يستخدم SharkEye نظام Ultralytics YOLOv8 لكشف الكائنات

لطالما كان رصد الحيوانات في بيئاتها الطبيعية، سواء كانت ماشية ترعى في مزرعة أو قروشاً تتحرك بالقرب من الشاطئ، أمراً مهماً لسلامتها ورفاهيتها. ومع ذلك، فإن المراقبة اليدوية ليست بالأمر السهل، إذ غالباً ما تتطلب ساعات من الصبر والتركيز الدقيق، حيث يتعين على المراقبين تتبع أي تغييرات في السلوك أو الحركة عن كثب. وحتى في تلك الحالة، من السهل تفويت علامات دقيقة ولكنها مهمة.

بفضل تدخل الذكاء الاصطناعي، أصبحت هذه العملية أسرع وأكثر ذكاءً وأعلى كفاءة بكثير، مما يقلل العبء على المراقبين البشريين مع تحسين الدقة. وعلى وجه الخصوص، يمكن استخدام computer vision لتتبع الحيوانات ورصد المخاطر واتخاذ القرارات في الوقت الفعلي. والمهام التي كانت تستغرق ساعات في السابق باتت الآن تُجز في غضون دقائق، مما يفتح آفاقاً جديدة لفهم سلوك الحيوانات.

في فعالية YOLO Vision 2024 (YV24)، وهو حدث سنوي هجين نظّفته Ultralytics، اجتمع الخبراء والمبتكرون لاستكشاف كيف يتعامل الذكاء الاصطناعي مع التحديات اليومية. وتضمنت بعض الموضوعات المعروضة تطورات في اكتشاف الكائنات في الوقت الفعلي وanimal monitoring، مما يوضح كيف يعزز الذكاء الاصطناعي الأمان والكفاءة عبر مختلف المجالات.

كان أحد أبرز الأحداث في الفعالية هو عرض قدمه جيم غريفين، مؤسس مجموعة AI Master Group، حيث استعرض كيف تجعل vision AI الشواطئ أكثر أماناً من خلال اكتشاف أسماك القرش قبل اقترابها بشكل مفرط من الشاطئ. وأوضح كيف استخدَموا نموذج Ultralytics YOLOv8، وهو نموذج رؤية حاسوبية متطور، لتحديد مواقع أسماك القرش بدقة في الوقت الفعلي، حتى في الظروف الصعبة مثل الأمواج المتلاطمة والوهج والعوائق تحت الماء.

في هذه المقالة، سنلقي نظرة عن قرب على SharkEye project ونشارك رؤى مثيرة للاهتمام من عرض جيم.

التعرف على SharkEye: تطبيق رؤية حاسوبية#

بدأ جيم حديثه بتقديم شاطئ بادارو، وهو وجهة شهيرة لركوب الأمواج في كاليفورنيا حيث غالباً ما يتشارك راكبو الأمواج والقروش نفس المياه. مسلطاً الضوء على التحدي الحقيقي في اكتشاف القروش، قال: "بالطبع، من السهل اكتشاف القرش إذا عضك، لذا ما أردنا القيام به هو تحديد أماكن القروش مسبقاً".

الشكل 1. جيم على المسرح في YOLO Vision 2024.

تم إنشاء SharkEye لمعالجة هذه المشكلة، بدعم من جامعة كاليفورنيا في سانتا باربارا. وشرح جيم كيف تم استخدام الطائرات بدون طيار المجهزة بـAI cameras عالية الدقة للتحليق على ارتفاع نحو 200 قدم فوق سطح الماء، لمسح المحيط في الوقت الفعلي.

إذا تم اكتشاف قرش، تصل تنبيهات عبر الرسائل القصيرة (SMS) إلى حوالي 80 شخصاً، بما في ذلك المنقذون، وأصحاب متاجر ركوب الأمواج، وأي شخص سجل للحصول على التحديثات. أشار جيم إلى أن هذه الإشعارات الفورية تسمح باستجابات سريعة، مما يحافظ على سلامة مرتادي الشاطئ عندما يكون القرش بالقرب من الشاطئ.

ذكر جيم أيضاً أن SharkEye يتميز بلوحة تحكم حية حيث يمكن للمستخدمين رؤية إحصائيات اكتشاف القروش. على سبيل المثال، على مدار 12 أسبوعاً، حدد النظام قرشين كبيرين و15 قرشاً أصغر، بمتوسط يزيد قليلاً عن قرش واحد في الأسبوع.

ثم قدم نيل ناثان، العالم الذي قاد الجهود وراء SharkEye. وعلى الرغم من خلفيته في الدراسات البيئية بدلاً من علوم الكمبيوتر، نجح ناثان في قيادة المشروع. أكد جيم كيف تم تصميم أدوات الذكاء الاصطناعي الحديثة، مثل تلك المستخدمة في SharkEye، لتكون في متناول الجميع، مما يمكن الأفراد من خلفيات غير تقنية من تطوير حلول مؤثرة.

