شغّل تطبيقًا تفاعليًا للذكاء الاصطناعي باستخدام Streamlit وUltralytics YOLO11

تُعد نماذج الرؤية الحاسوبية أدوات فعالة للذكاء الاصطناعي، تتيح للآلات تفسير البيانات المرئية وتحليلها وتنفيذ مهام مثل اكتشاف الأجسام وتصنيف الصور وتقسيم الكائنات إلى أجزاء بدقة عالية. لكنها قد تتطلب أحيانًا خبرة تقنية إضافية، مثل مهارات تطوير الويب أو تطبيقات الأجهزة المحمولة، لنشرها وإتاحتها لشريحة أوسع من المستخدمين.

لنأخذ Ultralytics YOLO11 مثالًا. فهو نموذج يدعم مهام متنوعة ويفيد في مجموعة من التطبيقات. لكن من دون بعض المعرفة التقنية بالواجهة الأمامية، قد يبدو بناء واجهة سهلة الاستخدام ونشرها أمرًا صعبًا بعض الشيء لبعض مهندسي الذكاء الاصطناعي.

Streamlit إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. وهي أداة مبنية على Python لإنشاء تطبيقات تفاعلية دون الحاجة إلى تطوير معقد للواجهات الأمامية. وعند استخدامها مع Ultralytics YOLO11، تتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو وعرض النتائج الآنية بأقل جهد.

تخطو Ultralytics خطوة إضافية إلى الأمام من خلال حل الاستدلال المباشر، ما يجعل التكامل مع Streamlit أسهل. فباستخدام أمر واحد، يستطيع المستخدمون تشغيل تطبيق Streamlit لـ YOLO11 مُعد مسبقًا، ما يلغي الحاجة إلى الإعداد والبرمجة اليدويين.

سنشرح في هذا المقال كيفية إعداد YOLO11 وتشغيله باستخدام حل الاستدلال المباشر من Ultralytics مع Streamlit، ما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأسهل وصولًا.

ما هو Streamlit؟#

Streamlit إطار عمل لـ Python يبسّط إنشاء تطبيقات الويب التفاعلية. ويمكن لمطوري الذكاء الاصطناعي إنشاء تطبيقات مدعومة بالذكاء الاصطناعي دون التعامل مع تعقيدات تطوير الواجهات الأمامية.

صُممت الأداة لتعمل جيدًا مع نماذج الذكاء الاصطناعي والتعلم الآلي. وباستخدام بضعة أسطر من Python فقط، يمكن للمطورين إنشاء واجهة تتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو والتفاعل مع نماذج الذكاء الاصطناعي.

الشكل 1. الميزات الرئيسية في Streamlit. الصورة من إعداد المؤلف.

ومن أبرز ميزاته العرض الديناميكي. فعندما يُجري المستخدمون تغييرات، يُحدّث التطبيق نفسه تلقائيًا دون الحاجة إلى إعادة تحميل الصفحة يدويًا.

وبالإضافة إلى ذلك، يعمل Streamlit بكفاءة على الأجهزة المحلية والمنصات السحابية، نظرًا إلى خفة وزنه وسهولة استخدامه. وهذا يجعله خيارًا رائعًا لنشر تطبيقات الذكاء الاصطناعي ومشاركة النماذج مع الآخرين وتوفير تجربة مستخدم تفاعلية وبديهية.

Ultralytics YOLO11: نموذج متعدد الاستخدامات للذكاء الاصطناعي للرؤية#

قبل التعمق في كيفية تشغيل الاستدلالات المباشرة باستخدام Ultralytics YOLO11 في تطبيق Streamlit، لنلقِ نظرة أقرب على العوامل التي تجعل YOLO11 موثوقًا إلى هذا الحد.

Ultralytics YOLO11 نموذج مصمم لـمهام الرؤية الحاسوبية الآنية، مثل اكتشاف الأجسام وتقسيم المثيلات وتقدير الوضعيات. ويوفر أداءً عالي السرعة بدقة مرتفعة.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الأجسام.

من أبرز مزايا YOLO11 سهولة استخدامه. فلا حاجة إلى إعدادات معقدة؛ إذ يمكن للمطورين تثبيت حزمة Ultralytics لـPython والبدء في إجراء التنبؤات باستخدام بضعة أسطر من الشفرة فقط.

