كيفية استخدام Ultralytics YOLO11 لتصنيف الصور

لنقل أن روبوت ينظر إلى قطتين، واحدة سوداء والأخرى بيضاء، ويحتاج إلى معرفة الفرق بينهما. للقيام بذلك، يمكنه استخدام تصنيف الصور، وهو مهمة رؤية حاسوبية تساعد في تحديد وتصنيف الكائنات أو المشاهد في الصورة. في الواقع، بفضل التطورات الأخيرة في الذكاء الاصطناعي (AI)، يمكن استخدام تصنيف الصور في مجموعة واسعة من التطبيقات بدءًا من مراقبة الحيوانات وصولاً إلى التصنيع والزراعة مع الكشف عن أمراض المحاصيل.

One of the latest advancements in image classification is the Ultralytics YOLO11 model. Launched at Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 is designed to tackle a wide variety of vision AI tasks, including image classification, with ease and precision.

في هذه المقالة، سنستكشف أساسيات تصنيف الصور، ونناقش تطبيقات العالم الحقيقي، ونوضح لك كيفية استخدام YOLO11 لغرض تصنيف الصور من خلال حزمة Ultralytics Python. سنلقي نظرة أيضًا على كيفية تجربة قدرات YOLO11 على Ultralytics HUB في بضع خطوات سهلة. لنبدأ!

الشكل 1. مثال على استخدام Ultralytics YOLO11 لتصنيف قطة فارسية.

Link to this sectionما هو تصنيف الصور؟#

يعمل تصنيف الصور عن طريق تعيين تسمية أو وسم للصورة بناءً على أنماط تم تعلمها من صور مصنفة مسبقاً. من خلال تحليل بكسلات الصورة بعناية، يمكن لـ نموذج رؤية حاسوبية العثور على أفضل تطابق للصورة. يمكن للنماذج الموثوقة مثل YOLO11 التعامل مع هذه العملية بسلاسة. تجعل بنية نموذج YOLO11 من الممكن معالجة الصور أو إطارات الفيديو فورياً تقريباً، مما يجعله مثالياً للتطبيقات التي تحتاج إلى تصنيف صور سريع ودقيق.

لفهم نطاق تصنيف الصور حقاً، من المفيد تمييزه عن مهام أخرى مثل اكتشاف الكائنات. بينما يقوم تصنيف الصور بتسمية الصورة بأكملها، يقوم اكتشاف الكائنات بتحديد وتعيين موقع كل كائن داخل الصورة.

الشكل 2. مقارنة بين تصنيف الصور، واكتشاف الكائنات، وتجزئة الصور.

لننظر إلى صورة زرافة. في تصنيف الصور، قد يضع النموذج تسمية للصورة كاملة ببساطة كـ "زرافة" بناءً على محتواها العام. ومع ذلك، مع اكتشاف الكائنات، لا يتوقف النموذج عند تحديد الزرافة؛ بل يقوم أيضاً بوضع صندوق محيط حول الزرافة، لتحديد موقعها الدقيق داخل الصورة.

الآن، تخيل الزرافة تقف بالقرب من شجرة في السافانا مع حيوانات أخرى. قد يضع نموذج تصنيف الصور تسمية للمشهد بأكمله كـ "سافانا" أو مجرد "حياة برية". ولكن مع اكتشاف الكائنات، سيحدد النموذج كل عنصر بشكل فردي، متعرفاً على الزرافة والشجرة والحيوانات الأخرى، مع وجود صناديق محيطة لكل منها.

Link to this sectionتطبيقات تصنيف الصور باستخدام YOLO11#

إن دقة وأداء نموذج Ultralytics YOLO11 لتصنيف الصور يجعله مفيداً عبر مجموعة واسعة من الصناعات. دعونا نستكشف بعض التطبيقات الرئيسية لـ YOLO11 في تصنيف الصور.

Link to this sectionتصنيف الصور باستخدام YOLO11 في الزراعة#

يمكن أن يساعد تصنيف الصور في تبسيط العديد من الوظائف في صناعة الزراعة والمزارع. وتحديداً، باستخدام نماذج تصنيف الصور مثل YOLO11، يمكن للمزارعين مراقبة صحة محاصيلهم باستمرار، واكتشاف الأمراض الخطيرة، وتحديد أي انتشار للآفات بدقة عالية.

