كيفية استخدام Ultralytics YOLO11 لتصنيف الصور

لنفترض أن روبوتًا يرى قطتين، إحداهما سوداء والأخرى بيضاء، ويحتاج إلى معرفة أيتهما أيّ. يمكنه الاستعانة بـتصنيف الصور، وهي مهمة في الرؤية الحاسوبية تساعد على تحديد الأجسام أو المشاهد في الصورة وتصنيفها. وبفضل التطورات الحديثة في الذكاء الاصطناعي (AI)، يمكن استخدام تصنيف الصور في مجموعة واسعة من التطبيقات، من مراقبة الحيوانات إلى التصنيع والزراعة، بما في ذلك اكتشاف أمراض المحاصيل.

من أبرز التطورات في تصنيف الصور نموذج Ultralytics YOLO11. أُطلق YOLO11 في الفعالية السنوية الهجينة لـ Ultralytics، YOLO Vision 2024 (YV24)، وصُمم للتعامل بسهولة ودقة مع مجموعة واسعة من مهام الرؤية الحاسوبية والذكاء الاصطناعي، بما في ذلك تصنيف الصور. (وقد خلفه منذ ذلك الحين Ultralytics YOLO26، الذي يدعم المهام نفسها.)

سنستكشف في هذه المقالة أساسيات تصنيف الصور، ونناقش تطبيقاته الواقعية، ونوضح كيفية استخدام YOLO11 لتصنيف الصور من خلال حزمة Ultralytics Python. وسنلقي نظرة أيضًا على كيفية تجربة إمكانات YOLO11 على Ultralytics HUB (المعروفة الآن باسم Ultralytics Platform) في بضع خطوات سهلة. لنبدأ!

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

ما تصنيف الصور؟#

يعمل تصنيف الصور بإسناد تسمية أو وسم إلى الصورة استنادًا إلى الأنماط التي تعلمها النموذج من صور موسومة سابقًا. ومن خلال تحليل بكسلات الصورة بعناية، يستطيع نموذج للرؤية الحاسوبية تحديد أفضل تطابق لها. ويمكن للنماذج الموثوقة مثل Ultralytics YOLO11 إنجاز هذه العملية بكفاءة. وتجعل بنية YOLO11 من الممكن معالجة الصور أو إطارات الفيديو بسرعة تكاد تكون فورية، ما يجعله مثاليًا للتطبيقات التي تتطلب تصنيفًا سريعًا ودقيقًا للصور.

لفهم نطاق تصنيف الصور حقًا، من المفيد تمييزه عن المهام الأخرى مثل اكتشاف الكائنات. فبينما يصنّف تصنيف الصور الصورة كاملة، يحدّد اكتشاف الكائنات كل كائن داخل الصورة ويحدّد موقعه.

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

لنتأمل صورة زرافة. في تصنيف الصور، قد يضع النموذج تسمية «زرافة» للصورة بأكملها استنادًا إلى محتواها العام. أما في اكتشاف الأجسام، فلا يكتفي النموذج بالتعرّف على الزرافة، بل يرسم حولها أيضًا صندوق إحاطة يحدد موقعها بدقة داخل الصورة.

تخيّل الآن زرافة تقف قرب شجرة في السافانا مع حيوانات أخرى. قد يصنّف نموذج تصنيف الصور المشهد بأكمله على أنه سافانا أو حياة برية فحسب. أما في اكتشاف الكائنات، فسيحدّد النموذج كل عنصر على حدة، ويتعرّف على الزرافة والشجرة والحيوانات الأخرى، مع وضع مربع إحاطة خاص بكل منها.

تطبيقات تصنيف الصور باستخدام Ultralytics YOLO11#

تجعل دقة نموذج Ultralytics YOLO11 وأداؤه في تصنيف الصور منه أداة مفيدة في مجموعة واسعة من القطاعات. فلنستكشف بعض التطبيقات الرئيسية لـ YOLO11 في تصنيف الصور.

