بناء نظام فحص بصري يعتمد على الكاميرا بدون خبرة في الذكاء الاصطناعي

يمر كل منتج نستخدمه، سواء كان هاتفاً أو سلعة مغلفة أو قطعة سيارة، بنوع من فحص الجودة قبل وصوله إلينا، نحن المستهلك النهائي. كان هذا يتم تقليدياً باستخدام الفحوصات اليدوية أو الأنظمة البسيطة القائمة على القواعد. وعلى الرغم من أن هذه الأساليب تعمل، إلا أنها غالباً ما تكون بطيئة وغير متسقة ويصعب توسيع نطاقها مع زيادة الإنتاج.

لتحسين عملية فحص الجودة، تتجه العديد من الصناعات إلى الرؤية الحاسوبية، وهي فرع من فروع 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. ومع تحرك المنتجات عبر مراحل مختلفة، تقوم الكاميرات الصناعية بتتبعها، ويتحقق النظام من وجود مشكلات مثل الخدوش، أو الأجزاء المفقودة، أو عدم المحاذاة. وهذا يجعل اكتشاف العيوب أسرع وأكثر اتساقاً مع دعم الفحص عالي الإنتاجية.

في الماضي، كان بناء هذه الأنظمة يتطلب أدوات متعددة وخبرة تقنية قوية، مما جعل العملية معقدة وتستغرق وقتاً طويلاً. Ultralytics Platform، حلنا الجديد المتكامل للرؤية الحاسوبية، يبسط هذه العملية من خلال جمع تحضير البيانات، ووضع العلامات التوضيحية، 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 إلى خبرة 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 نتراجع خطوة إلى الوراء ونفهم دور الرؤية الحاسوبية في فحص الجودة.

يعد الفحص جزءاً أساسياً من عملية التصنيع التي تضمن مطابقة المنتجات لمعايير الجودة وخلوها من العيوب. ومع ذلك، يمكن أن تختلف النتائج، خاصة خلال 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 للنموذج على كل من المنتجات العادية وأنواع مختلفة من العيوب. بمرور الوقت، يتعلم التعرف على هذه الأنماط من تلقاء نفسه. بمجرد 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. إليك نظرة عامة على كيفية استخدام مهام الرؤية بالذكاء الاصطناعي هذه لسير عمل الفحص المؤتمت:

• تصنيف الصور: تُستخدم هذه المهمة لتعيين تصنيف واحد للصورة بأكملها، مثل "جيد" أو "معيب". وهي توفر تقييماً عالي المستوى لجودة المنتج دون الإشارة إلى موقع العيوب.
• اكتشاف الأشياء: يساعد في تحديد العيوب داخل الصورة وتحديد موقعها باستخدام مربعات الإحاطة (Bounding Boxes). وهذا يجعل من الممكن اكتشاف وتحديد مشكلات مثل الشقوق أو الخدوش أو المكونات المفقودة.
• تجزئة المثيل (Instance segmentation): بالذهاب خطوة أبعد من اكتشاف الأشياء، تتنبأ هذه المهمة بأقنعة على مستوى البكسل لكل عيب يتم اكتشافه. وهذا يدعم التحليل الدقيق لشكل وحجم وحدود العيوب.
• تتبع الأشياء: عند تتبع المنتجات عبر إطارات متعددة، يتم متابعة العناصر أثناء تحركها عبر خط الإنتاج. وهذا يحافظ على الاتساق ويضمن عدم تفويت العيوب.
• اكتشاف مربع الإحاطة الموجه (OBB): تكتشف هذه المهمة الأشياء 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#

تُستخدم 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 الأشياء، والقياس، واكتشاف الشذوذ.

