تعرّف على كيف يحسن نموذج Ultralytics YOLO11 الجديد تصنيف الصور، مما يوفر دقة أفضل للمهام في الزراعة، والبيع بالتجزئة، ومراقبة الحياة البرية.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرّف على كيف يحسن نموذج Ultralytics YOLO11 الجديد تصنيف الصور، مما يوفر دقة أفضل للمهام في الزراعة، والبيع بالتجزئة، ومراقبة الحياة البرية.
لنفترض أن روبوتًا ينظر إلى قطتين، واحدة سوداء وأخرى بيضاء، ويحتاج إلى معرفة أيهما. للقيام بذلك، يمكنه استخدام تصنيف الصور، وهي 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 التي تتراوح من مراقبة الحيوانات إلى التصنيع والزراعة مع الكشف عن أمراض المحاصيل.
تتمثل إحدى أحدث التطورات في تصنيف الصور في نموذج Ultralytics YOLO11. تم إطلاق YOLO11 في حدث Ultralytics السنوي المختلط، YOLO Vision 2024 (YV24)، وهو مصمم لمعالجة مجموعة واسعة من مهام الرؤية المدعومة بالذكاء الاصطناعي (Vision AI)، بما في ذلك تصنيف الصور، بسهولة ودقة.
في هذه المقالة، سنستكشف أساسيات تصنيف الصور، ونناقش التطبيقات الواقعية، ونوضح لك كيف يمكنك استخدام YOLO11 لـ تصنيف الصور من خلال حزمة Ultralytics Python. سنلقي نظرة أيضًا على كيفية تجربة إمكانات YOLO11 على Ultralytics HUB في بضع خطوات سهلة. هيا بنا نبدأ!
يعمل تصنيف الصور عن طريق تعيين تسمية أو علامة لصورة بناءً على الأنماط المستفادة من الصور التي تم تسميتها مسبقًا. من خلال تحليل وحدات البكسل في الصورة بعناية، يمكن لنموذج رؤية الكمبيوتر 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 على الفور تقريبًا، مما يجعلها مثالية للتطبيقات التي تحتاج إلى تصنيف صور سريع ودقيق.
لفهم نطاق تصنيف الصور بشكل كامل، من المفيد تمييزه عن المهام الأخرى مثل اكتشاف الكائنات. ففي حين أن تصنيف الصور يضع علامة على الصورة بأكملها، يحدد اكتشاف الكائنات كل كائن داخل الصورة ويحدد مكانه.
دعونا نفكر في صورة لزرافة. في تصنيف الصور، قد يصنف النموذج الصورة بأكملها ببساطة على أنها زرافة بناءً على محتواها العام. ومع ذلك، مع الكشف عن الكائنات، لا يتوقف النموذج عند تحديد الزرافة فحسب؛ بل يضع أيضًا مربعًا محيطًا حول الزرافة، لتحديد موقعها الدقيق داخل الصورة.
تخيل الآن الزرافة واقفة بالقرب من شجرة في السافانا مع حيوانات أخرى. قد يصنف نموذج تصنيف الصور المشهد بأكمله على أنه سافانا أو مجرد حياة برية. ومع ذلك، باستخدام اكتشاف الكائنات، سيحدد النموذج كل عنصر على حدة، مع التعرف على الزرافة والشجرة والحيوانات الأخرى، ولكل منها مربعات إحاطة خاصة بها.
إن دقة و أداء نموذج Ultralytics YOLO11 لتصنيف الصور يجعله مفيدًا في مجموعة واسعة من الصناعات. دعنا نستكشف بعض التطبيقات الرئيسية لـ YOLO11 في تصنيف الصور.
يمكن أن يساعد تصنيف الصور في تبسيط العديد من الوظائف في صناعة الزراعة والمزارع. على وجه التحديد، باستخدام نماذج تصنيف الصور مثل YOLO11، يمكن للمزارعين مراقبة صحة محاصيلهم باستمرار، واكتشاف الأمراض الخطيرة، وتحديد أي إصابات بالآفات بدقة عالية.
إليك نظرة على كيفية عمل ذلك:
يمكن أن يحسن تصنيف الصور بشكل كبير تجربة التسوق بالتجزئة، مما يجعلها أكثر تخصيصًا وسهولة في الاستخدام. يمكن لتجار التجزئة استخدام نماذج رؤية الكمبيوتر المدربة خصيصًا للتعرف على المنتجات في مخزونهم ودمج هذه الإمكانية في تطبيقاتهم أو مواقعهم الإلكترونية. يمكن للعملاء بعد ذلك البحث عن المنتجات ببساطة عن طريق تحميل صورة، مما يجعل التسوق أسرع وأكثر ملاءمة.
بمجرد أن يقوم العميل بتحميل صورة إلى نظام البحث المرئي، تحدث عدة أشياء خلف الكواليس قبل ظهور نتائج البحث.
أولاً، يمكن استخدام اكتشاف الكائنات لانتقاء العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. بعد ذلك، يمكن استخدام تصنيف الصور لزيادة تصنيف كل عنصر، والتعرف على ما إذا كان سترة أو قميصًا أو أريكة أو طاولة.
باستخدام هذه المعلومات، يمكن للنظام سحب منتجات مماثلة متاحة للشراء، وهو أمر مفيد بشكل خاص للعثور على عناصر فريدة أو عصرية يصعب وصفها بالكلمات وحدها. يمكن أن تساعد نفس التقنية أيضًا في تبسيط مهام البيع بالتجزئة الأخرى، مثل إدارة المخزون، عن طريق التعرف على العناصر وتصنيفها تلقائيًا.
