كيفية استخدام Ultralytics YOLO11 لاكتشاف الأجسام

الرؤية الحاسوبية مجال من مجالات الذكاء الاصطناعي (AI) يساعد الآلات على تفسير المعلومات المرئية وفهمها، بما يتيح تنفيذ مهام أساسية مثل اكتشاف الأجسام. وعلى خلاف تصنيف الصور، لا يكتفي اكتشاف الأجسام بتحديد الأجسام الموجودة في الصورة، بل يحدد مواقعها الدقيقة أيضًا. وهذا يجعله أداة مهمة لتطبيقات الرؤية والذكاء الاصطناعي مثل السيارات ذاتية القيادة وأنظمة الأمن الآنية وأتمتة المستودعات.

تطورت تقنية اكتشاف الأجسام بمرور الوقت وأصبحت أكثر تقدمًا وأسهل استخدامًا. وأُعلن عن خطوة كبيرة إلى الأمام في الفعالية السنوية الهجينة لـ Ultralytics، YOLO Vision 2024 (YV24)، مع إطلاق نموذج Ultralytics YOLO11. يحسّن YOLO11 الدقة والأداء، مع دعم المهام نفسها التي يدعمها YOLOv8، ما يسهّل على مستخدمي النماذج السابقة الانتقال إليه. (وقد خلف Ultralytics YOLO26 نموذج YOLO11 لاحقًا.)

الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لاكتشاف الكائنات.

في هذه المقالة، سنوضح ماهية اكتشاف الأجسام، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، ونستكشف تطبيقاته في العالم الحقيقي. وسنشرح أيضًا كيفية استخدام نموذج YOLO11 مع حزمة Ultralytics Python وUltralytics HUB (التي أصبحت الآن منصة Ultralytics). لنبدأ!

ما اكتشاف الكائنات؟#

اكتشاف الكائنات مهمة أساسية في رؤية الحاسوب، وتتجاوز مجرد تحديد الكائنات في الصورة. فعلى خلاف تصنيف الصور، الذي يحدد فقط ما إذا كان كائن معين موجودًا، يتعرّف اكتشاف الكائنات على كائنات متعددة ويحدد مواقعها بدقة باستخدام مربعات الإحاطة.

فعلى سبيل المثال، يمكنه تحديد الوجوه وتحديد مواقعها في صورة جماعية، أو اكتشاف السيارات في شارع مزدحم أو المنتجات على رف متجر. ويجعل الجمع بين التعرّف على الأجسام وتحديد مواقعها هذه التقنية مفيدة جدًا لتطبيقات مثل المراقبة ومتابعة الحشود وإدارة المخزون آليًا.

الشكل 2. استخدام Ultralytics YOLO11 لاكتشاف الوجوه.

ما يميز اكتشاف الكائنات عن مهام أخرى مثل التقسيم الدلالي أو تقسيم المثيلات هو تركيزه وكفاءته.

تضع التجزئة الدلالية تسمية لكل بكسل في الصورة، لكنها لا تميّز بين الأجسام الفردية من النوع نفسه (مثلًا، ستُجمع كل الوجوه في صورة واحدة ضمن فئة "وجه"). أما تجزئة المثيلات فتتقدم خطوة إضافية بفصل كل جسم وتحديد مخططه الدقيق، حتى عندما تكون الأجسام من الفئة نفسها.

أما اكتشاف الكائنات، فيقدم نهجًا أكثر تبسيطًا من خلال تحديد الكائنات وتصنيفها مع الإشارة إلى مواقعها. وهذا يجعله مثاليًا للمهام الآنية، مثل اكتشاف الوجوه في تسجيلات كاميرات الأمن أو تحديد العوائق أمام المركبات ذاتية القيادة.

تطبيقات Ultralytics YOLO11 واكتشاف الكائنات#

تجعل ميزات اكتشاف الكائنات المتقدمة في Ultralytics YOLO11 منه أداة مفيدة في العديد من الصناعات. لنلقِ نظرة على بعض الأمثلة.

استخدام Ultralytics YOLO11 لتحليلات قطاع البيع بالتجزئة#

يعيد Ultralytics YOLO11 واكتشاف الكائنات تعريف تحليلات قطاع البيع بالتجزئة بجعل إدارة المخزون ومراقبة الرفوف أكثر كفاءة ودقة. وتساعد قدرة النموذج على اكتشاف الكائنات بسرعة وموثوقية تجار التجزئة على تتبع مستويات المخزون، وتنظيم الرفوف، والحد من أخطاء جرد المخزون.