توفر حزمة Ultralytics Python مجموعة من الميزات التي تتيح للمستخدمين ضبط النماذج بدقة وتعديل إعدادات الكشف. كما تساعد على تحسين الأداء عبر الأجهزة المختلفة لتسهيل النشر.

إلى جانب المرونة، تدعم حزمة Ultralytics لـPython عمليات التكامل عبر منصات متعددة، بما فيها الأجهزة الطرفية والبيئات السحابية والأنظمة المجهزة بوحدات معالجة الرسومات من NVIDIA. وسواء نُشر YOLO11 على جهاز مضمّن صغير أم خادم سحابي واسع النطاق، فإنه يتكيف مع الأجهزة المستهدفة، ما يجعل الذكاء الاصطناعي المتقدم للرؤية أكثر سهولة.

مزايا استخدام Streamlit مع Ultralytics YOLO11#

قد تتساءل: كيف أعرف ما إذا كان Streamlit خيار النشر المناسب لي؟ إذا كنت تبحث عن طريقة بسيطة وفعالة من حيث كتابة التعليمات البرمجية لتشغيل Ultralytics YOLO11 دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit خيار جيد، لا سيما لإنشاء النماذج الأولية ومشروعات إثبات المفهوم (PoC) أو عمليات النشر المخصصة لعدد محدود من المستخدمين.

يبسّط Streamlit سير العمل مع Ultralytics YOLO11، إذ يزيل التعقيدات غير الضرورية ويوفر واجهة سهلة الاستخدام للتفاعل في الوقت الفعلي. وفيما يلي بعض المزايا الرئيسية الأخرى:

• عناصر تحكم قابلة للتخصيص للذكاء الاصطناعي: يمكنك إضافة أشرطة تمرير وقوائم منسدلة وأزرار إلى واجهتك، ما يتيح للمستخدمين ضبط إعدادات الكشف بدقة وتصفية كائنات معينة بسهولة.
• التكامل مع أدوات الذكاء الاصطناعي الأخرى: يدعم Streamlit التكامل مع NumPy وOpenCV وMatplotlib ومكتبات تعلّم الآلة الأخرى، ما يعزز إمكانات سير عمل الذكاء الاصطناعي.
• تصور البيانات التفاعلي: يتيح الدعم المدمج للمخططات والرسوم البيانية للمستخدمين تصور نتائج اكتشاف الأجسام والتقسيم أو معلومات التتبع.
• ملائم للتعاون: يمكن مشاركة تطبيقات Streamlit بسهولة مع أعضاء الفريق أو أصحاب المصلحة أو العملاء عبر رابط بسيط، ما يتيح تلقي الملاحظات وبدء التكرار فورًا.

دليل خطوة بخطوة لنشر Ultralytics YOLO11 في تطبيق ويب باستخدام Streamlit#

بعد أن استعرضنا مزايا استخدام Streamlit مع Ultralytics YOLO11، دعونا نتعرف على كيفية تشغيل مهام الرؤية الحاسوبية في الوقت الفعلي داخل المتصفح باستخدام Streamlit وYOLO11.

تثبيت حزمة Ultralytics Python#

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python. ويمكن تنفيذ ذلك باستخدام الأمر التالي:

pip install ultralytics

بعد التثبيت، يصبح YOLO11 جاهزًا للاستخدام دون الحاجة إلى إعداد معقد. إذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة، يمكنك الرجوع إلى دليل المشكلات الشائعة للاطلاع على نصائح استكشاف الأخطاء وإصلاحها والحلول.

تشغيل تطبيق Streamlit باستخدام Ultralytics YOLO11#

عادةً، ستحتاج إلى تطوير برنامج نصي بلغة Python باستخدام مكونات Streamlit لتشغيل YOLO11. لكن Ultralytics توفر طريقة بسيطة لتشغيل YOLO11 باستخدام Streamlit.

