كل ما تحتاج إلى معرفته عن الرؤية الحاسوبية في عام 2025

قبل عشرين عامًا، كانت فكرة تمكّن الآلات والحواسيب من رؤية العالم وفهمه مجرد خيال علمي. أما اليوم، فقد أصبح هذا المفهوم واقعًا بفضل التطورات في الذكاء الاصطناعي (AI). وبشكل خاص، تتيح الرؤية الحاسوبية، وهي فرع من فروع AI، للآلات فهم الصور ومقاطع الفيديو وتحليلها. وسواء تعلق الأمر بتحديد الأجسام في الوقت الفعلي، أو تحسين أنظمة الأمان، أو أتمتة المهام المعقدة، فإن إمكاناتها تدفع حدود ما يمكن تحقيقه.

تسهم الرؤية الحاسوبية بسرعة في تشكيل مستقبل التكنولوجيا، بينما تستكشف مختلف الصناعات طرقًا متعددة لتبني قدراتها الفريدة. وقد بلغ حجم سوق الرؤية الحاسوبية عالميًا 19.83 مليار دولار في عام 2024، ومن المتوقع أن ينمو بنسبة 19.8% سنويًا خلال السنوات المقبلة.

الشكل 1. حجم سوق الرؤية الحاسوبية عالميًا.

في هذه المقالة، سنلقي نظرةً أقرب على الرؤية الحاسوبية، ونتناول ماهيتها، وكيف تطورت، وكيف تعمل اليوم. كما سنستكشف بعضًا من أكثر تطبيقاتها إثارةً للاهتمام. لنبدأ!

ما الرؤية الحاسوبية؟#

الرؤية الحاسوبية هي مجال فرعي من AI يستفيد من تعلّم الآلة والشبكات العصبية لتعليم الحواسيب فهم محتوى البيانات المرئية، مثل الصور أو ملفات الفيديو. ويمكن استخدام الرؤى المستخلصة من الصور المعالَجة لاتخاذ قرارات أفضل. فعلى سبيل المثال، يمكن استخدام الرؤية الحاسوبية في قطاع التجزئة لتتبع مستويات المخزون من خلال تحليل صور الرفوف، أو لتحسين تجربة التسوق باستخدام أنظمة الدفع الآلي. وتستخدم شركات كثيرة بالفعل تقنية الرؤية الحاسوبية في تطبيقات مختلفة، تتراوح بين مهام مثل إضافة المرشحات إلى صور الهواتف الذكية ومراقبة الجودة في التصنيع.

قد تتساءل: لماذا توجد حاجة كبيرة إلى حلول الرؤية الحاسوبية؟ قد تكون المهام التي تتطلب انتباهًا مستمرًا، مثل اكتشاف العيوب أو التعرّف على الأنماط، صعبة على البشر. فقد تتعب العينان، وقد تُغفل التفاصيل، ولا سيما في البيئات السريعة أو المعقدة.

يبرع الناس في التعرّف على الأجسام بأحجام وألوان وإضاءات وزوايا مختلفة، لكنهم غالبًا ما يواجهون صعوبة في الحفاظ على الاتساق تحت الضغط. أما حلول الرؤية الحاسوبية فتعمل بلا توقف، وتعالج كميات كبيرة من البيانات المرئية بسرعة ودقة. فعلى سبيل المثال، يمكنها تحليل حركة المرور في الوقت الفعلي لاكتشاف الازدحام، وتحسين توقيت الإشارات، بل وحتى تحديد الحوادث بسرعة تفوق ما يستطيع المراقب البشري تحقيقه.

التعرّف على تاريخ الرؤية الحاسوبية#

على مر السنين، تطورت الرؤية الحاسوبية من مفهوم نظري إلى تقنية موثوقة تقود الابتكار في مختلف الصناعات. فلنلقِ نظرة على بعض المحطات الرئيسية التي حددت مسار تطورها:

• الخمسينيات - الستينيات: بدأ الباحثون في تطوير خوارزميات لمعالجة البيانات المرئية وتحليلها، لكن التقدم كان بطيئًا بسبب محدودية القدرة الحاسوبية.

