إنشاء منتجات ذكية باستخدام Ultralytics YOLO26 والذكاء الاصطناعي للرؤية

تلتقط الكاميرات المدمجة في الأجهزة والآلات والبنية التحتية العامة آلاف الساعات من الفيديو يوميًا. ويُخزّن معظم هذا المحتوى أو يُمسح سريعًا أو لا يُراجع إلا عند وقوع مشكلة.

غالبًا ما تكون البيانات المرئية متاحة، لكن القدرة على تفسيرها في الوقت الفعلي تكون مفقودة. ومع ازدياد ترابط المنتجات واعتمادها على البيانات، أصبح هذا القصور أكثر وضوحًا.

يتوقع المستخدمون من الأنظمة أكثر من مجرد تسجيل الأحداث أو اتباع تعليمات ثابتة. فعلى سبيل المثال، يتوقعون من المنتجات الذكية التعرّف على ما يحدث والاستجابة فورًا، من دون انتظار مراجعات يدوية أو الاعتماد على مجموعات قواعد جامدة.

تساعد التطورات الحديثة في الذكاء الاصطناعي على سد هذه الفجوة. وعلى وجه الخصوص، تُمكّن الرؤية الحاسوبية الآلات من تفسير الصور ومقاطع الفيديو، ما يسمح للأنظمة بتحليل المشاهد والاستجابة في الوقت الفعلي.

لكن إدماج هذه القدرة في منتج يتطلب نماذج تجمع بين السرعة والموثوقية. وقد صُممت نماذج الرؤية الحاسوبية المتطورة مثل Ultralytics YOLO26 لهذا الغرض، إذ توفر السرعة والدقة اللازمتين للنشر في الوقت الفعلي.

يدعم Ultralytics YOLO26 مهام الرؤية الأساسية، مثل اكتشاف الكائنات وتجزئة المثيلات وتتبع الكائنات، ما يتيح للمنتجات تفسير البيانات المرئية والاستجابة بذكاء.

الشكل 1. اكتشاف الكائنات في صورة باستخدام YOLO26 (المصدر)

في هذه المقالة، سنستكشف كيفية استخدام الرؤية الحاسوبية وUltralytics YOLO26 لبناء منتجات أكثر ذكاءً ودعم الأتمتة الذكية في تطبيقات العالم الحقيقي. لنبدأ!

الفجوات في تطوير المنتجات التقليدي#

قبل أن نتعمق في كيفية مساهمة الرؤية الحاسوبية في بناء منتجات أكثر ذكاءً، دعونا نلقي نظرة فاحصة على التحديات التي تواجه الفرق عند الاعتماد على الأنظمة التقليدية القائمة على القواعد والخوارزميات الأقدم.

إليك بعض أبرز تحديات تطوير المنتجات بالأساليب التقليدية:

• الأنظمة الجامدة القائمة على القواعد: قد تنجح المنطقية المبرمجة مسبقًا في البيئات المضبوطة، لكن الظروف في العالم الحقيقي نادرًا ما تكون قابلة للتنبؤ. ويمكن لتغيرات طفيفة في الإضاءة أو زاوية الكاميرا أو مظهر الكائن أن تعطل القواعد المحددة مسبقًا بسرعة وتقلل الدقة.
• ضعف القدرة على التكيف مع تقلبات العالم الحقيقي: لا تتكيف الأنظمة التقليدية جيدًا مع الحالات الجديدة أو غير المتوقعة. وغالبًا ما تتطلب التحديثات ضبطًا يدويًا وتحسينًا متكررًا، ما يبطئ تطوير المنتجات ويزيد جهود الصيانة.
• قيود قابلية التوسع: مع ازدياد حجم بيانات الصور والفيديو، تجد مسارات معالجة الصور الأقدم صعوبة في مواكبة ذلك. وتصبح المعالجة أبطأ، ما يصعّب الحفاظ على الأداء في الوقت الفعلي عبر تدفقات الفيديو.
• ارتفاع زمن الاستجابة في حالات الوقت الفعلي: لا تستطيع كثير من الأساليب التقليدية معالجة تدفقات الصور المستمرة بسرعة كافية. وتضعف المخرجات المتأخرة الأتمتة وتقلل سرعة الاستجابة الإجمالية.
• متطلبات حوسبة مرتفعة التكلفة: يتطلب تحقيق دقة مقبولة غالبًا موارد أجهزة كبيرة، بما في ذلك وحدات معالجة الرسومات (GPUs) المخصصة، ما يزيد تكاليف البنية التحتية.

