كل ما تحتاج إلى معرفته عن الرؤية الحاسوبية في 2025

قبل عشرين عامًا، كانت فكرة قدرة الآلات والحواسيب على رؤية العالم وفهمه ضربًا من الخيال العلمي. أما اليوم، فقد أصبح هذا المفهوم واقعًا بفضل التقدم في الذكاء الاصطناعي (AI). وعلى وجه الخصوص، تتيح الرؤية الحاسوبية (CV)، وهي فرع من الذكاء الاصطناعي، للآلات فهم الصور ومقاطع الفيديو وتحليلها. وسواء أكان الأمر يتعلق بتحديد الأجسام آنيًا أم بتحسين أنظمة الأمان أم بأتمتة المهام المعقدة، تواصل الرؤية الحاسوبية توسيع نطاق ما تستطيع الآلات إنجازه.

تسهم الرؤية الحاسوبية سريعًا في تشكيل مستقبل التكنولوجيا، إذ تستكشف قطاعات مختلفة سبلًا متعددة للاستفادة من إمكاناتها الفريدة. وقد بلغ حجم السوق العالمي لتقنيات الرؤية الحاسوبية 19.83 مليار دولار في عام 2024، ومن المتوقع أن ينمو بمعدل سنوي قدره 19.8% في السنوات المقبلة.

الشكل 1. حجم سوق الرؤية الحاسوبية العالمي.

سنتناول في هذه المقالة الرؤية الحاسوبية عن كثب، موضحين ماهيتها وكيف تطورت وكيف تعمل اليوم. كما سنستكشف بعضًا من أكثر تطبيقاتها إثارة للاهتمام.

ما الرؤية الحاسوبية؟#

الرؤية الحاسوبية فرع من الذكاء الاصطناعي يستخدم التعلم الآلي والشبكات العصبية لتعليم الحواسيب فهم محتوى البيانات المرئية، مثل الصور أو ملفات الفيديو. ويمكن الاستفادة من الرؤى المستخلصة من الصور المعالجة لاتخاذ قرارات أفضل. فعلى سبيل المثال، يمكن استخدام الرؤية الحاسوبية في قطاع البيع بالتجزئة لتتبع مستويات المخزون من خلال تحليل صور الرفوف، أو لتحسين تجربة التسوق عبر أنظمة الدفع الآلي. وتستخدم شركات كثيرة بالفعل تقنية الرؤية الحاسوبية في تطبيقات مختلفة، تتراوح بين إضافة المرشحات إلى صور الهواتف الذكية ومراقبة الجودة في التصنيع.

قد تتساءل: لماذا تبرز هذه الحاجة إلى حلول الرؤية الحاسوبية؟ قد يصعب على البشر تنفيذ المهام التي تتطلب انتباهًا مستمرًا، مثل رصد العيوب أو التعرف على الأنماط. فالعيون قد تتعب، وقد تفوت بعض التفاصيل، خاصةً في البيئات السريعة أو المعقدة.

مع أن الأشخاص يجيدون التعرّف على الأجسام بأحجام وألوان وفي ظروف إضاءة وزوايا مختلفة، فإنهم غالبًا ما يجدون 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، أو تحسين توقيت الإشارات، أو حتى تحديد الحوادث بسرعة تفوق قدرة المراقب البشري.

التعرّف على تاريخ الرؤية الحاسوبية#

على مر السنين، تطورت الرؤية الحاسوبية من مفهوم نظري إلى تقنية موثوقة تدفع عجلة الابتكار في مختلف القطاعات. دعونا نلقِ نظرة على بعض المحطات الرئيسية التي شكلت مسار تطورها:

• الخمسينيات والستينيات: بدأ الباحثون 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 المحارف (OCR)، ما أتاح للآلات قراءة النصوص المطبوعة.
• الثمانينيات والتسعينيات: بدأ التعلم الآلي يؤدي دورًا في الرؤية الحاسوبية، ممهّدًا الطريق لإمكانات أكثر تقدمًا واختراقات مستقبلية.
• العقدان الأول والثاني من الألفية: أضفى التعلم العميق بُعدًا جديدًا على الرؤية الحاسوبية، ومكّن الآلات من تفسير البيانات المرئية بفاعلية أكبر. كما عزز إمكانات مثل تحديد الأجسام وتحليل الحركة وتنفيذ المهام المعقدة.

