منصة Ultralytics: خمس أدوات، منصة رؤية حاسوبية واحدة

اليوم، أطلقنا منصة Ultralytics، وهي المنصة النهائية المتكاملة للرؤية الحاسوبية المصممة لتبسيط كيفية بناء ونشر أنظمة الذكاء الاصطناعي الرؤيوي. وبينما أصبحت الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يُمكّن الآلات من تفسير الصور ومقاطع الفيديو، تشغل بالفعل العديد من الأنظمة التي نعتمد عليها اليوم، إلا أن بناء هذه الحلول كان معقدًا تقليديًا.

بالنسبة للعديد من مهندسي الذكاء الاصطناعي ومطوري تعلم الآلة، لا يزال بناء تطبيق للرؤية الحاسوبية يتضمن التنقل بين عدة أدوات طوال عملية التطوير. فقد يقوم الفريق بإدارة مجموعات البيانات والتعليق التوضيحي في منصة، وتشغيل تدريب النموذج في منصة أخرى، والاعتماد على خدمات إضافية لاختبار التنبؤات، وتتبع التجارب، ونشر الأنظمة في بيئة الإنتاج.

مع نمو المشاريع، يمكن أن يؤدي التبديل بين الأدوات إلى إبطاء التطوير وزيادة العبء التشغيلي. وبدلاً من التركيز على تحسين النماذج وبناء تطبيقات رؤية حاسوبية جديدة، غالبًا ما يقضي الفريق وقتًا في إدارة سير العمل، ونقل البيانات بين الأدوات، وتهيئة البنية التحتية.

تم إنشاء منصة Ultralytics لتبسيط وتسريع هذه العملية. فمن خلال دمج التعليق التوضيحي، والتدريب، والتحقق، والنشر، والمراقبة في بيئة واحدة، فإنها تستبدل أدوات متعددة عبر مكدس الرؤية الحاسوبية بمنصة واحدة، مما يساعد الفرق على بناء ونشر أنظمة الذكاء الاصطناعي الرؤيوي القابلة للتوسع بكفاءة أكبر.

الشكل 1. نظرة على إعداد مجموعة البيانات باستخدام منصة Ultralytics (المصدر)

في هذه المقالة، سنستكشف كيف تستبدل منصة Ultralytics أدوات متعددة بمنصة رؤية حاسوبية موحدة واحدة. لنبدأ!

Link to this sectionمشكلة تعدد الأدوات في تطوير الرؤية الحاسوبية#

يتضمن بناء حل للرؤية الحاسوبية عدة مراحل، بدءًا من إعداد مجموعات البيانات وصولاً إلى نشر الأنظمة في الإنتاج. وفي كثير من الحالات، تعتمد الفرق على أدوات مختلفة لكل جزء من سير العمل هذا، والتي تشمل:

• أدوات إدارة مجموعات البيانات: تستخدم الفرق هذه الأدوات لتخزين وتنظيم الصور ومقاطع الفيديو التي سيتم استخدامها لاحقًا كبيانات تدريب لأنظمة الرؤية الحاسوبية.
• أدوات التعليق التوضيحي (Annotation): تُمكّن هذه المنصات المطورين وفرق البيانات من وضع علامات على الكائنات، أو القطاعات، 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 بيانات مشروحة ونماذج تعلم عميق، وغالبًا ما يعملون ضمن أطر عمل تعلم الآلة المستندة إلى Python مثل PyTorch وTensorFlow.
• أدوات الاختبار والاستدلال: قبل النشر، تقوم الفرق بتشغيل النماذج على صور أو مقاطع فيديو جديدة للتحقق من التنبؤات وتقييم مدى جودة أداء النظام.
• أدوات النشر والمراقبة: بمجرد أن يصبح حل الذكاء الاصطناعي الرؤيوي جاهزًا للشحن، يتم استخدام بنية تحتية إضافية لتشغيل التطبيق في بيئة الإنتاج ومراقبة أدائه بمرور الوقت.

