ما تحويل السمات الثابتة تجاه تغيّر المقياس (SIFT)؟

للاطلاع على شرح مرئي للمفاهيم الواردة في هذه المقالة، شاهد الفيديو أدناه.

في أيامنا هذه، تأتي العديد من الأجهزة الذكية التي نستخدمها، من الهواتف والكاميرات إلى أنظمة المنازل الذكية، مزودة بحلول للذكاء الاصطناعي قادرة على التعرّف على الوجوه والأجسام، بل وحتى المشاهد المرئية الكاملة. وتنبع 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 يستطيع جهازك التعرّف عليه باستخدام الرؤية الحاسوبية وتصنيفه في المجلد الصحيح ضمن معرض الصور. قد يبدو ذلك أمرًا مباشرًا، لكن التعرّف على الأجسام ليس سهلًا دائمًا. فقد تبدو الصور مختلفة جدًا بحسب حجمها أو زاويتها أو مقياسها أو الإضاءة، ما يصعّب على الآلات تحديدها باستمرار.

لمساعدة الباحثين على حل هذه المشكلة، طوّروا خوارزمية للرؤية الحاسوبية تُسمى تحويل السمات الثابتة للمقياس، أو SIFT. تتيح هذه الخوارزمية كشف الأجسام في ظروف مشاهدة مختلفة. ابتكر David Lowe هذه الخوارزمية عام 1999، وصُممت للعثور على النقاط المفتاحية الفريدة في الصورة ووصفها، مثل الزوايا أو الحواف أو الأنماط التي تظل قابلة للتعرّف حتى عند تغيير حجم الصورة أو تدويرها أو اختلاف إضاءتها.

قبل انتشار نماذج الرؤية الحاسوبية المعتمدة على التعلم العميق مثل Ultralytics YOLO11، كانت SIFT تقنية واسعة الاستخدام في الرؤية الحاسوبية. وكانت نهجًا قياسيًا لمهام مثل التعرف على الكائنات، حيث يكون الهدف تحديد عنصر بعينه في صورة، ومطابقة الصور، حيث تُحاذى الصور من خلال العثور على السمات المشتركة بينها.

سنستعرض في هذه المقالة SIFT بإيجاز، موضحين ماهيتها وكيفية عملها على مستوى عام، وأهميتها في تطور الرؤية الحاسوبية.

أهمية خوارزمية SIFT للرؤية الحاسوبية#

قد يظهر الجسم في الصورة بطرق كثيرة ومختلفة. فعلى سبيل المثال، قد يُصوَّر كوب قهوة من الأعلى أو من الجانب، تحت ضوء الشمس الساطع أو تحت مصباح دافئ. وقد يبدو الكوب 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 كشف الأجسام، من نماذج الذكاء الاصطناعي للرؤية تحديد الأجسام وتعيين مواقعها بدقة، حتى عند تغير حجمها أو زاويتها أو ظروف الإضاءة.

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

وهذا تحديدًا ما صُمم تحويل السمات الثابتة للمقياس، أو SIFT، للقيام به. إذ تُعد SIFT خوارزمية لكشف السمات ووصفها، ويمكنها تحديد الأجسام في الصور بموثوقية، مهما اختلفت طريقة التقاطها.

تحقيق الثبات في المقياس#

تتضمن خوارزمية SIFT بعض الخصائص المهمة التي تجعلها مفيدة للتعرّف على الأجسام. وإحدى أهم هذه الخصائص هي الثبات في المقياس، أي قدرة SIFT على التعرّف على أجزاء مختلفة من الجسم سواء بدا كبيرًا وقريبًا من الكاميرا أم صغيرًا وبعيدًا عنها. وحتى إذا لم يكن الجسم ظاهرًا بالكامل، تظل الخوارزمية قادرة على تحديد النقاط المفتاحية نفسها.