دور الرؤية الحاسوبية في بناء منتجات أكثر ذكاءً#

والآن، لنرَ كيف يمكن للرؤية الحاسوبية أن تدعم سلوكًا أكثر ذكاءً للمنتجات.

تجمع معظم المنتجات المتصلة اليوم البيانات المرئية بالفعل ضمن عملياتها التشغيلية الاعتيادية. إذ تُدمج الكاميرات في أجهزة مختلفة، وتُثبّت في الأماكن المادية، وتُربط من خلال أنظمة إنترنت الأشياء (IoT).

ونتيجة لذلك، تُلتقط الصور ومقاطع الفيديو باستمرار في الخلفية. ولا يكمن التحدي في جمع هذه البيانات.

بل تكمن الصعوبة في استخلاص المعنى من البيانات المجمعة في الوقت الفعلي. فمن دون ذكاء بصري، لا يُخزّن المحتوى المصور إلا لمراجعته لاحقًا، وغالبًا بعد وقوع المشكلة بالفعل.

تغيّر الرؤية الحاسوبية ذلك. فباستخدام الشبكات العصبية المدرّبة على التعرّف على الأنماط، تستطيع الأنظمة تحليل الصور ومقاطع الفيديو في الوقت الفعلي. وبدلًا من الاعتماد على قواعد ثابتة أو فحوص يدوية، يمكن للمنتجات تفسير ما يحدث في المشهد والاستجابة فور وقوع الأحداث.

لإدماج هذه القدرة البصرية في المنتجات، يمكن للفرق الاعتماد على نماذج الرؤية الحاسوبية الفعالة مثل Ultralytics YOLO26. يدعم YOLO26 مهام الرؤية الأساسية، ويمكنه مساعدة المنتجات على تفسير المعلومات المرئية بسرعة كافية لاتخاذ قرارات في الوقت الفعلي.

المكونات الأساسية للمنتجات المدعومة بالرؤية#

إليك لمحة سريعة عن كيفية إسهام مهام الرؤية الحاسوبية في جعل المنتجات أكثر ذكاءً:

• اكتشاف الأجسام: تتيح هذه المهمة تحديد الأجسام ذات الصلة وتحديد مواقعها داخل كل إطار باستخدام صندوق إحاطة، وإسناد درجة ثقة إليها، مما يوفر فهمًا واضحًا لما يظهر في الصورة.
• تتبّع الأجسام: يمكن استخدام هذه المهمة لمتابعة أجسام محددة عبر إطارات متعددة، مما يتيح لنظام الرؤية فهم الحركة والتغيرات بمرور الوقت.
• تصنيف الصور: تسند هذه المهمة تسمية إلى الصورة بأكملها استنادًا إلى محتواها الأساسي. وهي تصنّف المشاهد أو تحدد حالات معينة داخل الإطار.
• تجزئة الكائنات الفردية: تتيح هذه المهمة تحديد حدود الأجسام بدقة على مستوى البكسل، مما يساعد المنتجات على تفسير الأشكال والحدود والعلاقات المكانية على نحو أفضل.
• تقدير الوضعية: تكشف هذه المهمة النقاط الرئيسية في جسم الإنسان أو الأجسام الأخرى ذات المفاصل. كما تلتقط وضعية الجسم وحركته وتفاعلاته الجسدية في الوقت الفعلي.
• اكتشاف الصناديق المحيطة الموجّهة (OBB): تتيح هذه المهمة اكتشاف الأجسام باستخدام صناديق إحاطة مدوّرة بدلًا من الصناديق الأفقية التقليدية. وهي تحسّن دقة تحديد الموقع عندما تظهر الأجسام بزاوية أو في بيئات مكتظة.

عند تطبيق هذه الإمكانات على البيانات المرئية المتواصلة، تستطيع المنتجات الاستجابة بسرعة أكبر، وأتمتة المهام بموثوقية أعلى، وتقديم تجارب تبدو واعية بدلًا من أن تكون تفاعلية فحسب. فبدلًا من انتظار مراجعة الأحداث لاحقًا، تستطيع الأنظمة فهم ما يحدث والتصرف في حينه.

كيف تمكّن نماذج الرؤية الآنية المنتجات من التصرف بذكاء#

مع تعمقك في التعرّف على المنتجات المعتمدة على الرؤية، قد تتساءل عن كيفية انتقال النظام من مجرد تسجيل الفيديو إلى الاستجابة الفعلية في الوقت الفعلي.

