تشغيل تطبيق ذكاء اصطناعي تفاعلي باستخدام Streamlit وUltralytics YOLO11

تعد نماذج الرؤية الحاسوبية أدوات ذكاء اصطناعي مؤثرة تمكّن الآلات من تفسير وتحليل البيانات المرئية، وتنفيذ مهام مثل اكتشاف الكائنات، وتصنيف الصور، وتجزئة المثيلات بدقة عالية. ومع ذلك، قد تتطلب أحياناً خبرة تقنية إضافية، مثل مهارات تطوير الويب أو تطبيقات الجوال، لنشرها وجعلها متاحة لجمهور أوسع.

لنأخذ Ultralytics YOLO11 على سبيل المثال. إنه نموذج يدعم مهاماً متنوعة ومفيد عبر مجموعة واسعة من التطبيقات. ولكن، بدون بعض المعرفة التقنية بالواجهات الأمامية، قد يبدو بناء ونشر واجهة سهلة الاستخدام للتفاعل السلس أمراً صعباً بعض الشيء على بعض مهندسي الذكاء الاصطناعي.

Streamlit هو إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. إنها أداة تعتمد على Python لبناء تطبيقات تفاعلية دون الحاجة إلى تطوير معقد للواجهة الأمامية. عند اقترانها بـ YOLO11، فإنها تتيح للمستخدمين تحميل الصور، ومعالجة مقاطع الفيديو، وتصور النتائج في الوقت الفعلي بأقل جهد.

تخطو Ultralytics خطوة أبعد مع حل الاستدلال المباشر (Live Inference) الخاص بها، مما يجعل التكامل مع Streamlit أسهل. بأمر واحد فقط، يمكن للمستخدمين تشغيل تطبيق Streamlit لـ YOLO11 الجاهز، مما يلغي الحاجة إلى الإعداد والبرمجة اليدوية.

في هذه المقالة، سنشرح كيفية إعداد وتشغيل YOLO11 باستخدام حل الاستدلال المباشر من Ultralytics مع Streamlit، مما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأكثر سهولة.

Link to this sectionما هو Streamlit؟#

Streamlit هو إطار عمل Python يبسط إنشاء تطبيقات الويب التفاعلية. يمكن لمطوري الذكاء الاصطناعي بناء تطبيقات مدعومة بالذكاء الاصطناعي دون الحاجة إلى التعامل مع تعقيدات تطوير الواجهة الأمامية.

لقد صُمم ليعمل بسلاسة مع نماذج الذكاء الاصطناعي وتعلم الآلة. بضعة أسطر فقط من كود Python، يمكن للمطورين إنشاء واجهة حيث يمكن للمستخدمين تحميل الصور، ومعالجة مقاطع الفيديو، والتفاعل مع نماذج الذكاء الاصطناعي.

الشكل 1. الميزات الرئيسية لـ Streamlit. الصورة بواسطة المؤلف.

إحدى ميزاته الرئيسية هي العرض الديناميكي. عندما يقوم المستخدمون بإجراء تغييرات، يتم تحديث التطبيق تلقائياً دون الحاجة إلى إعادة تحميل الصفحة يدوياً.

أيضاً، نظراً لكونه خفيف الوزن وسهل الاستخدام، يعمل Streamlit بكفاءة على كل من الأجهزة المحلية ومنصات السحابة. وهذا يجعله خياراً رائعاً لنشر تطبيقات الذكاء الاصطناعي، ومشاركة النماذج مع الآخرين، وتوفير تجربة مستخدم بديهية وتفاعلية.

Link to this sectionUltralytics YOLO11: نموذج رؤية ذكاء اصطناعي متعدد الاستخدامات#

قبل الغوص في كيفية تشغيل الاستدلال المباشر باستخدام Ultralytics YOLO11 في تطبيق Streamlit، دعونا نلقي نظرة فاحصة على ما يجعل YOLO11 موثوقاً للغاية.

Ultralytics YOLO11 هو نموذج مصمم لـ مهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات، وتجزئة المثيلات، وتقدير الوضعية. إنه يوفر أداءً عالي السرعة بدقة مثيرة للإعجاب.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الكائنات.

