ما تحويل السمات غير المتأثرة بتغيّر المقياس (SIFT)؟

للاطلاع المرئي على المفاهيم التي يغطيها هذا المقال، شاهد الفيديو أدناه.

في الوقت الحاضر، تأتي العديد من الأجهزة الذكية التي نستخدمها، من الهواتف والكاميرات إلى أنظمة المنزل الذكي، مزودة بحلول للذكاء الاصطناعي يمكنها التعرّف على الوجوه والأجسام وحتى المشاهد المرئية الكاملة. وتأتي هذه القدرة من الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي يمكّن الآلات من فهم الصور ومقاطع الفيديو وتفسيرها.

على سبيل المثال، إذا التقطت صورة لبرج إيفل من أي زاوية أو مسافة، فعادةً ما يظل جهازك قادرًا على التعرّف إليه باستخدام الرؤية الحاسوبية وتنظيمه في المجلد الصحيح في معرض الصور. ورغم أن هذا يبدو بسيطًا، فإن التعرّف على الأجسام ليس سهلًا دائمًا. فقد تبدو الصور مختلفة جدًا تبعًا لحجمها أو زاويتها أو مقياسها أو الإضاءة، ما يجعل من الصعب على الآلات تحديد هويتها باستمرار.

للمساعدة في حل هذه المشكلة، طوّر الباحثون خوارزمية للرؤية الحاسوبية تُسمى تحويل الميزات الثابتة أمام التحجيم، أو SIFT. تتيح هذه الخوارزمية اكتشاف الأجسام في ظروف مشاهدة مختلفة. وقد صمّمها David Lowe في عام 1999 للعثور على النقاط المميزة الفريدة في الصورة ووصفها، مثل الزوايا أو الحواف أو الأنماط التي تظل قابلة للتعرّف حتى عند تغيير حجم الصورة أو تدويرها أو إضاءتها بطريقة مختلفة.

قبل أن تحظى نماذج الرؤية الحاسوبية المعتمدة على التعلم العميق، مثل Ultralytics YOLO11، بشعبية واسعة، كان SIFT تقنية مستخدمة على نطاق واسع في الرؤية الحاسوبية. وكان نهجًا قياسيًا لمهام مثل التعرّف على الأجسام، حيث يكون الهدف تحديد عنصر معين في صورة، ومطابقة الصور، حيث تُحاذى الصور من خلال العثور على ميزات الصور المتداخلة.

في هذه المقالة، سنستعرض SIFT بإيجاز، ونتعرّف إلى ماهيته وكيفية عمله على مستوى عالٍ، وسبب أهميته في تطور الرؤية الحاسوبية. لنبدأ!

لماذا تُعد خوارزمية SIFT ضرورية للرؤية الحاسوبية#

يمكن أن يظهر الجسم في الصورة بطرق مختلفة كثيرة. فعلى سبيل المثال، قد تُصوَّر فنجان قهوة من الأعلى أو من الجانب أو تحت ضوء الشمس الساطع أو تحت مصباح دافئ. كما قد يبدو الفنجان نفسه أكبر عندما يكون قريبًا من الكاميرا وأصغر عندما يكون بعيدًا عنها.

تجعل كل هذه الاختلافات تعليم الحاسوب التعرّف على جسم ما مهمة معقدة. وتتطلب مهمة الرؤية الحاسوبية هذه، المعروفة باسم اكتشاف الأجسام، من نماذج الذكاء الاصطناعي للرؤية تحديد الأجسام وتحديد مواقعها بدقة، حتى عندما يتغير حجمها أو زاويتها أو ظروف إضاءتها.

لتحقيق ذلك، تعتمد الرؤية الحاسوبية على عملية تُسمى استخراج الميزات أو اكتشافها. فبدلًا من محاولة فهم الصورة بأكملها دفعة واحدة، يبحث النموذج عن ميزات مميزة في الصورة، مثل الزوايا الحادة أو الأنماط الفريدة أو الأنسجة التي تظل قابلة للتعرّف عبر الزوايا والمقاييس وظروف الإضاءة المختلفة.

وعلى وجه الخصوص، صُمّم تحويل الميزات الثابتة أمام التحجيم، أو SIFT، لتنفيذ ذلك. وSIFT خوارزمية لاكتشاف الميزات ووصفها، ويمكنها تحديد الأجسام في الصور بصورة موثوقة مهما اختلفت طريقة التقاطها.