تحقق الخوارزمية ذلك باستخدام مفهوم يُسمى نظرية فضاء المقياس. ببساطة، تُموَّه الصورة بدرجات مختلفة لإنشاء نسخ متعددة منها. ثم تبحث SIFT في هذه النسخ عن الأنماط والتفاصيل التي تظل ثابتة، بصرف النظر عن تغير حجم الصورة أو حدتها.

على سبيل المثال، ستبدو إشارة طريق صُوّرت من على بعد أمتار أكبر بكثير من الإشارة نفسها إذا التُقطت من مسافة بعيدة، لكن SIFT تستطيع مع ذلك كشف السمات المميزة نفسها. وهذا يتيح مطابقة الصورتين على نحو صحيح، رغم ظهور الإشارة بمقياسين مختلفين جدًا.

ضمان الثبات الدوراني#

قد تظهر الأجسام في الصور وهي مدوّرة، وأحيانًا مقلوبة رأسًا على عقب. تتعامل SIFT مع ذلك من خلال خاصية تُسمى الثبات الدوراني. فلكل نقطة مفتاحية تكشفها، تعيّن الخوارزمية اتجاهًا متسقًا استنادًا إلى تدرجات الصورة المحلية. وبهذه الطريقة، يمكن التعرّف على الجسم نفسه مهما كان اتجاه تدويره.

يمكنك تخيّل الأمر كما لو أنك تضع سهمًا صغيرًا على كل نقطة مفتاحية ليشير إلى اتجاهها. ومن خلال محاذاة السمات وفق هذه الاتجاهات، تضمن SIFT مطابقة النقاط المفتاحية على نحو صحيح حتى عند تدوير الجسم. فعلى سبيل المثال، يمكن تحديد معلم في صورة أفقية على نحو صحيح حتى إذا التُقطت صورة أخرى له والكاميرا مائلة بزاوية.

مقاومة التغيرات الأخرى في الصور#

إلى جانب الحجم والدوران، قد تتغير الصور بطرق أخرى أيضًا، مثل تغير الإضاءة. فقد تنتقل إضاءة الجسم من السطوع إلى الخفوت، أو تتغير زاوية الكاميرا قليلًا، أو تصبح الصورة ضبابية أو مشوشة.

صُممت SIFT للتعامل مع هذه الأنواع من التغيرات. وتحقق ذلك بالتركيز على النقاط المفتاحية المميزة وعالية التباين، إذ تتأثر هذه السمات بدرجة أقل بتغيرات الإضاءة أو التحولات الطفيفة في زاوية الرؤية. ونتيجة لذلك، تميل SIFT إلى أن تكون أكثر موثوقية من أساليب كشف الحواف أو الزوايا البسيطة، التي غالبًا ما تفشل عند تغير الظروف.

الشكل 1. النقاط المفتاحية لـ SIFT المستخرجة من (أ) صورة ممطرة و(ب) صورتها الأصلية الواضحة المقابلة. (المصدر)

تأمل لوحة فنية في معرض. يظل بالإمكان التعرّف عليها سواء صُوّرت في ضوء نهار خافت، أو تحت أضواء كاشفة صناعية ساطعة، أو حتى مع ضبابية حركة طفيفة ناتجة عن استخدام كاميرا محمولة باليد. وتظل النقاط المفتاحية مستقرة بما يكفي لإجراء مطابقة دقيقة رغم هذه الاختلافات.

آلية عمل خوارزمية تحويل السمات الثابتة للمقياس (SIFT)#

بعد ذلك، لنلقِ نظرة على آلية عمل خوارزمية SIFT. ويمكن تقسيم هذه العملية إلى أربع خطوات رئيسية: كشف النقاط المفتاحية، وتحديد مواقعها، وتعيين الاتجاهات، ووصف النقاط المفتاحية.

الخطوة 1: كشف القيم القصوى في فضاء المقياس#

تتمثل الخطوة الأولى في العثور على النقاط المفتاحية واكتشافها؛ وهي مواضع مميزة في الصورة، مثل الزوايا أو التغيرات الحادة في النسيج، تساعد على تتبع كائن أو التعرف عليه.

