كيفية استخدام Ultralytics YOLO11 للكشف عن الأجسام

رؤية الحاسوب (Computer vision) هي مجال من مجالات الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات المرئية لتمكين المهام الأساسية مثل اكتشاف الكائنات (object detection). على عكس تصنيف الصور (image classification)، لا يحدد اكتشاف الكائنات الكائنات الموجودة في الصورة فحسب، بل يحدد أيضًا مواقعها الدقيقة. وهذا يجعله أداة حاسمة لتطبيقات رؤية الذكاء الاصطناعي مثل السيارات ذاتية القيادة (vision AI applications like self-driving cars)، و أنظمة الأمان (security systems) في الوقت الفعلي، وأتمتة المستودعات.

بمرور الوقت، أصبحت تكنولوجيا الكشف عن الأجسام أكثر تقدمًا وأسهل في الاستخدام. وقد أُعلن عن خطوة كبيرة إلى الأمام في فعالية Ultralytics السنوية الهجينة، YOLO Vision 2024 (YV24) ، مع إطلاق نموذج Ultralytics YOLO11. يعمل YOLO11 على تحسين الدقة والأداء مع دعم نفس المهام التي يدعمها YOLOv8، مما يسهل على مستخدمي النماذج السابقة الانتقال بسلاسة.

‍

في هذه المقالة، سنشرح ماهية اكتشاف الكائنات، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، ونستكشف تطبيقاته في العالم الحقيقي. سنوجهك أيضًا خلال كيفية استخدام نموذج YOLO11 مع حزمة Ultralytics Python و منصة Ultralytics HUB. هيا بنا نبدأ!

ما هو اكتشاف الكائنات؟

اكتشاف الكائنات هو مهمة أساسية في الرؤية الحاسوبية تفعل أكثر من مجرد تحديد الكائنات في الصورة. على عكس تصنيف الصور، الذي يحدد فقط ما إذا كان كائن معين موجودًا، فإن اكتشاف الكائنات يتعرف على كائنات متعددة ويحدد مواقعها بدقة باستخدام مربعات إحاطة. 

على سبيل المثال، يمكنه تحديد وتحديد مواقع الوجوه في صورة جماعية، أو السيارات في شارع مزدحم، أو المنتجات على رف المتجر. إن الجمع بين التعرف على الكائنات وتحديد موقعها يجعله مفيدًا بشكل خاص لتطبيقات مثل المراقبة، ومراقبة الحشود، وإدارة المخزون الآلية.

‍

ما يميز الكشف عن الكائنات عن المهام الأخرى مثل التجزئة الدلالية أو تجزئة المثيلات هو تركيزه وكفاءته. 

تصنف التجزئة الدلالية كل بكسل في الصورة ولكنها لا تميز بين الكائنات الفردية من نفس النوع (على سبيل المثال، سيتم تجميع جميع الوجوه في صورة كـ "وجه"). تجزئة المثيلات تأخذ الأمر إلى أبعد من ذلك عن طريق فصل كل كائن، وتحديد شكله الدقيق، حتى بالنسبة للكائنات من نفس الفئة. 

ومع ذلك، يوفر الكشف عن الأجسام نهجًا أكثر تبسيطًا من خلال تحديد وتصنيف الأجسام مع تحديد مواقعها. وهذا يجعله مثاليًا للمهام في الوقت الفعلي مثل اكتشاف الوجوه في لقطات المراقبة الأمنية أو تحديد العوائق أمام المركبات ذاتية القيادة.

تطبيقات YOLO11 واكتشاف الكائنات

تتميز YOLO11 بميزات متقدمة في اكتشاف الكائنات تجعلها مفيدة في العديد من الصناعات. دعنا نلقي نظرة على بعض الأمثلة.

استخدام YOLO11 لتحليلات البيع بالتجزئة

يعيد YOLO11 واكتشاف الكائنات تعريف تحليلات البيع بالتجزئة من خلال جعل إدارة المخزون ومراقبة الرفوف أكثر كفاءة ودقة. تساعد قدرة النموذج على اكتشاف الكائنات بسرعة وموثوقية تجار التجزئة على تتبع مستويات المخزون وتنظيم الرفوف وتقليل الأخطاء في تعداد المخزون.