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

فيما يلي بعض الأمثلة على حالات الاستخدام في العالم الحقيقي حيث يتم تطبيقها:

• التصنيع: يُستخدم اكتشاف عيوب السطح لتحديد مشكلات مثل الخدوش، والانبعاجات، والشقوق، وتغير اللون عن طريق تحليل صور المنتجات على خط الإنتاج لاكتشاف العيوب داخله. يمكنه أيضاً اكتشاف الأجزاء المفقودة أو أخطاء التجميع في الوقت الفعلي، مما يدعم الفحص المستمر.
• السيارات: تقوم أنظمة الرؤية الحاسوبية بتحليل 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 الموقع الدقيق والفحص المؤتمت.
• الإلكترونيات وأشباه الموصلات: تكتشف هذه الأنظمة العيوب الصغيرة في مكونات مثل لوحات الدوائر المطبوعة (PCBs)، بما في ذلك مشكلات اللحام، والشقوق الدقيقة، والدوائر التالفة. من خلال تحليل الصور عالي الدقة، يمكن اكتشاف حتى العيوب الدقيقة جداً التي غالباً ما يتم تفويتها أثناء الفحص اليدوي.
• التعبئة والتغليف والخدمات اللوجستية: تقوم الأنظمة البصرية بمسح الباركود، وقراءة ملصقات المنتجات، والتحقق من جودة التعبئة والتغليف. وهي تضمن تعبئة المنتجات وإغلاقها بشكل صحيح 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 التناقضات البصرية، مما يساعد في الحفاظ على الجودة والسلامة.
• الأدوية: تُستخدم الرؤية الحاسوبية لفحص الأقراص، والقوارير، والتعبئة بحثاً عن عيوب مثل الشقوق، والتلوث، ووضع ملصقات غير صحيحة، أو تناقضات مستوى التعبئة، مما يضمن الامتثال للمعايير التنظيمية الصارمة والحفاظ على سلامة المنتج.

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

ضع في اعتبارك خط تصنيع حيث تتحرك المنتجات عبر مراحل مختلفة بينما تلتقط الكاميرات الصور باستمرار للفحص. تُستخدم هذه الصور للتحقق من العيوب مثل الخدوش، أو الأجزاء المفقودة، أو عدم المحاذاة.

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

في الواقع، في Ultralytics، رأينا تعليقات متسقة من مجتمع الرؤية بالذكاء الاصطناعي حول مدى تجزئة هذه العملية واستهلاكها للوقت، مع وجود اختناقات شائعة بما في ذلك الأدوات المشتتة، وإعداد البيئة المعقد، وسير عمل وضع علامات البيانات غير الفعال، والتأخير في تدريب النماذج، والتحديات في النشر. لعبت هذه التعليقات دوراً رئيسياً في تشكيل Ultralytics Platform.

الشكل 2. لمحة عن Ultralytics Platform (المصدر)

مع Ultralytics Platform، يمكن التعامل مع عملية التطوير والنشر بأكملها في مكان واحد. يمكن تحميل البيانات الخام ووضع علامات توضيحية عليها لإنشاء مجموعات بيانات التدريب، والتي تُستخدم بعد ذلك لتدريب النماذج على اكتشاف العيوب. بمجرد تدريبها، يمكن نشر هذه النماذج لتحليل صور جديدة من خط الإنتاج، مع أدوات مدمجة لمراقبة الأداء بمرور الوقت.

بالإضافة إلى جمع سير العمل بأكمله في مكان واحد، تم تصميم Ultralytics Platform لتكون سهلة الاستخدام. حتى المستخدمون ذوو الخبرة المحدودة في التعلم الآلي يمكنهم الانتقال من الفكرة إلى الإنتاج بسرعة.

Link to this sectionاستخدام Ultralytics Platform لوضع علامات على العيوب في الصور#

الآن بعد أن رأينا كيف تجمع Ultralytics Platform سير العمل معاً، دعونا نمر عبر كيفية استخدامها في كل مرحلة من مراحل خط أنابيب الرؤية بالذكاء الاصطناعي، بدءاً من تحميل البيانات ووضع علامات العيوب.

Link to this sectionإدارة مجموعة بيانات الفحص على Ultralytics Platform#

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

يمكنك أيضاً البدء بشكل أسرع باستخدام مجموعات البيانات التي يشاركها المجتمع. يمكن استكشاف هذه المجموعات 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 متنوعة، يمكن 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 التعليقات التوضيحية، وتغير حجم الصور إذا لزم الأمر، وتنشئ إحصائيات أساسية لمجموعة البيانات. يتم تقسيم مقاطع الفيديو إلى إطارات حتى يمكن استخدامها للتدريب، ويتم تحسين الصور لتسهيل التصفح والتحليل.