تصنيف الصور باستخدام Ultralytics YOLO11 في الزراعة#

يمكن أن يساعد تصنيف الصور على تبسيط العديد من العمليات في قطاع الزراعة. وعلى وجه التحديد، يستطيع المزارعون، باستخدام نماذج تصنيف الصور مثل YOLO11، مراقبة صحة محاصيلهم باستمرار، واكتشاف الأمراض الخطيرة، وتحديد الإصابات بالآفات بدقة عالية.

إليك نظرة على آلية العمل:

• التقاط الصور: يمكن نشر أجهزة إنترنت الأشياء (IoT)، مثل الكاميرات والطائرات المسيّرة، لالتقاط صور آنية للمحاصيل من زوايا ومواقع مختلفة في الحقول.
• المعالجة: اعتمادًا على الموارد المتاحة والاتصال، يمكن معالجة الصور في الموقع باستخدام الحوسبة الطرفية أو تحميلها إلى السحابة لإجراء تحليل أكثر كثافة.
• تصنيف الصور باستخدام YOLO11: يمكن لنموذج YOLO11 تحليل هذه الصور لتصنيف حالات المحاصيل المختلفة. وقد تشمل الفئات الشائعة: سليمة، أو مصابة بالأمراض، أو موبوءة بالآفات، أو تعاني نقصًا في العناصر الغذائية، مما يساعد على تحديد المشكلات المحددة التي تؤثر في مناطق مختلفة من الحقل.
• استخلاص الرؤى: استنادًا إلى التصنيفات، يقدم Ultralytics YOLO11 رؤى حول مؤشرات صحة المحاصيل، مما يساعد المزارعين على اكتشاف العلامات المبكرة للأمراض، وتحديد بؤر انتشار الآفات، أو رصد نقص العناصر الغذائية.
• اتخاذ قرارات مستنيرة: بفضل هذه الرؤى، يستطيع المزارعون اتخاذ قرارات محددة بشأن الري والتسميد ومكافحة الآفات، وتخصيص الموارد حيث تشتد الحاجة إليها فقط.

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

تصنيف الصور باستخدام Ultralytics YOLO11 في قطاع البيع بالتجزئة#

يمكن لتصنيف الصور أن يحسّن تجربة التسوق بالتجزئة بدرجة كبيرة، فيجعلها أكثر تخصيصًا وسهولة للمستخدم. ويمكن لتجار التجزئة استخدام نماذج رؤية حاسوبية مخصصة ومدرّبة للتعرّف على المنتجات في مخزونهم ودمج هذه الإمكانية في تطبيقاتهم المحمولة أو مواقعهم الإلكترونية. وبعد ذلك، يمكن للعملاء البحث عن المنتجات بمجرد تحميل صورة، مما يجعل التسوق أسرع وأكثر ملاءمة.

عندما يحمّل أحد العملاء صورة إلى نظام للبحث المرئي، تحدث عدة أمور في الخلفية قبل ظهور نتائج البحث.

أولًا، يمكن استخدام اكتشاف الكائنات لاستخراج العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. ثم يمكن استخدام تصنيف الصور لمزيد من تصنيف كل عنصر، والتعرّف على 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 التعرّف 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 تتطلب من أشخاص كثيرين فرز آلاف الصور وتحليلها يدويًا. وباستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، يستطيع الباحثون مراقبة الحيوانات آليًا وبسرعة أكبر. ويمكن وضع كاميرات في الموائل الطبيعية لالتقاط الصور. وبعد ذلك، يمكن استخدام نموذج ذكاء اصطناعي للرؤية لتحليل هذه الصور وتصنيف الحيوانات الموجودة فيها، إن وُجدت. ويمكن لنظام كهذا مساعدة الباحثين على دراسة تجمعات الحيوانات وتتبعها ورصد أنماط هجرتها.

