Ultralytics : خمس أدوات، منصة واحدة للرؤية الحاسوبية

أطلقنا اليوم Ultralytics وهي منصة متكاملة للرؤية الحاسوبية مصممة لتبسيط عملية بناء أنظمة الذكاء الاصطناعي الخاصة بالرؤية ونشرها. ورغم أن الرؤية الحاسوبية — وهي مجال من مجالات الذكاء الاصطناعي يمكّن الآلات من تفسير الصور ومقاطع الفيديو — تُشغّل بالفعل العديد من الأنظمة التي نعتمد عليها اليوم، إلا أن بناء هذه الحلول كان دائمًا عملية معقدة.

بالنسبة للعديد من مهندسي الذكاء الاصطناعي ومطوري التعلم الآلي، لا يزال إنشاء تطبيق للرؤية الحاسوبية يتطلب التبديل بين عدة أدوات طوال عملية التطوير. فقد يقوم الفريق بإدارة مجموعات البيانات والتعليقات التوضيحية على منصة واحدة، وإجراء تدريب النماذج على منصة أخرى، والاعتماد على خدمات إضافية لاختبار التنبؤات، وتتبع التجارب، ونشر الأنظمة في بيئة الإنتاج.

مع توسع نطاق المشاريع، قد يؤدي التبديل بين الأدوات إلى إبطاء عملية التطوير وزيادة الأعباء التشغيلية. وبدلاً من التركيز على تحسين النماذج وتطوير تطبيقات جديدة للرؤية الحاسوبية، غالبًا ما تقضي الفرق وقتها في إدارة سير العمل ونقل البيانات بين الأدوات وتهيئة البنية التحتية.

تم إنشاء Ultralytics لتبسيط هذه العملية وتسريعها. ومن خلال دمج عمليات التوضيح والتدريب والتحقق والنشر والمراقبة في بيئة واحدة، فإنها تستبدل الأدوات المتعددة المستخدمة في مجموعة حلول الرؤية المدعومة بالذكاء الاصطناعي بمنصة واحدة للرؤية الحاسوبية، مما يساعد الفرق على بناء ونشر أنظمة الرؤية المدعومة بالذكاء الاصطناعي القابلة للتوسع بشكل أكثر كفاءة.

في هذا المقال، سنتعرف على كيفية قيام Ultralytics باستبدال أدوات متعددة بمنصة واحدة موحدة للرؤية الحاسوبية. هيا بنا نبدأ!

مشكلة الأدوات المتعددة في تطوير الرؤية الحاسوبية

يتضمن بناء حل للرؤية الحاسوبية عدة مراحل، بدءًا من إعداد مجموعات البيانات وصولاً إلى نشر الأنظمة في بيئة الإنتاج. وفي كثير من الأحيان، تعتمد الفرق على أدوات مختلفة لكل جزء من هذا المسار، ومن بينها:

• أدوات إدارة مجموعات البيانات: تستخدم الفرق هذه الأدوات لتخزين وتنظيم الصور ومقاطع الفيديو التي سيتم استخدامها لاحقًا كبيانات تدريب لأنظمة الرؤية الحاسوبية.
  
• أدوات التوضيح: تتيح هذه المنصات للمطورين وفرق البيانات وضع علامات على الكائنات أو المقاطع أو النقاط الرئيسية داخل الصور، حتى تتمكن الأنظمة من تعلم الأنماط من البيانات المرئية.
  
• أدوات وأطر عمل تدريب النماذج: يعتمد المطورون على هذه الأدوات لتدريب أنظمة الرؤية الحاسوبية باستخدام مجموعات البيانات المُعلَّمة ونماذج التعلم العميق، وغالبًا ما يعملون ضمن أطر عمل التعلم الآلي Python مثل PyTorch TensorFlow.
• أدوات الاختبار والاستدلال: قبل النشر، تقوم الفرق بتشغيل النماذج على صور أو مقاطع فيديو جديدة للتحقق من صحة التنبؤات وتقييم أداء النظام.
  
