شغّل تطبيقًا تفاعليًا للذكاء الاصطناعي باستخدام Streamlit وUltralytics YOLO11

تُعد نماذج الرؤية الحاسوبية أدوات فعّالة للذكاء الاصطناعي، تُمكّن الآلات من تفسير البيانات المرئية وتحليلها، وتنفيذ مهام مثل اكتشاف الأجسام وتصنيف الصور وتقسيم المثيلات بدقة عالية. ومع ذلك، قد تتطلب أحيانًا خبرة تقنية إضافية، مثل مهارات تطوير الويب أو تطبيقات الأجهزة المحمولة، لنشرها وإتاحتها لجمهور أوسع.

لنأخذ Ultralytics YOLO11 مثالًا. فهو نموذج يدعم مجموعة متنوعة من المهام ومفيد في نطاق واسع من التطبيقات. ومع ذلك، من دون بعض المعرفة التقنية بالواجهة الأمامية، قد يبدو إنشاء واجهة سهلة الاستخدام ونشرها للتفاعل السلس أمرًا صعبًا قليلًا لبعض مهندسي الذكاء الاصطناعي.

Streamlit هو إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. وهو أداة قائمة على Python لبناء تطبيقات تفاعلية من دون الحاجة إلى تطوير معقد للواجهة الأمامية. وعند دمجه مع Ultralytics YOLO11، يتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو وتصور النتائج في الوقت الفعلي بأقل جهد.

تخطو Ultralytics خطوة إضافية من خلال حل الاستدلال المباشر Live Inference، مما يجعل دمج Streamlit أسهل. فباستخدام أمر واحد، يمكن للمستخدمين تشغيل تطبيق Streamlit لـ YOLO11 مُسبق البناء، والاستغناء عن الإعداد والبرمجة اليدويين.

في هذه المقالة، سنستعرض كيفية إعداد YOLO11 وتشغيله باستخدام حل الاستدلال المباشر Live Inference من Ultralytics مع Streamlit، مما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأسهل إتاحةً.

ما هو Streamlit؟#

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

صُمّم Streamlit للعمل بسلاسة مع نماذج الذكاء الاصطناعي وتعلّم الآلة. وباستخدام بضعة أسطر فقط من Python، 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.

تتمثل إحدى ميزاته الرئيسية في العرض الديناميكي. فعندما يُجري المستخدمون تغييرات، يُحدّث التطبيق نفسه تلقائيًا من دون الحاجة إلى إعادة تحميل الصفحات يدويًا.

وبما أنه خفيف وسهل الاستخدام، يعمل Streamlit بكفاءة على كل من الأجهزة المحلية والمنصات السحابية. وهذا يجعله خيارًا ممتازًا لنشر تطبيقات الذكاء الاصطناعي ومشاركة النماذج مع الآخرين وتوفير تجربة مستخدم بديهية وتفاعلية.

Ultralytics YOLO11: نموذج متعدد الاستخدامات للذكاء الاصطناعي للرؤية#

قبل التعمق في كيفية تشغيل عمليات الاستدلال المباشر باستخدام Ultralytics YOLO11 في تطبيق Streamlit، دعونا نلقِ نظرة فاحصة على أسباب موثوقية YOLO11.

Ultralytics YOLO11 هو نموذج مصمم لـمهام الرؤية الحاسوبية في الوقت الفعلي، مثل اكتشاف الأجسام وتقسيم المثيلات وتقدير الوضعية. ويقدم أداءً عالي السرعة مع دقة مبهرة.

الشكل 2. مثال على استخدام YOLO11 لاكتشاف الأجسام.

تتمثل إحدى أكبر مزايا YOLO11 في سهولة استخدامه. فلا حاجة إلى إعدادات معقدة؛ إذ يمكن للمطورين تثبيت حزمة Ultralytics لـPython والبدء في إجراء التنبؤات باستخدام بضعة أسطر فقط من التعليمات البرمجية.

توفر حزمة Ultralytics لـPython مجموعة من الميزات التي تتيح للمستخدمين ضبط النماذج بدقة وتعديل إعدادات الاكتشاف. كما تساعد على تحسين الأداء عبر الأجهزة المختلفة لتحقيق نشر أكثر سلاسة.

وبالإضافة إلى المرونة، تدعم حزمة Ultralytics لـPython عمليات التكامل عبر منصات متعددة، بما في ذلك الأجهزة الطرفية والبيئات السحابية والأنظمة المزودة بوحدات معالجة الرسومات من NVIDIA. وسواء نُشر YOLO11 على جهاز مضمّن صغير أو خادم سحابي واسع النطاق، فإنه يتكيف بسلاسة، مما يجعل الذكاء الاصطناعي المتقدم للرؤية متاحًا أكثر من أي وقت مضى.