تتقدم الرؤية الحاسوبية اليوم بسرعة، وتُحدث تحولًا في أساليب حل المشكلات في مجالات مثل الرعاية الصحية والمركبات ذاتية القيادة والمدن الذكية. وتسهّل نماذج Ultralytics YOLO (You Only Look Once)، المصممة لمهام الرؤية الحاسوبية في الوقت الفعلي، تطبيق الذكاء الاصطناعي للرؤية بفاعلية ودقة في مختلف القطاعات. ومع استمرار تطور الذكاء الاصطناعي والعتاد، تساعد هذه النماذج الشركات على اتخاذ قرارات أذكى وتبسيط العمليات باستخدام التحليل المتقدم للبيانات المرئية.

شرح آلية 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)، مناسبًا على نحو خاص للتعرف على الأنماط، مثل الحواف والأشكال في الصور.

لتبسيط البيانات المرئية، تركز تقنيات مثل التجميع على الأجزاء الأهم من الصورة، فيما تعالج طبقات إضافية هذه المعلومات لتنفيذ مهام مثل تحديد السمات أو اكتشاف الأجسام. وتتيح النماذج المتقدمة مثل Ultralytics YOLO11، المصممة للسرعة والدقة، معالجة الصور في الوقت الفعلي.

الشكل 2. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأجسام.

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

• التقاط الصور: تُجمع البيانات المرئية باستخدام الكاميرات أو المستشعرات، وتعتمد جودة الصور على نوع المستشعر المستخدم.
• معالجة الصور: تُحسّن البيانات المجموعة باستخدام تقنيات المعالجة المسبقة، مثل تقليل الضوضاء وإبراز الحواف، لتسهيل تحليلها.
• استخراج السمات: تُستخلص التفاصيل المهمة، مثل الأشكال والأنسجة، مع التركيز على الأجزاء الأكثر أهمية في الصورة.
• التعرّف على الأنماط: تُحلل السمات المحددة باستخدام التعلم الآلي لتنفيذ مهام مثل اكتشاف الأجسام أو تتبّع الحركة أو التعرّف على الأنماط.

استكشاف مهام الرؤية الحاسوبية#

ربما لاحظت أننا ذكرنا مهام الرؤية الحاسوبية عند الحديث عن آلية عملها. صُممت نماذج مثل Ultralytics YOLO11 لدعم هذه المهام، وتوفير حلول سريعة ودقيقة للتطبيقات الواقعية. ويتعامل YOLO11 بكفاءة مع مهام تبدأ باكتشاف الأجسام وتمتد إلى تتبع حركتها. دعونا نستكشف بعض مهام الرؤية الحاسوبية الرئيسية التي يدعمها وكيفية عملها.

اكتشاف الأجسام#

يُعد اكتشاف الأجسام مهمة أساسية في الرؤية الحاسوبية، ويُستخدم لتحديد الأجسام موضع الاهتمام في صورة. وتتمثل مخرجات مهمة اكتشاف الأجسام في مجموعة من مربعات الإحاطة (مستطيلات مرسومة حول الأجسام المكتشفة في الصورة)، إلى جانب تسميات الفئات (فئة كل جسم أو نوعه، مثل «سيارة» أو «شخص») ودرجات الثقة (قيمة رقمية تشير إلى مدى يقين النموذج من كل اكتشاف). فعلى سبيل المثال، يمكن استخدام اكتشاف الأجسام لتحديد موقع أحد المشاة في شارع أو سيارة ضمن حركة المرور.

الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف الأجسام.

تصنيف الصور#

يتمثل الهدف الأساسي من تصنيف الصور في إسناد تسمية أو فئة محددة مسبقًا إلى صورة مُدخلة، استنادًا إلى محتواها العام. وتتضمن هذه المهمة عادةً تحديد الجسم أو السمة الغالبة في 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 خصيصًا لتصنيف سلالات القطط أو الكلاب، كما هو موضح أدناه.