إدارة هذه الأدوات بشكل منفصل يمكن أن تجعل سير عمل التطوير أكثر صعوبة في التنسيق. وينتهي الأمر بالفرق بقضاء الوقت في نقل البيانات بين المنصات، وصيانة عمليات التكامل، وتهيئة البنية التحتية بدلاً من التركيز على تحسين تطبيقات الرؤية الحاسوبية.

Link to this sectionما هي منصة الذكاء الاصطناعي الرؤيوي المتكاملة (end-to-end)؟#

قبل أن نتعمق في الميزات الرئيسية لمنصة Ultralytics وما يمكنها فعله، دعونا نفهم ما نعنيه بمنصة رؤية حاسوبية متكاملة.

ببساطة، توفر منصة Ultralytics مكانًا واحدًا يمكن للمطورين فيه بناء وتشغيل تطبيقات الرؤية الحاسوبية. فبدلاً من الاعتماد على خدمات منفصلة لأجزاء مختلفة من عملية التطوير، يمكن للأفراد والفرق العمل مع البيانات المرئية، وتدريب النماذج والخوارزميات، واختبار النتائج، وتشغيل التطبيقات داخل نفس البيئة.

الشكل 2. اختبار نموذج على منصة Ultralytics (المصدر)

هذا النهج يجعل من السهل على المطورين التجربة، وتحسين أنظمتهم، ودفع المشاريع قدمًا دون التبديل المستمر بين الأدوات.

Link to this sectionكيف تبسط منصة Ultralytics سير عمل الذكاء الاصطناعي الرؤيوي#

تم تشكيل منصة Ultralytics من خلال سنوات من العمل الوثيق مع مجتمع الرؤية الحاسوبية. كانت محادثاتنا مع المطورين والفرق التي تبني أنظمة الذكاء الاصطناعي الرؤيوي تطرح باستمرار بعض التحديات المشتركة.

على سبيل المثال، كان أحد الشواغل الرئيسية هو التعليق التوضيحي للبيانات، والذي قد يستغرق وقتًا طويلاً عند الحاجة إلى وضع علامات على مجموعات بيانات كبيرة. ظهر تحدٍ آخر عندما حاولت الفرق نقل الأنظمة إلى مرحلة الإنتاج، حيث يتطلب نشر التطبيقات عبر بيئات مختلفة وإعدادات أجهزة متنوعة أدوات إضافية.

تتعامل العديد من الفرق أيضًا مع مشكلة التبديل بين الأدوات، نظرًا لأن أدوات التعليق التوضيحي، وبيئات التدريب، وأنظمة النشر غالبًا ما تكون موزعة عبر منصات متعددة. وتحل منصة Ultralytics كل هذه التعقيدات بمجموعة من الميزات المدمجة.

Link to this sectionنظرة عامة على الميزات الرئيسية لمنصة Ultralytics#

لذا دعونا نغوص في بعض الوظائف الرئيسية لمنصة Ultralytics التي تساعد في تبسيط هذه التحديات وسير عمل الذكاء الاصطناعي الرؤيوي بشكل عام:

• التعليق التوضيحي الذكي للبيانات: تساعد أدوات التعليق التوضيحي المدمجة الفرق على وضع علامات على مجموعات البيانات بشكل أسرع مع ميزات مثل التعليق التوضيحي الذكي المدعوم بـ Segment Anything Model (SAM) واختصارات لوحة المفاتيح التي تبسط سير عمل التعليق التوضيحي.
• تدريب النماذج المتكامل: يمكن للمطورين تدريب النماذج المدربة مسبقًا مباشرة داخل المنصة مع تتبع التجارب ومراقبة الأداء من خلال لوحات معلومات تفاعلية.
• اختبار الاستدلال عبر المتصفح: يمكن للفرق اختبار التنبؤات بسرعة في المتصفح لتقييم كيفية أداء النظام قبل نشره في بيئة الإنتاج.
• خيارات النشر المرنة: يمكن تصدير النماذج إلى 17 تنسيقًا مختلفًا أو نشرها عبر خدمات استدلال مشتركة ونقاط نهاية مخصصة عبر 43 منطقة عالمية.
• المراقبة المدمجة: توفر المنصة لوحات معلومات تساعد الفرق على تتبع نتائج التجارب، وأداء النظام، وصحة النشر في مكان واحد.

