يستخدم SharkEye نظام Ultralytics YOLOv8 لاكتشاف الأجسام

لطالما كانت مراقبة الحيوانات في موائلها الطبيعية، سواء أكانت أبقارًا ترعى في مزرعة أم أسماك قرش تتحرك بالقرب من الشاطئ، أمرًا مهمًا لسلامتها ورفاهها. ومع ذلك، فإن مراقبتها يدويًا ليست سهلة. وغالبًا ما تتطلب ساعات من الصبر والتركيز الدقيق، إذ يتعين على المراقبين متابعة أي تغييرات في السلوك أو الحركة عن كثب. وحتى حينها، من السهل تفويت علامات دقيقة لكنها مهمة.

بفضل تدخل الذكاء الاصطناعي (AI)، أصبحت هذه العملية أسرع وأذكى وأكثر كفاءة بكثير، مما يقلل العبء على المراقبين البشريين ويحسن الدقة. وعلى وجه الخصوص، يمكن استخدام الرؤية الحاسوبية لتتبع الحيوانات، ورصد الأخطار، واتخاذ القرارات في الوقت الفعلي. ويمكن الآن إنجاز المهام التي كانت تستغرق ساعات في غضون دقائق، مما يتيح طرقًا جديدة لفهم سلوك الحيوانات.

في YOLO Vision 2024 (YV24)، وهو حدث هجين سنوي تستضيفه Ultralytics، اجتمع الخبراء والمبتكرون لاستكشاف كيفية تصدي الذكاء الاصطناعي للتحديات اليومية. وشملت الموضوعات التي عُرضت التطورات في اكتشاف الأجسام في الوقت الفعلي ومراقبة الحيوانات، مما أظهر كيف يعزز الذكاء الاصطناعي السلامة والكفاءة في مختلف المجالات.

كان من أبرز فعاليات الحدث حديثٌ ألقاه جيم غريفين، مؤسس AI Master Group، أوضح فيه كيف تجعل رؤية الذكاء الاصطناعي الشواطئ أكثر أمانًا من خلال اكتشاف أسماك القرش قبل اقترابها كثيرًا من الشاطئ. وشرح أنهم استخدموا Ultralytics YOLOv8، وهو نموذج متطور للرؤية الحاسوبية، لتحديد أسماك القرش بدقة في الوقت الفعلي، حتى في الظروف الصعبة مثل الأمواج المضطربة والوهج والعوائق الموجودة تحت الماء.

في هذه المقالة، سنلقي نظرة فاحصة على مشروع SharkEye ونشارك رؤى مهمة من حديث جيم.

التعرّف إلى SharkEye: تطبيق للرؤية الحاسوبية#

استهل جيم حديثه بالتعريف بشاطئ بادارو، وهو وجهة شهيرة لركوب الأمواج في كاليفورنيا، حيث يتشارك راكبو الأمواج وأسماك القرش المياه نفسها غالبًا. وإبرازًا للتحدي الحقيقي المتمثل في اكتشاف أسماك القرش، قال: «بالطبع، من السهل اكتشاف سمكة قرش إذا عضّتك، لذا ما أردنا فعله هو تحديد أسماك القرش مسبقًا».

الشكل 1. جيم على المنصة في YOLO Vision 2024.

أُنشئ SharkEye لمعالجة هذه المشكلة، بدعم من جامعة كاليفورنيا في سانتا باربرا. ووصف جيم كيف استُخدمت طائرات مسيّرة مزودة بـكاميرات ذكاء اصطناعي عالية الدقة للتحليق على ارتفاع نحو 200 قدم فوق الماء، ومسح المحيط في الوقت الفعلي.

عند اكتشاف سمكة قرش، تصل تنبيهات SMS إلى نحو 80 شخصًا، بمن فيهم رجال الإنقاذ وأصحاب متاجر مستلزمات ركوب الأمواج وكل من سجّل للحصول على التحديثات. وأوضح جيم أن هذه الإشعارات الفورية تتيح الاستجابة السريعة، مما يحافظ على سلامة مرتادي الشاطئ عند وجود سمكة قرش بالقرب من الشاطئ.

ذكر جيم أيضًا أن SharkEye يتضمن لوحة معلومات مباشرة يمكن للمستخدمين من خلالها الاطلاع على إحصاءات اكتشاف أسماك القرش. فعلى سبيل المثال، حدد النظام خلال 12 أسبوعًا أكثر من سمكتي قرش كبيرتين و15 سمكة قرش أصغر، بمتوسط يزيد قليلًا على سمكة قرش واحدة أسبوعيًا.

ثم قدّم نيل ناثان، العالم الذي قاد الجهود وراء SharkEye. وعلى الرغم من أن خلفيته كانت في الدراسات البيئية لا علوم الحاسوب، فقد قاد ناثان المشروع بنجاح. وشدد جيم على أن أدوات الذكاء الاصطناعي الحديثة، مثل تلك المستخدمة في SharkEye، صُممت لتكون سهلة الوصول، مما يمكّن الأفراد من خلفيات غير تقنية من تطوير حلول مؤثرة.