تحقيق الثبات أمام التحجيم#

تتميز خوارزمية SIFT بعدة خصائص مهمة تجعلها مفيدة للتعرّف على الأجسام. ومن أبرز هذه الخصائص ما يُسمى الثبات أمام التحجيم. وهذا يعني أن SIFT يستطيع التعرّف على أجزاء مختلفة من الجسم، سواء بدا كبيرًا وقريبًا من الكاميرا أو صغيرًا وبعيدًا عنها. وحتى إذا لم يكن الجسم ظاهرًا بالكامل، تظل الخوارزمية قادرة على تحديد النقاط المميزة نفسها.

وتحقق ذلك باستخدام مفهوم يُسمى نظرية فضاء المقياس. وببساطة، تُموَّه الصورة بدرجات مختلفة لإنشاء إصدارات متعددة منها. ثم يبحث SIFT في هذه الإصدارات عن الأنماط والتفاصيل التي تظل ثابتة، بصرف النظر عن كيفية تغير حجم الصورة أو حدتها.

فعلى سبيل المثال، ستبدو إشارة طريق التُقطت من على بُعد بضعة أمتار أكبر بكثير من الإشارة نفسها التي صُوّرت من مسافة بعيدة، لكن SIFT يستطيع اكتشاف الميزات المميزة نفسها. ويتيح ذلك مطابقة الصورتين بصورة صحيحة، رغم أن الإشارة تظهر بمقاييس مختلفة جدًا.

ضمان الثبات أمام الدوران#

قد تظهر الأجسام في الصور وهي مُدارة، وأحيانًا مقلوبة رأسًا على عقب. ويتعامل SIFT مع ذلك من خلال خاصية تُسمى الثبات أمام الدوران. فلكل نقطة مميزة يكتشفها، تعيّن الخوارزمية اتجاهًا متسقًا استنادًا إلى تدرجات الصورة المحلية. وبهذه الطريقة، يمكن التعرّف على الجسم نفسه مهما كانت زاوية دورانه.

يمكنك تصور ذلك كأنك تضع سهمًا صغيرًا على كل نقطة مميزة يوضح الاتجاه الذي تواجهه. ومن خلال محاذاة الميزات مع هذه الاتجاهات، يضمن SIFT تطابق النقاط المميزة بصورة صحيحة حتى عند دوران الجسم. فعلى سبيل المثال، يمكن تحديد معلم التُقط في صورة طبيعية بصورة صحيحة حتى إذا التُقطت صورة أخرى له والكاميرا مائلة بزاوية.

القدرة على التعامل مع التغيرات الأخرى في الصور#

إضافةً إلى الحجم والدوران، يمكن أن تتغير الصور بطرق أخرى أيضًا، مثل تغيرات الإضاءة. فقد تتحول إضاءة الجسم من ساطعة إلى خافتة، أو قد تتغير زاوية الكاميرا قليلًا، أو قد تصبح الصورة ضبابية أو مشوشة.

صُمّم SIFT للتعامل مع هذه الأنواع من التغيرات. ويحقق ذلك من خلال التركيز على النقاط المميزة والفارقة ذات التباين العالي، إذ تتأثر هذه الميزات بدرجة أقل بتغيرات الإضاءة أو التحولات الطفيفة في زاوية الرؤية. ونتيجة لذلك، يميل SIFT إلى أن يكون أكثر موثوقية من أساليب اكتشاف الحواف أو الزوايا البسيطة، التي غالبًا ما تفشل عند تغير الظروف.

الشكل 1. النقاط المميزة في SIFT المستخرجة من (أ) صورة ممطرة و(ب) صورتها الأصلية النظيفة المقابلة. (المصدر)

تأمل لوحة في معرض فني. سيظل بالإمكان التعرّف إليها سواء صُوّرت في ضوء النهار الناعم أو تحت أضواء كاشفة صناعية ساطعة أو حتى مع ضبابية حركية طفيفة ناتجة عن كاميرا محمولة باليد. وتظل النقاط المميزة مستقرة بما يكفي لتحقيق مطابقة دقيقة رغم هذه الاختلافات.