• السبعينيات: شهد هذا العقد تحسينات كبيرة في الخوارزميات، مثل تحويل هوف، الذي حسّن اكتشاف الخطوط والأشكال الهندسية في الصور. كما ظهر التعرّف الضوئي على الحروف (OCR)، مما أتاح للآلات قراءة النصوص المطبوعة.

• الثمانينيات - التسعينيات: بدأ تعلّم الآلة يؤدي دورًا في الرؤية الحاسوبية، مما مهد الطريق أمام قدرات أكثر تقدمًا واختراقات مستقبلية.

• الألفينيات - العقد الثاني من القرن الحادي والعشرين: أضاف التعلّم العميق بُعدًا جديدًا إلى الرؤية الحاسوبية، إذ مكّن الآلات من تفسير البيانات المرئية بفاعلية أكبر. وعزّز قدرات مثل تحديد الأجسام، وتحليل الحركة، وتنفيذ المهام المعقدة.

في الوقت الحاضر، تتقدم الرؤية الحاسوبية بسرعة وتحوّل طريقة حل المشكلات في مجالات مثل الرعاية الصحية، والمركبات ذاتية القيادة، والمدن الذكية. وتسهّل نماذج Ultralytics YOLO (انظر مرة واحدة فقط)، المصممة من أجل مهام الرؤية الحاسوبية في الوقت الفعلي، تنفيذ الذكاء الاصطناعي للرؤية بفاعلية ودقة في مختلف الصناعات. ومع استمرار تحسن AI والأجهزة، تساعد هذه النماذج الشركات على اتخاذ قرارات أكثر ذكاءً وتبسيط عملياتها باستخدام تحليل متقدم للبيانات المرئية.

تفصيل كيفية عمل الرؤية الحاسوبية#

تعمل أنظمة الرؤية الحاسوبية باستخدام الشبكات العصبية، وهي خوارزميات مستوحاة من طريقة عمل الدماغ البشري، لتحليل الصور. ويُعد نوع محدد منها، يُسمى الشبكات العصبية الالتفافية (CNNs)، فعالًا بشكل خاص في التعرّف على الأنماط، مثل الحواف والأشكال في الصور.

لتبسيط البيانات المرئية، تركّز تقنيات مثل التجميع على أهم أجزاء الصورة، بينما تعالج طبقات إضافية هذه المعلومات لتنفيذ مهام مثل تحديد السمات أو اكتشاف الأجسام. وتجعل النماذج المتقدمة مثل Ultralytics YOLO11، المصممة للسرعة والدقة، معالجة الصور في الوقت الفعلي ممكنة.

الشكل 2. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأجسام.

يتضمن تطبيق الرؤية الحاسوبية النموذجي عدة خطوات لتحويل الصور الخام إلى رؤى مفيدة. وفيما يلي المراحل الأربع الرئيسية:

• اكتساب الصور: تُجمع البيانات المرئية باستخدام الكاميرات أو المستشعرات، وتعتمد جودة الصور على نوع المستشعر المستخدم.

• معالجة الصور: تُحسَّن البيانات المجمعة بعد ذلك من خلال تقنيات المعالجة المسبقة، مثل تقليل الضوضاء وإبراز الحواف، لتسهيل تحليلها.

• استخراج السمات: تُستخرج التفاصيل المهمة، مثل الأشكال والأنسجة، مع التركيز على أجزاء الصورة الأكثر أهمية.

• التعرّف على الأنماط: تُحلَّل السمات المحددة باستخدام تعلّم الآلة لتنفيذ مهام مثل اكتشاف الأجسام، وتتبع الحركة، والتعرّف على الأنماط.

