ما هو تحويل السمات المتغير المقياس (SIFT)؟

في هذه الأيام، تأتي العديد من الأجهزة الذكية التي نستخدمها، من الهواتف والكاميرات إلى أنظمة المنزل الذكي، مزودة بحلول الذكاء الاصطناعي التي يمكنها التعرف على الوجوه والأشياء وحتى المشاهد المرئية بأكملها. تأتي هذه القدرة من الرؤية الحاسوبية، وهو مجال من مجالات الذكاء الاصطناعي الذي يُمكِّن الآلات من فهم الصور ومقاطع الفيديو وتفسيرها.

على سبيل المثال، إذا التقطتَ صورة لبرج إيفل من أي زاوية أو مسافة، فيمكن لجهازك عادةً أن يتعرف عليها باستخدام رؤية الكمبيوتر وينظمها في المجلد الصحيح في معرض الصور الخاص بك. على الرغم من أن هذا يبدو بسيطاً، إلا أن التعرّف على الأشياء ليس دائماً بسيطاً. يمكن أن تبدو الصور مختلفة جداً اعتماداً على حجمها أو زاويتها أو مقياسها أو إضاءتها، مما يجعل من الصعب على الأجهزة التعرف عليها بشكل متسق. 

للمساعدة في حل هذه المشكلة، طوّر الباحثون خوارزمية للرؤية الحاسوبية تُعرف باسم "تحويل الميزات الثابتة بالمقياس" أو SIFT. تتيح هذه الخوارزمية إمكانية اكتشاف الأجسام في ظروف مشاهدة مختلفة. صُممت خوارزمية SIFT، التي ابتكرها ديفيد لوي في عام 1999، للعثور على النقاط الرئيسية الفريدة في الصورة ووصفها، مثل الزوايا أو الحواف أو الأنماط التي تظل قابلة للتمييز حتى عند تغيير حجم الصورة أو تدويرها أو إضاءتها بشكل مختلف.

قبل أن تصبح نماذج الرؤية الحاسوبية القائمة على التعلّم العميق مثل Ultralytics YOLO11 شائعة، كانت تقنية SIFT تقنية مستخدمة على نطاق واسع في مجال الرؤية الحاسوبية. كان نهجًا قياسيًا لمهام مثل التعرف على الأشياء، حيث يكون الهدف هو تحديد عنصر معين في الصورة، ومطابقة الصور، حيث تتم محاذاة الصور من خلال إيجاد ميزات الصور المتداخلة.

في هذه المقالة، سنستكشف SIFT مع لمحة سريعة عن ماهيته، وكيفية عمله على مستوى عالٍ، وسبب أهميته في تطور الرؤية الحاسوبية. لنبدأ!

لماذا تعتبر خوارزمية SIFT ضرورية للرؤية الحاسوبية

في الصورة، يمكن أن يظهر الجسم في الصورة بعدة طرق مختلفة. على سبيل المثال، يمكن تصوير كوب القهوة من أعلى أو من الجانب أو في ضوء الشمس الساطع أو تحت مصباح دافئ. يمكن أن يبدو الكوب نفسه أكبر عندما يكون قريباً من الكاميرا وأصغر عندما يكون بعيداً.

كل هذه الاختلافات تجعل من تعليم الكمبيوتر التعرف على جسم ما مهمة معقدة. وتتطلب مهمة الرؤية الحاسوبية هذه، والمعروفة باسم اكتشاف الأجسام، نماذج ذكاء اصطناعي للرؤية لتحديد الأجسام وتحديد موقعها بدقة، حتى عندما يتغير حجمها أو زاويتها أو ظروف الإضاءة.

لجعل هذا الأمر ممكناً، تعتمد الرؤية الحاسوبية على عملية تسمى استخراج الملامح أو الكشف. فبدلاً من محاولة فهم الصورة بأكملها دفعة واحدة، يبحث النموذج عن السمات المميزة للصورة مثل الزوايا الحادة أو الأنماط الفريدة أو القوام الذي يظل قابلاً للتمييز عبر الزوايا والمقاييس وظروف الإضاءة.

على وجه الخصوص، هذا هو ما تم تصميم تحويل الميزات الثابتة بالمقياس، أو SIFT، للقيام به. SIFT هي خوارزمية لاكتشاف السمات ووصفها يمكنها تحديد الأجسام في الصور بشكل موثوق، بغض النظر عن كيفية التقاطها.