سيؤدي تشغيل برنامج Python النصي التالي باستخدام streamlit run path/to/file.py إلى تشغيل تطبيق Streamlit في متصفح الويب الافتراضي لديك:

from ultralytics import solutions

inf = solutions.Inference(
    model="yolo11n.pt",  # ⁨يمكنك استخدام أي نموذج تدعمه Ultralytics، أو نموذج مدرّب خصيصًا⁩
)

inf.inference()

لا حاجة إلى إعداد إضافي. تتضمن واجهة تطبيق Streamlit قسمًا لتحميل الصور ومقاطع الفيديو، وقائمة منسدلة لاختيار إصدار نموذج Ultralytics YOLO11 الذي تريده، ومنزلقات لضبط ثقة الاكتشاف. وكل شيء منظم بوضوح، ما يتيح للمستخدمين إجراء الاستدلال دون كتابة شفرة إضافية.

إجراء الاستدلالات باستخدام Ultralytics YOLO11 في تطبيق Streamlit#

بعد تشغيل تطبيق Streamlit في متصفح الويب، دعونا نستكشف كيفية استخدامه لإجراء الاستدلالات باستخدام Ultralytics YOLO11.

على سبيل المثال، لنفترض أننا نريد تحليل ملف فيديو لكشف الكائنات. فيما يلي خطوات تحميل ملف واختيار نموذج وعرض النتائج في الوقت الفعلي:

• تحميل ملف فيديو: اختر "video" من القائمة المنسدلة لإعدادات المستخدم، لتوجيه التطبيق إلى معالجة ملف مسجل مسبقًا بدلًا من بث كاميرا الويب.
• اختيار نموذج YOLO11: اختر "YOLO11l" من القائمة المنسدلة للنماذج لكشف الكائنات باستخدام نموذج YOLO11 كبير.
• بدء عملية الاكتشاف: انقر على «Start» للسماح لـUltralytics YOLO11 بتحليل الفيديو إطارًا تلو الآخر واكتشاف الأجسام في الوقت الفعلي.
• عرض الفيديو المعالَج: شاهد الفيديو على الشاشة مع تحديثات مباشرة تعرض الكائنات المكتشفة ضمن مربعات إحاطة.
• التفاعل مع النتائج في Streamlit: استخدم الواجهة لضبط الإعدادات أو تحليل عمليات الكشف، كل ذلك دون إعداد أو كتابة تعليمات برمجية إضافية.

الشكل 3. واجهة تطبيق Ultralytics YOLO باستخدام Streamlit.

حالات استخدام Streamlit وUltralytics YOLO11#

استعرضنا كيف يُعد Streamlit مناسبًا لإنشاء النماذج الأولية وأدوات البحث والتطبيقات الصغيرة والمتوسطة. فهو يوفر طريقة بسيطة لنشر نماذج الذكاء الاصطناعي دون تطوير معقد للواجهة الأمامية.

لكن تشغيل YOLO11 باستخدام Streamlit ليس دائمًا حلًا جاهزًا للاستخدام مباشرةً، إلا إذا استخدمت تطبيق Ultralytics YOLO باستخدام Streamlit الذي أعددناه في الخطوات أعلاه. ففي معظم الحالات، يلزم إجراء بعض أعمال التطوير لتخصيص التطبيق بما يلائم احتياجات محددة. وعلى الرغم من أن Streamlit يبسّط النشر، ستظل بحاجة إلى إعداد المكونات اللازمة لضمان تشغيل YOLO11 بسلاسة.

لنستعرض مثالين عمليين لكيفية نشر Ultralytics YOLO11 بفعالية باستخدام Streamlit في سيناريوهات واقعية.

عدّ الكائنات للتحقق من المخزون باستخدام Ultralytics YOLO11#

قد يكون تتبع المخزون في متاجر البيع بالتجزئة أو غرف التخزين أو أماكن مستلزمات المكاتب مستهلكًا للوقت ومعرضًا للأخطاء. وباستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات أتمتة عدّ الكائنات بسرعة وكفاءة، ما يجعله خيارًا مناسبًا لإثبات المفهوم (PoC) قبل الالتزام بنشر واسع النطاق.

باستخدام هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث كاميرا مباشر، كما يمكن أن يساعد Ultralytics YOLO11 على اكتشاف الكائنات وعدّها فورًا. ويمكن عرض العدد الآني في واجهة Streamlit، ما يوفر طريقة سهلة لمراقبة مستويات المخزون دون جهد يدوي.