على سبيل المثال، يمكن لـ YOLO11 اكتشاف عناصر معينة مثل النظارات الشمسية على رف المتجر. ولكن لماذا يرغب بائع التجزئة في مراقبة الرف؟ يعد الحفاظ على الرفوف ممتلئة ومنظمة أمرًا حيويًا لضمان عثور العملاء على ما يحتاجون إليه، مما يؤثر بشكل مباشر على المبيعات. من خلال مراقبة الرفوف في الوقت الفعلي، يمكن لتجار التجزئة اكتشاف بسرعة متى تكون العناصر منخفضة أو في غير مكانها أو مكتظة، مما يساعدهم في الحفاظ على عرض منظم وجذاب يحسن تجربة التسوق.

‍

YOLO11 في تطبيقات المدن الذكية

تعتمد المدينة الصاخبة على سلاسة حركة المرور والشوارع الآمنة لتعمل بكفاءة، ويمكن أن يساعد YOLO11 في تحقيق ذلك. في الواقع، يمكن دمج العديد من تطبيقات المدن الذكية مع YOLO11. 

تتضمن إحدى الحالات المثيرة للاهتمام استخدام الكشف عن الكائنات لتحديد لوحات الترخيص على المركبات المتحركة. من خلال القيام بذلك، يمكن لـ YOLO11 دعم تحصيل الرسوم بشكل أسرع، و إدارة حركة المرور بشكل أفضل، وإنفاذ اللوائح بشكل أسرع. 

‍

يمكن أن تنبه الرؤى المستمدة من أنظمة الرؤية الحاسوبية (Vision AI) التي تراقب الطرق السلطات بشأن المخالفات المرورية أو الازدحام قبل أن تتفاقم إلى مشاكل أكبر. يمكن لـ YOLO11 أيضًا اكتشاف المشاة وراكبي الدراجات، مما يجعل الشوارع أكثر أمانًا وكفاءة للجميع. 

في الواقع، فإن قدرة YOLO11 على معالجة البيانات المرئية تجعلها أداة قوية لتحسين البنية التحتية للمدينة. على سبيل المثال، يمكن أن يساعد في تحسين توقيت إشارات المرور عن طريق تحليل حركة المركبات والمشاة. يمكنه أيضًا تحسين السلامة في المناطق المدرسية عن طريق اكتشاف الأطفال وتنبيه السائقين لإبطاء السرعة. مع YOLO11، يمكن للمدن اتخاذ تدابير استباقية لمواجهة التحديات وخلق بيئة أكثر كفاءة للجميع.

الكشف عن الفيديو في الوقت الفعلي باستخدام YOLO11: زيادة إمكانية الوصول

يشير الكشف عن الكائنات في الوقت الفعلي إلى قدرة النظام على تحديد وتصنيف الكائنات في بث فيديو مباشر أثناء ظهورها. تم تصميم YOLO11 لتحقيق أداء فائق في الوقت الفعلي ويتفوق في دعم هذه القدرة. تتجاوز تطبيقاته مجرد تبسيط العمليات - بل يمكن أن تساعد أيضًا في إنشاء عالم أكثر شمولاً وإمكانية الوصول.

على سبيل المثال، يمكن لـ YOLO11 مساعدة الأفراد ضعاف البصر من خلال تحديد الكائنات في الوقت الفعلي. بناءً على عمليات الكشف، يمكن توفير أوصاف صوتية، مما يساعد المستخدمين على التنقل في محيطهم باستقلالية أكبر.

تخيل شخصًا يعاني من ضعف البصر يتسوق لشراء البقالة. قد يكون اختيار العناصر المناسبة أمرًا صعبًا، ولكن YOLO11 يمكن أن يساعد. أثناء وضع العناصر في عربة التسوق الخاصة بهم، يمكن استخدام نظام متكامل مع YOLO11 لتحديد كل عنصر - مثل الموز أو الأفوكادو أو علبة الحليب - وتقديم أوصاف صوتية في الوقت الفعلي. يتيح لهم ذلك تأكيد اختياراتهم والتأكد من حصولهم على كل ما يحتاجون إليه. من خلال التعرف على العناصر اليومية، يمكن لـ YOLO11 تبسيط التسوق.

‍

دليل خطوة بخطوة لاكتشاف الكائنات باستخدام YOLO11 

الآن بعد أن غطينا أساسيات الكشف عن الكائنات وتطبيقاتها المتنوعة، دعنا نتعمق في كيفية البدء في استخدام نموذج Ultralytics YOLO11 لمهام مثل الكشف عن الكائنات.

هناك طريقتان مباشرتان لاستخدام YOLO11: من خلال حزمة Ultralytics Python أو Ultralytics HUB. دعنا نستكشف كلتا الطريقتين، بدءًا بحزمة Python.