تقليديًا، تعد مراقبة الحيوانات في البرية مهمة شاقة تتضمن قيام العديد من الأشخاص بفرز وتحليل آلاف الصور يدويًا. باستخدام أوضاع رؤية الحاسوب مثل YOLO11، يمكن للباحثين مراقبة الحيوانات تلقائيًا بمعدل أسرع. يمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. يمكن بعد ذلك استخدام نموذج رؤية الذكاء الاصطناعي لتحليل هذه الصور وتصنيف الحيوانات الموجودة فيها (إن وجدت). يمكن لمثل هذا النظام أن يساعد الباحثين على دراسة وتتبع أعداد الحيوانات وأنماط هجرتها، وما إلى ذلك.
هناك طريقة أخرى يمكن أن تساعد بها نماذج الذكاء الاصطناعي والرؤية الحاسوبية مثل YOLO11 في هذا المجال وهي تبسيط عملية تصنيف الأنواع المهددة بالانقراض. من خلال تحديد الأنواع المحتملة أو فئات السلالات التي قد ينتمي إليها حيوان ما، يمكن لهذه النماذج توفير بيانات أساسية للباحثين. على سبيل المثال، طورت جامعة تسمانيا (UTAS) نظامًا قائمًا على تصنيف الصور لمراقبة الحياة البرية التسمانية المختلفة. يمكن بعد ذلك أن تساعد التنبؤات من النماذج العلماء والباحثين على مراقبة نشاط الحيوانات وسلوكها، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.
الآن بعد أن ناقشنا ماهية تصنيف الصور واستكشفنا بعض تطبيقاتها. دعنا نلقي نظرة على كيفية تجربة تصنيف الصور باستخدام نموذج YOLO11 الجديد. هناك طريقتان سهلتان للبدء: باستخدام حزمة Ultralytics Python أو من خلال Ultralytics HUB. سنتناول كلا الخيارين.
للبدء في استخدام حزمة Ultralytics Python، ما عليك سوى تثبيتها باستخدام pip أو conda أو Docker. إذا واجهت أي مشكلات، فراجع دليل المشكلات الشائعة للحصول على نصائح مفيدة حول استكشاف الأخطاء وإصلاحها.
بمجرد تثبيت الحزمة، يمكنك استخدام الكود التالي لتحميل متغير من نموذج تصنيف الصور YOLO11 وتشغيل استدلال على صورة. يعني تشغيل الاستدلال استخدام نموذج مدرب لتقديم تنبؤات حول بيانات جديدة وغير مرئية. يمكنك تجربته بصورة من اختيارك!
يمكنك أيضًا استخدام نفس حزمة Python لـ تدريب نموذج تصنيف YOLO11 مخصص. يتيح لك التدريب المخصص ضبط نموذج YOLO11 ليناسب احتياجاتك الخاصة. على سبيل المثال، إذا كنت تقوم بتطوير تطبيق لتصنيف سلالات القطط المختلفة، فيمكنك تدريب نموذج YOLO11 مخصص لهذا الغرض فقط.
يوضح الكود أدناه كيفية تحميل وتدريب نموذج تصنيف الصور YOLO11. فهو يسمح لك بنقل الأوزان المدربة مسبقًا، باستخدام المعرفة من نموذج موجود لتعزيز أداء النموذج الخاص بك. يمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من الصور الرمادية لعناصر الملابس (القمصان والسراويل والأحذية وما إلى ذلك). تدريب النموذج على مجموعة البيانات هذه يعلمه التعرف على فئات الملابس المختلفة. يمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.
على الرغم من أن استخدام حزمة Ultralytics أمر مباشر، إلا أنه يتطلب بعض المعرفة بلغة Python. إذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، فيمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل تدريب ونشر نماذج YOLO المختلفة أمرًا بسيطًا وسهل الوصول إليه. للبدء، ستحتاج إلى إنشاء حساب.
بمجرد تسجيل الدخول، انتقل إلى قسم "النماذج" وحدد نموذج YOLO11 لتصنيف الصور. سترى مجموعة من أحجام النماذج المتاحة: نانو، صغير، متوسط، كبير، وكبير جدًا. بعد اختيار نموذج، يمكنك تحميل صورة في قسم "معاينة"، حيث ستظهر التوقعات على الجانب الأيسر من الصفحة بمجرد معالجة الصورة.
يوفر YOLO11 إمكانات قوية لتصنيف الصور تفتح إمكانيات جديدة عبر مختلف الصناعات. بدءًا من تحسين مراقبة المحاصيل في الزراعة وتعزيز عمليات البحث عن المنتجات في مجال البيع بالتجزئة وصولًا إلى دعم الحفاظ على الحياة البرية، فإن سرعة YOLO11 ودقته تجعله مثاليًا للتطبيقات المتنوعة. مع وجود خيارات للتدريب المخصص من خلال حزمة Ultralytics Python أو إعداد سهل الاستخدام بدون تعليمات برمجية على Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 بسهولة في سير العمل الخاص بهم. مع تبني المزيد من الصناعات لحلول الذكاء الاصطناعي، يقدم YOLO11 أداة مرنة وعالية الأداء تدعم الابتكار والتطورات العملية.
لاستكشاف المزيد، تفضل بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة و الرعاية الصحية في صفحات الحلول الخاصة بنا. 🚀
.webp)