18 مارس، 2025
تعرف على كيفية تشغيل استنتاجات YOLO11 داخل واجهة Streamlit وإنشاء واجهة ذكاء اصطناعي تفاعلية لمهام رؤية الحاسوب دون خبرة في البرمجة.
نماذج الرؤية الحاسوبية هي أدوات ذكاء اصطناعي مؤثرة تمكن الآلات من تفسير وتحليل البيانات المرئية، وأداء مهام مثل اكتشاف الكائنات وتصنيف الصور وتجزئة المثيل بدقة عالية. ومع ذلك، قد تتطلب في بعض الأحيان خبرة فنية إضافية، مثل تطوير الويب أو مهارات تطبيقات الهاتف المحمول، لنشرها وإتاحتها لجمهور أوسع.
خذ Ultralytics YOLO11، على سبيل المثال. إنه نموذج يدعم مهامًا متنوعة وهو مفيد عبر مجموعة من التطبيقات. ومع ذلك، بدون بعض المعرفة التقنية في الواجهة الأمامية، قد يبدو إنشاء واجهة سهلة الاستخدام ونشرها للتفاعل السلس أمرًا صعبًا بعض الشيء بالنسبة لبعض مهندسي الذكاء الاصطناعي.
Streamlit هو إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. إنها أداة تعتمد على Python لإنشاء تطبيقات تفاعلية دون تطوير معقد للواجهة الأمامية. عند إقرانه بـ YOLO11، فإنه يتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو وتصور النتائج في الوقت الفعلي بأقل جهد.
تخطو Ultralytics خطوة أخرى إلى الأمام من خلال حل الاستدلال المباشر الخاص بها، مما يجعل تكامل Streamlit أسهل. باستخدام أمر واحد، يمكن للمستخدمين تشغيل تطبيق Streamlit مُنشأ مسبقًا لـ YOLO11، مما يلغي الحاجة إلى الإعداد اليدوي والترميز.
في هذه المقالة، سنسير خلال كيفية إعداد وتشغيل YOLO11 باستخدام حل الاستدلال المباشر من Ultralytics مع Streamlit، مما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأكثر سهولة.
Streamlit هو إطار عمل Python يبسط إنشاء تطبيقات ويب تفاعلية. يمكن لمطوري الذكاء الاصطناعي إنشاء تطبيقات مدعومة بالذكاء الاصطناعي دون الحاجة إلى التعامل مع تعقيدات تطوير الواجهة الأمامية.
إنه مصمم للعمل بسلاسة مع نماذج الذكاء الاصطناعي والتعلم الآلي. باستخدام بضعة أسطر فقط من Python، يمكن للمطورين إنشاء واجهة حيث يمكن للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو والتفاعل مع نماذج الذكاء الاصطناعي.
إحدى ميزاته الرئيسية هي العرض الديناميكي. عندما يجري المستخدمون تغييرات، يتم تحديث التطبيق تلقائيًا دون الحاجة إلى إعادة تحميل الصفحة يدويًا.
أيضًا، نظرًا لكون Streamlit خفيف الوزن وسهل الاستخدام، فإنه يعمل بكفاءة على كل من الأجهزة المحلية والأنظمة الأساسية السحابية. هذا يجعله خيارًا رائعًا لنشر تطبيقات الذكاء الاصطناعي ومشاركة النماذج مع الآخرين وتوفير تجربة مستخدم بديهية وتفاعلية.
قبل الخوض في كيفية تشغيل الاستدلالات المباشرة (Live inferences) باستخدام Ultralytics YOLO11 في تطبيق Streamlit، دعنا نلقي نظرة فاحصة على ما يجعل YOLO11 موثوقًا للغاية.
Ultralytics YOLO11 هو نموذج مصمم لـ مهام الرؤية الحاسوبية في الوقت الفعلي مثل اكتشاف الكائنات وتقسيم الحالات وتقدير الوضعية. يوفر أداءً عالي السرعة بدقة رائعة.
إحدى أكبر مزايا YOLO11 هي سهولة استخدامه. ليست هناك حاجة إلى عمليات إعداد معقدة؛ يمكن للمطورين تثبيت حزمة Ultralytics Python والبدء في إجراء التنبؤات ببضعة أسطر فقط من التعليمات البرمجية.
