كيفية استخدام Ultralytics YOLO11 لتصنيف الصور
تعرف على كيفية تحسين نموذج Ultralytics YOLO11 الجديد لتصنيف الصور، مما يوفر دقة أفضل للمهام في الزراعة، والتجزئة، ومراقبة الحياة البرية.
لنفترض أن هناك robot ينظر إلى قطتين، إحداهما سوداء والأخرى بيضاء، وعليها معرفة أيهما هي الأخرى. للقيام بذلك، يمكنها استخدام image classification، وهي computer vision task تساعد في تحديد وتصنيف الكائنات أو المشاهد في الصورة. في الواقع، بفضل التطورات الأخيرة في artificial intelligence (AI)، يمكن استخدام image classification في مجموعة واسعة من التطبيقات التي تتراوح من animal monitoring إلى التصنيع والزراعة مع crop disease detection.
أحد أحدث التطورات في image classification هو Ultralytics YOLO11 model. تم إطلاق YOLO11 في Ultralytics' annual hybrid event، YOLO Vision 2024 (YV24)، ليتناول مجموعة واسعة من مهام vision AI، بما في ذلك image classification، بكل سهولة ودقة.
في هذه المقالة، سنستكشف أساسيات image classification، ونناقش التطبيقات الواقعية، ونوضح لك كيفية استخدام YOLO11 لـ image classification من خلال Ultralytics Python package. سنلقي نظرة أيضاً على كيفية تجربة قدرات YOLO11’s على Ultralytics HUB في خطوات قليلة سهلة. لنبدأ!
الشكل 1. مثال على استخدام Ultralytics YOLO11 لتصنيف قطة فارسية.
ما هو تصنيف الصور؟#
يعمل تصنيف الصور من خلال تعيين تسمية أو علامة للصورة بناءً على الأنماط المتعلمة من الصور المسماة مسبقًا. من خلال التحليل الدقيق لبكسلات الصورة، يمكن لـ نموذج الرؤية الحاسوبية العثور على التطابق الأفضل للصورة. النماذج الموثوقة مثل Ultralytics YOLO11 يمكنها التعامل بسلاسة مع هذه العملية. تتيح بنية نموذج YOLO11 معالجة الصور أو إطارات الفيديو بشكل فوري تقريبا، مما يجعله مثاليًا للتطبيقات التي تتطلب تصنيف صور سريعًا ودقيقًا.
لفهم نطاق تصنيف الصور حقًا، من المفيد تمييزه عن المهام الأخرى مثل object detection. بينما يصنف تصنيف الصور الصورة بأكملها، يقوم اكتشاف الكائنات بتحديد وتحديد موقع كل كقطة داخل الصورة.
Fig 2. مقارنة بين تصنيف الصور، واكتشاف الكائنات، وتقسيم الصور.
دعونا نأخذ صورة لزرافة. في image classification، قد يضع النموذج تسمية للصورة بأكملها ببساطة كزرافة بناءً على محتواها العام. ومع ذلك، مع object detection، لا يتوقف النموذج عند تحديد الزرافة؛ بل يضع أيضًا مربع احاطة حول الزرافة، مما يحدد موقعها بالضبط 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.
تطبيقات تصنيف الصور باستخدام Ultralytics YOLO11#
تجعل دقة وperformance نموذج Ultralytics YOLO11 لتصنيف الصور مفيدًا عبر مجموعة واسعة من الصناعات. دعنا نستكشف بعض التطبيقات الرئيسية لـ YOLO11 في تصنيف الصور.
تصنيف الصور باستخدام Ultralytics YOLO11 في قطاع الزراعة#
يمكن أن يساعد تصنيف الصور في تبسيط العديد من الوظائف في صناعة agriculture والزراعة. على وجه التحديد، باستخدام نماذج تصنيف الصور مثل YOLO11، يمكن للمزارعين مراقبة صحة crops باستمرار، والكشف عن الأمراض الخطيرة، وتحديد أي pest infestations بدقة عالية.