تبدأ العملية بالتعرّف على ما أمام الكاميرا. فمع تدفق الفيديو، يحلل نموذج الرؤية كل إطار ويحدد العناصر المهمة، مثل أجسام أو أشخاص بعينهم. وبدلًا من الاستجابة لكل حركة، يركز النظام على الإشارات ذات الصلة فقط.

ومن الجوانب الرئيسية الأخرى السرعة. إذ يتعين على الأنظمة الآنية معالجة كل إطار بسرعة وبصورة متسقة، لضمان حدوث الاكتشاف واتخاذ القرار دون تأخير ملحوظ.

على سبيل المثال، صُممت عائلة نماذج Ultralytics YOLO (ترى مرة واحدة) لمعالجة البيانات المرئية في الوقت الفعلي. وتستند نماذج مثل Ultralytics YOLO26 إلى إصدارات سابقة مثل Ultralytics YOLOv5 وUltralytics YOLOv8 وUltralytics YOLO11، مع تضمين تحسينات معمارية وتحسينات في الأداء والكفاءة. والنتيجة هي سرعة ودقة أفضل، حتى في ظروف العالم الحقيقي الصعبة.

عند دمج هذه النماذج في منتج، تعمل باستمرار في الخلفية، محللةً كل إطار فور وصوله. ويتحقق النظام من الشروط المحددة مسبقًا، وبمجرد استيفائها، يمكنه إطلاق تنبيه أو تحديث سير عمل أو بدء إجراء على الفور.

وهذا يجعل الأنظمة المعتمدة على الرؤية أكثر استجابة وقابلية للتوسع وعملية عند دمجها في بيئات تتراوح بين الروبوتات والمركبات ذاتية القيادة وأنظمة المنزل الذكي والأمن. وبالنسبة إلى قادة الأعمال، يعني ذلك استجابات أسرع، وعددًا أقل من عمليات الفحص اليدوية، وأتمتة موثوقة بدلًا من أن تكون تفاعلية فحسب.

استخدام Ultralytics YOLO26 لتشغيل الذكاء المرئي الآني في المنتجات#

تتوفر نماذج Ultralytics YOLO، بما فيها YOLO26، جاهزة للاستخدام كنماذج مدرّبة مسبقًا. وهذا يعني أنها مدرّبة بالفعل على مجموعات بيانات كبيرة وشائعة الاستخدام مثل مجموعة بيانات COCO.

بفضل هذا التدريب المسبق، يستطيع Ultralytics YOLO26 التعرّف فورًا على الأجسام الشائعة في العالم الحقيقي. وهذا يمنح فرق المنتجات نقطة انطلاق عملية، إذ يتيح لها بناء ميزات مرئية من دون تدريب نموذج من الصفر.

لتلبية احتياجات المنتجات الأكثر تخصصًا، يمكن مواصلة ضبط هذه النماذج المدرّبة مسبقًا باستخدام بيانات خاصة بالمجال ذات تعليقات توضيحية عالية الجودة.

على سبيل المثال، تخيل مطعمًا مجهزًا بكاميرات سقفية. يستطيع نموذج ذكاء اصطناعي للرؤية مدرّب خصيصًا، مثل Ultralytics YOLO26، اكتشاف عدد الأشخاص الموجودين داخل المكان. كما يمكنه تحديد الطاولات المشغولة والكراسي الشاغرة.

الشكل 2. يتيح Ultralytics YOLO26 اكتشاف الأشخاص والمساحات الخالية ونقاط الدفع المأهولة في متاجر البيع بالتجزئة في الوقت الفعلي. (المصدر)

في هذا النوع من السيناريوهات، يعمل Ultralytics YOLO26 كمحرك مرئي يعمل باستمرار في الخلفية. ويمكن للفرق أيضًا نشر هذه النماذج على الأجهزة الطرفية، وفقًا لمتطلبات الأداء وأهداف كفاءة الطاقة.

تطبيقات نماذج YOLO في المنتجات الذكية في العالم الحقيقي#

بعد أن أصبح لدينا فهم أفضل لكيفية عمل نماذج الرؤية الآنية، لنلقِ نظرة على كيفية تطبيق نماذج Ultralytics YOLO في المنتجات الذكية لحالات استخدام مختلفة، لجعلها أكثر وعيًا واستجابة وقدرة على التصرف بناءً على ما تراه.