توفر حزمة Ultralytics Python مجموعة من الميزات، مما يسمح للمستخدمين بضبط النماذج بدقة وتعديل إعدادات الكشف. كما أنه يساعد على تحسين الأداء عبر الأجهزة المختلفة لنشر أكثر سلاسة.
بالإضافة إلى المرونة، تدعم حزمة Ultralytics Python عمليات التكامل عبر منصات متعددة، بما في ذلك الأجهزة الطرفية والبيئات السحابية والأنظمة التي تدعم NVIDIA GPU. سواء تم نشره على جهاز مضمن صغير أو خادم سحابي واسع النطاق، يتكيف YOLO11 بسهولة، مما يجعل رؤية الذكاء الاصطناعي المتقدمة أكثر سهولة من أي وقت مضى.
قد تتساءل، كيف أعرف ما إذا كان Streamlit هو خيار النشر المناسب لي؟ إذا كنت تبحث عن طريقة بسيطة وفعالة من حيث التعليمات البرمجية لتشغيل YOLO11 دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit هو خيار جيد - خاصةً لعمل النماذج الأولية أو مشاريع إثبات المفهوم (PoC) أو عمليات النشر التي تستهدف عددًا أقل من المستخدمين.
إنه يبسط عملية العمل مع YOLO11 عن طريق إزالة التعقيد غير الضروري وتوفير واجهة سهلة الاستخدام للتفاعل في الوقت الفعلي. فيما يلي بعض المزايا الرئيسية الأخرى:
الآن بعد أن استكشفنا فوائد استخدام Streamlit مع YOLO11، دعنا نشرح كيفية تشغيل مهام رؤية الكمبيوتر في الوقت الفعلي في متصفح باستخدام Streamlit مع YOLO11.
تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python. يمكن القيام بذلك باستخدام الأمر التالي:
بمجرد التثبيت، يصبح YOLO11 جاهزًا للاستخدام دون أي إعداد معقد. إذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة، فيمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على نصائح وحلول استكشاف الأخطاء وإصلاحها.
عادةً، ستحتاج إلى تطوير برنامج Python باستخدام مكونات Streamlit لتشغيل YOLO11. ومع ذلك، توفر Ultralytics طريقة بسيطة لتشغيل YOLO11 باستخدام Streamlit.
سيؤدي تشغيل برنامج Python التالي إلى تشغيل تطبيق Streamlit على الفور في متصفح الويب الافتراضي الخاص بك:
ليست هناك حاجة إلى تكوين إضافي. تتضمن واجهة تطبيق Streamlit قسمًا لتحميل الصور ومقاطع الفيديو، وقائمة منسدلة لتحديد متغير نموذج YOLO11 الذي تهتم به، وأشرطة تمرير لضبط ثقة الاكتشاف. كل شيء منظم بدقة، مما يجعل من الممكن للمستخدمين تشغيل الاستدلالات دون عناء دون كتابة تعليمات برمجية إضافية.
الآن بعد تشغيل تطبيق Streamlit في متصفح الويب الخاص بك، دعنا نستكشف كيفية استخدامه لتشغيل الاستدلالات باستخدام YOLO11.
على سبيل المثال، لنفترض أننا نريد تحليل ملف فيديو للكشف عن الأجسام. فيما يلي خطوات تحميل ملف وتحديد نموذج وعرض النتائج في الوقت الفعلي:
لقد ألقينا نظرة على مدى روعة Streamlit في إنشاء نماذج أولية وأدوات بحث وتطبيقات صغيرة إلى متوسطة الحجم. إنه يوفر طريقة بسيطة لنشر نماذج الذكاء الاصطناعي دون تطوير معقد للواجهة الأمامية.
مع ذلك، فإن تشغيل YOLO11 باستخدام Streamlit ليس دائمًا حلاً جاهزًا - إلا إذا كنت تستخدم تطبيق Ultralytics YOLO Streamlit الذي قمنا بإعداده في الخطوات أعلاه. في معظم الحالات، يلزم إجراء بعض أعمال التطوير لتخصيص التطبيق ليناسب الاحتياجات المحددة. على الرغم من أن Streamlit يبسط عملية النشر، إلا أنك ستظل بحاجة إلى تكوين المكونات الضرورية لضمان تشغيل YOLO11 بسلاسة.
دعنا نستكشف مثالين عمليين لكيفية نشر Ultralytics YOLO11 بشكل فعال مع Streamlit في سيناريوهات العالم الحقيقي.