كيفية عمل خوارزمية تحويل الميزات الثابتة أمام التحجيم (SIFT)#

لنلقِ الآن نظرة على كيفية عمل خوارزمية SIFT. ويمكن تقسيم هذه العملية إلى أربع خطوات رئيسية: اكتشاف النقاط المميزة، وتحديد مواقعها، وتعيين الاتجاه، ووصف النقاط المميزة.

الخطوة 1: اكتشاف القيم القصوى في فضاء المقياس#

تتمثل الخطوة الأولى في العثور على النقاط المميزة واكتشافها، وهي مواضع فارقة في الصورة، مثل الزوايا أو التغيرات الحادة في النسيج، تساعد على تتبع الجسم أو التعرّف إليه.

لضمان إمكانية التعرّف على هذه النقاط المميزة المحتملة بأي حجم، ينشئ SIFT ما يُسمى فضاء المقياس. وهو مجموعة من الصور تُنشأ من خلال تمويه الصورة الأصلية تدريجيًا باستخدام مرشح غاوسي، وهو تقنية لتنعيم الصورة، ثم تجميع النتائج في طبقات تُسمى أوكتافات. تحتوي كل أوكتاف على الصورة نفسها بمستويات متزايدة من التمويه، بينما تكون الأوكتاف التالية نسخة أصغر من الصورة.

من خلال طرح صورة مموهة من صورة أخرى، يحسب SIFT فرق الغاوسيات (DoG)، الذي يبرز المناطق التي يتغير فيها السطوع بحدة. وتُختار هذه المناطق كنقاط مميزة مرشحة لأنها تظل متسقة عند تكبير الصورة أو تصغيرها.

الشكل 2. يبرز DoG البنى الرئيسية من خلال طرح صور مموهة بمستويات مختلفة. (المصدر)

الخطوة 2: تحديد مواقع النقاط المميزة#

ليست كل النقاط المميزة المرشحة مفيدة، إذ قد يكون بعضها ضعيفًا أو غير مستقر. ولتحسينها، يستخدم SIFT أسلوبًا رياضيًا يُسمى متسلسلة تايلور، يساعد على تقدير الموضع الدقيق للنقطة المميزة بقدر أكبر من الدقة.

تُزال النقاط غير الموثوقة أثناء هذه الخطوة. فتُستبعد النقاط المميزة منخفضة التباين، التي تمتزج مع محيطها، وكذلك النقاط الواقعة مباشرة على الحواف، لأنها قد تنزاح بسهولة. وتترك عملية التصفية هذه النقاط المميزة الأكثر استقرارًا وتميزًا فقط.

الخطوة 3: تعيين الاتجاه#

بعد تحديد النقاط المميزة المستقرة، يجعلها SIFT ثابتة أمام الدوران، ما يعني إمكانية مطابقتها حتى إذا دُوّرت الصورة على جانبها أو قُلبت رأسًا على عقب. ولتحقيق ذلك، يحلل SIFT كيفية تغير السطوع حول كل نقطة مميزة، وهو ما يُعرف بالتدرج. وتوضح التدرجات اتجاه التغير في شدة البكسل وقوته، وتلتقط معًا البنية المحلية المحيطة بالنقطة.

لكل نقطة مميزة، يأخذ SIFT التدرجات ضمن منطقة محيطة ويجمعها في مدرج تكراري للاتجاهات. وتشير القمة الأعلى في هذا المدرج إلى الاتجاه السائد لتغير الشدة، ثم يُعيَّن هذا الاتجاه بوصفه اتجاه النقطة المميزة. ويُستخدم كل من اتجاهات التدرج، التي توضح موضع تغير الشدة، ومقادير التدرج، التي تشير إلى قوة ذلك التغير، لإنشاء هذا المدرج التكراري.

إذا وُجدت قمم أخرى تكاد تضاهيها قوةً، يعيّن SIFT اتجاهات متعددة للنقطة المميزة نفسها. ويمنع ذلك فقدان الميزات المهمة عندما تظهر الأجسام بزوايا غير معتادة. ومن خلال محاذاة كل نقطة مميزة مع اتجاهها، يضمن SIFT بقاء الواصفات المُنشأة في الخطوة التالية متسقة.

بعبارة أخرى، حتى إذا دُوّرت صورتان للجسم نفسه بطرق مختلفة، فستظل النقاط المميزة المحاذاة حسب الاتجاه متطابقة بصورة صحيحة. وهذه الخطوة هي التي تمنح SIFT قدرته القوية على التعامل مع الدوران، وتجعله أكثر متانة بكثير من أساليب اكتشاف الميزات السابقة.

