمل من خلال مجموعات بيانات كبيرة دون تصنيف كل شيء يدوياً.

يتضمن محرر التصنيف أيضاً ميزات مثل إدارة الفئات، وتعديل التصنيف، واختصارات لوحة المفاتيح، وخيارات التراجع أو الإعادة. هذه تجعل من السهل الحفاظ على الاتساق ومراجعة التصنيفات مع نمو مجموعة بياناتك.

أثناء تصنيف البيانات، توفر المنصة رؤى مثل توزيع الفئات وعدد التصنيفات. يساعد هذا في تحديد الفجوات، وإصلاح التناقضات، وتحسين جودة مجموعة البيانات قبل الانتقال إلى التدريب.

Link to this sectionتدريب YOLO26 لاكتشاف العيوب على Ultralytics Platform#

الخطوة التالية هي تدريب نموذج لاكتشاف العيوب تلقائياً باستخدام البيانات المصنفة. تدعم Ultralytics Platform التدريب باستخدام نماذج Ultralytics YOLO، بما في ذلك YOLO26، والتي يمكن استخدامها لمهام مثل اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور.

تتم إدارة التدريب من خلال لوحة معلومات موحدة حيث يمكنك تكوين وظائف التدريب وتشغيلها ومراقبتها في مكان واحد. للبدء، يمكنك تحديد مجموعة بيانات، بما في ذلك تلك التي قمت بتحميلها، أو تصنيفها على المنصة، أو الحصول عليها من مجموعات البيانات العامة المتاحة على المنصة، أو استنساخها من المجتمع.

بمجرد تحديدها، يتم ربط مجموعة البيانات تلقائياً بمسار التدريب، مما يسهل تتبع التجارب والحفاظ على الاتساق.

بعد ذلك، يمكنك تكوين معلمات التدريب مثل عدد الدورات (epochs)، وحجم الدفعة (batch size)، وحجم الصورة، ومعدل التعلم. تتحكم هذه الإعدادات في كيفية تعلم النموذج وتؤثر بشكل مباشر على وقت التدريب والأداء.

Link to this sectionتشغيل ومراقبة التدريب#

يمكنك بعد ذلك اختيار كيفية تشغيل التدريب. تدعم المنصة التدريب السحابي على وحدات معالجة الرسومات المدارة، والتدريب المحلي باستخدام أجهزتك الخاصة، وسير العمل القائم على المتصفح من خلال بيئات مثل Google Colab.

عند استخدام التدريب السحابي، يمكنك الاختيار من بين مجموعة من خيارات وحدات معالجة الرسومات مثل RTX 2000 Ada و RTX A4500 للتجارب الصغيرة، و RTX 4090 أو RTX A6000 لأعباء العمل الأكثر تطلباً، وخيارات الأداء العالي مثل A100 أو H100 للتدريب واسع النطاق.

عند بدء التدريب، يمكن مراقبة التقدم مباشرة داخل المنصة. توفر لوحة المعلومات رؤية في الوقت الفعلي للمقاييس الرئيسية مثل منحنيات الخسارة ومقاييس الأداء، جنباً إلى جنب مع استخدام النظام وسجلات التدريب. وهذا يجعل من السهل فهم كيفية تعلم النموذج وتحديد المشكلات المحتملة في وقت مبكر.

الشكل 4. يمكنك مراقبة تقدم التدريب بسهولة باستخدام Ultralytics Platform (المصدر)

أثناء تشغيل تجارب متعددة، تحتفظ المنصة بسجل للتكوينات ومجموعات البيانات والنتائج في مكان واحد. وهذا يجعل من المباشر مقارنة عمليات التدريب المختلفة، وتقييم الأداء باستخدام مقاييس مثل الدقة (precision)، والاستدعاء (recall)، وmAP، واختيار النموذج الأفضل أداءً للنشر.

Link to this sectionنشر نموذج رؤية من خلال Ultralytics Platform#

بعد التدريب، تكون الخطوة التالية هي التحقق من كيفية أداء النموذج المدرب على بيانات جديدة غير مرئية قبل الانتقال إلى النشر. تتضمن Ultralytics Platform علامة تبويب مدمجة للتنبؤ (Predict) تسمح لك باختبار النماذج مباشرة في المتصفح دون أي إعداد.

يمكنك تحميل الصور، أو استخدام بيانات نموذجية، أو التقاط المدخلات من خلال كاميرا ويب، وتظهر النتائج فوراً مع تراكبات بصرية ودرجات ثقة. هذا يعني أنه يمكنك التحقق بسرعة من أداء النموذج وتحديد أي مشكلات قبل دمجه في أنظمة العالم الحقيقي.

بمجرد التحقق من صحة النموذج، يمكن نشره باستخدام خيارات مختلفة اعتماداً على حالة استخدامك. إليك نظرة فاحصة على خيارات نشر النموذج المدعومة بواسطة Ultralytics Platform:

• الاستدلال المشترك: يتيح لك هذا الخيار الوصول إلى النموذج من خلال REST API، مما يسهل دمجه في التطبيقات أو سير العمل. يعمل على نظام متعدد المستأجرين عبر بضع مناطق أساسية، حيث يتم توجيه الطلبات تلقائياً إلى أقرب خدمة متاحة. وهذا يجعله مناسباً للتطوير والاختبار والاستخدام الخفيف قبل الانتقال إلى الإنتاج.
• نقاط النهاية المخصصة: للاستخدام في الإنتاج، يمكن نشر النماذج كنقاط نهاية مخصصة مع موارد الحوسبة الخاصة بها. تعمل هذه كخدمات أحادية المستأجر عبر 43 منطقة عالمية، مما يساعد في تقليل زمن الوصول عن طريق النشر بالقرب من المستخدمين النهائيين. كما أنها تدعم التوسع التلقائي والتوسع إلى الصفر، مما يسمح للموارد بالتكيف تلقائياً بناءً على حركة المرور.
• تصدير النموذج: يمكن تصدير النماذج وتشغيلها خارج المنصة على الأنظمة المحلية أو أجهزة الحافة (edge devices). تدعم المنصة 17 تنسيقاً، بما في ذلك ONNX، وTensorRT، وOpenVINO، وCoreML، وTensorFlow Lite. تدعم خيارات التصدير أيضاً تحسينات مثل التكميم FP16 وINT8 لتقليل حجم النموذج وتحسين سرعة الاستدلال لبيئات الأجهزة المختلفة.

Link to this sectionمراقبة النماذج المنشورة باستخدام Ultralytics Platform#

دورة حياة حل معالجة الصور أو الرؤية الحاسوبية لا تنتهي بنشر النموذج. هذا صحيح بالنسبة لأنظمة الفحص البصري أيضاً. بمجرد تشغيل النموذج في الإنتاج، يجب مراقبته باستمرار للتأكد من أنه يعمل بشكل موثوق مع تغير الظروف.

توفر Ultralytics Platform لوحة معلومات مراقبة مدمجة تعطي رؤية واضحة لأداء النماذج المنشورة. من واجهة واحدة، يمكنك تتبع نشاط الطلب، وعرض السجلات، والتحقق من حالة صحة كل نشر. يمكنك فهم كيفية استخدام النماذج وكيف تتصرف بمرور الوقت.

تتضمن لوحة المعلومات مقاييس رئيسية مثل إجمالي الطلبات، ومعدلات الخطأ، وزمن الوصول، مما يساعدك في تقييم الأداء والاستجابة. يتم تحديث هذه المقاييس بانتظام وتوفر رؤى حول أنماط الاستخدام وموثوقية النظام.

تُظهر خريطة عالمية مدمجة كيفية توزيع الطلبات والنشر عبر المناطق. مع دعم النشر عبر مواقع عالمية متعددة، يساعد هذا العرض في تتبع الاستخدام جغرافياً وفهم كيفية أداء النماذج في بيئات مختلفة.

الشكل 5. مراقبة النماذج المنشورة على Ultralytics Platform (المصدر)

لإجراء تحليل أعمق، يتضمن كل نشر سجلات مفصلة مع طوابع زمنية، وتفاصيل الطلب، ورسائل الخطأ. يمكن تصفية السجلات حسب الخطورة، مما يجعل من السهل تصحيح المشكلات وتحديد الإخفاقات بسرعة. بالإضافة إلى ذلك، توفر فحوصات الصحة مؤشرات حالة في الوقت الفعلي، توضح ما إذا كان النشر يعمل كما هو متوقع أو يحتاج إلى اهتمام.

تلعب المراقبة أيضاً دوراً مهماً في التحسين. مع تغير بيانات الإدخال أو حركة المرور أو أنماط الاستخدام، قد يختلف الأداء. من خلال تتبع المقاييس والسجلات، يمكنك تحديد مشكلات مثل زمن الوصول العالي، أو زيادة معدلات الخطأ، أو قيود التوسع، واتخاذ إجراءات للحفاظ على أداء متسق.

Link to this sectionفوائد استخدام Ultralytics Platform لبناء حلول الرؤية#

إليك بعض المزايا الرئيسية لاستخدام Ultralytics Platform لبناء وتوسيع نطاق أنظمة الفحص البصري:

• محسنة للاستخدام الواقعي: تضمن الميزات مثل نقاط النهاية ذات التوسع التلقائي، والنشر على الحافة، وتصدير النموذج قدرة النظام على العمل بشكل موثوق في بيئات الإنتاج.
• دورات تطوير أسرع: تساعد الأدوات المدمجة والتكوينات الافتراضية في الانتقال من البيانات الخام إلى نظام عمل بشكل أكثر كفاءة.
• سهولة الاستخدام: تجعل الواجهات البديهية، وسير العمل المبسط، ومتطلبات الإعداد الدنيا المنصة في متناول كل من المبتدئين والمستخدمين ذوي الخبرة.
• عمل يدوي أقل: تقلل ميزات مثل التصنيف بمساعدة الذكاء الاصطناعي ومعالجة البيانات الآلية الوقت المستغرق في المهام المتكررة.
• قابلة للتوسع بمرور الوقت: مع تغير المتطلبات، يمكن تحديث النظام عن طريق إضافة بيانات جديدة وإعادة تدريب النماذج، مما يتيح التكيف مع أنواع عيوب جديدة، وظروف مختلفة، وإعدادات كاميرات متعددة.

Link to this sectionالنقاط الرئيسية#

بناء نظام فحص بصري يعتمد على الكاميرا لا يجب أن يكون معقداً أو يتطلب خبرة عميقة في الذكاء الاصطناعي. باستخدام Ultralytics Platform، يمكنك الانتقال من البيانات الخام إلى نظام يعمل ومراقبة أدائه، كل ذلك في مكان واحد. هذا يبسط كيفية بناء أنظمة الفحص وتحسينها وتشغيلها في بيئات العالم الحقيقي.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول الرؤية بالذكاء الاصطناعي. تحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في صناعة السيارات؟ قم بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.