على سبيل المثال، يمكن لصاحب متجر مسح رف ورؤية عدد الزجاجات أو الصناديق أو السلع المعبأة الموجودة فورًا، دون الحاجة إلى عدّها يدويًا. ومن خلال الاستفادة من Ultralytics YOLO11 وStreamlit، يمكن للشركات تقليل العمل اليدوي وتحسين الدقة واستكشاف الأتمتة بأقل استثمار.

الشكل 4. اكتشاف الزجاجات في ثلاجة باستخدام Ultralytics YOLO11.

تعزيز الأمن باستخدام Ultralytics YOLO11 وStreamlit#

قد يصعب تأمين المناطق المحظورة في المكاتب أو المستودعات أو أماكن الفعاليات، ولا سيما عند الاعتماد على المراقبة اليدوية. وباستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمني بسيط مدعوم بالذكاء الاصطناعي لكشف الدخول غير المصرح به في الوقت الفعلي.

يمكن ربط بث كاميرا بواجهة Streamlit، حيث يُستخدم Ultralytics YOLO11 لتحديد الأشخاص الذين يدخلون المناطق المحظورة وتتبعهم. وإذا اكتُشف شخص غير مصرح له، فيمكن للنظام إطلاق تنبيه أو تسجيل الواقعة لمراجعتها.

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.

قد يكون هذا مشروعًا تجريبيًا مفيدًا للشركات التي ترغب في استكشاف المراقبة الأمنية المدعومة بالذكاء الاصطناعي للرؤية قبل الالتزام بنظام أكبر مؤتمت بالكامل. ومن خلال دمج Ultralytics YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمن وتقليل المراقبة اليدوية والاستجابة بفعالية أكبر للدخول غير المصرح به.

نصائح لمراقبة تطبيق تفاعلي للذكاء الاصطناعي باستخدام Streamlit#

يساعد استخدام أدوات مثل Streamlit لنشر نماذج الرؤية الحاسوبية على توفير تجربة تفاعلية وسهلة الاستخدام. لكن بعد إعداد الواجهة المباشرة، من المهم ضمان كفاءة تشغيل النظام وتقديمه نتائج دقيقة بمرور الوقت.

فيما يلي بعض العوامل الرئيسية التي ينبغي مراعاتها بعد النشر:

• المراقبة المنتظمة: تتبّع دقة الكشف وسرعة الاستدلال واستخدام الموارد. عدّل معلمات النموذج أو حدّث الأجهزة إذا انخفض الأداء.
• إدارة تعدد المستخدمين وقابلية التوسع: مع تزايد طلب المستخدمين، يصبح تحسين البنية التحتية ضروريًا للحفاظ على الأداء. وتساعد المنصات السحابية وحلول النشر القابلة للتوسع على ضمان سلاسة التشغيل.
• الحفاظ على تحديث النموذج: يعزز تحديث النموذج والمكتبات الدقة والأمان وإمكانية الوصول إلى الميزات الجديدة.

أبرز النقاط#

تسهّل Ultralytics نشر YOLO11 عبر واجهة Streamlit مباشرة وجاهزة للاستخدام، تعمل بأمر واحد دون الحاجة إلى كتابة التعليمات البرمجية. ويتيح ذلك للمستخدمين البدء فورًا باستخدام كشف الكائنات في الوقت الفعلي.

تتضمن الواجهة أيضًا خيارات تخصيص مدمجة، تتيح للمستخدمين تبديل النماذج وضبط حدود الثقة وتصفية الأجسام بسهولة. وتُدار جميع الإعدادات ضمن واجهة بسيطة وسهلة الاستخدام، ما يلغي الحاجة إلى تطوير واجهة المستخدم يدويًا.

من خلال الجمع بين إمكانات Ultralytics YOLO11 وسهولة نشر Streamlit، يمكن للشركات والمطورين إنشاء نماذج أولية للتطبيقات المدعومة بالذكاء الاصطناعي واختبارها وتحسينها بسرعة.

انضم إلى مجتمعنا واستكشف مستودع GitHub للاطلاع على مزيد من الرؤى حول الذكاء الاصطناعي. ألقِ نظرة على صفحات حلولنا لمعرفة المزيد عن الابتكارات، مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية. اطّلع على خيارات الترخيص وابدأ اليوم!