استكشاف مهام الرؤية الحاسوبية#

ربما لاحظت أننا ذكرنا مهام الرؤية الحاسوبية عند الحديث عن كيفية عمل الرؤية الحاسوبية. صُممت نماذج مثل Ultralytics YOLO11 لدعم هذه المهام، إذ توفر حلولًا سريعة ودقيقة للتطبيقات الواقعية. ومن اكتشاف الأجسام إلى تتبع حركتها، ينفذ YOLO11 هذه المهام بكفاءة. فلنستكشف بعض مهام الرؤية الحاسوبية الرئيسية التي يدعمها وكيفية عملها.

اكتشاف الأجسام#

يُعد اكتشاف الأجسام من مهام الرؤية الحاسوبية الرئيسية، ويُستخدم لتحديد الأجسام محل الاهتمام في الصورة. ويكون ناتج مهمة اكتشاف الأجسام مجموعةً من المربعات المحيطة (مستطيلات مرسومة حول الأجسام المكتشفة في الصورة)، إلى جانب تسميات الفئات (فئة كل جسم أو نوعه، مثل "سيارة" أو "شخص") ودرجات الثقة (قيمة عددية تشير إلى مدى يقين النموذج من كل عملية اكتشاف). فعلى سبيل المثال، يمكن استخدام اكتشاف الأجسام لتحديد موقع أحد المشاة في شارع أو سيارة في حركة المرور بدقة.

الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف الأجسام.

تصنيف الصور#

يتمثل الهدف الأساسي من تصنيف الصور في إسناد تسمية أو فئة محددة مسبقًا إلى صورة الإدخال استنادًا إلى محتواها العام. وتتضمن هذه المهمة عادةً تحديد الجسم أو السمة الغالبة داخل الصورة. فعلى سبيل المثال، يمكن استخدام تصنيف الصور لتحديد ما إذا كانت الصورة تحتوي على قطة أم كلب. بل يمكن تدريب نماذج الرؤية الحاسوبية مثل YOLO11 تدريبًا مخصصًا لتصنيف سلالات القطط أو الكلاب الفردية، كما هو موضح أدناه.

الشكل 4. تصنيف سلالات قطط مختلفة باستخدام YOLO11.

تجزئة المثيلات#

يُعد تقسيم المثيلات مهمةً أخرى مهمة من مهام الرؤية الحاسوبية، وتُستخدم في تطبيقات متنوعة. وهي تتضمن تقسيم الصورة إلى أجزاء وتحديد كل جسم على حدة، حتى عند وجود عدة أجسام من النوع نفسه. وعلى خلاف اكتشاف الأجسام، يذهب تقسيم المثيلات خطوةً أبعد من خلال تحديد الحدود الدقيقة لكل جسم. فعلى سبيل المثال، يمكن أن يساعد تقسيم المثيلات في تصنيع السيارات وإصلاحها على تحديد كل قطعة من قطع السيارة وتسميتها بشكل منفصل، مما يجعل العملية أكثر دقة وكفاءة.

الشكل 5. تقسيم قطع السيارات باستخدام YOLO11.

تقدير الوضعية#

يتمثل هدف تقدير الوضعية في تحديد موضع واتجاه شخص أو جسم من خلال التنبؤ بمواقع النقاط الرئيسية، مثل اليدين والرأس والمرفقين. ويُعد ذلك مفيدًا بشكل خاص في التطبيقات التي يكون فيها فهم الأفعال الجسدية في الوقت الفعلي مهمًا. ويُستخدم تقدير وضعية الإنسان عادةً في مجالات مثل تحليل الرياضة، ومراقبة سلوك الحيوانات، والروبوتات.

الشكل 6. يمكن لـ YOLO11 المساعدة في تقدير وضعية الإنسان.