إليك نظرة على كيفية عمل ذلك:

• Image capture: Internet of Things (IoT) devices like cameras and drones can be deployed to capture real-time images of crops from various angles and locations across the fields.
• المعالجة: اعتماداً على الموارد المتاحة والاتصال، يمكن معالجة الصور في الموقع من خلال الحوسبة الطرفية أو رفعها إلى السحابة لإجراء تحليل أكثر كثافة.
• تصنيف الصور باستخدام YOLO11: يمكن لنموذج YOLO11 تحليل هذه الصور لتصنيف حالات المحاصيل المختلفة. قد تشمل الفئات الشائعة: سليمة، مريضة، مصابة بالآفات، أو تعاني من نقص المغذيات، مما يساعد في تحديد المشكلات المحددة التي تؤثر على مناطق مختلفة من الحقل.
• توليد الرؤى: بناءً على التصنيفات، يقدم YOLO11 رؤى حول مؤشرات صحة المحاصيل، مما يساعد المزارعين في اكتشاف العلامات المبكرة للمرض، وتحديد بؤر الآفات، أو رصد نقص المغذيات.
• اتخاذ قرارات مستنيرة: من خلال هذه الرؤى، يمكن للمزارعين اتخاذ قرارات مستهدفة بشأن الري والتسميد ومكافحة الآفات، وتطبيق الموارد فقط في الأماكن التي تشتد الحاجة إليها.

الشكل 3. مثال على فئات مختلفة من الأوراق من سليمة إلى مصابة.

Link to this sectionتصنيف الصور باستخدام YOLO11 في التجزئة#

يمكن لتصنيف الصور تحسين تجربة التسوق بالتجزئة بشكل كبير، مما يجعلها أكثر تخصيصاً وسهولة في الاستخدام. يمكن لـ تجار التجزئة استخدام نماذج رؤية حاسوبية مدربة خصيصاً للتعرف على المنتجات في مخزونهم ودمج هذه القدرة في تطبيقاتهم المحمولة أو مواقعهم الإلكترونية. يمكن للعملاء بعد ذلك البحث عن المنتجات ببساطة عن طريق تحميل صورة، مما يجعل التسوق أسرع وأكثر ملاءمة.

بمجرد قيام العميل بتحميل صورة إلى نظام بحث مرئي، تحدث عدة أشياء في الخلفية قبل ظهور نتائج البحث.

أولاً، يمكن استخدام اكتشاف الكائنات لاختيار العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. بعد ذلك، يمكن استخدام تصنيف الصور لتصنيف كل عنصر بشكل أكبر، والتعرف على ما إذا كان سترة، قميصاً، أريكة، أو طاولة.

مع هذه المعلومات، يمكن للنظام سحب منتجات مشابهة متاحة للشراء، وهو أمر مفيد بشكل خاص للعثور على عناصر فريدة أو عصرية يصعب وصفها بالكلمات وحدها. يمكن لنفس التكنولوجيا أيضاً المساعدة في تبسيط مهام التجزئة الأخرى، مثل إدارة المخزون، من خلال التعرف على العناصر وتصنيفها تلقائياً.

الشكل 4. منصة بحث مرئي تعتمد على تصنيف الصور قيد العمل.

Link to this sectionمراقبة الحياة البرية باستخدام تصنيف الصور مع YOLO11#

تقليدياً، تعد مراقبة الحيوانات في البرية مهمة شاقة تتطلب من الكثير من الأشخاص فرز وتحليل آلاف الصور يدوياً. باستخدام نماذج الرؤية الحاسوبية مثل YOLO11، يمكن لـ الباحثين مراقبة الحيوانات تلقائياً بمعدل أسرع. يمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. يمكن بعد ذلك استخدام نموذج الرؤية بالذكاء الاصطناعي لتحليل هذه الصور وتصنيف الحيوانات بداخلها (إن وجدت). يمكن لهذا النظام مساعدة الباحثين في دراسة وتتبع مجموعات الحيوانات، وأنماط هجرتها، وما إلى ذلك.

طريقة أخرى يمكن أن يساعد بها الذكاء الاصطناعي ونماذج الرؤية الحاسوبية مثل YOLO11 في هذا المجال هي تبسيط عملية تصنيف الأنواع المهددة بالانقراض. من خلال تحديد الأنواع أو فئات السلالات المحتملة التي قد ينتمي إليها حيوان ما، يمكن لهذه النماذج توفير بيانات أساسية للباحثين. على سبيل المثال، طورت جامعة تسمانيا (UTAS) نظاماً يعتمد على تصنيف الصور لمراقبة الحياة البرية في تسمانيا. يمكن للتنبؤات الصادرة عن النماذج بعد ذلك مساعدة العلماء والباحثين في مراقبة نشاط وسلوك الحيوانات، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.