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

من خلال طرح صورة مموهة من أخرى، تحسب SIFT فرق الغاوسيات (DoG)، الذي يبرز المناطق التي يتغير فيها السطوع بشدة. وتُختار هذه المناطق لتكون نقاطًا مفتاحية مرشحة، لأنها تظل متسقة عند تكبير الصورة أو تصغيرها.

الشكل 2. يبرز DoG البنى الرئيسية بطرح صور مموهة بدرجات مختلفة. (المصدر)

الخطوة 2: تحديد مواقع النقاط المفتاحية#

ليست كل النقاط المفتاحية المرشحة مفيدة، إذ قد تكون بعض النقاط ضعيفة أو غير مستقرة. ولتحسينها، تستخدم SIFT أسلوبًا رياضيًا يُسمى توسيع متسلسلة تايلور، يساعد على تقدير الموضع الدقيق للنقطة المفتاحية بمزيد من الدقة.

تُزال النقاط غير الموثوقة خلال هذه الخطوة. فتُستبعد النقاط المفتاحية منخفضة التباين التي تندمج مع محيطها، وكذلك النقاط الواقعة مباشرة على الحواف، لأنها قد تتحرك بسهولة كبيرة. وتترك عملية التصفية هذه النقاط المفتاحية الأكثر استقرارًا وتميزًا فقط.

الخطوة 3: تعيين الاتجاه#

بعد تحديد النقاط المفتاحية المستقرة، تجعلها SIFT ثابتة الدوران، ما يعني إمكانية مطابقتها حتى إذا دُوّرت الصورة جانبًا أو قُلبت رأسًا على عقب. ولتحقيق ذلك، تحلل SIFT تغيرات السطوع حول كل نقطة مفتاحية، وهو ما يُعرف بالتدرج. وتوضح التدرجات اتجاه التغير في شدة البكسل ومقداره، كما تصف البنية المحلية المحيطة بالنقطة.

تحسب SIFT التدرجات ضمن منطقة تحيط بكل نقطة مفتاحية، ثم تجمعها في مدرج تكراري للاتجاهات. وتشير أعلى قمة في هذا المدرج إلى الاتجاه السائد لتغير الشدة، ثم يُعيّن هذا الاتجاه للنقطة المفتاحية. وتُستخدم في إنشاء هذا المدرج اتجاهات التدرج، التي توضح مواضع تغير الشدة، ومقادير التدرج، التي تبين قوة هذا التغير.

إذا وُجدت قمم أخرى تكاد تكون بالقوة نفسها، تعيّن SIFT اتجاهات متعددة للنقطة المفتاحية نفسها. ويمنع ذلك فقدان السمات المهمة عندما تظهر الأجسام بزوايا غير مألوفة. ومن خلال محاذاة كل نقطة مفتاحية وفق اتجاهها، تضمن SIFT اتساق الواصفات المُنشأة في الخطوة التالية.

بعبارة أخرى، حتى إذا دُوّرت صورتان للجسم نفسه باتجاهين مختلفين، فستظل النقاط المفتاحية المحاذاة وفق الاتجاهات متطابقة على نحو صحيح. وهذه الخطوة هي ما يمنح SIFT قدرتها الكبيرة على التعامل مع الدوران، ويجعلها أكثر متانة بكثير من أساليب كشف السمات السابقة.

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

الخطوة 4: واصف النقطة المفتاحية#

تتمثل الخطوة الأخيرة في SIFT في إنشاء وصف لكل نقطة مفتاحية كي يمكن التعرّف عليها في صور أخرى.