تحقيق ثبات المقياس

تتمتع خوارزمية SIFT ببعض الخصائص المهمة التي تجعلها مفيدة في التعرف على الأجسام. إحدى الخصائص الرئيسية تسمى ثبات المقياس. هذا يعني أنه يمكن لخوارزمية SIFT التعرّف على أجزاء مختلفة من الجسم، سواء كان يبدو كبيراً وقريباً من الكاميرا أو صغيراً وبعيداً. حتى لو لم يكن الكائن مرئيًا بالكامل، لا يزال بإمكان الخوارزمية التقاط نفس النقاط الرئيسية.

وهي تقوم بذلك باستخدام مفهوم يسمى نظرية فضاء المقياس. ببساطة، يتم تعتيم الصورة على مستويات مختلفة لإنشاء إصدارات متعددة. ثم يبحث SIFT في هذه الإصدارات للعثور على الأنماط والتفاصيل التي تظل كما هي، بغض النظر عن كيفية تغير الصورة في الحجم أو الوضوح. 

على سبيل المثال، ستبدو لافتة الطريق التي تم تصويرها من على بُعد أمتار قليلة أكبر بكثير من نفس اللافتة التي تم التقاطها من مسافة بعيدة، ولكن لا يزال بإمكان SIFT اكتشاف نفس السمات المميزة. هذا يجعل من الممكن مطابقة الصورتين بشكل صحيح، على الرغم من أن اللافتة تظهر بمقاييس مختلفة جداً.

ضمان ثبات الدوران

يمكن أن تظهر الأجسام في الصور أيضًا مستديرة، وأحيانًا مقلوبة. يعالج SIFT هذا الأمر من خلال خاصية تسمى ثبات الدوران. لكل نقطة أساسية تكتشفها، تقوم الخوارزمية بتعيين اتجاه ثابت بناءً على تدرجات الصورة المحلية. بهذه الطريقة، يمكن التعرّف على نفس الكائن بغض النظر عن كيفية تدويره.

يمكنك التفكير في الأمر مثل وضع علامة على كل نقطة مفتاح بسهم صغير يوضح الاتجاه الذي تواجهه. من خلال محاذاة الميزات مع هذه الاتجاهات، يضمن SIFT تطابق نقاط المفتاح بشكل صحيح حتى عند تدوير الجسم. على سبيل المثال، لا يزال من الممكن تحديد المعلم الذي تم التقاطه في صورة منظر طبيعي بشكل صحيح حتى لو تم التقاط صورة أخرى له مع إمالة الكاميرا بزاوية.

المرونة مع تغيرات الصور الأخرى

بالإضافة إلى الحجم والدوران، يمكن أن تتغير الصور أيضًا بطرق أخرى، مثل تغيرات الإضاءة. قد تتحول الإضاءة على جسم ما من ساطعة إلى خافتة، أو قد تتغير زاوية الكاميرا قليلاً، أو قد تكون الصورة ضبابية أو مشوشة.

تم تصميم SIFT للتعامل مع هذه الأنواع من الاختلافات. وهو يفعل ذلك من خلال التركيز على النقاط الرئيسية المميزة وذات التباين العالي، حيث أن هذه الميزات أقل تأثراً بالتغيرات في الإضاءة أو التحولات الصغيرة في وجهة النظر. ونتيجة لذلك، تميل SIFT إلى أن تكون أكثر موثوقية من طرق اكتشاف الحواف أو الزوايا البسيطة، والتي غالباً ما تفشل عندما تتغير الظروف.

‍

فكر في لوحة في معرض. لا يزال من الممكن التعرف عليها سواء تم تصويرها تحت ضوء النهار الخافت، أو تحت الأضواء الكاشفة الاصطناعية الساطعة، أو حتى مع ضبابية الحركة الطفيفة من كاميرا محمولة باليد. تظل النقاط الرئيسية ثابتة بما يكفي للمطابقة الدقيقة على الرغم من هذه الاختلافات.

كيفية عمل خوارزمية تحويل السمات المتغيرة الحجم (SIFT)

بعد ذلك، دعنا نلقي نظرة على كيفية عمل خوارزمية SIFT. يمكن تقسيم هذه العملية إلى أربع خطوات رئيسية: اكتشاف نقطة المفتاح، وتحديد موقع نقطة المفتاح، وتعيين الاتجاه، ووصف نقطة المفتاح.

الخطوة 1: الكشف عن القيم القصوى للمقياس الفضائي

تتمثل الخطوة الأولى في العثور على النقاط الرئيسية واكتشافها، وهي نقاط مميزة في الصورة، مثل الزوايا أو التغيرات الحادة في النسيج، والتي تساعد في تتبع الجسم أو التعرف عليه.

