كيفية استخدام Ultralytics YOLO11 لتصنيف الصور

لنفترض أن روبوتًا ينظر إلى قطتين، إحداهما سوداء والأخرى بيضاء، ويحتاج إلى معرفة الفرق بينهما. ولتحقيق ذلك، يمكنه استخدام تصنيف الصور، وهي مهمة في الرؤية الحاسوبية تساعد على تحديد العناصر أو المشاهد في صورة وتصنيفها. وفي الواقع، بفضل التطورات الحديثة في الذكاء الاصطناعي (AI)، يمكن استخدام تصنيف الصور في مجموعة واسعة من التطبيقات، بدءًا من مراقبة الحيوانات وصولًا إلى التصنيع والزراعة مع اكتشاف أمراض المحاصيل.

يُعد نموذج Ultralytics YOLO11 أحد أحدث التطورات في تصنيف الصور. أُطلق YOLO11 في فعالية Ultralytics السنوية الهجينة، وهي YOLO Vision 2024 (YV24)، وصُمم للتعامل بسهولة ودقة مع مجموعة واسعة من مهام الرؤية بالذكاء الاصطناعي، بما في ذلك تصنيف الصور.

في هذه المقالة، سنستكشف أساسيات تصنيف الصور، ونناقش التطبيقات الواقعية، ونوضح كيفية استخدام YOLO11 في تصنيف الصور من خلال حزمة Ultralytics لـ Python. وسنلقي أيضًا نظرة على كيفية تجربة إمكانات YOLO11 على Ultralytics HUB في بضع خطوات سهلة. فلنبدأ!

الشكل 1. مثال على استخدام Ultralytics YOLO11 لتصنيف قط فارسي.

ما تصنيف الصور؟#

يعمل تصنيف الصور من خلال تعيين تسمية أو وسم لصورة استنادًا إلى الأنماط التي تعلّمها النموذج من صور موسومة سابقًا. ومن خلال تحليل وحدات البكسل في الصورة بعناية، يمكن لـنموذج الرؤية الحاسوبية العثور على أفضل تطابق للصورة. ويمكن لنماذج موثوقة مثل Ultralytics YOLO11 تنفيذ هذه العملية بسلاسة. وتتيح بنية نموذج YOLO11 معالجة الصور أو إطارات الفيديو بسرعة تكاد تكون فورية، ما يجعله مثاليًا للتطبيقات التي تحتاج إلى تصنيف سريع ودقيق للصور.

لفهم نطاق تصنيف الصور فهمًا حقيقيًا، من المفيد تمييزه عن مهام أخرى مثل اكتشاف العناصر. فبينما يضع تصنيف الصور تسمية للصورة بأكملها، يحدد اكتشاف العناصر كل عنصر داخل الصورة ويحدد موقعه.

الشكل 2. مقارنة بين تصنيف الصور واكتشاف العناصر وتقسيم الصور.

لنفكر في صورة لزرافة. في تصنيف الصور، قد يضع النموذج تسمية للصورة بأكملها باعتبارها زرافة، استنادًا إلى محتواها العام. أما مع اكتشاف العناصر، فلا يكتفي النموذج بتحديد الزرافة، بل يضع أيضًا مربع إحاطة حولها، محددًا موقعها الدقيق داخل الصورة.

تخيل الآن زرافة تقف بالقرب من شجرة في السافانا مع حيوانات أخرى. قد يضع نموذج تصنيف الصور تسمية للمشهد بأكمله باعتباره سافانا أو حياة برية فحسب. أما مع اكتشاف العناصر، فسيحدد النموذج كل عنصر على حدة، متعرفًا على الزرافة والشجرة والحيوانات الأخرى، مع وضع مربع إحاطة خاص بكل منها.

تطبيقات تصنيف الصور باستخدام Ultralytics YOLO11#

تجعل دقة الأداء في نموذج Ultralytics YOLO11 لتصنيف الصور مفيدةً عبر مجموعة واسعة من القطاعات. لنستكشف بعض التطبيقات الرئيسية لـ YOLO11 في تصنيف الصور.

تصنيف الصور باستخدام Ultralytics YOLO11 في الزراعة#

يمكن لتصنيف الصور المساعدة في تبسيط العديد من الوظائف في قطاع الزراعة. وعلى وجه التحديد، باستخدام نماذج تصنيف الصور مثل YOLO11، يستطيع المزارعون مراقبة صحة محاصيلهم باستمرار، واكتشاف الأمراض الخطيرة، وتحديد أي إصابات بالآفات بدقة عالية.