تحقق SIFT ذلك من خلال فحص رقعة مربعة صغيرة حول كل نقطة مفتاحية، يبلغ حجمها نحو 16 × 16 بكسل. تُحاذى هذه الرقعة أولًا وفق اتجاه النقطة المفتاحية، كي لا يؤثر الدوران فيها. ثم تُقسّم الرقعة إلى شبكة من 4 × 4 مربعات أصغر.

تقيس SIFT في كل مربع صغير كيفية تغير السطوع في اتجاهات مختلفة. وتُخزّن هذه التغيرات في ما يُسمى مدرجًا تكراريًا، وهو أشبه بمخطط يوضح الاتجاهات الأكثر شيوعًا. ويُخصص لكل مربع مدرجه التكراري، 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 السمات، وتعمل كبصمة للنقطة المفتاحية. ولأنها تلتقط النسيج والبنية الفريدين المحيطين بالنقطة، تتيح هذه البصمة مطابقة النقطة المفتاحية نفسها عبر صور مختلفة، حتى إذا غُيّر حجمها أو دُوّرت أو اختلفت إضاءتها.

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

أبرز تطبيقات SIFT في الرؤية الحاسوبية#

بعد أن كوّنا فهمًا أفضل لماهية SIFT وآلية عملها، لنستكشف بعض تطبيقاتها في العالم الحقيقي في مجال الرؤية الحاسوبية.

التعرّف على الأجسام وكشفها#

من الاستخدامات الرئيسية لـ SIFT التعرّف على الأجسام وكشفها. ويتضمن ذلك تعليم الحاسوب التعرّف على الأجسام وتحديد مواقعها في الصور، حتى عندما لا تبدو الأجسام بالطريقة نفسها دائمًا. فعلى سبيل المثال، تستطيع SIFT كشف كتاب سواء أكان قريبًا من الكاميرا أم بعيدًا عنها أم مدوّرًا بزاوية.

يرجع نجاح ذلك إلى أن SIFT تستخرج نقاطًا مفتاحية مميزة للغاية ومستقرة. وعند اقتران هذه النقاط بواصفات SIFT، تتكون سمات SIFT، التي توفر وسيلة موثوقة لمطابقة الجسم نفسه عبر صور مختلفة. وتلتقط هذه السمات تفاصيل فريدة للجسم تظل متسقة، ما يتيح مطابقة السمات بموثوقية عبر الصور حتى عند تغير حجم الجسم أو موضعه أو اتجاهه.

الشكل 5. استخدام SIFT للتعرّف على غلاف كتاب في صورة جديدة ملتقطة باتجاه يختلف عن اتجاه الصورة الأصلية. الصورة من إعداد المؤلف.

قبل شيوع التعلم العميق، كانت SIFT إحدى أكثر الطرق موثوقية لبناء أنظمة التعرّف على الأجسام. وقد استُخدمت على نطاق واسع في الأبحاث والتطبيقات التي تتطلب مطابقة الأجسام عبر مجموعات بيانات صور كبيرة، رغم أنها كانت تتطلب غالبًا موارد حوسبة كبيرة.

دمج الصور وإنشاء الصور البانورامية#

يمكن استخدام SIFT أيضًا لإنشاء صور بانورامية، وهي صور عريضة تُنتج بدمج عدة صور معًا. باستخدام SIFT، تُعثر على النقاط المفتاحية المميزة في الأجزاء المتداخلة من الصور المختلفة، ثم تُطابق بعضها ببعض. وتعمل هذه المطابقات كنقاط ارتكاز توجه عملية الدمج إلى كيفية محاذاة الصور.

بعد اكتمال المطابقة، يمكن استخدام خوارزميات الدمج لحساب المحاذاة الصحيحة، غالبًا باستخدام تحويلات هندسية تسقط صورة على أخرى. ثم تُدمج الصور بحيث تختفي الفواصل بينها. والنتيجة النهائية صورة بانورامية متصلة تبدو كأنها صورة عريضة واحدة، مع أنها أُنشئت من لقطات متعددة.