استخدام Ultralytics YOLOv8 لاكتشاف أسماك القرش#

وبالانتقال إلى مزيد من التفاصيل، أوضح جيم ما يكمن وراء SharkEye وكيف أن حل اكتشاف أسماك القرش لم يقتصر على مهمة بسيطة لـاكتشاف الأجسام. فقد كان عليه التعامل مع ظروف متغيرة وغير متوقعة، مثل الأعشاب البحرية الطافية التي يمكن بسهولة الخلط بينها وبين أسماك القرش. وعلى خلاف رصد جسم ثابت، يتطلب تحديد سمكة قرش دقةً وقدرةً على التكيف، مما يجعل Ultralytics YOLOv8 خيارًا مثاليًا.

ومن المزايا الأخرى لـ Ultralytics YOLOv8 إمكانية نشره على طائرة مسيّرة دون الاعتماد على خوادم سحابية. وشرح جيم أن هذا النهج أتاح لـ SharkEye إرسال تنبيهات فورية، وهو جزء أساسي من ضمان الاستجابة في الوقت المناسب في ظروف المحيط غير المتوقعة.

اكتشاف الأجسام باستخدام ستة أسطر فقط من التعليمات البرمجية#

بعد أن أوضح جيم كيفية عمل SharkEye والجهود التعاونية التي تقف وراءه، عرض تجربةً توضيحية مباشرة.

بدأ جيم غريفين تجربته التوضيحية المباشرة باطلاع الجمهور على مثال مألوف، وهو مقتطف شيفرة «hello world» لنماذج Ultralytics YOLO. وباستخدام ستة أسطر فقط من شيفرة Python، أوضح كيف يمكن لنموذج Ultralytics YOLOv8 مُدرَّب مسبقًا اكتشاف حافلة في صورة بسهولة.

الشكل 2. تجربة توضيحية أجراها جيم في YOLO Vision 2024.

استخدمت تجربته التوضيحية نموذج Ultralytics YOLOv8 Nano، وهو إصدار خفيف للأجهزة منخفضة الطاقة مثل الطائرات المسيّرة. واستُخدم النموذج نفسه في SharkEye لاكتشاف أسماك القرش في الوقت الفعلي.

ولتقديم مزيد من السياق، ذكر جيم أن النموذج في التجربة التوضيحية كان يُدرَّب على COCO128، وهي مجموعة فرعية أصغر من مجموعة بيانات COCO. وتحتوي مجموعة بيانات COCO على أكثر من 20,000 صورة موزعة على 80 فئة مختلفة من الأجسام. وعلى الرغم من أن COCO128 تعمل جيدًا للعروض التوضيحية السريعة، أشار إلى أن SharkEye احتاج إلى شيء أكثر متانة: مجموعة بيانات لاكتشاف أسماك القرش خاصة بالتطبيق وقادرة على التعامل مع تعقيدات سيناريوهات العالم الحقيقي.

التدريب المخصص لـ Ultralytics YOLOv8 من أجل SharkEye#

وفقًا لجيم، لم يكن أصعب جزء في مشروع SharkEye هو تدريب نموذج الذكاء الاصطناعي، بل جمع البيانات المناسبة. وقال: «لم يكن العمل الرئيسي في هذا المشروع هو الذكاء الاصطناعي. بل كان العمل الرئيسي هو تحليق تلك الطائرات المسيّرة على مدى خمس سنوات، وانتقاء الصور من مقاطع الفيديو، ووسمها بالشكل المناسب».

ووصف كيف جمع الفريق 15,000 صورة في شاطئ بادارو. وكان لا بد من وسم كل صورة يدويًا للتمييز بين أسماك القرش والأعشاب البحرية والأجسام الأخرى في الماء. وعلى الرغم من أن العملية كانت بطيئة وشاقة، فقد أرست الأساس لكل ما تلاها.

الشكل 3. استخدام الطائرات المسيّرة لالتقاط صور لأسماك القرش من أجل اكتشاف الأجسام في الوقت الفعلي.

بعد تجهيز مجموعة البيانات، خضع Ultralytics YOLOv8 لـتدريب مخصص عليها. وقال جيم: «لم يكن التدريب الفعلي هو الجزء الصعب، فقد استغرق 20 ساعة فقط على وحدات معالجة الرسومات T4 [وحدات معالجة الرسومات].» وأضاف أن المدة كان يمكن تقليلها إلى خمس ساعات فقط باستخدام أجهزة أكثر قوة، مثل وحدات معالجة الرسومات A100.

تقييم SharkEye: الدقة قبل الاسترجاع#

ثم ناقش جيم كيفية تقييم أداء SharkEye. وأوضح أن المقياس الأساسي كان الدقة، أي مدى دقة تحديد النظام لأسماك القرش الفعلية. ومع تحقيق SharkEye دقةً مبهرة بلغت 92%، أثبت النموذج فعالية عالية في تحديد أسماك القرش بدقة وسط بيئة المحيط المعقدة.