تشغيل الاستدلالات باستخدام YOLO11

الاستدلال هو عندما يقوم نموذج الذكاء الاصطناعي بتحليل بيانات جديدة وغير مرئية لتقديم تنبؤات، أو تصنيف المعلومات، أو تقديم رؤى بناءً على ما تعلمه أثناء التدريب. فيما يتعلق باكتشاف الكائنات، يعني ذلك تحديد وتحديد مواقع كائنات معينة داخل صورة أو مقطع فيديو، ورسم مربعات إحاطة حولها، وتسميتها بناءً على تدريب النموذج.

للاستدلال باستخدام نموذج الكشف عن الكائنات YOLO11، ستحتاج أولاً إلى تثبيت حزمة Ultralytics Python عبر pip أو conda أو Docker. إذا واجهت أي مشكلات في التثبيت، فراجع دليل استكشاف الأخطاء وإصلاحها للحصول على نصائح وحيل لمساعدتك في حلها. بمجرد التثبيت، يمكنك استخدام التعليمات البرمجية التالية لتحميل نموذج الكشف عن الكائنات YOLO11 وإجراء تنبؤات على صورة.

‍

تدريب نموذج YOLO11 مخصص

يدعم YOLO11 أيضًا التدريب المخصص ليناسب حالات الاستخدام الخاصة بك بشكل أفضل. من خلال الضبط الدقيق للنموذج، يمكنك تخصيصه لاكتشاف الكائنات ذات الصلة بمشروعك. على سبيل المثال، عند استخدام رؤية الكمبيوتر في الرعاية الصحية، يمكن استخدام نموذج YOLO11 مُدرَّب خصيصًا لاكتشاف تشوهات معينة في الصور الطبية، مثل الأورام في فحوصات التصوير بالرنين المغناطيسي أو الكسور في صور الأشعة السينية، مما يساعد الأطباء على إجراء تشخيصات أسرع وأكثر دقة.

توضح مقتطفة التعليمات البرمجية أدناه كيفية تحميل وتدريب نموذج YOLO11 للكشف عن الكائنات. يمكنك البدء من ملف تكوين YAML أو نموذج مدرب مسبقًا، ونقل الأوزان، والتدريب على مجموعات البيانات مثل COCO للحصول على إمكانات أكثر دقة للكشف عن الكائنات.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

بعد تدريب النموذج، يمكنك أيضًا تصدير النموذج المدرب بتنسيقات مختلفة لنشره في بيئات مختلفة.

اكتشاف الكائنات باستخدام YOLO11 على Ultralytics HUB

بالنسبة للباحثين عن بديل بدون تعليمات برمجية، توفر منصة Ultralytics HUB منصة رؤية اصطناعية سهلة الاستخدام لتدريب ونشر نماذج YOLO، بما في ذلك YOLO11.

لتشغيل الكشف عن الكائنات على الصور، ما عليك سوى إنشاء حساب والانتقال إلى قسم "Models" وتحديد متغير نموذج الكشف عن الكائنات YOLO11. قم بتحميل صورتك، وستعرض المنصة الكائنات المكتشفة في قسم المعاينة.

‍

من خلال الجمع بين مرونة حزمة Python وسهولة HUB، تجعل YOLO11 من السهل على المطورين والشركات على حد سواء تسخير قوة تكنولوجيا اكتشاف الكائنات المتقدمة.

النقاط الرئيسية

يضع YOLO11 معيارًا جديدًا في اكتشاف الكائنات، حيث يجمع بين الدقة العالية والتنوع لتلبية احتياجات مختلف الصناعات. بدءًا من تحسين تحليلات البيع بالتجزئة وحتى إدارة البنية التحتية للمدن الذكية، تم تصميم YOLO11 لتحقيق أداء موثوق به في الوقت الفعلي عبر عدد لا يحصى من التطبيقات.

مع خيارات التدريب المخصص وواجهة سهلة الاستخدام من خلال Ultralytics HUB، لم يكن دمج YOLO11 في سير العمل الخاص بك أسهل من أي وقت مضى. سواء كنت مطورًا تستكشف الرؤية الحاسوبية أو شركة تتطلع إلى الابتكار باستخدام الذكاء الاصطناعي، فإن YOLO11 يقدم الأدوات التي تحتاجها لتحقيق النجاح.

لمعرفة المزيد، تحقق من مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة و الرؤية الحاسوبية للزراعة في صفحات الحلول الخاصة بنا. 🚀