Link to this sectionمن البيانات الخام إلى النشر باستخدام منصة Ultralytics#

بينما تتعرف أكثر على منصة Ultralytics، قد تتساءل عما يبدو عليه العمل بها في الواقع. للحصول على فكرة أفضل، دعونا نمر بمثال بسيط.

ضع في اعتبارك بناء نظام فحص مرئي لخط تصنيع. الهدف هو تحديد المنتجات التالفة أو المعيبة تلقائيًا أثناء تحركها عبر الإنتاج.

تبدأ العملية عادةً بجمع البيانات المرئية. باستخدام منصة الرؤية الحاسوبية الجديدة من Ultralytics، يمكنك تحميل صور أو مقاطع فيديو للمنتجات من خط الإنتاج وتنظيمها في مجموعات بيانات سيتم استخدامها لتدريب نموذج لاكتشاف العيوب.

بعد ذلك يأتي التعليق التوضيحي للبيانات. باستخدام أدوات التعليق التوضيحي اليدوية أو المدعومة بالذكاء الاصطناعي المدمجة في المنصة، يمكنك وضع علامات على العيوب مباشرة في الصور عبر 5 مهام اكتشاف. الابتكار وراء ميزات مثل التعليق التوضيحي الذكي، المدعوم بـ SAM، وقوالب هيكل الوضع المدمجة التي تسمح بوضع النقاط الرئيسية بنقرة واحدة، يبسط سير العمل الذي كان سيستغرق ساعات لولا ذلك.

بمجرد أن تصبح مجموعة البيانات جاهزة، يمكنك الانتقال إلى تدريب النموذج. تسمح لك المنصة بتدريب نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، باستخدام البيانات المصنفة. أثناء التدريب، يمكنك مراقبة مقاييس الأداء، وتتبع التجارب، وتحسين النماذج بمرور الوقت لتحسين أداء النظام من لوحة تحكم واحدة.

بعد التدريب، الخطوة التالية هي الاختبار والتحقق. يمكنك تشغيل التنبؤات على صور جديدة مباشرة داخل المنصة للتحقق من مدى جودة اكتشاف النظام للعيوب وتحديد المناطق التي قد تحتاج إلى تحسينات إضافية.

أخيرًا، عندما يعمل النظام بشكل جيد، يمكن نشره في بيئة الإنتاج. تدعم منصة Ultralytics تصدير النماذج إلى تنسيقات متعددة أو نشرها عبر خدمات استدلال ونقاط نهاية حتى تتمكن من العمل في بيئات حقيقية.

الشكل 3. مثال على تصدير النماذج باستخدام منصة Ultralytics (المصدر)

من خلال دعم كل خطوة من خطوات هذا المسار، تجعل منصة Ultralytics من الأسهل الانتقال من البيانات المرئية الخام إلى تطبيق رؤية حاسوبية عامل يمكنه اكتشاف العيوب تلقائيًا على خط الإنتاج.

Link to this sectionحالات استخدام مدعومة بالذكاء الاصطناعي الرؤيوي يمكنك بناؤها باستخدام منصة Ultralytics#

في معظم التطبيقات حيث يمكن تحويل البيانات المرئية إلى معلومات واستخدامها لأتمتة العمليات، يمكن للرؤية الحاسوبية أن تُحدث فارقًا. هذا صحيح عبر الصناعات، من الرعاية الصحية إلى صناعة السيارات، وقد تم بناء منصة Ultralytics لدعم هذا التنوع.

تدعم المنصة محليًا نماذج متطورة مثل Ultralytics YOLO26 ومجموعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الكائنات، وتصنيف الصور، وتجزئة المثيلات، وتقدير الوضع، واكتشاف صندوق التحديد الموجه (OBB). وبسبب هذه المرونة، يمكن للمطورين بناء تطبيقات للعديد من السيناريوهات المختلفة حيث تحتاج الصور أو مقاطع الفيديو إلى التحليل.