على سبيل المثال، يستطيع YOLO11 اكتشاف عناصر محددة، مثل النظارات الشمسية على رف متجر. لكن لماذا قد يرغب بائع التجزئة في مراقبة الرف؟ إن إبقاء الرفوف مزودة بالبضائع ومنظمة أمر حيوي لضمان عثور العملاء على ما يحتاجون إليه، وهذا يؤثر مباشرةً في المبيعات. ومن خلال مراقبة الرفوف في الوقت الفعلي، يستطيع بائعو التجزئة ملاحظة نفاد المنتجات أو وضعها في غير مكانها أو تكدسها بسرعة، ما يساعدهم على الحفاظ على عرض منظم وجذاب يحسن تجربة التسوق.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف المنتجات على الرفوف.

Ultralytics YOLO11 في تطبيقات المدن الذكية#

تعتمد كفاءة المدينة النابضة بالحياة على انسيابية حركة المرور وسلامة شوارعها، ويمكن أن يساعد Ultralytics YOLO11 على تحقيق ذلك. وفي الواقع، يمكن دمج YOLO11 في العديد من تطبيقات المدن الذكية.

تتعلق إحدى حالات الاستخدام المثيرة للاهتمام باستخدام اكتشاف الأجسام لتحديد لوحات ترخيص المركبات المتحركة. وبهذا، يستطيع Ultralytics YOLO11 دعم تحصيل الرسوم بسرعة أكبر، وتحسين إدارة حركة المرور، وتسريع إنفاذ اللوائح.

الشكل 4. استخدام اكتشاف الكائنات وUltralytics YOLO11 لاكتشاف لوحات تسجيل المركبات.

يمكن للرؤى المستمدة من أنظمة الرؤية والذكاء الاصطناعي التي تراقب الطرق تنبيه السلطات إلى المخالفات المرورية أو الازدحام قبل أن يتفاقم الوضع. كما يستطيع YOLO11 اكتشاف المشاة وراكبي الدراجات، ما يجعل الشوارع أكثر أمانًا وكفاءة للجميع.

والواقع أن قدرة Ultralytics YOLO11 على معالجة البيانات المرئية تجعله أداة قوية لتحسين البنية التحتية للمدن. فعلى سبيل المثال، يمكنه المساعدة على تحسين توقيت إشارات المرور من خلال تحليل حركة المركبات والمشاة. كما يمكنه تعزيز السلامة في المناطق المدرسية عبر اكتشاف الأطفال وتنبيه السائقين إلى تخفيف السرعة. وباستخدام YOLO11، تستطيع المدن اتخاذ تدابير استباقية لمعالجة التحديات وإنشاء بيئة أكثر كفاءة للجميع.

اكتشاف الفيديو في الوقت الفعلي باستخدام Ultralytics YOLO11: تعزيز إمكانية الوصول#

يشير اكتشاف الأجسام في الوقت الفعلي إلى قدرة النظام على تحديد الأجسام وتصنيفها في بث فيديو مباشر فور ظهورها. وقد صُمم Ultralytics YOLO11 لتحقيق أداء آني، وهو يدعم هذه الإمكانية بكفاءة. وتتجاوز تطبيقاته تبسيط العمليات؛ إذ يمكنه أيضًا المساعدة في إنشاء عالم أكثر شمولًا وسهولة في الوصول.

على سبيل المثال، يمكن لـ YOLO11 مساعدة الأشخاص ذوي الإعاقة البصرية عبر تحديد الكائنات في الوقت الفعلي. وبناءً على نتائج الاكتشاف، يمكن تقديم أوصاف صوتية تساعد المستخدمين على التنقل في محيطهم باستقلالية أكبر.

لنتصور شخصًا يعاني ضعف البصر ويتسوق لشراء البقالة. قد يكون اختيار المنتجات المناسبة أمرًا صعبًا، لكن Ultralytics YOLO11 يستطيع المساعدة. فعندما يضع الشخص المنتجات في عربته، يمكن استخدام نظام مدمج مع YOLO11 لتحديد كل منتج، مثل الموز أو الأفوكادو أو علبة الحليب، وتقديم أوصاف صوتية آنية. ويتيح له ذلك التأكد من اختياراته وضمان حصوله على كل ما يحتاج إليه. ومن خلال التعرّف على المنتجات اليومية، يستطيع YOLO11 جعل التسوق أسهل.

الشكل 5. يمكن لاكتشاف الكائنات المساعدة على جعل العالم أكثر إتاحة للأشخاص ذوي الإعاقة البصرية.

دليل خطوة بخطوة لاكتشاف الكائنات باستخدام Ultralytics YOLO11#

بعد أن استعرضنا أساسيات اكتشاف الأجسام وتطبيقاته المتنوعة، فلنلقِ نظرة على كيفية البدء باستخدام نموذج Ultralytics YOLO11 لمهام مثل اكتشاف الأجسام.