ومن الطرق الأخرى التي يمكن أن يساعد بها الذكاء الاصطناعي ونماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في هذا المجال تبسيط عملية تصنيف الأنواع المهددة بالانقراض. فمن خلال تحديد الأنواع أو فئات السلالات المحتملة التي قد ينتمي إليها الحيوان، تستطيع هذه النماذج توفير بيانات أساسية للباحثين. فعلى سبيل المثال، طوّرت جامعة تسمانيا (UTAS) نظامًا قائمًا على تصنيف الصور لمراقبة الحياة البرية في تسمانيا. ويمكن أن تساعد تنبؤات النماذج العلماء والباحثين بعد ذلك على متابعة نشاط الحيوانات وسلوكها، الأمر الذي 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، لنتعرّف على كيفية تجربة تصنيف الصور باستخدام YOLO11. هناك طريقتان سهلتان للبدء: استخدام حزمة Ultralytics Python أو عبر Ultralytics HUB. سنشرح الخيارين.

تشغيل الاستدلال باستخدام Ultralytics YOLO11#

للبدء باستخدام حزمة Ultralytics Python، ما عليك سوى تثبيتها باستخدام pip أو conda أو Docker. وإذا واجهت أي مشكلات، فراجع دليل المشكلات الشائعة للاطلاع على نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.

بعد تثبيت الحزمة، يمكنك استخدام الشيفرة التالية لتحميل أحد إصدارات نموذج Ultralytics YOLO11 لتصنيف الصور وإجراء استدلال على صورة. ويعني إجراء الاستدلال استخدام نموذج مدرّب لإصدار تنبؤات على بيانات جديدة لم يسبق له رؤيتها. يمكنك تجربة ذلك باستخدام صورة تختارها!

الشكل 6. إجراء استدلالات باستخدام نموذج Ultralytics YOLO11.

تدريب نموذج تصنيف مخصّص باستخدام Ultralytics YOLO11#

يمكنك أيضًا استخدام حزمة Python نفسها لتدريب نموذج تصنيف مخصص من Ultralytics YOLO11. ويتيح التدريب المخصص ضبطًا دقيقًا لنموذج YOLO11 ليلائم احتياجاتك المحددة. فعلى سبيل المثال، إذا كنت تطوّر تطبيقًا لتصنيف سلالات القطط المختلفة، فيمكنك تدريب مصنّف YOLO11 مخصصًا لهذا الغرض تحديدًا.

يوضح الرمز أدناه كيفية تحميل نموذج لتصنيف الصور من Ultralytics YOLO11 وتدريبه. ويتيح لك نقل أوزان مدرّبة مسبقًا، والاستفادة من المعرفة المكتسبة من نموذج موجود لتعزيز أداء نموذجك. ويمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من الصور الرمادية لقطع الملابس (قمصان وسراويل وأحذية وغير ذلك). ويعلّم تدريب النموذج على هذه المجموعة إياه التعرّف 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 مخصصًا لتصنيف الصور.

جرّب YOLO11 على Ultralytics HUB#

على الرغم من سهولة استخدام حزمة Ultralytics، فإنها تتطلب بعض المعرفة بلغة Python. وإذا كنت تبحث عن خيار أسهل للمبتدئين، فيمكنك استخدام Ultralytics HUB، وهي منصة مصممة لتبسيط تدريب نماذج YOLO المختلفة ونشرها وإتاحتهما للجميع. وللبدء، ستحتاج إلى إنشاء حساب.

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

الشكل 8. استخدام Ultralytics HUB لإجراء استدلال.

أبرز النقاط#

يوفر YOLO11 إمكانات قوية لتصنيف الصور تفتح آفاقًا جديدة في قطاعات مختلفة. فمن تحسين مراقبة المحاصيل في الزراعة وتعزيز البحث عن المنتجات في تجارة التجزئة إلى دعم الحفاظ على الحياة البرية، تجعل سرعة YOLO11 ودقته منه خيارًا مثاليًا لتطبيقات متنوعة. وبفضل خيارات التدريب المخصص عبر حزمة Ultralytics Python أو الإعداد السهل من دون برمجة على Ultralytics HUB، يستطيع المستخدمون دمج YOLO11 في سير عملهم بسهولة. ومع تزايد اعتماد القطاعات المختلفة على الذكاء الاصطناعي، يقدم YOLO11 خيارًا مرنًا وسريعًا لتصنيف الصور.

للاطلاع على مزيد من المعلومات، تفضل بزيارة مستودعنا على GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرعاية الصحية في صفحات حلولنا.