Link to this sectionوضع علامات البيانات المدعوم بواسطة Ultralytics Platform#

بمجرد أن تصبح البيانات جاهزة، تكون الخطوة التالية هي وضع علامات البيانات. وهنا يتم وضع علامات على العيوب حتى يتمكن النموذج من تعلم ما يجب اكتشافه. تتضمن Ultralytics Platform محرر تعليقات توضيحية مدمج يدعم مهام مثل اكتشاف الأشياء، وتجزئة المثيل، وتصنيف الصور، وتقدير الوضع، واكتشاف مربع الإحاطة الموجه.

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

على سبيل المثال، يسمح وضع العلامات الذكي المستند إلى SAM بوضع علامات على الأشياء باستخدام نقرات بسيطة. من خلال تحديد المناطق المراد تضمينها أو استبعادها، ينشئ النظام قناعاً في الوقت الفعلي، والذي يمكن تعديله بعد ذلك إذا لزم الأمر.

الشكل 3. وضع العلامات الذكي الموجه بـ SAM داخل Ultralytics Platform (المصدر)

بالإضافة إلى ذلك، يمكن لوضع العلامات الذكي المستند إلى YOLO إنشاء علامات تلقائياً باستخدام تنبؤات النموذج. يمكن مراجعتها وتنقيتها، مما يسهل العمل عبر مجموعات بيانات كبيرة دون وضع علامات على كل شيء يدوياً.

يتضمن محرر التعليقات التوضيحية أيضاً ميزات مثل إدارة الفئات، وتحرير التعليقات التوضيحية، واختصارات لوحة المفاتيح، وخيارات التراجع أو الإعادة. هذه تجعل من السهل البقاء متسقاً ومراجعة التعليقات التوضيحية مع نمو مجموعة بياناتك.

أثناء وضع علامات على البيانات، توفر المنصة رؤى مثل توزيع الفئات وعدد التعليقات التوضيحية. 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 الأشياء، وتجزئة المثيل، وتصنيف الصور.

يتم إدارة التدريب من خلال لوحة تحكم موحدة حيث يمكنك تهيئة مهام التدريب، وتشغيلها، ومراقبتها في مكان واحد. للبدء، يمكنك تحديد مجموعة بيانات، بما في ذلك مجموعة قمت بتحميلها، أو وضعت علامات عليها على المنصة، أو مصدرها من مجموعات بيانات عامة متاحة على المنصة، أو مستنسخة من المجتمع.

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

بعد ذلك، يمكنك تهيئة معايير 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 (GPUs) المدارة، والتدريب المحلي باستخدام أجهزتك الخاصة، وسير العمل القائم على المتصفح عبر بيئات مثل Google Colab.

عند استخدام التدريب السحابي، يمكنك الاختيار من بين مجموعة من خيارات GPU مثل RTX 2000 Ada وRTX A4500 للتجارب الأصغر، وRTX 4090 أو RTX A6000 لأعباء العمل الأكثر تطلباً، وخيارات الأداء العالي مثل A100 أو H100 للتدريب على نطاق واسع.

عند بدء التدريب، يمكن مراقبة التقدم مباشرة داخل المنصة. توفر لوحة التحكم رؤية في الوقت الفعلي للمقاييس الرئيسية مثل منحنيات الخسارة ومقاييس الأداء، جنباً إلى جنب مع استخدام النظام وسجلات التدريب. وهذا يجعل من السلس 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 للتهيئات ومجموعات البيانات والنتائج في مكان واحد. وهذا يجعل من المباشر مقارنة عمليات التدريب المختلفة، وتقييم الأداء باستخدام مقاييس مثل الدقة (precision)، والاسترجاع (recall)، وmAP، واختيار النموذج الأفضل أداءً للنشر.