وبالتعمق في أهمية الدقة، أوضح جيم سبب أهمية الدقة أكثر من الاسترجاع في هذه الحالة. وقال: «يهتم الناس في معظم الأحيان بـالاسترجاع، لا سيما في مجالات مثل الرعاية الصحية حيث قد يكون تفويت حالة إيجابية أمرًا بالغ الخطورة. لكننا في هذه الحالة لم نكن نعرف عدد أسماك القرش الموجودة هناك، لذا كان ما نهتم به هو الدقة». وضمن SharkEye تقليل الإنذارات الكاذبة إلى أدنى حد من خلال التركيز على الدقة، مما سهّل على رجال الإنقاذ وغيرهم من المستجيبين اتخاذ الإجراءات بسرعة.

الشكل 4. جيم يستعرض SharkEye في YOLO Vision 2024.

اختتم حديثه بمقارنة أداء الذكاء الاصطناعي بأداء البشر، مشيرًا إلى أن دقة SharkEye البالغة 92% تجاوزت بكثير دقة الخبراء البشريين البالغة 60%. وشدد على هذه الفجوة قائلًا: «ذلك لأننا بشر. ومهما بلغت خبرتك أو خبرتي، فإذا اضطررنا إلى الجلوس أمام شاشة طوال اليوم بحثًا عن أسماك القرش، فسوف نسمح لأذهاننا في النهاية بالتشتت». وعلى خلاف البشر، لا تتعب نماذج الذكاء الاصطناعي ولا تتشتت، مما يجعلها حلًا موثوقًا للمهام التي تتطلب مراقبة مستمرة.

Ultralytics YOLO11: أحدث إصدار من YOLO#

يجسد اقتباس مثير للاهتمام من حديث جيم غريفين، وهو «قد تنقذ ستة أسطر من التعليمات البرمجية حياتك يومًا ما»، تمامًا مدى تطور الذكاء الاصطناعي وسهولة الوصول إليه. وقد أُنشئت نماذج Ultralytics YOLO مع وضع ذلك في الاعتبار، مما يجعل تقنية الرؤية الحاسوبية المتطورة متاحة للمطورين والشركات من جميع الأحجام. ويواصل Ultralytics YOLO11 هذا النهج باستدلالات أسرع ودقة أعلى.

إليك لمحة سريعة عما يميز Ultralytics YOLO11:

• بنية معاد تصميمها: تتيح بنية العمود الفقري والعنق المحسّنة استخراجًا أفضل للسمات ودقةً محسّنة.
• سهولة الاستخدام: يمكن الوصول إليه من خلال البرمجة باستخدام Python أو أدوات دون تعليمات برمجية مثل Ultralytics HUB.
• المرونة عبر المهام: يدعم Ultralytics YOLO11 مهام الرؤية الحاسوبية مثل اكتشاف الأجسام، وتقسيم المثيلات، وتصنيف الصور، والتتبع، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB).
• دقة محسّنة: يحقق Ultralytics YOLO11 متوسط دقة ​​​​متوسطة (mAP) أعلى بنسبة 22% مقارنةً بـ YOLOv8m على مجموعة بيانات COCO، مما يوفر اكتشافات أكثر دقة.

تجعل هذه الميزات Ultralytics YOLO11 مناسبًا جدًا لتتبع سلوك الحيوانات في البيئات الديناميكية، سواء في المزرعة أو في البرية.

أهم النقاط المستخلصة#

تسهّل التطورات في رؤية الذكاء الاصطناعي التصدي للتحديات الواقعية من خلال توفير أدوات عملية لمختلف المجالات. فعلى سبيل المثال، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة الحيوانات وتتبعها في الوقت الفعلي، حتى في الظروف الصعبة.

أوضح الخطاب الرئيسي الذي ألقاه جيم غريفين في YV24 كيف يمكن استخدام Ultralytics YOLOv8 لحل مشكلات معقدة بأقل قدر من البرمجة. وقد أظهر مشروع SharkEye، الذي يجمع بين الطائرات المسيّرة والذكاء الاصطناعي لاكتشاف أسماك القرش في الوقت الفعلي، كيف يمكن للتقنية تحسين سلامة الشواطئ.

كانت هذه دراسة حالة رائعة توضح كيف يمكّن الذكاء الاصطناعي سهل الوصول الأشخاص من خلفيات مختلفة من إنشاء حلول فعالة. ومع استمرار تطور الذكاء الاصطناعي، فإنه يحوّل الصناعات ويجعل من الممكن للأفراد تسخير إمكاناته لجعل العالم مكانًا أكثر أمانًا وذكاءً وكفاءة.

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعمق أكثر في الذكاء الاصطناعي. بدءًا من الرؤية الحاسوبية في الزراعة ووصولًا إلى الذكاء الاصطناعي في السيارات ذاتية القيادة، تعرّف إلى كيفية دفع هذه التقنيات عجلة الابتكار. اطّلع على خيارات الترخيص لدينا لبدء مشاريعك في مجال الذكاء الاصطناعي اليوم!