تشغيل تطبيق ذكاء اصطناعي تفاعلي باستخدام Streamlit وUltralytics YOLO11

تعتبر نماذج الرؤية الحاسوبية أدوات ذكاء اصطناعي مؤثرة تُمكّن الآلات من تفسير وتحليل البيانات المرئية، وأداء مهام مثل اكتشاف الكائنات، وتصنيف الصور، وتقسيم المثيلات بدقة عالية. ومع ذلك، فقد تتطلب أحيانًا خبرة تقنية إضافية، مثل مهارات تطوير الويب أو تطبيقات الجوال، لنشرها وجعلها في متناول جمهور أوسع.

خذ نموذج Ultralytics YOLO11 على سبيل المثال. فهو نموذج يدعم مهاماً متنوعة ومفيد عبر مجموعة من التطبيقات. ومع ذلك، بدون بعض المعرفة التقنية بالواجهات الأمامية، قد تبدو عملية بناء ونشر واجهة مستخدم سهلة الاستخدام للتفاعل السلس تمثّل تحدياً بعض الشيء لبعض مهندسي الذكاء الاصطناعي.

Streamlit هو إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. إنه أداة تعتمد على Python لبناء تطبيقات تفاعلية دون الحاجة إلى تطوير واجهات أمامية معقدة. عند دمجه مع Ultralytics YOLO11، فإنه يتيح للمستخدمين تحميل الصور، ومعالجة مقاطع الفيديو، وعرض النتائج في الوقت الفعلي بأقل جهد ممكن.

تخطو Ultralytics خطوة أخرى إلى الأمام من خلال حل الاستدلال المباشر (Live Inference)، مما يجعل تكامل Streamlit أسهل بكثير. باستخدام أمر واحد، يمكن للمستخدمين تشغيل تطبيق Streamlit لنموذج YOLO11 جاهز مسبقاً، مما يلغي الحاجة إلى الإعداد اليدوي والبرمجة.

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.

ما 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.

Ultralytics 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.

يُعد نموذج Ultralytics YOLO11 مصخصاً لمهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات، وتقسيم المثيلات، وتقدير الوضعيات. وهو يقدم أداءً عالي السرعة ودقة مذهلة.

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.

إلى جانب المرونة، تدعم حزمة Python من Ultralytics عمليات التكامل عبر منصات متعددة، بما في ذلك الأجهزة الطرفية (Edge devices)، وبيئات السحاب، والأنظمة المدعومة بوحدات معالجة الرسومات من NVIDIA. وسواء تم نشر النموذج على جهاز مدمج صغير أو خادم سحابي واسع النطاق، فإن YOLO11 يتكيف بسهولة، مما يجعل الذكاء الاصطناعي المرئي المتقدم أكثر سهولة في الوصول إليه مقارنةً بأي وقت مضى.

فوائد 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 Ultralytics YOLO11 دون التعامل مع تطوير الواجهات الأمامية، فإن Streamlit يعد خياراً جيداً - خاصة بالنسبة للنمذجة الأولية، أو مشاريع إثبات المفهوم (PoC)، أو عمليات النشر التي تستهدف عدداً أقل من المستخدمين.

فهو تبسط عملية العمل مع Ultralytics YOLO11 من خلال إزالة 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.

دليل خطوة بخطوة لنشر Ultralytics YOLO11 في تطبيق ويب Streamlit#

الآن وبعد أن استكشفنا فوائد استخدام Streamlit مع Ultralytics YOLO11، دعنا نستعرض كيفية تشغيل مهام رؤية الكمبيوتر في الوقت الفعلي داخل المتصفح باستخدام Streamlit مع YOLO11.

تثبيت حزمة Ultralytics Python#

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

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

تشغيل تطبيق Streamlit باستخدام Ultralytics 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 لأي إعداد إضافي. تتضمن واجهة تطبيق Streamlit قسم تحميل للصور ومقاطع الفيديو، وقائمة منسدلة لتحديد متغير نموذج Ultralytics YOLO11 الذي تهتم به، وأشرطة تمرير لضبط ثقة الكشف. كل شيء منظم بدقة، مما يتيح للمستخدمين تشغيل الاستدلالات بسهولة دون كتابة كود إضافي.

تشغيل عمليات الاستدلال باستخدام Ultralytics YOLO11 على تطبيق Streamlit#

الآن بعد أن أصبح تطبيق Streamlit قيد التشغيل في متصفح الويب الخاص بك، دعنا نستكشف كيفية استخدامه لتشغيل الاستدلالات باستخدام Ultralytics 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.
• ابدأ عملية الكشف: انقر فوق "Start"، مما يتيح لـ Ultralytics YOLO11 تحليل الفيديو إطاراً تلو إطار والكشف عن 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.

حالات الاستخدام باستخدام Streamlit و Ultralytics 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.

حساب الكائنات لفحوصات المخزون باستخدام Ultralytics YOLO11#

يمكن أن تستغرق متابعة المخزون في متاجر التجزئة، أو غرف التخزين، أو مناطق لوازم المكاتب وقتاً طوياً وتكون عرضة للأخطاء. باستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات أتمتة عد الكائنات بسرعة وكفاءة، مما يجعله خياراً رائعاً لإثبات المفهوم (PoC) قبل الالتزام بنشر واسع النطاق.

باستخدام هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث مباشر للكاميرا، ويمكن لـ Ultralytics YOLO11 المساعدة في الكشف الفوري عن count objects و عدها. يمكن عرض العدد في الوقت الفعلي في واجهة Streamlit، مما يوفر طريقة سهلة لمراقبة مستويات المخزون دون جهد يدوي.

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

الشكل 4. الكشف عن الزجاجات في ثلاجة باستخدام Ultralytics YOLO11.

تعزيز الأمان باستخدام Ultralytics YOLO11 و Streamlit#

قد يكون الحفاظ على تأمين المناطق المحظورة في المكاتب، أو المستودعات، أو مواقع الفعاليات أمراً صعباً، خاصة مع المراقبة اليدوية. باستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات إعداد security system بسيط مدعوم بالذكاء الاصطناعي للكشف عن الوصول غير المصرح به في الوقت الفعلي.

يمكن توصيل بث الكاميرا بواجهة Streamlit، حيث يتم استخدام Ultralytics YOLO11 لتحديد وتتبع الأشخاص الذين يدخلون المناطق المحظورة. إذا تم اكتشاف شخص غير مصرح له، يمكن للنظام تشغيل 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 مذهلاً للشركات التي ترغب في استكشاف مراقبة الأمان المدفوعة برؤية الذكاء الاصطناعي قبل الالتزام بنظام أكبر وأتمتة بالكامل. من خلال دمج Ultralytics YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمان، وتقليل المراقبة اليدوية، والرد على الوصول غير المصرح به بشكل أكثر فعالية.

نصائح 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. قم بضبط معاملات النموذج أو ترقية 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.

أبرز 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

بفضل إمكانيات Ultralytics YOLO11 مع سهولة النشر في Streamlit، يمكن للشركات والمطورين وضع نماذج أولية واختبار وتحسين التطبيقات المدعومة بالذكاء الاصطناعي بسرعة.

كن جزءاً من مجتمعنا واستكشف مستودع GitHub الخاص بنا لمزيد من الرؤى حول الذكاء الاصطناعي. ألق نظرة على صفحات الحلول الخاصة بنا لمعرفة المزيد حول الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية. تحقق من خيارات الترخيص الخاصة بنا وابدأ اليوم!