بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
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 YOLO11على سبيل المثال. إنه نموذج يدعم مهام مختلفة ومفيد عبر مجموعة من التطبيقات. ومع ذلك، من دون بعض المعرفة التقنية للواجهة الأمامية، قد يبدو بناء 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. إنه أداة Python لبناء تطبيقات تفاعلية دون الحاجة إلى تطوير واجهة أمامية معقدة. عند إقرانه مع YOLO11 فإنه يتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو وتصور النتائج في الوقت الفعلي بأقل جهد ممكن.
تأخذ Ultralytics هذا الأمر خطوة إلى الأمام مع حل الاستدلال المباشر، مما يجعل التكامل مع Streamlit أكثر سهولة. من خلال أمر واحد، يمكن للمستخدمين تشغيل تطبيق Streamlit المُعد مسبقًا لـ YOLO11 مما يلغي الحاجة إلى الإعداد اليدوي والترميز.
في هذه المقالة، سنستعرض كيفية إعداد وتشغيل YOLO11 باستخدام حل الاستدلال المباشر من Ultralyticsمع Streamlit، مما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأكثر سهولة.
ما هو Streamlit؟
Streamlit هو إطار عمل Python يعمل على تبسيط إنشاء تطبيقات الويب التفاعلية. يمكن لمطوري الذكاء الاصطناعي إنشاء تطبيقات مدعومة بالذكاء الاصطناعي دون الحاجة إلى التعامل مع تعقيدات تطوير الواجهة الأمامية.
وهو مصمم للعمل بسلاسة مع نماذج الذكاء الاصطناعي والتعلم الآلي. من خلال بضعة أسطر من Python يمكن للمطورين إنشاء واجهة يمكن للمستخدمين من خلالها تحميل الصور ومعالجة مقاطع الفيديو والتفاعل مع نماذج الذكاء الاصطناعي.
الشكل 1. الميزات الرئيسية لـ Streamlit. صورة للمؤلف.
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.
Ultralytics YOLO11: نموذج ذكاء اصطناعي بصري متعدد الاستخدامات
قبل الغوص في كيفية تشغيل الاستدلالات المباشرة باستخدام Ultralytics YOLO11 في تطبيق Streamlit، دعنا نلقي نظرة فاحصة على ما يجعل YOLO11 موثوقًا للغاية.
يعد Ultralytics YOLO11 نموذجًا مصممًا لمهام الرؤية الحاسوبية في الوقت الحقيقي مثل اكتشاف الأجسام وتجزئة المثيل وتقدير الوضع. يوفر أداءً عالي السرعة بدقة مذهلة.
الشكل 2. مثال على استخدام YOLO11 للكشف عن الأجسام.
إحدى أكبر مزايا YOLO11هي سهولة استخدامه. فليست هناك حاجة إلى إعدادات معقدة؛ إذ يمكن للمطورين تثبيت حزمة Ultralytics Python والبدء في عمل تنبؤات ببضعة أسطر من التعليمات البرمجية.
توفر حزمة Ultralytics Python مجموعة من الميزات، مما يسمح للمستخدمين بضبط النماذج وضبط إعدادات الكشف. كما أنها تساعد على تحسين الأداء عبر الأجهزة المختلفة لنشر أكثر سلاسة.
وبالإضافة إلى المرونة، تدعم حزمة Ultralytics Python عمليات التكامل عبر منصات متعددة، بما في ذلك الأجهزة المتطورة والبيئات السحابية والأنظمةGPU NVIDIA . وسواء تم نشرها على جهاز صغير مدمج أو خادم سحابي واسع النطاق، فإن YOLO11 يتكيف بسهولة ويسر، مما يجعل الذكاء الاصطناعي المتقدم للرؤية أكثر سهولة من أي وقت مضى.
مزايا 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 التعليمات البرمجية لتشغيل YOLO11 دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit خيار جيد - خاصةً للنماذج الأولية أو مشاريع إثبات المفهوم (PoC) أو عمليات النشر التي تستهدف عددًا أقل من المستخدمين.
