استكشاف آلية عمل تطبيقات الرؤية الحاسوبية

عندما استكشفنا تاريخ نماذج الرؤية الحاسوبية، رأينا كيف تطورت الرؤية الحاسوبية، والمسار الذي أفضى إلى نماذج الرؤية المتقدمة المتاحة اليوم. وتدعم النماذج الحديثة مثل Ultralytics YOLOv8 وخلفاؤه، بما في ذلك أحدث إصدار Ultralytics YOLO26، مهامًا متعددة من مهام الرؤية الحاسوبية، وتُستخدم في تطبيقات متنوعة ومثيرة.

سنلقي في هذه المقالة نظرة على أساسيات الرؤية الحاسوبية ونماذج الرؤية. وسنتناول كيفية عملها وتطبيقاتها المتنوعة في مختلف الصناعات. فابتكارات الرؤية الحاسوبية موجودة في كل مكان، وغالبًا ما تعمل بهدوء في الخلفية.

ما الرؤية الحاسوبية؟#

الذكاء الاصطناعي (AI) مصطلح شامل يضم العديد من التقنيات التي تهدف إلى محاكاة جانب من جوانب الذكاء البشري. ومن فروع الذكاء الاصطناعي الرؤية الحاسوبية، التي تركز على تمكين الآلات من امتلاك عيون ترى محيطها وتراقبه وتفهمه.

مثل الرؤية البشرية، تهدف حلول الرؤية الحاسوبية إلى تمييز الكائنات وحساب المسافات واكتشاف الحركات. لكن الحواسيب، بخلاف البشر الذين تساعدهم خبراتهم المتراكمة طوال حياتهم على الرؤية والفهم، تعتمد على كميات هائلة من البيانات والكاميرات عالية الدقة والخوارزميات المعقدة.

الشكل 1. مقارنة بين الرؤية البشرية والرؤية الحاسوبية.

تستطيع أنظمة الرؤية الحاسوبية معالجة البيانات المرئية، مثل الصور ومقاطع الفيديو، وتحليلها بسرعة ودقة عاليتين. وتجعل القدرة على تحليل كميات هائلة من المعلومات المرئية بسرعة ودقة الرؤية الحاسوبية أداة قوية في صناعات متنوعة، بدءًا من التصنيع ووصولًا إلى الرعاية الصحية.

تدعم نماذج الرؤية مهامًا متنوعة للرؤية الحاسوبية#

تُعد نماذج الرؤية الحاسوبية جوهر أي تطبيق للرؤية الحاسوبية. وهي في الأساس خوارزميات حاسوبية مدعومة بتقنيات التعلم العميق، صُممت لتمكين الآلات من تفسير المعلومات المرئية وفهمها. وتتيح نماذج الرؤية تنفيذ مهام أساسية للرؤية الحاسوبية، بدءًا من تصنيف الصور وصولًا إلى اكتشاف الكائنات. دعونا نلقِ نظرة فاحصة على بعض هذه المهام وحالات استخدامها.

تصنيف الصور#

يتضمن تصنيف الصور تنظيم الصور وتسميتها ضمن فئات أو أصناف محددة مسبقًا. ويمكن تدريب نموذج للرؤية مثل YOLOv8 على مجموعات بيانات كبيرة من الصور المصنفة. ويتعلم النموذج أثناء التدريب التعرّف على الأنماط والسمات المرتبطة بكل فئة. وبعد التدريب، يمكنه التنبؤ بفئة الصور الجديدة التي لم يسبق له رؤيتها، وذلك بتحليل سماتها ومقارنتها بالأنماط التي تعلمها.

الشكل 2. مثال على تصنيف الصور. (المصدر: towardsdatascience.com)

توجد أنواع مختلفة من تصنيف الصور. فعلى سبيل المثال، عند التعامل مع الصور الطبية، يمكن استخدام التصنيف الثنائي لتقسيم الصور إلى مجموعتين، مثل السليم والمريض. وهناك أيضًا التصنيف متعدد الفئات، الذي يساعد على تصنيف الصور إلى مجموعات عديدة، مثل تصنيف حيوانات المزرعة المختلفة، كالخنازير والماعز والأبقار. أو لنفترض أنك تريد تصنيف الحيوانات ضمن مجموعات ومجموعات فرعية، كتصنيفها إلى ثدييات وطيور، ثم تقسيمها إلى أنواع مثل الأسود والنمور والنسور والعصافير؛ في هذه الحالة، يكون التصنيف الهرمي الخيار الأفضل.