الشكل 3. نظرة أقرب على الخطوة 3 من خوارزمية SIFT (المصدر)

الخطوة 4: واصف النقطة المميزة#

تتمثل الخطوة الأخيرة في SIFT في إنشاء وصف لكل نقطة مميزة حتى يمكن التعرّف إليها في صور أخرى.

يحقق SIFT ذلك من خلال النظر إلى رقعة مربعة صغيرة حول كل نقطة مميزة، بحجم يقارب 16 × 16 بكسل. وتُحاذى هذه الرقعة أولًا مع اتجاه النقطة المميزة حتى لا يؤثر الدوران فيها. ثم تُقسّم الرقعة إلى شبكة من مربعات أصغر بحجم 4 × 4.

في كل مربع صغير، يقيس SIFT كيفية تغير السطوع في اتجاهات مختلفة. وتُخزَّن هذه التغيرات في شيء يُسمى مدرجًا تكراريًا، يشبه مخططًا يوضح الاتجاهات الأكثر شيوعًا. ويحصل كل مربع على مدرجه التكراري الخاص، وتنتج المربعات الستة عشر معًا 16 مدرجًا تكراريًا.

أخيرًا، تُدمج هذه المدرجات التكرارية في قائمة واحدة من الأرقام، يبلغ عددها 128 رقمًا. وتُسمى هذه القائمة متجه الميزات، وتعمل كبصمة للنقطة المميزة. وبما أنها تلتقط النسيج والبنية الفريدين المحيطين بالنقطة، تتيح هذه البصمة مطابقة النقطة المميزة نفسها عبر صور مختلفة، حتى إذا غُيّر حجمها أو دُوّرت أو أُضيئت بطريقة مختلفة.

الشكل 4. نظرة عامة على كيفية عمل SIFT (المصدر)

أهم تطبيقات SIFT في الرؤية الحاسوبية#

بعد أن أصبح لدينا فهم أفضل لماهية SIFT وكيفية عمله، دعونا نستكشف بعض تطبيقاته الواقعية في الرؤية الحاسوبية.

التعرّف على الأجسام واكتشافها#

يتمثل أحد الاستخدامات الرئيسية لـ SIFT في التعرّف على الأجسام واكتشافها. ويتضمن ذلك تعليم الحاسوب التعرّف على الأجسام وتحديد مواقعها في الصور، حتى عندما لا تبدو الأجسام بالطريقة نفسها دائمًا. فعلى سبيل المثال، يستطيع SIFT اكتشاف كتاب سواء كان قريبًا من الكاميرا أو بعيدًا عنها أو مُدارًا بزاوية.

يرجع نجاح ذلك إلى أن SIFT يستخرج نقاطًا مميزة شديدة التميز والاستقرار. وعند إقران هذه النقاط بواصفات SIFT، فإنها تشكل ميزات SIFT التي توفر طريقة موثوقة لمطابقة الجسم نفسه عبر صور مختلفة. وتلتقط هذه الميزات تفاصيل فريدة من الجسم تظل متسقة، ما يتيح مطابقة موثوقة للميزات عبر الصور حتى عند تغير حجم الجسم أو موضعه أو اتجاهه.

الشكل 5. استخدام SIFT للتعرّف على غلاف كتاب في صورة جديدة التُقطت باتجاه مختلف عن الصورة الأصلية. الصورة من إعداد المؤلف.

قبل أن يكتسب التعلم العميق شعبية، كان SIFT أحد أكثر الأساليب موثوقية لبناء أنظمة التعرّف على الأجسام. وقد استُخدم على نطاق واسع في الأبحاث والتطبيقات التي تتطلب مطابقة الأجسام عبر مجموعات كبيرة من الصور، رغم أنه كان يتطلب غالبًا موارد حسابية كبيرة.

تركيب الصور وإنشاء الصور البانورامية#

يمكن استخدام SIFT أيضًا لإنشاء صور بانورامية، وهي صور عريضة تُنتج من خلال تركيب عدة صور معًا. وباستخدام SIFT، تُعثر على النقاط المميزة في الأجزاء المتداخلة من الصور المختلفة، ثم تُطابق بعضها مع بعض. وتعمل هذه المطابقات كمرتكزات توجه عملية التركيب وتحدد كيفية محاذاة الصور.