لاستكشاف مهام الرؤية الحاسوبية الأخرى التي يدعمها YOLO11، يمكنك الرجوع إلى وثائق Ultralytics الرسمية. وهي توفر معلومات مفصلة حول كيفية تعامل YOLO11 مع مهام مثل تتبع الأجسام واكتشاف الأجسام ذات المربعات المحيطة الموجّهة (OBB).

نماذج الرؤية الحاسوبية الشائعة اليوم#

على الرغم من وجود نماذج كثيرة للرؤية الحاسوبية، تبرز سلسلة Ultralytics YOLO بفضل أدائها القوي وتعدد استخداماتها. ومع مرور الوقت، تحسنت نماذج Ultralytics YOLO، فأصبحت أسرع وأكثر دقة وقادرة على التعامل مع مزيد من المهام. وعندما طُرح Ultralytics YOLOv5، أصبح نشر النماذج أسهل باستخدام أطر عمل الذكاء الاصطناعي للرؤية مثل PyTorch. وأتاح ذلك لنطاق أوسع من المستخدمين العمل باستخدام الذكاء الاصطناعي المتقدم للرؤية، مع الجمع بين الدقة العالية وسهولة الاستخدام.

بعد ذلك، ارتقى Ultralytics YOLOv8 بالأمور إلى مستوى أبعد بإضافة قدرات جديدة مثل تقسيم المثيلات، وتقدير الوضعية، وتصنيف الصور. وفي الوقت نفسه، يقدم أحدث إصدار، YOLO11، أداءً متفوقًا عبر مهام متعددة للرؤية الحاسوبية. وباستخدام عدد من المعاملات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، ما يعني أنه يستطيع اكتشاف الأجسام بدقة وكفاءة أكبر. وسواء كنت مطورًا متمرسًا أو جديدًا في مجال AI، فإن YOLO11 يقدم حلًا قويًا لاحتياجاتك في الرؤية الحاسوبية.

دور الرؤية الحاسوبية في الحياة اليومية#

ناقشنا سابقًا كيفية تطبيق نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في مجموعة واسعة من الصناعات. والآن، لنستكشف المزيد من حالات الاستخدام التي تغيّر حياتنا اليومية.

الذكاء الاصطناعي للرؤية في الرعاية الصحية#

توجد مجموعة واسعة من التطبيقات لـالرؤية الحاسوبية في الرعاية الصحية. وتُستخدم مهام مثل اكتشاف الأجسام وتصنيفها في التصوير الطبي لجعل اكتشاف الأمراض أسرع وأكثر دقة. وفي تحليل الأشعة السينية، يمكن للرؤية الحاسوبية تحديد أنماط قد تكون دقيقة للغاية بحيث لا تراها العين البشرية.

كما تُستخدم في اكتشاف السرطان لمقارنة الخلايا السرطانية بالخلايا السليمة. وبالمثل، يمكن استخدام الرؤية الحاسوبية لتحليل صور الأشعة المقطعية والتصوير بالرنين المغناطيسي بدقة تقارب دقة الإنسان. وهي تساعد الأطباء على اتخاذ قرارات أفضل، وتنقذ في نهاية المطاف مزيدًا من الأرواح.

الشكل 7. استخدام YOLO11 لتحليل الفحوصات الطبية.

الذكاء الاصطناعي في صناعة السيارات#

تُعد الرؤية الحاسوبية بالغة الأهمية للسيارات ذاتية القيادة، إذ تساعدها على اكتشاف أجسام مثل إشارات المرور وإشارات التوقف. وتتيح تقنيات مثل التعرّف الضوئي على الحروف (OCR) للسيارة قراءة النصوص من إشارات الطريق. كما تُستخدم لاكتشاف المشاة، حيث تحدد مهام اكتشاف الأجسام الأشخاص في الوقت الفعلي.