إعادة البناء ثلاثي الأبعاد والروبوتات#

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

بعد إجراء المطابقات، يمكن تقدير المواضع ثلاثية الأبعاد لهذه النقاط باستخدام التثليث، وهي طريقة تحسب العمق من وجهات نظر مختلفة. وتُعد هذه العملية جزءًا من الاستدلال البنيوي من الحركة (SfM)، وهي تقنية تستخدم صورًا متعددة متداخلة لتقدير الشكل ثلاثي الأبعاد لمشهد ما، إلى جانب مواضع الكاميرات التي التقطت الصور.

تكون النتيجة عادةً سحابة نقاط ثلاثية الأبعاد، وهي مجموعة من النقاط في الفضاء ترسم حدود الجسم أو البيئة. وكانت SIFT إحدى أولى الأدوات التي جعلت الاستدلال البنيوي من الحركة عمليًا. ورغم أن التقنيات الأحدث أسرع وأكثر شيوعًا اليوم، لا تزال SIFT تُستخدم عندما تكون الدقة أهم من السرعة.

استُخدمت SIFT أيضًا في الروبوتات، ولا سيما في التوطين ورسم الخرائط المتزامنين بصريًا (SLAM). تتيح تقنية SLAM للروبوت تحديد موقعه أثناء إنشاء خريطة لمحيطه في الوقت نفسه.

تعمل النقاط المفتاحية في SIFT كمعالم موثوقة يستطيع الروبوت التعرف عليها عبر الإطارات، حتى عند تغيّر الإضاءة أو الزوايا. ومن خلال تتبّع هذه المعالم، يستطيع الروبوت تقدير موقعه وتحديث خريطته آنياً. وعلى الرغم من شيوع استخدام كواشف سمات أسرع في الروبوتات اليوم، أدّت SIFT دوراً مهماً في أنظمة SLAM المبكرة، ولا تزال أساسية في الحالات التي تكون فيها المتانة أهم من السرعة.

مزايا SIFT والاعتبارات المتعلقة بها#

على الرغم من استخدام خوارزمية SIFT على نطاق واسع في الرؤية الحاسوبية واشتهارها بوصفها طريقة موثوقة، فإن لها أيضاً بعض المفاضلات. لذلك، من المهم موازنة مزاياها وعيوبها قبل تحديد مدى ملاءمتها لمشروع ما. فيما يلي نظرة على أبرز نقاط قوتها وقيودها.

المزايا الأساسية لـ SIFT#

فيما يلي بعض مزايا استخدام خوارزمية SIFT:

• الثبات تجاه المقياس والدوران: توفر SIFT نقاطاً مفتاحية ثابتة تجاه المقياس، تظل مستقرة نسبياً عندما تظهر الأجسام بأحجام أو اتجاهات مختلفة، وهو ما يمثل تقدماً كبيراً مقارنةً بكواشف السمات السابقة.
• متانة متوسطة أمام تغيّرات الإضاءة ووجهة النظر: تستطيع SIFT التعامل مع التغيرات في السطوع والتباين، أو التحولات الطفيفة في وجهة النظر، لكنها أقل موثوقية في الظروف الأكثر تطرفاً.
• القدرة على العمل في المشاهد المزدحمة أو المحجوبة جزئياً: بما أن SIFT تكشف عدداً كبيراً من النقاط المفتاحية المحلية، فيمكنها غالباً تحديد جسم ما حتى إذا كان جزء منه محجوباً أو كانت خلفيته معقدة.