ذكاء المنتجات في الرعاية الصحية باستخدام YOLO#

في مجال التدريب الجراحي ضمن الرعاية الصحية، غالبًا ما تُراجع ساعات من تسجيلات الإجراءات يدويًا لتقييم التعامل مع الأدوات وسير العمل. وقد تستغرق هذه العملية وقتًا طويلًا وتعتمد بدرجة كبيرة على الملاحظة البشرية.

عند دمج نموذج رؤية قائم على YOLO في النظام، يمكن تحليل تدفقات الفيديو تلقائيًا أثناء إجراء العمليات. ويمكن للنموذج اكتشاف الأدوات الجراحية في الوقت الفعلي وتحديد أماكن استخدامها وأوقاتها.

يتيح ذلك تسجيلًا منظمًا وتحليلات محسّنة ورؤى عالية الجودة حول الأداء، من دون الحاجة إلى المراجعة اليدوية المستمرة. وفي الواقع، أظهرت أبحاث استخدمت نموذج Ultralytics YOLO11، وهو إصدار سابق لأحدث نموذج YOLO26، أن اكتشاف أدوات التنظير البطني آنيًا يمكن أن يعمل بفاعلية حتى على الأنظمة المضمّنة.

الشكل 3. اكتشاف أدوات التنظير البطني في الوقت الفعلي باستخدام YOLO (المصدر)

حافظ النموذج على دقة عالية مع العمل بسرعة كافية لتلبية متطلبات الجراحة المباشرة. وهذا يوضح كيف يمكن للتعلم العميق دعم التغذية الراجعة المرئية الموثوقة في الوقت الفعلي أثناء الإجراءات.

إنشاء تجارب بيع بالتجزئة ذكية مدعومة بـ YOLO#

لقد وقفنا جميعًا أمام رف مزدحم في متجر كبير محاولين العثور على المنتج المناسب. فكثير من السلع متشابهة، والملصقات صغيرة، وغالبًا ما توضع المنتجات في غير أماكنها.

وهذا يجعل متابعة الرفوف في الوقت الفعلي أمرًا صعبًا على تجار التجزئة. يمكن للذكاء الاصطناعي للرؤية ونماذج اكتشاف الأجسام YOLO مساعدة أنظمة المتاجر على فهم ما يوجد فعلًا على الرفوف من خلال بث الكاميرات وتدفقات الفيديو المباشرة. ويقلل ذلك الاعتماد على مسح الرموز الشريطية والفحوص اليدوية، مما يجعل مراقبة الرفوف أدق وأكثر استجابة.

الشكل 4. اكتشاف المنتجات على رفوف المتاجر الكبرى وتقسيمها باستخدام Ultralytics YOLO26

بفضل هذا المستوى من الدقة، لم يعد على تجار التجزئة الاعتماد على الفحوص اليدوية الدورية وحدها. إذ يمكن مراقبة الرفوف باستمرار عبر الفيديو المباشر.

يمكن الإبلاغ فورًا عن انخفاض المخزون، واكتشاف المنتجات الموضوعة في غير أماكنها بسرعة أكبر، وإجراء عمليات الدفع بسلاسة أكبر. وهذا يمنح تجار التجزئة تحكمًا تشغيليًا أفضل، مع توفير تجربة تسوق أكثر سلاسة للعملاء.

الذكاء الاصطناعي للرؤية والملاحة الذاتية#

يمكن أن تتسم الأنظمة الذاتية بكفاءة عالية، لكنها غالبًا ما تعتمد على مسارات ثابتة أو إحداثيات محددة مسبقًا. وينجح ذلك في البيئات المستقرة، لكن ظروف العالم الحقيقي نادرًا ما تظل على حالها.

تتيح حلول الذكاء الاصطناعي للرؤية، المدعومة بنماذج التعلم العميق، للآلات فهم محيطها والتكيف في الوقت الفعلي. وعند الجمع بين الرؤية الحاسوبية والخوارزميات التكيفية، تستطيع الأنظمة الاستجابة للتغيرات فور حدوثها بدلًا من الاعتماد على تعليمات جامدة مبرمجة مسبقًا.

كيف يعمل ذلك في بيئات العالم الحقيقي؟ لنأخذ مثال روبوت يعمل في مستودع. تلتقط الكاميرات محيطه باستمرار، ويجري نموذج الرؤية اكتشافًا آنيًا للأجسام لتحديد العوائق والرفوف والممرات.