فهو يعمل على تبسيط عملية العمل مع YOLO11 من خلال التخلص من التعقيدات غير الضرورية وتوفير واجهة سهلة الاستخدام للتفاعل في الوقت الفعلي. فيما يلي بعض المزايا الرئيسية الأخرى:
عناصر تحكم الذكاء الاصطناعي القابلة للتخصيص: يمكنك إضافة أشرطة تمرير وقوائم منسدلة وأزرار إلى واجهتك، مما يسمح للمستخدمين بضبط إعدادات الاكتشاف بدقة وتصفية كائنات معينة بسهولة.
التكامل مع أدوات الذكاء الاصطناعي الأخرى: تدعم Streamlit التكامل مع NumPy OpenCV Matplotlib وغيرها من مكتبات التعلم الآلي، مما يعزز قدرات سير عمل الذكاء الاصطناعي.
تصور البيانات التفاعلي: يتيح الدعم المدمج للمخططات والرسوم البيانية للمستخدمين تصور اكتشاف الكائنات أو نتائج التجزئة أو رؤى التتبع دون عناء.
صديقة للتعاون: يمكن مشاركة تطبيقات Streamlit بسهولة مع أعضاء الفريق أو أصحاب المصلحة أو العملاء من خلال رابط بسيط، مما يتيح الحصول على تعليقات فورية وتكرارها.
دليل خطوة بخطوة لنشر YOLO11 في تطبيق ويب Streamlit
الآن بعد أن استكشفنا فوائد استخدام Streamlit مع YOLO11 دعونا نتعرف على كيفية تشغيل مهام الرؤية الحاسوبية في الوقت الفعلي في متصفح باستخدام Streamlit مع YOLO11.
بمجرد التثبيت، يصبح YOLO11 جاهزًا للاستخدام دون أي إعداد معقد. إذا واجهت أي مشاكل أثناء تثبيت الحزم المطلوبة، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على نصائح وحلول لاستكشاف الأخطاء وإصلاحها.
تشغيل تطبيق Streamlit باستخدام YOLO11
عادة، ستحتاج عادةً إلى تطوير برنامج Python نصي باستخدام مكونات Streamlit لتشغيل YOLO11. ومع ذلك، يوفر Ultralytics طريقة بسيطة لتشغيل YOLO11 باستخدام Streamlit.
سيؤدي تشغيل برنامج Python النصي التالي إلى تشغيل تطبيق Streamlit على الفور في متصفح الويب الافتراضي الخاص بك:
لا حاجة إلى تكوين إضافي. تشتمل واجهة تطبيق Streamlit على قسم تحميل للصور ومقاطع الفيديو، وقائمة منسدلة لتحديد متغير طراز YOLO11 الذي تهتم به، وأشرطة تمرير لضبط الثقة في الكشف. كل شيء منظم بدقة، مما يجعل من الممكن للمستخدمين تشغيل الاستدلالات دون عناء دون الحاجة إلى كتابة كود إضافي.
تشغيل الاستدلالات باستخدام YOLO11 على تطبيق Streamlit
الآن بعد أن أصبح تطبيق Streamlit يعمل 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:
تحميل ملف فيديو: حدد "video" من القائمة المنسدلة لتكوين المستخدم، والذي يخبر التطبيق بمعالجة ملف مسجل مسبقًا بدلاً من تغذية كاميرا الويب.
اختر نموذج YOLO11 : اختر "YOLO11l" من القائمة المنسدلة للنموذج لاكتشاف الكائن باستخدام نموذج YOLO11 الكبير.
ابدأ عملية الكشف: انقر فوق "ابدأ"، مما يسمح لـ YOLO11 بتحليل الفيديو إطارًا بإطار detect الكائنات في الوقت الفعلي.
عرض الفيديو المعالج: شاهد الفيديو يظهر على الشاشة مع تحديثات مباشرة، ويعرض الكائنات المكتشفة مع مربعات إحاطة.
التفاعل مع النتائج في Streamlit: استخدم الواجهة لضبط الإعدادات أو تحليل الاكتشافات، كل ذلك بدون إعداد أو ترميز إضافي.
الشكل 3. واجهة تطبيق Ultralytics YOLO Streamlit.
حالات الاستخدام باستخدام Streamlit و YOLO11
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.
ومع ذلك، فإن تشغيل YOLO11 مع Streamlit ليس دائمًا حلًا جاهزًا - إلا إذا كنت تستخدم تطبيق Ultralytics YOLO Streamlit الذي أعددناه في الخطوات أعلاه. في معظم الحالات، يلزم القيام ببعض أعمال التطوير لتخصيص التطبيق ليناسب الاحتياجات الخاصة. بينما يعمل Streamlit على تبسيط عملية النشر، ستظل بحاجة إلى تهيئة المكونات الضرورية لضمان تشغيل YOLO11 بسلاسة.