الشكل 5. YOLO11 يتنبأ بالسلالات المحتملة التي قد ينتمي إليها الكلب.

Link to this sectionتجربة تصنيف الصور باستخدام نموذج YOLO11#

الآن بعد أن ناقشنا ماهية تصنيف الصور واستكشفنا بعض تطبيقاته، دعونا نلقي نظرة على كيفية تجربة تصنيف الصور مع نموذج YOLO11 الجديد. هناك طريقتان سهلتان للبدء: استخدام حزمة Ultralytics Python أو من خلال Ultralytics HUB. سنستعرض كلتا الطريقتين.

Link to this sectionتشغيل الاستنتاجات باستخدام YOLO11#

للبدء باستخدام حزمة Ultralytics Python، ما عليك سوى تثبيتها باستخدام pip، أو conda، أو Docker. إذا واجهت أي مشاكل، تحقق من دليل المشكلات الشائعة الخاص بنا للحصول على نصائح استكشاف الأخطاء وإصلاحها المفيدة.

بمجرد تثبيت الحزمة، يمكنك استخدام الكود التالي لتحميل نسخة من نموذج تصنيف الصور YOLO11 وتشغيل استدلال على صورة. يعني تشغيل الاستدلال استخدام نموذج مدرب لإجراء تنبؤات على بيانات جديدة وغير مرئية. يمكنك تجربتها مع صورة من اختيارك!

الشكل 6. تشغيل استدلالات باستخدام نموذج YOLO11.

Link to this sectionتدريب نموذج تصنيف YOLO11 مخصص#

يمكنك أيضاً استخدام نفس حزمة Python لـ تدريب نموذج تصنيف YOLO11 مخصص. يجعل التدريب المخصص من الممكن لك ضبط نموذج YOLO11 ليناسب احتياجاتك الخاصة. على سبيل المثال، إذا كنت تطور تطبيقاً لتصنيف سلالات القطط المختلفة، يمكنك تدريب نموذج YOLO11 مخصص لهذا الغرض فقط.

يوضح الكود أدناه كيفية تحميل وتدريب نموذج تصنيف صور YOLO11. إنه يسمح لك بنقل الأوزان المدربة مسبقاً، باستخدام المعرفة من نموذج موجود لتعزيز أداء نموذجك الخاص. يمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من صور التدرج الرمادي لعناصر الملابس (قمصان، سراويل، أحذية، إلخ). تدريب النموذج على هذه المجموعة يعلمه التعرف على فئات الملابس المختلفة. يمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.

الشكل 7. تدريب مخصص لنموذج YOLO11 لتصنيف الصور.

Link to this sectionجرب YOLO11 على Ultralytics HUB#

على الرغم من أن استخدام حزمة Ultralytics مباشر، إلا أنه يتطلب بعض المعرفة بـ Python. إذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، يمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل تدريب ونشر نماذج YOLO المختلفة بسيطاً ويمكن الوصول إليه. للبدء، ستحتاج إلى إنشاء حساب.

بمجرد تسجيل دخولك، انتقل إلى قسم "الموديلات" (Models) واختر نموذج YOLO11 لتصنيف الصور. سترى مجموعة من أحجام النماذج المتاحة: صغير جداً (nano)، صغير (small)، متوسط (medium)، كبير (large)، وكبير جداً (extra-large). بعد اختيار نموذج، يمكنك تحميل صورة في قسم "المعاينة" (Preview)، حيث ستظهر التنبؤات على الجانب الأيسر من الصفحة بمجرد معالجة الصورة.

الشكل 8. استخدام Ultralytics HUB لتشغيل استدلال.

Link to this sectionأبرز النقاط#

يوفر YOLO11 قدرات تصنيف صور قوية تفتح إمكانيات جديدة عبر مختلف الصناعات. من تحسين مراقبة المحاصيل في الزراعة وتعزيز عمليات البحث عن المنتجات في التجزئة إلى دعم الحفاظ على الحياة البرية، تجعل سرعة ودقة YOLO11 منه مثالياً لتطبيقات متنوعة. مع وجود خيارات للتدريب المخصص من خلال حزمة Ultralytics Python أو إعداد سهل الاستخدام بدون كود على Ultralytics HUB، يمكن للمستخدمين بسهولة دمج YOLO11 في سير عملهم. مع تبني المزيد من الصناعات لحلول الذكاء الاصطناعي، يوفر YOLO11 أداة مرنة وعالية الأداء تدعم الابتكار والتقدم العملي.

لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرعاية الصحية على صفحات الحلول الخاصة بنا. 🚀