إليك نظرة على كيفية عمل ذلك:

• التقاط الصور: يمكن نشر أجهزة إنترنت الأشياء (IoT) مثل الكاميرات والطائرات المسيّرة من أجل التقاط صور آنية للمحاصيل من زوايا ومواقع مختلفة عبر الحقول.
• المعالجة: بناءً على الموارد المتاحة والاتصال، يمكن معالجة الصور في الموقع من خلال الحوسبة الطرفية، أو تحميلها إلى السحابة لإجراء تحليل أكثر كثافة.
• تصنيف الصور باستخدام YOLO11: يمكن لنموذج YOLO11 تحليل هذه الصور لتصنيف مختلف حالات المحاصيل. وقد تشمل الفئات الشائعة: سليمة، أو مريضة، أو موبوءة بالآفات، أو تعاني نقص العناصر الغذائية، ما يساعد على تحديد المشكلات الخاصة التي تؤثر في مناطق مختلفة من الحقل.
• إنشاء الرؤى: استنادًا إلى التصنيفات، يقدم Ultralytics YOLO11 رؤى حول مؤشرات صحة المحاصيل، مساعدًا المزارعين على اكتشاف العلامات المبكرة للمرض، وتحديد بؤر الآفات، أو رصد أوجه نقص العناصر الغذائية.
• اتخاذ قرارات مستنيرة: بفضل هذه الرؤى، يستطيع المزارعون اتخاذ قرارات موجهة بشأن الري والتسميد ومكافحة الآفات، وتطبيق الموارد في الأماكن الأكثر احتياجًا إليها فقط.

الشكل 3. مثال على فئات مختلفة من الأوراق، من السليمة إلى المصابة.

تصنيف الصور باستخدام Ultralytics YOLO11 في قطاع التجزئة#

يمكن لتصنيف الصور تحسين تجربة التسوق بالتجزئة بدرجة كبيرة، وجعلها أكثر تخصيصًا وسهولة للمستخدم. ويمكن لـتجار التجزئة استخدام نماذج رؤية حاسوبية مدرّبة مخصصًا للتعرف على المنتجات في مخزونهم ودمج هذه الإمكانية في تطبيقاتهم المحمولة أو مواقعهم الإلكترونية. ويمكن للعملاء بعد ذلك البحث عن المنتجات بمجرد تحميل صورة، ما يجعل التسوق أسرع وأكثر ملاءمة.

بمجرد أن يحمّل العميل صورة إلى نظام بحث مرئي، تحدث عدة أمور في الخلفية قبل ظهور نتائج البحث.

أولًا، يمكن استخدام اكتشاف العناصر لاستخراج العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. بعد ذلك، يمكن استخدام تصنيف الصور لتصنيف كل عنصر بمزيد من التفصيل، وتحديد ما إذا كان سترة أو قميصًا أو أريكة أو طاولة.

باستخدام هذه المعلومات، يستطيع النظام عرض منتجات مشابهة متاحة للشراء، وهو أمر مفيد خصوصًا للعثور على العناصر الفريدة أو الرائجة التي يصعب وصفها بالكلمات وحدها. ويمكن للتقنية نفسها أيضًا المساعدة في تبسيط مهام أخرى في قطاع التجزئة، مثل إدارة المخزون، من خلال التعرف على العناصر وتصنيفها تلقائيًا.

الشكل 4. منصة بحث مرئي قائمة على تصنيف الصور أثناء العمل.

مراقبة الحياة البرية باستخدام تصنيف الصور في Ultralytics YOLO11#

تقليديًا، تُعد مراقبة الحيوانات في البرية مهمة شاقة تتضمن فرز آلاف الصور وتحليلها يدويًا بواسطة عدد كبير من الأشخاص. وباستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، يستطيع الباحثون مراقبة الحيوانات تلقائيًا وبسرعة أكبر. ويمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. وبعد ذلك، يمكن استخدام نموذج الرؤية بالذكاء الاصطناعي لتحليل هذه الصور وتصنيف الحيوانات الموجودة فيها، إن وُجدت. ويمكن لمثل هذا النظام مساعدة الباحثين في دراسة مجموعات الحيوانات وتتبّعها وأنماط هجرتها، وغير ذلك.

ومن الطرق الأخرى التي يمكن أن تساعد بها نماذج الذكاء الاصطناعي والرؤية الحاسوبية مثل Ultralytics YOLO11 في هذا المجال تبسيط عملية تصنيف الأنواع المهددة بالانقراض. فمن خلال تحديد فئات الأنواع أو السلالات المحتملة التي قد ينتمي إليها الحيوان، يمكن لهذه النماذج توفير بيانات أساسية للباحثين. فعلى سبيل المثال، طورت جامعة تسمانيا (UTAS) نظامًا قائمًا على تصنيف الصور لمراقبة مختلف أنواع الحياة البرية في تسمانيا. ويمكن لتنبؤات النماذج بعد ذلك مساعدة العلماء والباحثين على متابعة نشاط الحيوانات وسلوكها، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.