إحدى أكبر مزايا YOLO11 هي سهولة استخدامه. ليست هناك حاجة لإعدادات معقدة؛ يمكن للمطورين تثبيت حزمة Ultralytics Python والبدء في إجراء التنبؤات ببضعة أسطر فقط من الكود.

توفر حزمة Ultralytics Python مجموعة من الميزات، مما يسمح للمستخدمين بضبط النماذج وتعديل إعدادات الاكتشاف. كما أنها تساعد في تحسين الأداء عبر الأجهزة المختلفة لنشر أكثر سلاسة.

بعيداً عن المرونة، تدعم حزمة Ultralytics Python التكاملات عبر منصات متعددة، بما في ذلك أجهزة الحافة، وبيئات السحابة، والأنظمة المعتمدة على وحدة معالجة الرسومات (GPU) من NVIDIA. سواء تم نشره على جهاز مدمج صغير أو خادم سحابي واسع النطاق، يتكيف YOLO11 بسهولة، مما يجعل الرؤية الحاسوبية المتقدمة أكثر سهولة من أي وقت مضى.

Link to this sectionفوائد استخدام Streamlit مع Ultralytics YOLO11#

قد تتساءل، كيف أعرف ما إذا كان Streamlit هو خيار النشر المناسب لي؟ إذا كنت تبحث عن طريقة بسيطة وفعالة من حيث الكود لتشغيل YOLO11 دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit خيار جيد - خاصة لعمليات النماذج الأولية، أو مشاريع إثبات المفهوم (PoC)، أو عمليات النشر الموجهة لعدد أقل من المستخدمين.

إنه يبسط عملية العمل مع YOLO11 من خلال القضاء على التعقيد غير الضروري وتوفير واجهة بديهية للتفاعل في الوقت الفعلي. إليك بعض المزايا الرئيسية الأخرى:

• عناصر تحكم ذكاء اصطناعي قابلة للتخصيص: يمكنك إضافة أشرطة تمرير، وقوائم منسدلة، وأزرار إلى واجهتك، مما يسمح للمستخدمين بضبط إعدادات الاكتشاف وتصفية كائنات معينة بسهولة.

• التكامل مع أدوات الذكاء الاصطناعي الأخرى: يدعم Streamlit التكامل مع NumPy، وOpenCV، وMatplotlib، ومكتبات تعلم الآلة الأخرى، مما يعزز قدرات سير عمل الذكاء الاصطناعي.

• تصور البيانات التفاعلي: يتيح الدعم المدمج للمخططات والرسوم البيانية للمستخدمين تصور نتائج اكتشاف الكائنات، أو نتائج التجزئة، أو رؤى التتبع دون عناء.

• صديق للتعاون: يمكن مشاركة تطبيقات Streamlit بسهولة مع أعضاء الفريق، أو أصحاب المصلحة، أو العملاء عبر رابط بسيط، مما يتيح تلقي الملاحظات والتكرار الفوري.

Link to this sectionدليل خطوة بخطوة لنشر YOLO11 في تطبيق ويب Streamlit#

الآن بعد أن استكشفنا فوائد استخدام Streamlit مع YOLO11، دعونا نسير عبر كيفية تشغيل مهام الرؤية الحاسوبية في الوقت الفعلي في المتصفح باستخدام Streamlit مع YOLO11.

Link to this sectionتثبيت حزمة Ultralytics Python#

الخطوة الأولى هي تثبيت حزمة Ultralytics Python. يمكن القيام بذلك باستخدام الأمر التالي:

بمجرد التثبيت، يكون YOLO11 جاهزاً للاستخدام دون أي إعداد معقد. إذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة، يمكنك الرجوع إلى دليل المشكلات الشائعة الخاص بنا للحصول على نصائح استكشاف الأخطاء وإصلاحها والحلول.

Link to this sectionتشغيل تطبيق Streamlit مع YOLO11#

عادةً، ستحتاج إلى تطوير سكربت Python باستخدام مكونات Streamlit لتشغيل YOLO11. ومع ذلك، توفر Ultralytics طريقة بسيطة لتشغيل YOLO11 مع Streamlit.