إضافةً إلى ذلك، تستطيع الرؤية الحاسوبية اكتشاف الشقوق والحفر في أسطح الطرق، مما يتيح مراقبة أفضل لتغيرات حالة الطرق. وبوجه عام، يمكن لتقنية الرؤية الحاسوبية أن تؤدي دورًا رئيسيًا في تحسين إدارة حركة المرور، وتعزيز سلامة النقل، ودعم تخطيط المدن الذكية.

الشكل 8. فهم حركة المرور باستخدام YOLO11.

الرؤية الحاسوبية في الزراعة#

لنفترض أن المزارعين يستطيعون زراعة محاصيلهم وريّها وحصادها آليًا في الوقت المناسب، دون أي قلق. هذا بالضبط ما توفره الرؤية الحاسوبية للزراعة. فهي تتيح مراقبة المحاصيل في الوقت الفعلي، بحيث يستطيع المزارعون اكتشاف مشكلات مثل الأمراض أو نقص العناصر الغذائية بدقة تفوق البشر.

إضافةً إلى المراقبة، تستطيع آلات إزالة الأعشاب الضارة الآلية المدعومة بالذكاء الاصطناعي والمزودة بالرؤية الحاسوبية تحديد الأعشاب الضارة وإزالتها، مما يخفض تكاليف العمالة ويزيد إنتاجية المحاصيل. ويساعد هذا الجمع بين التقنيات المزارعين على تحسين استخدام مواردهم، ورفع الكفاءة، وحماية محاصيلهم.

الشكل 9. مثال على استخدام Ultralytics YOLO11 في الزراعة.

أتمتة عمليات التصنيع باستخدام AI#

في مجال التصنيع، تساعد الرؤية الحاسوبية على مراقبة الإنتاج، والتحقق من جودة المنتجات، وتتبع العمال تلقائيًا. وتجعل تقنيات الذكاء الاصطناعي للرؤية العملية أسرع وأكثر دقة، مع تقليل الأخطاء، مما يؤدي إلى خفض التكاليف.

وعلى وجه التحديد، يُستخدم اكتشاف الأجسام وتقسيم المثيلات عادةً لضمان الجودة. وتجري أنظمة اكتشاف العيوب فحصًا نهائيًا للمنتجات المكتملة لضمان وصول أفضل المنتجات فقط إلى العملاء. ويُحدَّد تلقائيًا أي منتج يحتوي على انبعاجات أو شقوق ويُرفض. كما تتتبع هذه الأنظمة المنتجات وتعدّها في الوقت الفعلي، مما يوفر مراقبة مستمرة لخط التجميع.

الشكل 10. مراقبة خط تجميع باستخدام الرؤية الحاسوبية.

جعل التعليم أكثر تأثيرًا باستخدام الرؤية الحاسوبية#

تتمثل إحدى طرق استخدام الرؤية الحاسوبية في الفصل الدراسي في التعرّف على الإيماءات؛ إذ يخصص التعلم من خلال اكتشاف حركات الطلاب. وتُعد نماذج مثل Ultralytics YOLO11 مناسبةً جدًا لهذه المهمة. فهي تستطيع تحديد إيماءات مثل رفع اليدين أو تعبيرات الارتباك بدقة في الوقت الفعلي.

عند اكتشاف مثل هذه الإيماءات، يمكن تعديل الدرس الجاري من خلال تقديم مساعدة إضافية أو تغيير المحتوى ليتناسب بصورة أفضل مع احتياجات الطالب. وينشئ ذلك بيئة تعلم أكثر ديناميكية وتكيفًا، مما يساعد المعلمين على التركيز في التدريس بينما يدعم النظام تجربة تعلم كل طالب.

الاتجاهات الحديثة في الرؤية الحاسوبية#

بعد أن استكشفنا بعض تطبيقات الرؤية الحاسوبية في مختلف الصناعات، فلنغص الآن في الاتجاهات الرئيسية التي تدفع تقدمها.