يمكن أن تكون متابعة المخزون في متاجر البيع بالتجزئة أو غرف التخزين أو مناطق توريد المكاتب عملية تستغرق وقتًا طويلاً وعرضة للأخطاء. باستخدام YOLO11 مع Streamlit، يمكن للشركات أتمتة عد الكائنات بسرعة وكفاءة، مما يجعله خيارًا رائعًا لإثبات المفهوم (PoC) قبل الالتزام بنشر واسع النطاق.
باستخدام هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث مباشر للكاميرا، ويمكن أن يساعد YOLO11 في اكتشاف وعدّ الكائنات على الفور. يمكن عرض العد في الوقت الفعلي في واجهة Streamlit، مما يوفر طريقة سهلة لمراقبة مستويات المخزون دون جهد يدوي.
على سبيل المثال، يمكن لمالك المتجر مسح أحد الرفوف ورؤية عدد الزجاجات أو الصناديق أو السلع المعبأة الموجودة على الفور دون الحاجة إلى عدها يدويًا. من خلال الاستفادة من YOLO11 و Streamlit، يمكن للشركات تقليل العمل اليدوي وتحسين الدقة واستكشاف الأتمتة بأقل قدر من الاستثمار.
قد يكون الحفاظ على المناطق المحظورة آمنة في المكاتب أو المستودعات أو أماكن الفعاليات أمرًا صعبًا، خاصة مع المراقبة اليدوية. باستخدام YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمان بسيط مدعوم بالذكاء الاصطناعي للكشف عن الوصول غير المصرح به في الوقت الفعلي.
يمكن توصيل تغذية الكاميرا بواجهة Streamlit، حيث يتم استخدام YOLO11 لتحديد وتتبع الأشخاص الذين يدخلون المناطق المحظورة. في حالة اكتشاف شخص غير مصرح له، يمكن للنظام تشغيل تنبيه أو تسجيل الحدث للمراجعة.
على سبيل المثال، يمكن لمدير المستودع مراقبة الوصول إلى مناطق التخزين عالية الأمان، أو يمكن للمكتب تتبع الحركة في الأقسام المحظورة دون الحاجة إلى إشراف مستمر.
يمكن أن يكون هذا المشروع بمثابة فتح أعين للشركات التي ترغب في استكشاف مراقبة الأمان المدعومة بالذكاء الاصطناعي البصري قبل الالتزام بنظام أكبر وأكثر أتمتة بالكامل. من خلال دمج YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمان وتقليل المراقبة اليدوية والاستجابة للوصول غير المصرح به بشكل أكثر فعالية.
يساعد استخدام أدوات مثل Streamlit لنشر نماذج الرؤية الحاسوبية في إنشاء تجربة تفاعلية وسهلة الاستخدام. ومع ذلك، بعد إعداد الواجهة المباشرة، من المهم التأكد من أن النظام يعمل بكفاءة ويقدم نتائج دقيقة بمرور الوقت.
فيما يلي بعض العوامل الرئيسية التي يجب مراعاتها بعد النشر:
تبسّط Ultralytics نشر YOLO11 بواجهة Streamlit مباشرة جاهزة للاستخدام تعمل بأمر واحد - لا يلزم الترميز. يتيح ذلك للمستخدمين البدء في استخدام الكشف عن الكائنات في الوقت الفعلي على الفور.
تتضمن الواجهة أيضًا تخصيصًا مدمجًا، مما يتيح للمستخدمين تبديل النماذج وضبط دقة الاكتشاف وتصفية الكائنات بسهولة. تتم إدارة كل شيء داخل واجهة بسيطة وسهلة الاستخدام، مما يلغي الحاجة إلى تطوير واجهة مستخدم يدوية. من خلال الجمع بين
بفضل قدرات YOLO11 وسهولة نشر Streamlit، يمكن للشركات والمطورين بسرعة تصميم واختبار وتحسين التطبيقات المدعومة بالذكاء الاصطناعي.
كن جزءًا من مجتمعنا واستكشف مستودع GitHub الخاص بنا للحصول على مزيد من الأفكار حول الذكاء الاصطناعي. ألق نظرة على صفحات الحلول الخاصة بنا لمعرفة المزيد حول الابتكارات مثل الذكاء الاصطناعي في التصنيع و رؤية الكمبيوتر في الرعاية الصحية. تحقق من خيارات الترخيص الخاصة بنا وابدأ اليوم!
.webp)