• أدوات النشر والمراقبة: بمجرد أن يصبح حل الذكاء الاصطناعي للرؤية جاهزًا للتسليم، يتم استخدام بنية تحتية إضافية لتشغيل التطبيق في بيئة الإنتاج ومراقبة أدائه على مدار الوقت.

قد يؤدي إدارة هذه الأدوات بشكل منفصل إلى صعوبة تنسيق سير عمل التطوير. وينتهي الأمر بالفرق إلى قضاء الوقت في نقل البيانات بين المنصات، وصيانة عمليات التكامل، وتهيئة البنية التحتية، بدلاً من التركيز على تحسين تطبيقات الرؤية الحاسوبية.

ما هي منصة الذكاء الاصطناعي للرؤية الشاملة؟

قبل أن نتعمق في الميزات الرئيسية Ultralytics وما يمكنها القيام به، دعونا نفهم ما نعنيه بـ«منصة الرؤية الحاسوبية الشاملة».

ببساطة، توفر Ultralytics مكانًا واحدًا يمكن للمطورين من خلاله إنشاء وتشغيل تطبيقات الرؤية الحاسوبية. فبدلاً من الاعتماد على خدمات منفصلة لأجزاء مختلفة من عملية التطوير، يمكن للأفراد والفرق التعامل مع البيانات المرئية، وتدريب النماذج والخوارزميات، واختبار النتائج، وتشغيل التطبيقات، كل ذلك ضمن بيئة واحدة.

يسهل هذا النهج على المطورين إجراء التجارب وتحسين أنظمتهم والمضي قدماً في المشاريع دون الحاجة إلى التبديل المستمر بين الأدوات.

كيف تعمل Ultralytics على تبسيط سير عمل الذكاء الاصطناعي في مجال الرؤية

تشكلت Ultralytics بفضل سنوات من العمل الوثيق مع مجتمع الرؤية الحاسوبية. وقد أظهرت محادثاتنا مع المطورين والفرق التي تعمل على بناء أنظمة الذكاء الاصطناعي للرؤية بعض التحديات المشتركة.

على سبيل المثال، كان أحد الشواغل الرئيسية هو تعليق البيانات، وهو ما قد يستغرق وقتًا طويلاً عند الحاجة إلى تصنيف مجموعات البيانات الضخمة. وظهر تحدٍ آخر عندما حاولت الفرق نقل الأنظمة إلى مرحلة الإنتاج، حيث يتطلب نشر التطبيقات عبر بيئات وإعدادات أجهزة مختلفة في كثير من الأحيان استخدام أدوات إضافية. 

كما تواجه العديد من الفرق مشكلة تبديل الأدوات، حيث إن أدوات التوضيح وبيئات التدريب وأنظمة النشر غالبًا ما تكون موزعة على منصات متعددة. تعمل Ultralytics على حل كل هذه التعقيدات من خلال مجموعة من الميزات المدمجة. 

نظرة عامة على الميزات الرئيسية Ultralytics

لذا دعونا نتعمق في بعض الوظائف الرئيسية Ultralytics التي تساعد في تبسيط هذه التحديات وتسهيل سير عمل الذكاء الاصطناعي بشكل عام:

• التعليق الذكي على البيانات: تساعد أدوات التعليق التوضيحي المدمجة الفرق على تصنيف مجموعات البيانات بشكل أسرع بفضل ميزات مثل التعليق التوضيحي الذكي المدعوم بنموذج Segment Anything Model (SAM) واختصارات لوحة المفاتيح التي تعمل على تبسيط سير عمل التعليق التوضيحي.
• تدريب النماذج المدمجة: يمكن للمطورين تدريب النماذج المُعدة مسبقًا مباشرةً داخل المنصة، مع تتبع التجارب ومراقبة الأداء من خلال لوحات التحكم التفاعلية.
• اختبار الاستدلال عبر المتصفح: يمكن للفرق اختبار التوقعات بسرعة عبر المتصفح لتقييم أداء النظام قبل نشره في بيئة الإنتاج.
• خيارات نشر مرنة: يمكن تصدير النماذج إلى 17 تنسيقًا مختلفًا أو نشرها عبر خدمات الاستدلال المشتركة ونقاط النهاية المخصصة في 43 منطقة حول العالم.
• المراقبة المدمجة: توفر المنصة لوحات معلومات تساعد الفرق track نتائج track وأداء النظام وحالة النشر في مكان واحد.