استخدام Ultralytics YOLOv8 لاكتشاف القروش#

بالتعمق أكثر في التفاصيل، أوضح جيم ما يدور خلف الكواليس في SharkEye وكيف أن حل اكتشاف سمك القرش لم يكن مجرد مهمة اكتشاف كائنات بسيطة. كان عليه التعامل مع ظروف ديناميكية لا يمكن التنبؤ بها مثل الأعشاب البحرية العائمة التي يمكن الخلط بينها بسهولة وبين أسماك القرش. على عكس رصد كجن ساكن، يتطلب تحديد سمك القرش دقة وقدرة على التكيف، مما يجعل Ultralytics YOLOv8 الخيار الأمثل.

ميزة أخرى لـ Ultralytics YOLOv8 هي أنه يمكن نشره على طائرة بدون طيار دون الاعتماد على خوادم سحابة. أوضح جيم كيف جعل هذا النهج من الممكن لـ SharkEye إرسال تنبيهات فورية - وهو جزء أساسي لضمان الاستجابات في الوقت المناسب في ظروف المحيط التي لا يمكن التنبؤ بها.

الكشف عن الأشياء بستة أسطر فقط من الكود#

بعد تسليط الضوء على كيفية عمل SharkEye والجهد التعاوني وراءه، قدم جيم عرضاً حياً.

بدأ جيم غريفين عرضه الحي باصطحاب الجمهور عبر مثال مألوف - وهو مقطع برمجي من نوع "مرحباً بالعالم" لـUltralytics YOLO models. فباستخدام ستة أسطر فقط من كود Python، استعرض كيف يمكن لنموذج Ultralytics YOLOv8 المدرب مسبقًا اكتشاف حافلة في صورة بكل سهولة.

الشكل 2. عرض توضيحي من قبل جيم في YOLO Vision 2024.

استخدم عرضه التوضيحي نموذج Ultralytics YOLOv8 Nano، وهو نسخة خفيفة الوزن للأجهزة منخفضة الطاقة مثل الطائرات بدون طيار. تم استخدام نفس النموذج في SharkEye لاكتشاف سمك القرش في الوقت الفعلي.

ولتقديم المزيد من السياق، ذكر جيم أن النموذج قيد التجربة كان يتم تدريبه على COCO128، وهو مجموعة فرعية أصغر من COCO dataset. الشهير. وتحتوي مجموعة بيانات COCO على أكثر من 20,000 صورة عبر 80 فئة مختلفة من الكائنات. وفي حين أن COCO128 يعمل بشكل جيد للعروض التوضيحية السريعة، فقد أشار إلى أن SharkEye كانت بحاجة إلى شيء أكثر قوة - وهو مجموعة بيانات لاكتشاف أسماك القرش مخصصة لتطبيق معين يمكنها التعامل مع تعقيدات سيناريوهات العالم الحقيقي.

التدريب المخصص لـ Ultralytics YOLOv8 لـ SharkEye#

وفقاً لجيم، لم يكن الجزء الأصعب من مشروع SharkEye هو تدريب نموذج الذكاء الاصطناعي بل جمع البيانات الصحيحة. وعلق قائلاً: "العمل الرئيسي لهذا المشروع لم يكن الذكاء الاصطناعي. العمل الرئيسي لهذا المشروع كان طيران تلك الطائرات بدون طيار لمدة خمس سنوات، واختيار الصور من تلك الفيديوهات، وتصنيفها بشكل مناسب".

وصف كيف جمع الفريق 15,000 صورة في شاطئ بادارو. كان يجب تصنيف كل صورة يدوياً للتمييز بين القروش، والأعشاب البحرية، والأشياء الأخرى في الماء. على الرغم من أن العملية كانت بطيئة وشاقة، إلا أنها وضعت الأساس لكل ما تلاها.

الشكل 3. استخدام الطائرات بدون طيار لالتقاط صور للقروش من أجل الكشف عن الأشياء في الوقت الفعلي.

بمجرد تجهيز مجموعة البيانات، تم custom-trained نموذج Ultralytics YOLOv8 عليها. وقال جيم: "التدريب الفعلي لم يكن الجزء الصعب - فقد استغرق 20 ساعة فقط على وحدات معالجة الرسوميات T4 (GPUs)". وأضاف أيضًا أنه كان يمكن تقليص الوقت إلى خمس ساعات فقط باستخدام عتاد أقوى، مثل وحدات معالجة الرسوميات A100.

تقييم SharkEye: الدقة فوق الاستدعاء#

ثم ناقش جيم كيفية تقييم أداء SharkEye. وأوضح أن المقياس الرئيسي هو الدقة - مدى دقة تحديد النظام للقروش الفعلية. مع تحقيق SharkEye لدقة مذهلة بلغت 92%، أثبت النموذج فعالية عالية في تحديد القروش بدقة وسط بيئة المحيط المعقدة.