دعنا نستكشف مثالين عمليين عن كيفية نشرYOLO11 Ultralytics YOLO11 بفعالية مع Streamlit في سيناريوهات العالم الحقيقي.
عد العناصر لفحص المخزون باستخدام YOLO11
يمكن أن يستغرق track المخزون في متاجر البيع بالتجزئة أو غرف التخزين أو مناطق التوريد المكتبية وقتًا طويلاً وعرضة للأخطاء. وباستخدام YOLO11 مع Streamlit، يمكن للشركات أتمتة عملية عدّ الأشياء بسرعة وكفاءة، مما يجعله خيارًا رائعًا لإثبات المفهوم (PoC) قبل الالتزام بنشره على نطاق واسع.
من خلال هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث مباشر للكاميرا، ويمكن لـ YOLO11 المساعدة في detect الأشياء وعدّها 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 الأرفف ضوئيًا ومعرفة عدد الزجاجات أو الصناديق أو البضائع المعبأة على الفور دون الحاجة إلى عدها يدويًا. من خلال الاستفادة من YOLO11 وStreamlit، يمكن للشركات تقليل العمل اليدوي وتحسين الدقة واستكشاف الأتمتة بأقل قدر من الاستثمار.
الشكل 4. الكشف عن الزجاجات في الثلاجة باستخدام YOLO11.
تعزيز الأمان باستخدام YOLO11 و Streamlit
قد يكون من الصعب الحفاظ على أمن المناطق المحظورة في المكاتب أو المستودعات أو أماكن الفعاليات، خاصةً مع المراقبة اليدوية. باستخدام YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمان بسيط مدعوم بالذكاء الاصطناعي detect الوصول غير المصرح به في الوقت الفعلي.
يمكن توصيل تغذية الكاميرا بواجهة Streamlit، حيث يتم استخدام YOLO11 لتحديد track الأشخاص الذين يدخلون المناطق المحظورة. إذا تم اكتشاف شخص غير مصرح له، يمكن للنظام إطلاق تنبيه أو تسجيل الحدث لمراجعته.
على سبيل المثال، يمكن لمدير المستودع مراقبة الوصول إلى مناطق التخزين عالية الحماية، أو يمكن للمكتب track الحركة في الأقسام المحظورة دون الحاجة إلى الإشراف المستمر.
يمكن أن يكون هذا مشروعاً مفيداً للشركات التي ترغب في استكشاف المراقبة الأمنية القائمة على الذكاء الاصطناعي فيجن قبل الالتزام بنظام مؤتمت بالكامل. من خلال دمج YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمن وتقليل المراقبة اليدوية والاستجابة للوصول غير المصرح به بشكل أكثر فعالية.
نصائح لمراقبة تطبيق الذكاء الاصطناعي التفاعلي باستخدام Streamlit
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:
المراقبة المنتظمة: تتبع دقة الاكتشاف وسرعة الاستدلال واستخدام الموارد. اضبط معلمات النموذج أو قم بترقية الأجهزة إذا انخفض الأداء.
إدارة العديد من المستخدمين وقابلية التوسع: مع نمو طلب المستخدمين، يعد تحسين البنية التحتية أمرًا أساسيًا للحفاظ على الأداء. تساعد المنصات السحابية وحلول النشر القابلة للتطوير في ضمان التشغيل السلس.
الحفاظ على تحديث النموذج: يؤدي الحفاظ على تحديث النموذج والمكتبات إلى تحسين الدقة والأمان والوصول إلى الميزات الجديدة.
النقاط الرئيسية
يعمل Ultralytics على تبسيط نشر YOLO11 من خلال واجهة Streamlit المباشرة الجاهزة للاستخدام والتي تعمل بأمر واحد - دون الحاجة إلى ترميز. يتيح ذلك للمستخدمين البدء في استخدام اكتشاف 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 إمكانات YOLO11مع سهولة نشر Streamlit، يمكن للشركات والمطورين وضع نماذج أولية للتطبيقات القائمة على الذكاء الاصطناعي واختبارها وتحسينها بسرعة.