هناك طريقتان مباشرتان لاستخدام YOLO11: عبر حزمة Ultralytics Python أو Ultralytics HUB. لنستكشف الطريقتين، بدءًا بحزمة Python.

تشغيل الاستدلال باستخدام Ultralytics YOLO11#

يحدث الاستدلال عندما يحلل نموذج الذكاء الاصطناعي بيانات جديدة لم يسبق له رؤيتها لإجراء تنبؤات أو تصنيف المعلومات أو تقديم رؤى استنادًا إلى ما تعلمه أثناء التدريب. وفي سياق اكتشاف الأجسام، يعني ذلك تحديد أجسام معينة داخل صورة أو فيديو وتحديد مواقعها، ورسم مربعات إحاطة حولها، ووضع تسميات لها استنادًا إلى تدريب النموذج.

لتشغيل الاستدلال باستخدام نموذج YOLO11 لاكتشاف الأجسام، ستحتاج أولًا إلى تثبيت حزمة Ultralytics Python عبر pip أو conda أو Docker. وإذا واجهت أي مشكلات في التثبيت، فراجع دليل استكشاف الأخطاء وإصلاحها للاطلاع على نصائح تساعدك في حلها. وبعد التثبيت، يمكنك استخدام الشيفرة التالية لتحميل نموذج YOLO11n لاكتشاف الأجسام وإجراء تنبؤات على صورة.

الشكل 6. تشغيل استدلال على صورة باستخدام YOLO11n.

تدريب نموذج Ultralytics YOLO11 مخصص#

يدعم Ultralytics YOLO11 أيضًا التدريب المخصص ليلائم حالات الاستخدام الخاصة بك على نحو أفضل. ومن خلال الضبط الدقيق للنموذج، يمكنك تخصيصه لاكتشاف الأجسام ذات الصلة بمشروعك. فعلى سبيل المثال، عند استخدام الرؤية الحاسوبية في الرعاية الصحية، يمكن استخدام نموذج YOLO11 مدرّب خصيصًا لاكتشاف حالات شذوذ معينة في الصور الطبية، مثل الأورام في صور الرنين المغناطيسي أو الكسور في صور الأشعة السينية، ما يساعد الأطباء على تشخيص الحالات بسرعة ودقة أكبر.

يوضح مقتطف الشيفرة أدناه كيفية تحميل نموذج Ultralytics YOLO11 وتدريبه لاكتشاف الأجسام. يمكنك البدء من ملف إعداد YAML أو نموذج مدرّب مسبقًا، ونقل الأوزان، والتدريب على مجموعات بيانات مثل COCO لتحسين قدرات اكتشاف الأجسام.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo11n.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo11n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

# ⁨تدريب النموذج⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

بعد تدريب النموذج، يمكنك أيضًا تصديره بتنسيقات متنوعة لنشره في بيئات مختلفة.

اكتشاف الكائنات باستخدام YOLO11 على Ultralytics HUB#

لمن يبحثون عن بديل لا يتطلب كتابة الشيفرة، توفر Ultralytics HUB منصة سهلة الاستخدام للرؤية والذكاء الاصطناعي لتدريب نماذج YOLO ونشرها، بما فيها YOLO11.

لتشغيل اكتشاف الأجسام على الصور، أنشئ حسابًا، وانتقل إلى قسم ‘Models’، وحدد إصدار نموذج Ultralytics YOLO11 المخصص لاكتشاف الأجسام. حمّل صورتك، وستعرض المنصة الأجسام المكتشفة في قسم المعاينة.

الشكل 7. تشغيل الاستدلال على Ultralytics HUB.

يجمع Ultralytics YOLO11 بين مرونة حزمة Python وسهولة استخدام HUB، ما يجعل استخدام المطورين والشركات على حد سواء لتقنيات اكتشاف الأجسام المتقدمة أمرًا بسيطًا.

أبرز النقاط#

يجمع Ultralytics YOLO11 بين الدقة العالية والتنوع لتلبية احتياجات قطاعات متنوعة. ومن تحسين تحليلات البيع بالتجزئة إلى إدارة البنية التحتية للمدن الذكية، صُمم YOLO11 لتقديم أداء موثوق وآني في تطبيقات عديدة.

بفضل خيارات التدريب المخصص والواجهة سهلة الاستخدام عبر Ultralytics HUB، يصبح دمج YOLO11 في سير عملك أمرًا مباشرًا. سواء كنت مطورًا يستكشف الرؤية الحاسوبية أو شركة تسعى إلى الابتكار باستخدام الذكاء الاصطناعي، يوفر YOLO11 الأدوات التي تحتاج إليها للبدء.

لمعرفة المزيد، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية للزراعة في صفحات الحلول لدينا.