يتمثل أحد الاتجاهات الرئيسية في الحوسبة الطرفية، وهي إطار حوسبة موزع يعالج البيانات بالقرب من مصدرها. فعلى سبيل المثال، تمكّن الحوسبة الطرفية أجهزة مثل الكاميرات والمستشعرات من معالجة البيانات المرئية مباشرةً، مما يؤدي إلى أوقات استجابة أسرع، وتأخيرات أقل، وخصوصية محسّنة.

ومن الاتجاهات الرئيسية الأخرى في الرؤية الحاسوبية استخدام الواقع المدمج. فهو يجمع بين العالم المادي والعناصر الرقمية، مستخدمًا الرؤية الحاسوبية لدمج الأجسام الافتراضية بسلاسة مع العالم الحقيقي. ويمكن استخدامه لتحسين التجارب في الألعاب والتعليم والتدريب.

إيجابيات الرؤية الحاسوبية وسلبياتها#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن تقدمها الرؤية الحاسوبية لمختلف الصناعات:

• خفض التكاليف: تساعد أتمتة المهام باستخدام الرؤية الحاسوبية على تقليل التكاليف التشغيلية، وتحسين الإنتاجية، والحد من الأخطاء.

• قابلية التوسع: بعد تنفيذها، يمكن توسيع نطاق أنظمة الرؤية الحاسوبية بسهولة للتعامل مع كميات كبيرة من البيانات، مما يجعلها مناسبة للشركات النامية أو العمليات واسعة النطاق.

• التخصيص الخاص بالتطبيق: يمكن ضبط نماذج الرؤية الحاسوبية بدقة باستخدام مجموعة بياناتك، مما يوفر لك حلولًا متخصصة للغاية تلبي متطلبات تطبيقك.

رغم أن هذه الفوائد تسلط الضوء على كيفية تأثير الرؤية الحاسوبية في مختلف الصناعات، فمن المهم أيضًا مراعاة التحديات المرتبطة بتنفيذها. وفيما يلي بعض التحديات الرئيسية:

• مخاوف خصوصية البيانات: قد يثير استخدام البيانات المرئية، ولا سيما في المجالات الحساسة مثل المراقبة أو الرعاية الصحية، قضايا تتعلق بالخصوصية ومخاوف أمنية.

• القيود البيئية: قد تواجه أنظمة الرؤية الحاسوبية صعوبة في العمل بصورة صحيحة في البيئات الصعبة، مثل ظروف الإضاءة السيئة، أو الصور منخفضة الجودة، أو الخلفيات المعقدة.

• ارتفاع التكلفة الأولية: قد يكون تطوير أنظمة الرؤية الحاسوبية وتنفيذها مكلفًا بسبب الحاجة إلى أجهزة وبرمجيات وخبرات متخصصة.

أهم النقاط المستخلصة#

تعيد الرؤية الحاسوبية ابتكار طريقة تفاعل الآلات مع العالم، إذ تتيح لها رؤية العالم وفهمه كما يفعل البشر. وهي تُستخدم بالفعل في مجالات كثيرة، مثل تحسين السلامة في السيارات ذاتية القيادة، ومساعدة الأطباء على تشخيص الأمراض بسرعة أكبر، وجعل التسوق أكثر تخصيصًا، بل وحتى مساعدة المزارعين على مراقبة المحاصيل.

ومع استمرار تحسن التكنولوجيا، تفتح اتجاهات جديدة مثل الحوسبة الطرفية والواقع المدمج آفاقًا أوسع. ورغم وجود بعض التحديات، مثل التحيزات والتكاليف المرتفعة، تتمتع الرؤية الحاسوبية بإمكانات هائلة لإحداث تأثير إيجابي كبير في كثير من الصناعات مستقبلًا.

لمعرفة المزيد، تفضل بزيارة مستودع GitHub والتفاعل مع مجتمعنا. واستكشف الابتكارات في قطاعات مثل AI في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة في صفحات حلولنا. 🚀