Link to this sectionنشر نموذج رؤية من خلال Ultralytics Platform#

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

يمكنك تحميل الصور، أو استخدام بيانات نموذجية، أو التقاط المدخلات عبر كاميرا الويب، وتظهر النتائج على الفور 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 النموذج، يمكن نشره باستخدام خيارات مختلفة اعتماداً على حالة استخدامك. إليك نظرة فاحصة على خيارات نشر النموذج المدعومة بواسطة Ultralytics Platform:

• الاستنتاج 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 القياس التلقائي والتوسع إلى الصفر، مما يسمح بتعديل الموارد تلقائياً بناءً على حركة المرور.
• تصدير النموذج: يمكن تصدير النماذج وتشغيلها خارج المنصة على أنظمة محلية أو أجهزة طرفية. تدعم المنصة 17 تنسيقاً، بما في ذلك ONNX، وTensorRT، وOpenVINO، وCoreML، وTensorFlow Lite. تدعم خيارات التصدير أيضاً تحسينات مثل تكميم FP16 وINT8 لتقليل حجم النموذج وتحسين سرعة الاستنتاج لبيئات الأجهزة المختلفة.

Link to this sectionمراقبة النماذج المنشورة باستخدام Ultralytics Platform#

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

توفر Ultralytics Platform لوحة تحكم مراقبة مدمجة تمنح رؤية واضحة لأداء النماذج المنشورة. من واجهة واحدة، يمكنك تتبع نشاط الطلب، وعرض السجلات، والتحقق من حالة الصحة لكل عملية نشر. يمكنك فهم كيفية استخدام النماذج وكيفية تصرفها بمرور الوقت.

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

تُظهر خريطة العالم المدمجة مكان توزيع الطلبات وعمليات النشر عبر المناطق. مع دعم عمليات 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)

للتحليل الأعمق، تتضمن كل عملية نشر سجلات مفصلة مع طوابع زمنية، وتفاصيل الطلب، ورسائل الخطأ. يمكن تصفية السجلات حسب الخطورة، مما يجعل من البسيط تصحيح المشكلات وتحديد الفشل بسرعة. بالإضافة إلى ذلك، توفر فحوصات الصحة مؤشرات حالة في الوقت الفعلي، توضح ما إذا كانت عملية النشر تعمل كما هو متوقع أو تحتاج 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 المرتفع، أو زيادة معدلات الخطأ، أو قيود القياس واتخاذ إجراءات للحفاظ على أداء متسق.

Link to this sectionفوائد استخدام Ultralytics Platform لبناء حلول الرؤية#

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

• محسنة للاستخدام في العالم الحقيقي: ميزات مثل نقاط نهاية القياس التلقائي، والنشر على الحافة، وتصدير النموذج تضمن أن النظام يمكن أن يعمل بشكل موثوق في بيئات الإنتاج.
• دورات تطوير أسرع: تساعد الأدوات المدمجة والتهيئات الافتراضية في الانتقال من البيانات الخام إلى نظام عامل بكفاءة أكبر.
• سهولة الاستخدام: واجهات بديهية، وسير عمل مبسط، ومتطلبات إعداد دنيا تجعل المنصة في متناول المبتدئين والمستخدمين ذوي الخبرة على حد سواء.
• عمل يدوي أقل: ميزات مثل وضع العلامات بمساعدة الذكاء الاصطناعي ومعالجة البيانات المؤتمتة تقلل من الوقت المستغرق في المهام المتكررة.
• قابلة للتوسيع بمرور الوقت: مع تغير المتطلبات، يمكن تحديث النظام عن طريق إضافة بيانات جديدة وإعادة تدريب النماذج، مما يتيح التكيف مع أنواع العيوب الجديدة، والظروف، وإعدادات الكاميرات المتعددة.

Link to this sectionأبرز النقاط#

بناء نظام فحص بصري يعتمد على الكاميرا لا يجب أن يكون معقداً أو يتطلب خبرة عميقة في الذكاء الاصطناعي. مع Ultralytics Platform، يمكنك الانتقال من البيانات الخام إلى نظام عامل 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 حلولنا لاكتشاف المزيد.