من البيانات الأولية إلى النشر باستخدام Ultralytics

مع تعرفك أكثر على Ultralytics ، قد تتساءل عن كيفية العمل بها فعليًا. ولتكوين فكرة أوضح، دعنا نستعرض مثالاً بسيطًا.

لنفترض أننا نريد إنشاء نظام للفحص البصري لخط إنتاج. والهدف من ذلك هو الكشف التلقائي عن المنتجات التالفة أو المعيبة أثناء مرورها عبر مراحل الإنتاج.

تبدأ العملية عادةً بجمع البيانات المرئية. وباستخدام منصة الرؤية الحاسوبية الجديدة Ultralytics، يمكنك تحميل صور أو مقاطع فيديو للمنتجات من خط الإنتاج وتنظيمها في مجموعات بيانات ستُستخدم لتدريب نموذج للكشف عن العيوب.

ويأتي بعد ذلك تعليق البيانات. باستخدام أدوات التعليق اليدوية أو المدعومة بالذكاء الاصطناعي المدمجة في المنصة، يمكنك تحديد العيوب مباشرةً في الصور عبر 5 مهام للكشف. إن الابتكار الكامن وراء ميزات مثل "التعليق الذكي" المدعوم SAM وقوالب الهيكل العظمي المدمجة التي تتيح وضع النقاط الرئيسية بنقرة واحدة، يعمل على تبسيط سير العمل الذي كان سيستغرق ساعات لولا ذلك.

بمجرد أن تصبح مجموعة البيانات جاهزة، يمكنك الانتقال إلى مرحلة تدريب النموذج. تتيح لك المنصة تدريب نماذج الرؤية الحاسوبية، مثل YOLO باستخدام البيانات المصنفة. وأثناء التدريب، يمكنك مراقبة مؤشرات الأداء، track وتحسين النماذج بمرور الوقت من أجل تحسين أداء النظام، كل ذلك من خلال لوحة تحكم واحدة.

بعد التدريب، تتمثل الخطوة التالية في الاختبار والتحقق من الصحة. يمكنك إجراء تنبؤات على صور جديدة مباشرةً داخل المنصة للتحقق من مدى كفاءة النظام في اكتشاف العيوب وتحديد المجالات التي قد تحتاج إلى مزيد من التحسينات.

وأخيرًا، عندما يثبت النظام كفاءته، يمكن نشره في بيئة الإنتاج. تدعم Ultralytics تصدير النماذج إلى صيغ متعددة أو نشرها عبر خدمات الاستدلال ونقاط النهاية حتى يمكن تشغيلها في بيئات حقيقية.

من خلال دعم كل خطوة من خطوات هذه العملية، تسهل Ultralytics الانتقال من البيانات المرئية الأولية إلى تطبيق فعال للرؤية الحاسوبية قادر على detect التلقائي detect على خط الإنتاج.

حالات الاستخدام المدعومة بتقنية الذكاء الاصطناعي (AI) التي يمكنك إنشاؤها باستخدام Ultralytics

في معظم التطبيقات التي يمكن فيها تحويل البيانات المرئية إلى معلومات واستخدامها لأتمتة العمليات، يمكن أن تُحدث الرؤية الحاسوبية فرقًا. وينطبق هذا على مختلف القطاعات، بدءًا من الرعاية الصحية وصولاً إلى صناعة السيارات، وقد تم تصميم Ultralytics لتدعم هذه المرونة.

تدعم المنصة بشكل أساسي أحدث النماذج مثل Ultralytics ومجموعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتقسيم الكائنات، وتقدير الوضع، واكتشاف الصناديق المحيطة الموجهة (OBB). وبفضل هذه المرونة، يمكن للمطورين إنشاء تطبيقات للعديد من السيناريوهات المختلفة التي تتطلب تحليل الصور أو مقاطع الفيديو.