اعتبارات الأداء والبدائل#

فيما يلي بعض عيوب استخدام خوارزمية SIFT:

• مكلفة حسابياً: تجعل خطوات SIFT المتعددة وواصفاتها التفصيلية أبطأ وأكثر استهلاكاً للموارد مقارنةً بكواشف السمات الحديثة. ولتحسين ذلك، طوّر الباحثون خوارزمية SURF (السمات المتينة سريعة التنفيذ)، التي تستخدم حسابات أسرع لاكتشاف السمات ووصفها. وتكون SURF أقل دقة من SIFT في بعض الحالات، لكنها أسرع بكثير، ما يجعلها أكثر ملاءمة للمهام الحساسة للوقت.
• غير مثالية للاستخدام الآني: بسبب تكلفتها الحسابية، تواجه SIFT صعوبة في التطبيقات التي تتطلب سرعة عالية، مثل التتبّع الآني أو الروبوتات المتنقلة.
• محدودة التنوع: رغم متانتها في حالات كثيرة، تكون SIFT أقل فاعلية عند حدوث تغيّرات شديدة في الإضاءة، أو تحولات كبيرة في وجهة النظر، أو في المشاهد شديدة الديناميكية، حيث تؤدي الخوارزميات الأحدث أو أساليب التعلم الآلي أداءً أفضل.

عند استكشاف مزايا SIFT وعيوبها، قد تلاحظ أن كثيراً من قيودها مهّد الطريق لأساليب أكثر تقدماً. وعلى وجه التحديد، ظهرت الشبكات العصبية الالتفافية (CNNs) بوصفها بديلاً قوياً.

الشبكة العصبية الالتفافية (CNN) نوع من نماذج التعلم العميق، مستوحى من طريقة عمل النظام البصري البشري. وتعالج الصورة على هيئة طبقات، بدءاً من الأنماط البسيطة مثل الحواف والأنسجة، ثم تبني تدريجياً تمثيلات لأشكال وأجسام أكثر تعقيداً. وعلى خلاف قواعد السمات المصممة يدوياً في SIFT، تتعلم CNNs تمثيلات السمات مباشرةً من البيانات.

يتيح هذا التعلم القائم على البيانات لـ CNNs التفوق على SIFT في مطابقة الواصفات ومهام التصنيف. كما تتميز CNNs بقدرة تعبيرية أكبر ومتانة أعلى، إذ تتكيف بصورة أفضل مع تنوع البيانات المرئية وتعقيدها.

على سبيل المثال، حققت النماذج القائمة على CNN نتائج غير مسبوقة في ImageNet، وهي مجموعة بيانات معيارية ضخمة تضم ملايين الصور المصنفة ضمن آلاف الفئات. صُممت ImageNet لاختبار مدى قدرة الخوارزميات على التعرّف إلى الأجسام وتصنيفها، كما تبرز الفجوة بين الأساليب القديمة القائمة على السمات والتعلم العميق.

سرعان ما تجاوزت CNNs أداء SIFT بفضل قدرتها على تعلم تمثيلات أغنى وأكثر مرونة، ما أتاح لها التعرّف إلى الأجسام في ظل تغيّر الإضاءة، ومن وجهات نظر مختلفة، وحتى عندما تكون الأجسام محجوبة جزئياً؛ وهي سيناريوهات غالباً ما تواجه فيها SIFT صعوبة.

أبرز النقاط#

تحتل خوارزمية تحويل السمات الثابتة تجاه المقياس (SIFT) مكانة مهمة في تاريخ الرؤية الحاسوبية. فقد وفّرت طريقة موثوقة لاكتشاف السمات حتى في البيئات المتغيرة، وأثّرت في كثير من الأساليب المستخدمة اليوم.

على الرغم من أن التقنيات الأحدث أسرع وأكثر كفاءة، فقد مهدت SIFT الطريق أمامها. وتُظهر SIFT بدايات التقدم الذي نشهده اليوم في الرؤية الحاسوبية، وتبرز مدى التطور الذي بلغته أنظمة الذكاء الاصطناعي الحديثة.

انضم إلى مجتمعنا العالمي وتفقّد مستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. استكشف صفحات حلولنا للتعرّف إلى ابتكارات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في تجارة التجزئة. اطّلع على خيارات الترخيص وابدأ في بناء نموذج الرؤية الحاسوبية الخاص بك.