الشكل 4. تصنيف سلالات مختلفة من القطط باستخدام YOLO11.

تجزئة المثيلات#

تُعد تجزئة المثيلات مهمة أخرى أساسية في الرؤية الحاسوبية، وتُستخدم في تطبيقات متنوعة. وتتضمن تقسيم الصورة إلى أجزاء وتحديد كل جسم على حدة، حتى عند وجود أجسام متعددة من النوع نفسه. وعلى خلاف اكتشاف الأجسام، تتقدم تجزئة المثيلات خطوة أخرى بتحديد الحدود الدقيقة لكل جسم. فعلى سبيل المثال، في تصنيع السيارات وإصلاحها، يمكن أن تساعد تجزئة المثيلات على تحديد كل جزء من السيارة وتسميته على حدة، ما يجعل العملية أدق وأكثر كفاءة.

الشكل 5. تجزئة أجزاء السيارة باستخدام YOLO11.

تقدير الوضعية#

يتمثل الهدف من تقدير الوضعية في تحديد موضع شخص أو جسم واتجاهه من خلال التنبؤ بمواقع النقاط الرئيسية، مثل اليدين والرأس والمرفقين. وتفيد هذه التقنية بوجه خاص في التطبيقات التي يكون فيها فهم الحركات الجسدية آنيًا أمرًا مهمًا. ويشيع استخدام تقدير وضعية الإنسان في مجالات مثل تحليل الرياضة ومراقبة سلوك الحيوانات والروبوتات.

الشكل 6. يساعد YOLO11 على تقدير وضعية الإنسان.

للاطلاع على مهام الرؤية الحاسوبية الأخرى التي يدعمها YOLO11، يمكنك الرجوع إلى وثائق Ultralytics الرسمية. وتوفر الوثائق معلومات مفصلة عن كيفية تعامل YOLO11 مع مهام مثل تتبع الأجسام واكتشاف الأجسام باستخدام مربع إحاطة موجّه (OBB).

نماذج الرؤية الحاسوبية الشائعة اليوم#

على الرغم من كثرة نماذج الرؤية الحاسوبية المتاحة، تتميز سلسلة Ultralytics YOLO بأدائها القوي وتعدد استخداماتها. وقد تطورت نماذج Ultralytics YOLO بمرور الوقت، فأصبحت أسرع وأدق وقادرة على معالجة مهام أكثر. وعندما طُرح Ultralytics YOLOv5، أصبح نشر النماذج أسهل بفضل أُطر الذكاء الاصطناعي للرؤية مثل PyTorch. وأتاح ذلك لشريحة أوسع من المستخدمين العمل باستخدام تقنيات متقدمة للذكاء الاصطناعي للرؤية، مع الجمع بين الدقة العالية وسهولة الاستخدام.

بعد ذلك، أضاف Ultralytics YOLOv8 قدرات جديدة، مثل تقسيم الحالات وتصنيف الصور وتقدير الوضعية. ثم حقق YOLO11 أداءً قويًا في مهام متعددة للرؤية الحاسوبية. وباستخدام عدد معلمات أقل بنسبة 22% من YOLOv8m، يحقق YOLO11m متوسط دقة متوسطًا (mAP) أعلى على مجموعة بيانات COCO، ما يعني قدرته على اكتشاف الأجسام بدقة وكفاءة أكبر. أما الجيل الأحدث، Ultralytics YOLO26، فيبني على ذلك باستدلال أصلي شامل من البداية إلى النهاية، من دون NMS، وأداء أسرع على CPU للنشر على الأجهزة الطرفية. وسواء أكنت مطورًا متمرسًا أم جديدًا في مجال الذكاء الاصطناعي، توفر نماذج Ultralytics YOLO نقطة انطلاق عملية لاحتياجاتك في الرؤية الحاسوبية.