سيؤدي تشغيل سكربت Python التالي إلى إطلاق تطبيق Streamlit على الفور في متصفح الويب الافتراضي الخاص بك:

لا حاجة إلى تكوين إضافي. تتضمن واجهة تطبيق Streamlit قسماً لتحميل الصور ومقاطع الفيديو، وقائمة منسدلة لاختيار نوع نموذج YOLO11 الذي تهتم به، وأشرطة تمرير لضبط ثقة الاكتشاف. كل شيء منظم بدقة، مما يتيح للمستخدمين تشغيل الاستدلالات بسهولة دون كتابة كود إضافي.

Link to this sectionتشغيل الاستدلالات باستخدام YOLO11 على تطبيق Streamlit#

الآن بعد أن أصبح تطبيق Streamlit قيد التشغيل في متصفح الويب الخاص بك، دعنا نستكشف كيفية استخدامه لتشغيل الاستدلالات مع YOLO11.

على سبيل المثال، لنفترض أننا نريد تحليل ملف فيديو لاكتشاف الكائنات. إليك الخطوات لتحميل ملف، واختيار نموذج، وعرض النتائج في الوقت الفعلي:

• تحميل ملف فيديو: حدد "video" من القائمة المنسدلة لتكوين المستخدم، مما يخبر التطبيق بمعالجة ملف مسجل مسبقاً بدلاً من بث كاميرا الويب.
• اختر نموذج YOLO11: حدد "YOLO11l" من القائمة المنسدلة للنموذج لاكتشاف الكائنات باستخدام نموذج YOLO11 كبير.
• بدء عملية الاكتشاف: انقر فوق "Start"، مما يسمح لـ YOLO11 بتحليل الفيديو إطاراً تلو الآخر واكتشاف الكائنات في الوقت الفعلي.
• عرض الفيديو المعالج: شاهد الفيديو وهو يظهر على الشاشة مع تحديثات مباشرة، تعرض الكائنات المكتشفة مع مربعات تحديد (bounding boxes).
• التفاعل مع النتائج في Streamlit: استخدم الواجهة لتعديل الإعدادات أو تحليل الاكتشافات، كل ذلك بدون إعداد إضافي أو برمجة.

الشكل 3. واجهة تطبيق Ultralytics YOLO Streamlit.

Link to this sectionحالات الاستخدام باستخدام Streamlit و YOLO11#

لقد ألقينا نظرة على مدى روعة Streamlit لإنشاء نماذج أولية، وأدوات بحث، وتطبيقات صغيرة إلى متوسطة الحجم. إنها توفر طريقة بسيطة لنشر نماذج الذكاء الاصطناعي دون تطوير معقد للواجهة الأمامية.

ومع ذلك، فإن تشغيل YOLO11 مع Streamlit ليس دائماً حلاً جاهزاً - إلا إذا كنت تستخدم تطبيق Ultralytics YOLO Streamlit الذي أعددناه في الخطوات أعلاه. في معظم الحالات، يلزم بعض أعمال التطوير لتخصيص التطبيق ليناسب احتياجات معينة. بينما يبسط Streamlit النشر، ستحتاج مع ذلك إلى تكوين المكونات اللازمة لضمان تشغيل YOLO11 بسلاسة.

دعنا نستكشف مثالين عمليين لكيفية نشر Ultralytics YOLO11 بفعالية مع Streamlit في سيناريوهات العالم الحقيقي.

Link to this sectionعد الكائنات لفحوصات المخزون باستخدام YOLO11#

يمكن أن تكون متابعة المخزون في متاجر البيع بالتجزئة، أو غرف التخزين، أو مناطق مستلزمات المكاتب مستهلكة للوقت وعرضة للأخطاء. باستخدام YOLO11 مع Streamlit، يمكن للشركات أتمتة عد الكائنات بسرعة وكفاءة، مما يجعلها خياراً رائعاً لإثبات المفهوم (PoC) قبل الالتزام بنشر واسع النطاق.

باستخدام هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث كاميرا مباشر، ويمكن لـ YOLO11 المساعدة في اكتشاف وعد الكائنات على الفور. يمكن عرض العدد في الوقت الفعلي في واجهة Streamlit، مما يوفر طريقة سهلة لمراقبة مستويات المخزون دون جهد يدوي.