على سبيل المثال، يمكن للفرق إنشاء أنظمة للمراقبة تحت الماء في الوقت الفعلي في البيئات البحرية، وعد الخلايا في الأبحاث الطبية والبيولوجية، وتتبع الحياة البرية في النظم البيئية النائية، وتفعيل أنظمة الاستشعار للمركبات ذاتية القيادة، وتوجيه الروبوتات عبر البيئات المعقدة. وهذا ليس سوى غيض من فيض مما يمكن تحقيقه باستخدام الرؤية الحاسوبية.

لماذا تُعد Ultralytics مستقبل الذكاء الاصطناعي في مجال الرؤية

مع تزايد انتشار استخدام الرؤية الحاسوبية، تزداد أهمية تسهيل عملية تطوير الذكاء الاصطناعي في مجال الرؤية. يرغب العديد من المطورين والمؤسسات في تجربة البيانات المرئية وإنشاء تطبيقات الذكاء الاصطناعي، لكن أنظمة التطوير التقليدية قد تجعل البدء في ذلك أمراً صعباً.

تساعد Ultralytics في تخطي هذه العقبات من خلال توفير بيئة تتيح للمطورين البدء بسرعة في العمل باستخدام تقنية الرؤية الحاسوبية. وبدلاً من إضاعة الوقت في إعداد البنية التحتية أو دمج أدوات مختلفة، يمكن للفرق التركيز على تجربة الأفكار وتطوير تطبيقات عملية.

تتيح هذه الإمكانية الوصول لمجموعة أكبر من المطورين والباحثين والمنظمات استكشاف مجال الذكاء الاصطناعي في مجال الرؤية. ونتيجة لذلك، يمكن لمزيد من الفرق تحويل البيانات المرئية إلى رؤى مفيدة وإنشاء تطبيقات تحل مشكلات واقعية.

مع استمرار انتشار تقنية الذكاء الاصطناعي البصري عبر مختلف القطاعات، نعتقد أن Ultralytics ستجعل عملية التطوير أكثر سهولة وستلعب دوراً رئيسياً في تشكيل مستقبل الرؤية الحاسوبية.

البدء في استخدام Ultralytics

ابدأ اليوم في إنشاء مشاريع الرؤية الحاسوبية باستخدام Ultralytics . يمكنك استكشاف المنصة من خلال الباقة المجانية، التي تتضمن رصيدًا مجانيًا للتدريب السحابي وإمكانية الوصول إلى الأدوات الأساسية لإدارة مجموعات البيانات، ووضع العلامات على الصور، وتدريب النماذج، ونشر التطبيقات.

مع نمو مشاريعك، يمكنك توسيع نطاق استخدامك من خلال باقات إضافية توفر المزيد من موارد الحوسبة والتخزين وميزات التعاون وقدرة النشر. كما تستخدم المنصة نظام تسعير قائم على الرصيد لخدمات مثل التدريب السحابي ونقاط النهاية المُدارة، مما يتيح للفرق إجراء التجارب ونشر التطبيقات مع track بشفافية.

النقاط الرئيسية

تنتقل تقنيات معالجة الصور والرؤية الحاسوبية بسرعة من مرحلة التجارب البحثية إلى أنظمة عملية تدعم التكنولوجيا المستخدمة في الحياة اليومية. تساعد Ultralytics على تسريع هذا التحول من خلال تزويد المطورين بطريقة أبسط لإنشاء تطبيقات الذكاء الاصطناعي الخاصة بالرؤية واختبارها ونشرها. وبفضل تقلص العوائق بين الأفكار والنشر الفعلي، يمكن الآن تطوير الجيل الجديد من حلول الرؤية الحاسوبية بسرعة لم يسبق لها مثيل.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن نماذج الرؤية الحاسوبية. اقرأ عن تطبيقات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في مجال الروبوتات على صفحات الحلول الخاصة بنا. اطلع على خيارات الترخيص المتاحة لدينا وابدأ في بناء نموذج الذكاء الاصطناعي الخاص بك للرؤية.