دور الرؤية الحاسوبية في الحياة اليومية#

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

الذكاء الاصطناعي للرؤية في الرعاية الصحية#

توجد مجموعة واسعة من تطبيقات الرؤية 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 تلاحظها العين البشرية.

تُستخدم الرؤية الحاسوبية أيضًا في اكتشاف السرطان لمقارنة الخلايا السرطانية بالسليمة. وبالمثل، يمكن استخدامها لتحليل صور التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي بدقة تقارب دقة البشر. 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 أساسية للسيارات ذاتية القيادة، إذ تساعدها على اكتشاف أشياء مثل إشارات الطرق وإشارات المرور. وتتيح تقنيات مثل التعرّف الضوئي على الأحرف (OCR) للسيارة قراءة النصوص على إشارات الطرق. كما تُستخدم لاكتشاف المشاة، حيث تحدد مهام اكتشاف الأجسام الأشخاص في الوقت الفعلي.

إضافةً إلى ذلك، تستطيع الرؤية الحاسوبية اكتشاف الشقوق والحفر على أسطح الطرق، ما يتيح مراقبة ظروف الطرق المتغيرة على نحو أفضل. وبوجه عام، يمكن لتقنية الرؤية الحاسوبية أن تؤدي دورًا أساسيًا في تحسين إدارة حركة المرور، وتعزيز سلامة النقل، ودعم تخطيط المدن الذكية.

الشكل 8. فهم حركة المرور باستخدام YOLO11.

الرؤية الحاسوبية في الزراعة#

لنتخيل أن المزارعين يستطيعون زراعة محاصيلهم وريّها وحصادها تلقائيًا وفي الوقت المناسب، من دون أي قلق. هذا بالضبط ما توفره الرؤية الحاسوبية للزراعة. فهي تتيح مراقبة المحاصيل آنيًا، ما يساعد المزارعين على اكتشاف مشكلات مثل الأمراض أو نقص العناصر الغذائية في وقت مبكر.

إلى جانب المراقبة، تستطيع آلات إزالة الأعشاب الضارة تلقائيًا والمدعومة بالذكاء الاصطناعي والمزودة بالرؤية الحاسوبية تحديد الأعشاب الضارة وإزالتها، ما يقلل تكاليف العمالة ويعزز غلة المحاصيل. ويساعد هذا المزيج التقني المزارعين على تحسين استخدام مواردهم، ورفع الكفاءة، وحماية محاصيلهم.

الشكل 9. مثال على استخدام Ultralytics YOLO11 في الزراعة.

أتمتة عمليات التصنيع باستخدام الذكاء الاصطناعي#

في التصنيع، تساعد الرؤية الحاسوبية على مراقبة الإنتاج وفحص جودة المنتجات وتتبع العمال تلقائيًا. ويجعل الذكاء الاصطناعي للرؤية العملية أسرع وأكثر دقة، مع تقليل الأخطاء والتكاليف.

يُستخدم اكتشاف الأجسام وتقسيم الحالات عادةً لضمان الجودة على وجه الخصوص. وتجري أنظمة اكتشاف العيوب فحصًا نهائيًا للمنتجات الجاهزة لضمان وصول أفضل المنتجات إلى العملاء فقط. ويُحدَّد تلقائيًا أي منتج به انبعاجات أو شقوق ويُرفض. كما تتتبع هذه الأنظمة المنتجات وتعدّها آنيًا، موفرةً مراقبة مستمرة لخط التجميع.

الشكل 10. مراقبة خط تجميع باستخدام الرؤية الحاسوبية.

تعليم أكثر تأثيرًا بفضل الرؤية الحاسوبية#

من طرق استخدام الرؤية الحاسوبية في الفصول الدراسية التعرف على الإيماءات، إذ يخصص التعلم عبر اكتشاف حركات الطلاب. وتناسب نماذج مثل Ultralytics YOLO11 هذه المهمة. ويمكنها تحديد إيماءات مثل رفع الأيدي أو تعابير الارتباك بدقة وفي الوقت الفعلي.