وفي تعمقه في أهمية الدقة، أوضح جيم سبب أهمية الدقة (precision) أكثر من الاكتمال (recall) في هذه الحالة. وأوضح قائلاً: "في معظم الأوقات، يهتم الناس بـrecall، لا سيما في مجالات مثل الرعاية الصحية حيث يمكن أن يكون تفويت حالة إيجابية أمرًا بالغ الأهمية. ولكن في هذه الحالة، لم نكن نعرف عدد أسماك القرش الموجودة هناك، لذا كان ما يهمنا هو الدقة". وضمن نظام SharkEye تقليل الإنذارات الكاذبة من خلال التركيز على الدقة، مما سهل على المنقذين وغيرهم من المستجيبين اتخاذ الإجراءات السريعة.

الشكل 4. جيم يعرض SharkEye في YOLO Vision 2024.

اختتم حديثه بمقارنة الذكاء الاصطناعي بالأداء البشري، مشيراً إلى أن دقة SharkEye البالغة 92% تفوقت بكثير على دقة الخبراء البشر البالغة 60%. وأكد على هذه الفجوة قائلاً: "هذا لأننا بشر. بغض النظر عن مدى خبرتك أو خبرتي، إذا كان علينا الجلوس أمام شاشة طوال اليوم للبحث عن القروش، فسوف تشرد أذهاننا في النهاية". على عكس الناس، لا تتعب نماذج الذكاء الاصطناعي ولا تتشتت، مما يجعلها حلاً موثوقاً للمهام التي تتطلب مراقبة مستمرة.

Ultralytics YOLO11: أحدث YOLO#

اقتباس مثير للاهتمام من حديث جيم غريفين، وهو: "ستة أسطر من التعليمات البرمجية قد تنقذ حياتك يومًا ما"، يلخص تمامًا مدى تقدم الذكاء الاصطناعي وسهولة الوصول إليه. لقد تم تصميم نماذج Ultralytics YOLO مع وضع هذا الأمر في الاعتبار، مما يجعل تقنية الرؤية الحاسوبية المتطورة في متناول المطورين والشركات من جميع الأحجام. ويأتي Ultralytics YOLO11 ليبني على هذا الأساس من خلال استدلالات أسرع ودقة أعلى.

إليك نظرة سريعة على ما يميز Ultralytics YOLO11:

• هيكلية معاد تصميمها: تتيح بنية العمود الفقري (backbone) والعنق (neck) المحسنة استخراجاً أفضل للميزات ودقة محسنة.
• سهولة الاستخدام: يمكن الوصول إليها من خلال برمجة Python أو أدوات بدون كود مثل Ultralytics HUB.
• المرونة عبر المهام: يدعم Ultralytics YOLO11 مهام الرؤية الحاسوبية مثل اكتشاف الكائنات، وتقسيم المثيلات، وتصنيف الصور، والتتبع، وتقدير الوضعية، ومربعات التحديد الموجهة (OBB).
• دقة محسنة: يحقق Ultralytics YOLO11 متوسط دقة أعلى بنسبة 22% (mAP) مقارنةً بـ YOLOv8m على مجموعة بيانات COCO، مما يوفر اكتشافات أكثر دقة.

تجعل هذه الميزات من Ultralytics YOLO11 خياراً ممتازاً لتتبع سلوك الحيوانات في البيئات الديناميكية، سواء في مزرعة أو في البرية.

أبرز النقاط#

تسهل التطورات في مجال الذكاء الاصطناعي للرؤية معالجة التحديات الواقعية من خلال توفير أدوات عملية لمختلف المجالات. على سبيل المثال، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 للمراقبة والتتبع في الوقت الفعلي للحيوانات، حتى في الظروف الصعبة.

أوضح الكلمة الرئيسية لـ Jim Griffin في YV24 كيف يمكن استخدام Ultralytics YOLOv8 لحل المشكلات المعقدة بأقل قدر من البرمجة. عرض مشروع SharkEye، الذي يجمع بين الطائرات بدون طيار والذكاء الاصطناعي للكشف عن أسماك القرش في الوقت الفعلي، كيف يمكن للتقنية تحسين سلامة الشواطئ.

لقد كانت دراسة حالة رائعة حول كيفية تمكين الذكاء الاصطناعي الذي يسهل الوصول إليه للأشخاص من خلفيات مختلفة لإنشاء حلول فعالة. مع استمرار تطور الذكاء الاصطناعي، فإنه يغير الصناعات ويجعل من الممكن للأفراد تسخير إمكاناته لجعل العالم مكاناً أكثر أماناً وذكاءً وكفاءة.

انضم إلى our community واستكشف our GitHub repository للتعمق أكثر في عالم الذكاء الاصطناعي. ومن computer vision in agriculture إلى AI in self-driving cars، اكتشف كيف تقود هذه التقنيات عجلة الابتكار. وتفقَّد our licensing options لتبدأ مشاريع الذكاء الاصطناعي الخاصة بك اليوم!