اكتشاف الأجسام#

اكتشاف الكائنات هو عملية تحديد الكائنات وتحديد مواقعها في الصور وإطارات الفيديو باستخدام الرؤية الحاسوبية. وتتألف هذه العملية من مهمتين: تحديد موضع الكائن، عبر رسم مربعات إحاطة حول الكائنات، وتصنيف الكائن، لتحديد فئة كل كائن. واستنادًا إلى التعليقات التوضيحية لمربعات الإحاطة، يستطيع نموذج الرؤية تعلم الأنماط والسمات الخاصة بكل فئة من الكائنات، والتنبؤ بوجود هذه الكائنات ومواقعها في صور جديدة لم يسبق له رؤيتها.

الشكل 3. استخدام كشف الأجسام في YOLOv8 لاكتشاف اللاعبين في ملعب كرة قدم.

لاكتشاف الكائنات حالات استخدام عديدة في قطاعات مختلفة، بدءًا من الرياضة وصولًا إلى علم الأحياء البحرية. فعلى سبيل المثال، تستخدم تقنية Just Walk Out من Amazon في قطاع التجزئة اكتشاف الكائنات لأتمتة الدفع من خلال تحديد العناصر التي يلتقطها العملاء. ويسمح الجمع بين الرؤية الحاسوبية وبيانات أجهزة الاستشعار للعملاء بأخذ مشترياتهم والمغادرة دون انتظار في طابور.

إليك نظرة أقرب على آلية عملها:

• تلتقط الكاميرات المثبتة في السقف صور العملاء أثناء تنقلهم في المتجر، وتعالج نماذج الرؤية مقاطع الفيديو هذه في الوقت الفعلي.
• يُستخدم اكتشاف الكائنات لتحديد المنتج الذي يلتقطه العميل ويضعه في سلته بدقة، ثم تحديث عربة التسوق الافتراضية وفقًا لذلك.
• تُحسّن مستشعرات الوزن الموجودة على الرفوف الدقة من خلال اكتشاف إزالة العناصر أو إعادتها.
• عند مغادرة العميل المتجر، يمكن استخدام اكتشاف الكائنات وتقنية التعرف على الوجوه للتأكد من مغادرته، كما يمكن استخدام تفاصيل الدفع الخاصة به، مثل بطاقة الائتمان، لتحصيل المبلغ تلقائيًا.

التقسيم الدلالي وتقسيم المثيلات#

التجزئة الدلالية وتجزئة المثيلات مهمتان في الرؤية الحاسوبية تساعدان على تقسيم الصور إلى أجزاء ذات معنى. وتصنّف التجزئة الدلالية وحدات البكسل بحسب معناها الدلالي، وتتعامل مع جميع الأجسام ضمن الفئة الواحدة باعتبارها كيانًا واحدًا يحمل التسمية نفسها. وهي مناسبة لتسمية الأجسام التي لا يمكن عدّها، مثل «السماء» أو «المحيط»، أو التجمعات مثل «الأوراق» أو «العشب».

أما تقسيم المثيلات، فيمكنه التمييز بين المثيلات المختلفة للفئة نفسها من خلال إسناد تسمية فريدة إلى كل كائن مكتشف. ويمكن استخدام تقسيم المثيلات لتقسيم الكائنات القابلة للعد، عندما يكون عدد الكائنات واستقلاليتها مهمين. كما يتيح تحديدًا وتمييزًا أكثر دقة.

الشكل 4. مثال على التقسيم الدلالي وتقسيم المثيلات.

يمكننا فهم الفرق بين التجزئة الدلالية وتجزئة المثيلات بوضوح أكبر من خلال مثال يتعلق بـالسيارات ذاتية القيادة. وتُعد التجزئة الدلالية مناسبة للمهام التي تتطلب فهم محتوى المشهد، ويمكن استخدامها في المركبات ذاتية القيادة لتصنيف العناصر على الطريق، مثل معابر المشاة وإشارات المرور. أما تجزئة المثيلات، فيمكن استخدامها في المركبات ذاتية القيادة للتمييز بين المشاة والمركبات والعوائق كلٌّ على حدة.

تقدير الوضعية#

تقدير الوضعية مهمة في الرؤية الحاسوبية تركز على اكتشاف النقاط المفتاحية لوضعية جسم ما في الصور أو مقاطع الفيديو وتعقّبها. ويُستخدم هذا غالبًا لتقدير وضعية الإنسان، حيث تشمل النقاط المفتاحية مناطق مثل الكتفين والركبتين. ويساعد تقدير وضعية الإنسان على فهم الأفعال والحركات والتعرّف عليها، وهي أمور أساسية لمختلف التطبيقات.

الشكل 5. مثال على تقدير الوضعية باستخدام YOLOv8.