بعد اكتمال المطابقة، يمكن استخدام خوارزميات التركيب لحساب المحاذاة الصحيحة، وغالبًا بالاستعانة بتحويلات هندسية تسقط صورة على أخرى. ثم تُدمج الصور بحيث تختفي الوصلات. والنتيجة النهائية صورة بانورامية متصلة تبدو كأنها صورة واحدة عريضة، رغم إنشائها من لقطات متعددة.

إعادة البناء ثلاثي الأبعاد والروبوتات#

من التطبيقات الأخرى المثيرة للاهتمام لـ SIFT إعادة البناء ثلاثي الأبعاد، حيث تُدمج صور ثنائية الأبعاد متعددة ملتقطة من زوايا مختلفة لبناء نموذج ثلاثي الأبعاد. ويعمل SIFT من خلال العثور على النقاط نفسها عبر هذه الصور ومطابقتها.

بعد إجراء المطابقات، يمكن تقدير المواضع ثلاثية الأبعاد لتلك النقاط باستخدام التثليث، وهو أسلوب يحسب العمق من وجهات نظر مختلفة. وتُعد هذه العملية جزءًا من البنية من الحركة (SfM)، وهي تقنية تستخدم صورًا متعددة متداخلة لتقدير الشكل ثلاثي الأبعاد للمشهد، إلى جانب مواضع الكاميرات التي التقطت الصور.

تكون النتيجة عادةً سحابة نقاط ثلاثية الأبعاد، وهي مجموعة من النقاط في الفضاء تحدد معالم الجسم أو البيئة. كان SIFT أحد الأدوات الأولى التي جعلت البنية من الحركة عمليةً قابلة للتطبيق. ورغم أن التقنيات الأحدث أسرع وأكثر شيوعًا اليوم، يظل SIFT مستخدمًا عندما تكون الدقة أهم من السرعة.

استُخدم SIFT أيضًا في الروبوتات، ولا سيما في SLAM المرئي (التوطين ورسم الخرائط المتزامنان). ويتيح SLAM للروبوت معرفة موقعه أثناء بناء خريطة للبيئة المحيطة به في الوقت نفسه.

تعمل النقاط المميزة في SIFT كمعالم موثوقة يستطيع الروبوت التعرّف إليها عبر الإطارات، حتى عند تغير الإضاءة أو الزوايا. ومن خلال تتبع هذه المعالم، يستطيع الروبوت تقدير موضعه وتحديث خريطته آنيًا. ورغم استخدام كاشفات ميزات أسرع على نطاق أوسع في الروبوتات اليوم، أدى SIFT دورًا مهمًا في أنظمة SLAM المبكرة، ولا يزال أساسيًا في الحالات التي تكون فيها المتانة أهم من السرعة.

مزايا SIFT واعتباراته#

رغم استخدام خوارزمية SIFT على نطاق واسع في الرؤية الحاسوبية ومعرفتها بوصفها أسلوبًا موثوقًا، فإنها تنطوي أيضًا على بعض المفاضلات. لذلك من المهم موازنة مزاياها وعيوبها قبل اتخاذ قرار بشأن ملاءمتها لمشروع ما. وفيما يلي نستعرض نقاط قوتها وقيودها الرئيسية.

المزايا الأساسية لـ SIFT#

فيما يلي بعض مزايا استخدام خوارزمية SIFT:

• الثبات أمام التحجيم والدوران: يوفر SIFT نقاطًا مميزة ثابتة أمام التحجيم تظل مستقرة نسبيًا عندما تظهر الأجسام بأحجام أو اتجاهات مختلفة، وهو ما يمثل تقدمًا مهمًا مقارنةً بكاشفات الميزات السابقة.
• متانة متوسطة أمام تغيرات الإضاءة ووجهة النظر: يستطيع SIFT التعامل مع التغيرات في السطوع أو التباين أو التحولات الطفيفة في وجهة النظر، لكنه يكون أقل موثوقية في الظروف الأكثر تطرفًا.
• القدرة على العمل في المشاهد المزدحمة أو المحجوبة جزئيًا: بما أن SIFT يكتشف العديد من النقاط المميزة المحلية، فإنه غالبًا ما يظل قادرًا على تحديد الجسم حتى إذا كان جزء منه مغطى أو كانت الخلفية معقدة.