على سبيل المثال، يمكن لصاحب متجر مسح رف ضوئياً ورؤية عدد الزجاجات، أو الصناديق، أو البضائع المعبأة الموجودة فوراً دون الحاجة إلى عدها يدوياً. من خلال الاستفادة من YOLO11 و Streamlit، يمكن للشركات تقليل العمل اليدوي، وتحسين الدقة، واستكشاف الأتمتة بأقل استثمار.

الشكل 4. اكتشاف الزجاجات في ثلاجة باستخدام YOLO11.

Link to this sectionتعزيز الأمن مع YOLO11 و Streamlit#

يمكن أن يكون الحفاظ على أمن المناطق المحظورة في المكاتب، أو المستودعات، أو أماكن الفعاليات أمراً صعباً، خاصة مع المراقبة اليدوية. باستخدام YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمني بسيط مدعوم بالذكاء الاصطناعي لاكتشاف الدخول غير المصرح به في الوقت الفعلي.

يمكن توصيل بث الكاميرا بواجهة Streamlit، حيث يُستخدم YOLO11 لتحديد وتتبع الأشخاص الذين يدخلون المناطق المحظورة. إذا تم اكتشاف شخص غير مصرح له، يمكن للنظام إطلاق تنبيه أو تسجيل الحدث للمراجعة.

على سبيل المثال، يمكن لمدير مستودع مراقبة الوصول إلى مناطق التخزين عالية الأمان، أو يمكن لمكتب تتبع الحركة في الأقسام المحظورة دون الحاجة إلى إشراف مستمر.

يمكن أن يكون هذا مشروعاً كاشفاً للشركات التي ترغب في استكشاف المراقبة الأمنية المدفوعة بالرؤية الحاسوبية قبل الالتزام بنظام أكبر ومؤتمت بالكامل. من خلال دمج YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمن، وتقليل المراقبة اليدوية، والاستجابة للدخول غير المصرح به بشكل أكثر فعالية.

Link to this sectionنصائح لمراقبة تطبيق ذكاء اصطناعي تفاعلي مع Streamlit#

يساعد استخدام أدوات مثل Streamlit لنشر نماذج الرؤية الحاسوبية في خلق تجربة تفاعلية وسهلة الاستخدام. ومع ذلك، بعد إعداد الواجهة المباشرة، من المهم التأكد من أن النظام يعمل بكفاءة ويقدم نتائج دقيقة بمرور الوقت.

إليك بعض العوامل الرئيسية التي يجب مراعاتها بعد النشر:

• المراقبة المنتظمة: تتبع دقة الاكتشاف، وسرعة الاستدلال، واستخدام الموارد. اضبط معلمات النموذج أو قم بترقية الأجهزة إذا انخفض الأداء.
• إدارة مستخدمين متعددين وقابلية التوسع: مع نمو طلب المستخدمين، يعد تحسين البنية التحتية أمراً أساسياً للحفاظ على الأداء. تساعد منصات السحابة وحلول النشر القابلة للتوسع في ضمان التشغيل السلس.
• إبقاء النموذج محدثاً: الحفاظ على تحديث النموذج والمكتبات يعزز الدقة، والأمان، والوصول إلى ميزات جديدة.

Link to this sectionأبرز النقاط#

تبسط Ultralytics نشر YOLO11 من خلال واجهة Streamlit مباشرة جاهزة للاستخدام تعمل بأمر واحد - لا تتطلب برمجة. هذا يسمح للمستخدمين بالبدء في استخدام اكتشاف الكائنات في الوقت الفعلي فوراً.

تتضمن الواجهة أيضاً تخصيصاً مدمجاً، مما يمكن المستخدمين من تبديل النماذج، وضبط دقة الاكتشاف، وتصفية الكائنات بسهولة. تتم إدارة كل شيء ضمن واجهة بسيطة وسهلة الاستخدام، مما يلغي الحاجة إلى تطوير واجهة المستخدم يدوياً. من خلال الجمع بين

قدرات YOLO11 مع سهولة نشر Streamlit، يمكن للشركات والمطورين إنشاء نماذج أولية، واختبار، وتحسين تطبيقات الذكاء الاصطناعي بسرعة.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمزيد من الرؤى حول الذكاء الاصطناعي. ألقِ نظرة على صفحات حلولنا لمعرفة المزيد عن ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية. تحقق من خيارات الترخيص لدينا وابدأ اليوم!