إليك نظرة على كيفية عمل ذلك:
- Image capture: يمكن deployed Internet of Things (IoT) devices مثل cameras and drones لالتقاط صور في الوقت الفعلي للمحاصيل من زوايا ومواقع مختلفة عبر الحقول.
- Processing: اعتمادًا على الموارد المتاحة والاتصال، يمكن معالجة الصور في الموقع من خلال edge computing أو تحميلها إلى cloud لتحليل أكثر كثافة.
- Image classification with YOLO11: يمكن لنموذج YOLO11 تحليل هذه الصور لتصنيف مختلف crop conditions. قد تتضمن الفئات الشائعة صحية، أو مصابة بالمرض، أو موبوءة بالآفات، أو تعاني من نقص المغذيات، مما يساعد في تحديد المشكلات المحددة التي تؤثر على مناطق مختلفة من الحقل.
- توليد الرؤى: بناءً على التصنيفات، توفر نماذج Ultralytics YOLO11 رؤى حول مؤشرات صحة المحاصيل، مما يساعد المزارعين في اكتشاف العلامات المبكرة للأمراض، وتحديد بؤر الآفات، أو رصد نقص المغذيات.
- Informed decision-making: مع هذه الرؤى، يمكن للمزارعين اتخاذ قرارات مستهدفة بشأن الري، والتسميد، ومكافحة الآفات، وتطبيق الموارد فقط في المكان الذي تكون فيه بأشد الحاجة.
Fig 3. مثال على فئات مختلفة من الأوراق من السليمة إلى المصابة.
تصنيف الصور باستخدام Ultralytics YOLO11 في قطاع التجزئة#
يمكن أن تحسن تصنيف الصور بشكل كبير من تجربة retail shopping، مما يجعلها أكثر تخصيصًا وسهولة في الاستخدام. يمكن لـ Retailers استخدام نماذج رؤية حاسوبية custom-trained التعرف على المنتجات في مخزونهم ودمج هذه القدرة في تطبيقات الهاتف المحمول أو مواقع الويب الخاصة بهم. 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 object detection 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 عما إذا كان سترة، أو قميص، أو أريكة، أو طاولة.
بهذه المعلومات، يمكن للنظام جلب similar products المتاحة للشراء، وهو أمر مفيد بشكل خاص للعثور على عناصر فريدة أو عصرية يصعب وصفها بالكلمات وحدها. يمكن لنفس التقنية أيضًا أن تساعد في تبسيط مهام البيع بالتجزئة الأخرى، مثل inventory management، من خلال التعرف على العناصر وتصنيفها تلقائيًا.
Fig 4. منصة بحث مرئي تعتمد على تصنيف الصور قيد العمل.
مراقبة الحياة البرية باستخدام تصنيف الصور من Ultralytics YOLO11#
تقليديًا، تعد مراقبة الحيوانات في البرية مهمة شاقة تتطلب مشاركة العديد من الأشخاص في فرز وتحليل آلاف الصور يدويًا. وبفضل أوضاع الرؤية الحاسوبية مثل Ultralytics YOLO11، يمكن للباحثين مراقبة الحيوانات تلقائيًا وبمعدل أسرع. يمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. ويمكن بعد ذلك استخدام نموذج الذكاء الاصطناعي للرؤية لتحليل هذه الصور وتصنيف الحيوانات الموجودة فيها (إن وجدت). يمكن لمثل هذا النظام أن يساعد الباحثين في دراسة وتتبع التجمعات الحيوانية، وأنماط هجرتها، وما إلى ذلك.
هناك طريقة أخرى يمكن أن تساعد بها نماذج الذكاء الاصطناعي والرؤية الحاسوبية مثل Ultralytics YOLO11 في هذا المجال، وهي تبسيط عملية تصنيف الأنواع المهددة بالانقراض. من خلال تحديد الأنواع المحتملة أو فئات السلالات التي قد تنتمي إليها الحيوانات، يمكن لهذه النساخ (النماذج) توفير بيانات أساسية للباحثين. على سبيل المثال، طورت جامعة تسمانيا (UTAS) نظامًا يعتمد على تصنيف الصور لمراقبة الحياة البرية في تسمانيا المختلفة. ويمكن للتنبؤات الصادرة عن النماذج بعد ذلك مساعدة العلماء والباحثين على مراقبة نشاط وسلوك الحيوانات، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.