تدعم عمليات الاكتشاف هذه تحديد الموقع، إذ تساعد الروبوت على معرفة موقعه الدقيق داخل المنشأة. واستنادًا إلى هذه المدخلات المرئية، تعدّل خوارزميات التحسين مساره فورًا، مما يتيح له التنقل بكفاءة والحفاظ على أتمتة سلسة حتى مع تغير الظروف.

مراقبة البنية التحتية واكتشاف العيوب بذكاء أكبر#

تحتاج خطوط الكهرباء ومعدات الشبكة إلى فحص منتظم لضمان سلامتها وموثوقيتها. وفي معظم الأحيان، لا تزال عمليات فحص المرافق هذه تُجرى يدويًا، ما يستغرق وقتًا ويصعّب إدارتها في المناطق الواسعة أو النائية.

يوفر الذكاء الاصطناعي للرؤية طريقة أبسط لمراقبة البنية التحتية من دون الاعتماد على الزيارات الميدانية المجدولة وحدها. إذ يمكن لنماذج مثل Ultralytics YOLO26 اكتشاف العيوب في عوازل خطوط الكهرباء، بما فيها الشقوق أو التآكل أو التلف الظاهر، مباشرةً من الصور الملتقطة في ظروف خارجية واقعية.

من خلال تحليل البيانات المرئية في الوقت الفعلي، تستطيع هذه الأنظمة الإبلاغ عن المشكلات المحتملة التي قد تمر دون ملاحظة لولا ذلك. ويؤدي اكتشاف هذه المشكلات مبكرًا إلى تقليل مخاطر تعطل المعدات، والحد من انقطاعات الخدمة غير المتوقعة، ودعم عمليات صيانة أكثر استباقية.

قياس عائد الاستثمار للمنتجات الذكية المعتمدة على الرؤية#

بالنسبة إلى قادة الأعمال، لا يقتصر الذكاء الاصطناعي للرؤية على الأداء التقني، بل يتعلق بالأثر القابل للقياس في الأعمال.

عند تطبيق الأنظمة المعتمدة على الرؤية بعناية، يمكنها تحسين الكفاءة وخفض التكاليف وزيادة الدقة. كما تسهم هذه المكاسب في تحسين تجارب المستخدمين وتعزيز الأداء العام.

إليك بعض المجالات التي يتضح فيها هذا الأثر:

• تقليل الجهد اليدوي: تؤتمت أنظمة الرؤية مهام الفحص والمراقبة والتحقق المتكررة، فتحد من الاعتماد على الإجراءات اليدوية وتتيح للفرق التركيز على أعمال أكثر استراتيجية.
• تسريع دورات اتخاذ القرار: يتيح التحليل المرئي في الوقت الفعلي للأنظمة اكتشاف المشكلات أو بدء الإجراءات فورًا، مما يقصر أوقات الاستجابة ويحافظ على سلاسة العمليات.
• تقليل الأخطاء التشغيلية: يضفي الاكتشاف الآلي اتساقًا على العمليات. ومن خلال تقليل الإشراف البشري على المهام الروتينية، غالبًا ما تشهد المؤسسات أخطاء أقل ونتائج أكثر موثوقية.
• تعزيز تفاعل المستخدمين: تبدو المنتجات القادرة على الرؤية والاستجابة بذكاء أكثر تفاعلية وملاءمة. وهذا يعزز ثقة المستخدمين ويحسن التجارب ويرفع معدلات الاعتماد على المدى الطويل.

أبرز النقاط#

يتيح الذكاء الاصطناعي للرؤية للمنتجات تفسير المعلومات المرئية في الوقت الفعلي، مما يدعم أتمتة أذكى وتجارب أكثر استجابة. وبفضل إمكانات مثل الاكتشاف والتتبّع والتقسيم، تتجاوز الأنظمة القواعد الأساسية إلى اتخاذ قرارات تراعي السياق. وتجعل النماذج الفعالة مثل Ultralytics YOLO26 بناء منتجات معتمدة على الرؤية وقابلة للتوسع والتنافس أمرًا عمليًا.

انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في التصنيع والذكاء الاصطناعي للرؤية في تجارة التجزئة. تفضل بزيارة مستودع GitHub وابدأ استخدام الرؤية الحاسوبية اليوم بالاطلاع على خيارات الترخيص.