فوائد استخدام Streamlit مع Ultralytics YOLO11#

قد تتساءل: كيف أعرف ما إذا كان Streamlit خيار النشر المناسب لي؟ إذا كنت تبحث عن طريقة بسيطة وفعّالة من حيث التعليمات البرمجية لتشغيل Ultralytics YOLO11 من دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit خيار جيد، ولا سيما لإنشاء النماذج الأولية أو مشروعات إثبات المفهوم (PoC) أو عمليات النشر الموجهة إلى عدد أقل من المستخدمين.

فهو يبسّط عملية العمل مع Ultralytics YOLO11 من خلال إزالة التعقيد غير الضروري وتوفير واجهة بديهية للتفاعل في الوقت الفعلي. وفيما يلي بعض المزايا الرئيسية الأخرى:

• عناصر تحكم قابلة للتخصيص في الذكاء الاصطناعي: يمكنك إضافة أشرطة تمرير وقوائم منسدلة وأزرار إلى واجهتك، مما يتيح للمستخدمين ضبط إعدادات الاكتشاف بدقة وتصفية أجسام محددة بسهولة.

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

• تصور البيانات التفاعلي: يتيح الدعم المدمج للمخططات والرسوم البيانية للمستخدمين تصور نتائج اكتشاف الأجسام أو التقسيم أو رؤى التتبع بسهولة.

• ملائم للتعاون: يمكن مشاركة تطبيقات Streamlit بسهولة مع أعضاء الفريق أو أصحاب المصلحة أو العملاء عبر رابط بسيط، مما يتيح الحصول على ملاحظات فورية وإجراء التكرارات.

دليل تفصيلي لنشر Ultralytics YOLO11 في تطبيق ويب باستخدام Streamlit#

بعد أن استكشفنا فوائد استخدام Streamlit مع Ultralytics YOLO11، دعونا نستعرض كيفية تشغيل مهام الرؤية الحاسوبية في الوقت الفعلي داخل متصفح باستخدام Streamlit مع YOLO11.

تثبيت حزمة Ultralytics لـPython#

الخطوة الأولى هي تثبيت حزمة Ultralytics لـPython. ويمكن تنفيذ ذلك باستخدام الأمر التالي:

بعد التثبيت، يصبح YOLO11 جاهزًا للاستخدام من دون أي إعداد معقد. وإذا 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. ومع ذلك، توفر Ultralytics طريقة بسيطة لتشغيل YOLO11 باستخدام Streamlit.

سيؤدي تشغيل برنامج Python النصي التالي إلى تشغيل تطبيق Streamlit فورًا في متصفح الويب الافتراضي لديك:

لا حاجة إلى أي إعداد إضافي. تتضمن واجهة تطبيق Streamlit قسمًا لتحميل الصور ومقاطع الفيديو، وقائمة منسدلة لاختيار إصدار نموذج Ultralytics YOLO11 الذي تريده، وأشرطة تمرير لضبط درجة الثقة في الاكتشاف. وكل شيء منظم بعناية، مما يتيح للمستخدمين إجراء عمليات الاستدلال بسهولة من دون كتابة تعليمات برمجية إضافية.

إجراء عمليات الاستدلال باستخدام Ultralytics YOLO11 في تطبيق Streamlit#

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

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

• تحميل ملف فيديو: اختر "video" من القائمة المنسدلة لإعدادات المستخدم، لإخبار التطبيق بمعالجة ملف مسجل مسبقًا بدلًا من بث كاميرا الويب.
• اختيار نموذج YOLO11: اختر "YOLO11l" من القائمة المنسدلة للنموذج لاكتشاف الأجسام 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 يظهر على الشاشة مع تحديثات مباشرة، عارضًا الأجسام المكتشفة ضمن مربعات إحاطة.
• التفاعل مع النتائج في Streamlit: استخدم الواجهة لضبط الإعدادات أو تحليل الاكتشافات، وكل ذلك من دون إعداد أو برمجة إضافية.

الشكل 3. واجهة تطبيق Ultralytics YOLO Streamlit.

حالات استخدام Streamlit وUltralytics YOLO11#

ألقينا نظرة على مدى ملاءمة Streamlit لإنشاء النماذج الأولية وأدوات البحث والتطبيقات الصغيرة والمتوسطة الحجم. فهو يوفر طريقة بسيطة لنشر نماذج الذكاء الاصطناعي من دون تطوير معقد للواجهة الأمامية.