عند اكتشاف مثل هذه الإيماءات، يمكن تعديل الدرس الجاري بتقديم مساعدة إضافية أو تغيير المحتوى ليلائم احتياجات الطالب على نحو أفضل. وهذا يهيئ بيئة تعلم أكثر حيوية وقدرة على التكيف، ويساعد المعلمين على التركيز على التدريس بينما يدعم النظام تجربة التعلم لكل طالب.

الاتجاهات الحديثة في الرؤية الحاسوبية#

بعد أن استكشفنا بعض تطبيقات الرؤية الحاسوبية في قطاعات متنوعة، دعونا نلقِ نظرة على أبرز الاتجاهات التي تدفع عجلة تطورها.

أحد الاتجاهات الرئيسية هو الحوسبة الطرفية، وهي إطار للحوسبة الموزعة يعالج البيانات بالقرب من مصدرها. فعلى سبيل المثال، تتيح الحوسبة الطرفية للأجهزة، مثل الكاميرات والمستشعرات، معالجة البيانات المرئية مباشرةً، ما يؤدي إلى استجابة أسرع وتأخيرات أقل وخصوصية أفضل.

ومن الاتجاهات الرئيسية الأخرى في الرؤية الحاسوبية استخدام الواقع المدمج. فهو يمزج العالم المادي بالعناصر الرقمية، مستعينًا بالرؤية الحاسوبية لجعل الأجسام الافتراضية تندمج بسلاسة مع العالم الحقيقي. ويمكن استخدامه لتحسين التجارب في الألعاب والتعليم والتدريب.

مزايا الرؤية الحاسوبية وعيوبها#

فيما يلي بعض الفوائد الرئيسية التي يمكن أن تحققها الرؤية الحاسوبية لمختلف القطاعات:

• خفض التكاليف: تساعد أتمتة المهام باستخدام الرؤية الحاسوبية على خفض تكاليف التشغيل، وتحسين الإنتاجية، وتقليل الأخطاء.
• قابلية التوسع: بعد تطبيق أنظمة الرؤية الحاسوبية، يمكن توسيع نطاقها بسهولة للتعامل مع كميات كبيرة من البيانات، ما يجعلها مناسبة للشركات النامية أو العمليات واسعة النطاق.
• التخصيص حسب التطبيق: يمكن ضبط نماذج الرؤية الحاسوبية بدقة باستخدام مجموعة بياناتك، ما يتيح لك حلولًا متخصصة للغاية تلبي متطلبات تطبيقك.

مع أن هذه الفوائد تبرز أثر الرؤية الحاسوبية في مختلف القطاعات، فمن المهم أيضًا مراعاة التحديات المرتبطة بتطبيقها. فيما يلي بعض التحديات الرئيسية:

• مخاوف خصوصية البيانات: قد يؤدي استخدام البيانات المرئية، ولا سيما في المجالات الحساسة مثل المراقبة أو الرعاية الصحية، إلى مشكلات تتعلق بالخصوصية ومخاوف أمنية.
• القيود البيئية: قد تواجه أنظمة الرؤية الحاسوبية صعوبة في العمل على النحو الصحيح في البيئات الصعبة، مثل ظروف الإضاءة السيئة، أو الصور منخفضة الجودة، أو الخلفيات المعقدة.
• ارتفاع التكلفة الأولية: قد يكون تطوير أنظمة الرؤية الحاسوبية وتطبيقها مكلفًا بسبب الحاجة إلى أجهزة وبرمجيات وخبرات متخصصة.

أبرز النقاط#

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

مع استمرار تطور التقنية، تفتح اتجاهات جديدة مثل الحوسبة الطرفية والواقع المدمج آفاقًا أوسع. وعلى الرغم من وجود بعض التحديات، مثل التحيز والتكاليف المرتفعة، فإن الرؤية الحاسوبية قادرة على إحداث أثر إيجابي كبير في قطاعات كثيرة مستقبلًا.

للمزيد من المعلومات، تفضل بزيارة مستودع GitHub وشارك في مجتمعنا. واكتشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة على صفحات حلولنا.