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، وتمكين أنظمة الإدراك للمركبات المستقلة، وتوجيه الروبوتات عبر البيئات المعقدة. وهذا مجرد غيض من فيض لما هو ممكن باستخدام الرؤية الحاسوبية.

الشكل 4. التعليق التوضيحي على صورة لاكتشاف الحياة البرية على منصة Ultralytics (المصدر)

Link to this sectionلماذا منصة Ultralytics هي مستقبل الذكاء الاصطناعي الرؤيوي#

مع زيادة استخدام الرؤية الحاسوبية على نطاق أوسع، أصبح جعل تطوير الذكاء الاصطناعي الرؤيوي أكثر سهولة أمرًا مهمًا بشكل متزايد. يرغب العديد من المطورين والمؤسسات في تجربة البيانات المرئية وبناء تطبيقات الذكاء الاصطناعي، لكن إعدادات التطوير التقليدية يمكن أن تجعل البدء أمرًا صعبًا.

تساعد منصة Ultralytics في خفض هذه الحواجز من خلال توفير بيئة يمكن للمطورين فيها البدء سريعًا في العمل باستخدام تقنية الرؤية الحاسوبية. فبدلاً من قضاء الوقت في إعداد البنية التحتية أو دمج أدوات مختلفة، يمكن للفرق التركيز على تجربة الأفكار وبناء تطبيقات عملية.

تفتح هذه الإمكانية الباب لمجموعة أوسع من المطورين والباحثين والمؤسسات لاستكشاف الذكاء الاصطناعي الرؤيوي. ونتيجة لذلك، يمكن للمزيد من الفرق تحويل البيانات المرئية إلى رؤى مفيدة وإنشاء تطبيقات تحل مشاكل العالم الحقيقي.

مع استمرار توسع الذكاء الاصطناعي الرؤيوي عبر الصناعات، نعتقد أن منصة Ultralytics ستجعل التطوير أكثر قابلية للوصول وستلعب دورًا رئيسيًا في تشكيل مستقبل الرؤية الحاسوبية.

Link to this sectionالبدء مع منصة Ultralytics#

ابدأ ببناء مشاريع الرؤية الحاسوبية مع منصة Ultralytics اليوم. يمكنك استكشاف المنصة من خلال الخطة المجانية، والتي تتضمن أرصدة اشتراك للتدريب السحابي والوصول إلى الأدوات الأساسية لإدارة مجموعات البيانات، والتعليق التوضيحي على الصور، وتدريب النماذج، ونشر التطبيقات.

مع نمو مشاريعك، يمكنك توسيع نطاق استخدامك بخطط إضافية توفر المزيد من موارد الحوسبة، والتخزين، وميزات التعاون، وسعة النشر. تستخدم المنصة أيضًا نظام تسعير يعتمد على الرصيد لخدمات مثل التدريب السحابي ونقاط النهاية المدارة، مما يمكّن الفرق من تشغيل التجارب ونشر التطبيقات مع تتبع الاستخدام بشفافية.

Link to this sectionأبرز النقاط#

تنتقل تقنية معالجة الصور والرؤية الحاسوبية بسرعة من التجارب البحثية إلى أنظمة العالم الحقيقي التي تشغل التكنولوجيا اليومية. تساعد منصة Ultralytics في تسريع هذا التحول من خلال منح المطورين طريقة أبسط لبناء واختبار ونشر تطبيقات الذكاء الاصطناعي الرؤيوي. مع حواجز أقل بين الأفكار والنشر، يمكن بناء الجيل التالي من حلول الرؤية الحاسوبية بشكل أسرع من أي وقت مضى.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد حول نماذج الرؤية الحاسوبية. اقرأ عن تطبيقات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الروبوتات على صفحات حلولنا. تحقق من خيارات الترخيص الخاصة بنا وابدأ في بناء نموذج الذكاء الاصطناعي الرؤيوي الخاص بك.