ومع ذلك، لا يمثل تشغيل YOLO11 باستخدام Streamlit دائمًا حلًا جاهزًا للعمل فورًا، إلا إذا استخدمت تطبيق Ultralytics YOLO Streamlit الذي أعددناه في الخطوات أعلاه. وفي معظم الحالات، يلزم إجراء بعض أعمال التطوير لتخصيص التطبيق بما يلائم احتياجات محددة. وعلى الرغم من أن Streamlit يبسّط النشر، فستظل بحاجة إلى تهيئة المكونات اللازمة لضمان تشغيل YOLO11 بسلاسة.

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

عدّ الأجسام لفحص المخزون باستخدام Ultralytics YOLO11#

قد يكون تتبع المخزون في متاجر البيع بالتجزئة أو غرف التخزين أو مناطق مستلزمات المكاتب مستهلكًا للوقت ومعرضًا للأخطاء. وباستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات أتمتة عدّ الأجسام بسرعة وكفاءة، مما يجعله خيارًا ممتازًا لإثبات المفهوم (PoC) قبل الالتزام بعملية نشر واسعة النطاق.

باستخدام هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث مباشر من كاميرا، كما يمكن لـUltralytics YOLO11 المساعدة في اكتشاف الأجسام وعدّها فورًا. ويمكن عرض العدد في الوقت الفعلي في واجهة Streamlit، مما يوفر طريقة سهلة لمراقبة مستويات المخزون من دون جهد يدوي.

على سبيل المثال، يمكن لمالك متجر مسح رف ورؤية عدد الزجاجات أو الصناديق أو السلع المعبأة الموجودة فورًا، من 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 الأمان باستخدام Ultralytics YOLO11 وStreamlit#

قد يكون الحفاظ على أمان المناطق المحظورة في المكاتب أو المستودعات أو أماكن الفعاليات أمرًا صعبًا، ولا سيما مع المراقبة اليدوية. وباستخدام Ultralytics YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمان بسيط مدعوم بالذكاء الاصطناعي لاكتشاف 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 الحدث لمراجعته.

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

قد يكون هذا مشروعًا كاشفًا للشركات التي ترغب في استكشاف مراقبة الأمان المدعومة بذكاء اصطناعي للرؤية قبل الالتزام بنظام أكبر مؤتمت بالكامل. ومن خلال دمج Ultralytics YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمان وتقليل المراقبة اليدوية والاستجابة للدخول غير المصرح به بفعالية أكبر.

نصائح لمراقبة تطبيق تفاعلي للذكاء الاصطناعي باستخدام Streamlit#

يساعد استخدام أدوات مثل Streamlit لنشر نماذج الرؤية الحاسوبية على إنشاء تجربة تفاعلية وسهلة الاستخدام. ومع ذلك، بعد إعداد الواجهة المباشرة، من المهم ضمان عمل النظام بكفاءة وتقديم نتائج دقيقة بمرور الوقت.

فيما يلي بعض العوامل الرئيسية التي ينبغي مراعاتها بعد النشر:

• المراقبة المنتظمة: تتبّع دقة الاكتشاف وسرعة الاستدلال واستخدام الموارد. اضبط معلمات النموذج أو حدّث الأجهزة إذا انخفض الأداء.
• إدارة عدة مستخدمين وقابلية التوسع: مع ازدياد طلب المستخدمين، يُعد تحسين البنية الأساسية أمرًا أساسيًا للحفاظ على الأداء. وتساعد المنصات السحابية وحلول النشر القابلة للتوسع على ضمان التشغيل السلس.
• الحفاظ على تحديث النموذج: يؤدي الحفاظ على تحديث النموذج والمكتبات إلى تعزيز الدقة والأمان وإتاحة الوصول إلى الميزات الجديدة.

أهم النقاط المستخلصة#

تُبسّط Ultralytics نشر YOLO11 من خلال واجهة مباشرة جاهزة للاستخدام عبر Streamlit، تعمل بأمر واحد ومن دون الحاجة إلى البرمجة. ويتيح ذلك للمستخدمين البدء فورًا في استخدام اكتشاف الأجسام في الوقت الفعلي.

تتضمن الواجهة أيضًا تخصيصًا مدمجًا، مما يتيح للمستخدمين تبديل النماذج وضبط دقة الاكتشاف وتصفية الأجسام بسهولة. وتُدار جميع العمليات ضمن واجهة بسيطة وسهلة الاستخدام، مما يلغي الحاجة إلى تطوير واجهة المستخدم يدويًا. ومن خلال الجمع بين

إمكانات Ultralytics YOLO11 وسهولة النشر في Streamlit، يمكن للشركات والمطورين إنشاء نماذج أولية للتطبيقات المدعومة بالذكاء الاصطناعي واختبارها وتحسينها بسرعة.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub لمزيد من الرؤى حول الذكاء الاصطناعي. ألقِ نظرة على صفحات حلولنا للتعرف أكثر على ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية. اطّلع على خيارات الترخيص وابدأ اليوم!