اعتبارات الأداء والبدائل#

فيما يلي بعض عيوب استخدام خوارزمية SIFT:

• مكلفة حسابيًا: تجعل عملية SIFT متعددة الخطوات وواصفاتها التفصيلية أبطأ وأكثر استهلاكًا للموارد من كاشفات الميزات الحديثة. ولتحسين ذلك، طوّر الباحثون خوارزمية الميزات المتينة السريعة (SURF)، التي تستخدم حسابات أسرع للعثور على الميزات ووصفها. وتكون SURF أقل دقة من SIFT في بعض الحالات، لكنها تعمل بسرعة أكبر بكثير، ما يجعلها أكثر عملية للمهام الحساسة زمنيًا.
• ليست مثالية للاستخدام في الوقت الفعلي: بسبب تكلفتها الحسابية، تواجه SIFT صعوبة في التطبيقات التي تكون فيها السرعة ضرورية، مثل التتبع في الوقت الفعلي أو الروبوتات المتنقلة.
• تنوع محدود: رغم متانتها في حالات كثيرة، تكون SIFT أقل فعالية في التغيرات الشديدة في الإضاءة، والتحولات الكبيرة في وجهة النظر، والمشاهد شديدة الديناميكية التي تحقق فيها الخوارزميات الأحدث أو أساليب التعلم الآلي أداءً أفضل.

أثناء استكشاف مزايا SIFT وعيوبها، قد تلاحظ أن العديد من قيودها مهدت الطريق لتقنيات أكثر تقدمًا. وعلى وجه التحديد، ظهرت الشبكات العصبية الالتفافية (CNNs) بوصفها بديلًا قويًا.

الشبكة العصبية الالتفافية (CNN) هي نوع من نماذج التعلم العميق المستوحاة من طريقة عمل النظام البصري البشري. وتعالج الصورة عبر طبقات، بدءًا من الأنماط البسيطة مثل الحواف والأنسجة، ثم تبني تدريجيًا أشكالًا وأجسامًا أكثر تعقيدًا. وعلى خلاف قواعد الميزات المصممة يدويًا في SIFT، تتعلم CNNs تمثيلات الميزات مباشرةً من البيانات.

يعني هذا التعلم القائم على البيانات أن CNNs يمكنها التفوق على SIFT في مهام مطابقة الواصفات والتصنيف. كما أن CNNs أكثر تعبيرًا ومتانة، وتتكيف بصورة أفضل مع تنوع البيانات المرئية وتعقيدها.

فعلى سبيل المثال، حققت النماذج القائمة على CNN نتائج رائدة في ImageNet، وهي مجموعة بيانات معيارية ضخمة تحتوي على ملايين الصور الموسومة ضمن آلاف الفئات. وقد صُممت ImageNet لاختبار مدى جودة تعرّف الخوارزميات على الأجسام وتصنيفها، وهي قادرة على إبراز الفجوة بين الأساليب القديمة القائمة على الميزات والتعلم العميق.

تجاوزت CNNs SIFT بسرعة من خلال تعلم تمثيلات أكثر ثراءً ومرونة بكثير، ما أتاح لها التعرّف على الأجسام في ظل إضاءة متغيرة ومن وجهات نظر مختلفة وحتى عند حجبها جزئيًا، وهي سيناريوهات تواجه فيها SIFT صعوبة غالبًا.

أهم النقاط المستخلصة#

يحتل تحويل الميزات الثابتة أمام التحجيم مكانة مهمة في تاريخ الرؤية الحاسوبية. فقد وفر طريقة موثوقة لاكتشاف الميزات حتى في البيئات المتغيرة، وأثر في العديد من الأساليب المستخدمة اليوم.

ورغم أن التقنيات الأحدث أسرع وأكثر كفاءة، فإن SIFT مهدت الطريق لها. وتوضح SIFT نقطة انطلاق التقدم الحالي في الرؤية الحاسوبية، وتبرز مدى التطور الذي بلغته أنظمة الذكاء الاصطناعي المتقدمة.

انضم إلى مجتمعنا العالمي واطّلع على مستودعنا على GitHub لمعرفة المزيد عن الرؤية الحاسوبية. واستكشف صفحات حلولنا للتعرّف على ابتكارات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في قطاع التجزئة. واطّلع على خيارات الترخيص وابدأ في بناء نموذج الرؤية الحاسوبية الخاص بك.