الشكل 5. نموذج Ultralytics YOLO11 يتنبأ بالسلالات المحتملة التي قد ينتمي إليها الكلب.
تجربة تصنيف الصور باستخدام نموذج Ultralytics YOLO11#
الآن بعد أن ناقشنا ما هو تصنيف الصور واستكشفنا بعض تطبيقاته، دعنا نلقي نظرة على كيف يمكنك تجربة تصنيف الصور باستخدام نموذج YOLO11 الجديد. هناك طريقتان سهلتان للبدء: استخدام Ultralytics Python package أو من خلال Ultralytics HUB. سنقوم بشرح كلا الخيارين.
تشغيل الاستدلالات باستخدام Ultralytics YOLO11#
للبدء باستخدام حزمة بايثون من Ultralytics، قم ببساطة بـ install it باستخدام pip أو conda أو Docker. إذا واجهتك أي مشكلات، راجع Common Issues Guide للحصول على troubleshooting tips مفيدة.
بمجرد تثبيت الحزمة، يمكنك استخدام الكود التالي لتحميل متغير من نموذج تصنيف الصور Ultralytics YOLO11 وتشغيل الاستدلال على صورة. يعني تشغيل الاستدلال استخدام نموذج مدرب لإجراء تنبؤات على بيانات جديدة وغير مرئية من قبل. يمكنك تجربته باستخدام صورة من اختيارك!
الشكل 6. تشغيل الاستدلال باستخدام نموذج Ultralytics YOLO11.
تدريب نموذج تصنيف مخصص باستخدام Ultralytics YOLO11#
يمكنك أيضًا استخدام حزمة Python نفسها لـ تدريب نموذج تصنيف Ultralytics YOLO11 مخصص. يتيح لك التدريب المخصص ضبط نموذج YOLO11 بدقة لـ احتياجاتك المحددة. على سبيل المثال، إذا كنت تطور تطبيقًا لتصنيف سلالات القطط المختلفة، يمكنك تدريب نموذج YOLO11 خصيصًا لهذا الغرض.
يوضح الكود أدناه كيفية تحميل وتدريب نموذج تصنيف الصور Ultralytics YOLO11. فهو يتيح لك نقل الأوزان المدرب مسبقًا، مستفيدًا من المعرفة المكتسبة 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). يؤدي تدريب النموذج على مجموعة البيانات هذه إلى تعليمه كيفية التعرف على فئات الملابس المختلفة. يمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.
الشكل 7. التدريب المخصص لنموذج Ultralytics YOLO11 لتصنيف الصور.
جرب YOLO11 على Ultralytics HUB#
على الرغم من أن استخدام حزمة Ultralytics أمر مباشر، إلا أنه يتطلب بعض المعرفة بلغة بايثون. إذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، يمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل تدريب ونشر نماذج YOLO المختلفة بسيطا ويمكن الوصول إليه. للبدء، ستحتاج إلى create an account.
بمجرد تسجيل الدخول، انتقل إلى قسم "Models" (النماذج) وحدد نموذج Ultralytics YOLO11 لتصنيف الصور. ستجد مجموعة من أحجام النماذج المتاحة: nano، وsmall، وmedium، وlarge، وextra-large. بعد اختيار النموذج، يمكنك تحميل صورة في قسم "Preview" (المعاينة)، حيث ستظهر التنبؤات على الجانب الأيسر من الصفحة بمجرد معالجة الصورة.
الشكل 8. استخدام Ultralytics HUB لتشغيل استدلال.
أبرز 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 GitHub repository، وتفاعل مع community. استكشف تطبيقات الذكاء الاصطناعي في self-driving cars وhealthcare على صفحات الحلول الخاصة بنا. 🚀