الشكل 5. تنبؤ Ultralytics YOLO11 بالسلالات المحتملة التي قد ينتمي إليها كلب.

تجربة تصنيف الصور باستخدام نموذج Ultralytics YOLO11#

بعد أن ناقشنا ماهية تصنيف الصور واستكشفنا بعض تطبيقاته، لنلقِ نظرة على كيفية تجربة تصنيف الصور باستخدام نموذج YOLO11 الجديد. توجد طريقتان سهلتان للبدء: استخدام حزمة Ultralytics لـ Python أو Ultralytics HUB. وسنستعرض كلا الخيارين.

تشغيل عمليات الاستدلال باستخدام Ultralytics YOLO11#

لبدء استخدام حزمة Ultralytics لـ Python، ما عليك سوى تثبيتها باستخدام pip أو conda أو Docker. وإذا واجهتك أي مشكلات، فراجع دليل المشكلات الشائعة للاطلاع على نصائح استكشاف الأخطاء وإصلاحها المفيدة.

بعد تثبيت الحزمة، يمكنك استخدام التعليمات البرمجية التالية لتحميل أحد إصدارات نموذج Ultralytics YOLO11 لتصنيف الصور وتشغيل استدلال على صورة. ويعني تشغيل الاستدلال استخدام نموذج مدرّب لإجراء تنبؤات على بيانات جديدة وغير مرئية. ويمكنك تجربته باستخدام صورة من اختيارك!

الشكل 6. تشغيل عمليات الاستدلال باستخدام نموذج Ultralytics YOLO11.

تدريب نموذج تصنيف مخصص باستخدام Ultralytics YOLO11#

يمكنك أيضًا استخدام حزمة Python نفسها لـتدريب نموذج تصنيف مخصص باستخدام Ultralytics YOLO11. ويتيح التدريب المخصص ضبط نموذج YOLO11 ليتوافق مع احتياجاتك المحددة. فعلى سبيل المثال، إذا كنت تطور تطبيقًا لتصنيف سلالات القطط المختلفة، فيمكنك تدريب نموذج YOLO11 مخصص لهذا الغرض تحديدًا.

توضح التعليمات البرمجية أدناه كيفية تحميل نموذج Ultralytics YOLO11 لتصنيف الصور وتدريبه. كما تتيح لك نقل الأوزان المدرّبة مسبقًا، باستخدام المعرفة من نموذج موجود لتعزيز أداء نموذجك الخاص. ويمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من الصور ذات التدرج الرمادي لعناصر الملابس، مثل القمصان والسراويل والأحذية وغير ذلك. ويعلّم تدريب النموذج على مجموعة البيانات هذه التعرف على فئات الملابس المختلفة. ويمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.

الشكل 7. تدريب نموذج Ultralytics YOLO11 مخصص لتصنيف الصور.

جرّب YOLO11 على Ultralytics HUB#

على الرغم من أن استخدام حزمة Ultralytics سهل ومباشر، فإنه يتطلب بعض المعرفة بـ Python. وإذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، فيمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل تدريب نماذج YOLO المختلفة ونشرها أمرًا بسيطًا ومتاحًا. وللبدء، ستحتاج إلى إنشاء حساب.

بعد تسجيل الدخول، انتقل إلى قسم «Models» وحدد نموذج Ultralytics YOLO11 لتصنيف الصور. سترى مجموعة من أحجام النماذج المتاحة: nano وsmall وmedium وlarge وextra-large. وبعد اختيار نموذج، يمكنك تحميل صورة في قسم «Preview»، حيث ستظهر التنبؤات على الجانب الأيسر من الصفحة بعد معالجة الصورة.

الشكل 8. استخدام Ultralytics HUB لتشغيل استدلال.

أهم النقاط المستخلصة#

يوفر YOLO11 إمكانات قوية لتصنيف الصور تفتح آفاقًا جديدة في مختلف القطاعات. فمن تحسين مراقبة المحاصيل في الزراعة وتعزيز عمليات البحث عن المنتجات في قطاع التجزئة إلى دعم الحفاظ على الحياة البرية، تجعل سرعة YOLO11 ودقته أداة مثالية لتطبيقات متنوعة. ومع توفر خيارات للتدريب المخصص من خلال حزمة Ultralytics لـ Python أو إعداد سهل الاستخدام بلا تعليمات برمجية على Ultralytics HUB، يستطيع المستخدمون دمج YOLO11 بسهولة في سير عملهم. ومع تبني المزيد من القطاعات لحلول الذكاء الاصطناعي، يقدم YOLO11 أداة مرنة وعالية الأداء تدعم الابتكار والتطورات العملية.

لمزيد من الاستكشاف، تفضل بزيارة مستودعنا على GitHub، وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرعاية الصحية على صفحات حلولنا. 🚀