يمكن استخدام تقدير الوضعية في الرياضة لتحليل حركة الرياضيين. ويستخدم NBA تقدير الوضعية لدراسة حركات اللاعبين ومواقعهم أثناء المباراة. ومن خلال تعقّب النقاط المفتاحية، مثل الكتفين والمرفقين والركبتين والكاحلين، يوفر تقدير الوضعية رؤى تفصيلية عن حركات اللاعبين. وتساعد هذه الرؤى المدربين على وضع استراتيجيات أفضل وتحسين برامج التدريب وإجراء تعديلات آنية أثناء المباريات. كما يمكن للبيانات المساعدة في مراقبة إجهاد اللاعبين ومخاطر إصابتهم، لتحسين صحتهم وأدائهم عمومًا.

اكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة#

يستخدم اكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة (OBB) مستطيلات مدوّرة لتحديد الكائنات في الصورة وتحديد مواقعها بدقة. وعلى عكس مربعات الإحاطة القياسية التي تتماشى مع محاور الصورة، تدور مربعات OBB لتطابق اتجاه الكائن. وهذا يجعلها مفيدة خصوصًا للكائنات التي لا تكون أفقية أو عمودية تمامًا. وهي فعالة في تحديد الكائنات المدوّرة وعزلها بدقة، لمنع التداخل في البيئات المزدحمة.

الشكل 6. مثال على اكتشاف مربعات الإحاطة الموجّهة في صورة جوية لقوارب باستخدام YOLOv8.

في مجال المراقبة البحرية، يُعد تحديد السفن وتعقّبها أمرًا أساسيًا للأمن وإدارة الموارد. ويمكن استخدام اكتشاف مربعات الإحاطة الموجّهة لتحديد مواقع السفن بدقة، حتى عندما تكون متقاربة أو موجّهة بزوايا مختلفة. ويساعد ذلك على مراقبة ممرات الشحن وإدارة حركة الملاحة البحرية وتحسين عمليات الموانئ. كما يمكن أن يسهم في الاستجابة للكوارث عبر تحديد الأضرار التي لحقت بالسفن والبنية التحتية وتقييمها بسرعة بعد أحداث مثل الأعاصير أو التسربات النفطية.

تتبّع الكائنات#

ناقشنا حتى الآن مهام الرؤية الحاسوبية المعنية بالصور. تتبّع الكائنات مهمة في الرؤية الحاسوبية تتيح تتبع كائن عبر إطارات مقطع فيديو. وتبدأ بتحديد الكائن في الإطار الأول باستخدام خوارزميات الكشف، ثم تتابع موقعه باستمرار أثناء تحركه في الفيديو. ويشمل تتبّع الكائنات تقنيات مثل اكتشاف الكائنات واستخراج السمات والتنبؤ بالحركة للحفاظ على دقة التتبع.

الشكل 7. استخدام YOLOv8 لتتبّع الأسماك.

يمكن استخدام نماذج الرؤية مثل YOLOv8 لتتبّع الأسماك في علم الأحياء البحرية. وباستخدام كاميرات تحت الماء، يستطيع الباحثون مراقبة حركات الأسماك وسلوكياتها في موائلها الطبيعية. وتبدأ العملية باكتشاف الأسماك كلٌّ على حدة في الإطارات الأولى، ثم تتبع مواقعها طوال مقطع الفيديو. ويساعد تتبّع الأسماك العلماء على فهم أنماط الهجرة والسلوكيات الاجتماعية والتفاعلات مع البيئة. كما يدعم ممارسات الصيد المستدامة من خلال توفير معلومات عن توزيع الأسماك ووفرتها.

نظرة أخيرة على الرؤية الحاسوبية#

تُحدث الرؤية الحاسوبية تغييرًا فعليًا في كيفية استخدامنا للتكنولوجيا وتفاعلنا مع العالم. ومن خلال استخدام نماذج التعلّم العميق والخوارزميات المعقدة لفهم الصور ومقاطع الفيديو، تساعد الرؤية الحاسوبية الصناعات على تبسيط العديد من العمليات. وتجعل مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام وتعقّبها، إنشاء حلول لم تكن ممكنة من قبل أمرًا ممكنًا. ومع استمرار تطور تقنيات الرؤية الحاسوبية، يحمل المستقبل مزيدًا من التطبيقات المبتكرة!

لنتعلم ونتطور معًا! استكشف مستودعنا على GitHub للاطلاع على إسهاماتنا في الذكاء الاصطناعي. واكتشف كيف نعيد صياغة قطاعات مثل السيارات ذاتية القيادة والزراعة باستخدام الذكاء الاصطناعي.