وللتأكد من إمكانية التعرّف على هذه النقاط الرئيسية المحتملة بأي حجم، يقوم SIFT ببناء ما يُسمى بمقياس الفضاء. وهي عبارة عن مجموعة من الصور التي تم إنشاؤها عن طريق تشويش الصورة الأصلية تدريجيًا باستخدام مرشح غاوسي، وهي تقنية تنعيم، وتجميع النتائج في طبقات تُسمى أوكتافات. تحتوي كل طبقة أوكتاف على الصورة نفسها بمستويات ضبابية متزايدة، بينما تكون الطبقة الثمانية التالية نسخة أصغر من الصورة.

من خلال طرح صورة ضبابية من صورة أخرى يحسب SIFT الفرق بين الغاوسيين (DoG)، والذي يسلط الضوء على المناطق التي يتغير فيها السطوع بشكل حاد. يتم اختيار هذه المناطق كنقاط رئيسية مرشحة لأنها تظل ثابتة عند تكبير الصورة أو تصغيرها.

‍

الخطوة 2: توطين النقاط الرئيسية

ليست كل النقاط الرئيسية المرشحة مفيدة لأن بعضها قد يكون ضعيفاً أو غير مستقر. ولتحسينها، يستخدم SIFT طريقة رياضية تسمى "توسيع سلسلة تايلور"، والتي تساعد في تقدير الموضع الدقيق لنقطة المفتاح بدقة أكبر.

خلال هذه الخطوة، تتم إزالة النقاط غير الموثوق بها. يتم تجاهل النقاط الرئيسية ذات التباين المنخفض، التي تمتزج مع محيطها، وكذلك تلك التي تقع مباشرةً على الحواف، حيث يمكن أن تتحرك بسهولة شديدة. لا تترك خطوة التصفية هذه سوى النقاط الرئيسية الأكثر استقراراً وتميزاً.

الخطوة 3: مهمة التوجيه

بمجرد تحديد نقاط المفتاح الثابتة، يجعلها SIFT غير قابلة للدوران، مما يعني أنه لا يزال من الممكن مطابقتها حتى لو كانت الصورة مقلوبة جانباً أو رأساً على عقب. وللقيام بذلك، يقوم SIFT بتحليل كيفية تغيّر السطوع حول كل نقطة مفتاح، وهو ما يُعرف باسم التدرج. تُظهر التدرجات كلاً من اتجاه وقوة التغيّر في شدة البكسل، وهما معاً يلتقطان البنية المحلية حول النقطة.

بالنسبة لكل نقطة مفتاح، يأخذ SIFT في الاعتبار التدرجات داخل منطقة محيطة ويجمعها في رسم بياني للتوجهات. تشير أعلى قمة في هذا المدرج التكراري إلى الاتجاه السائد لتغيّر الشدة، والذي يتم تعيينه بعد ذلك باعتباره اتجاه النقطة الرئيسية. يتم استخدام كل من اتجاهات التدرج، التي تُظهر أين تتغير الشدة، ومقادير التدرج، التي تشير إلى مدى قوة هذا التغيير، لبناء هذا المدرج التكراري

إذا كانت هناك قمم أخرى بنفس القوة تقريبًا، يقوم SIFT بتعيين اتجاهات متعددة لنفس النقطة الأساسية. وهذا يمنع فقدان السمات المهمة عندما تظهر الأجسام في زوايا غير معتادة. من خلال محاذاة كل نقطة مفتاح مع اتجاهها، يضمن SIFT أن تظل الواصفات التي تم إنشاؤها في الخطوة التالية متسقة. 

بعبارة أخرى، حتى إذا تم تدوير صورتين لنفس الكائن بشكل مختلف، ستظل نقاط المفتاح المحاذية للاتجاه متطابقة بشكل صحيح. هذه الخطوة هي ما يمنح SIFT قدرته القوية على التعامل مع الدوران ويجعله أكثر قوة بكثير من طرق اكتشاف السمات السابقة.

الخطوة 4: واصف النقطة الرئيسية

الخطوة الأخيرة في SIFT هي إنشاء وصف لكل نقطة رئيسية بحيث يمكن التعرف عليها في صور أخرى. 

يحقق SIFT ذلك من خلال النظر إلى رقعة مربعة صغيرة حول كل نقطة مفتاح، بحجم 16 × 16 بكسل تقريبًا. تتم محاذاة هذه الرقعة أولاً مع اتجاه نقطة المفتاح بحيث لا يؤثر الدوران عليها. ثم يتم تقسيم الرقعة إلى شبكة من 4 في 4 مربعات أصغر.

في كل مربع صغير، يقيس SIFT كيف يتغير السطوع في اتجاهات مختلفة. يتم تخزين هذه التغييرات في شيء يسمى المدرج التكراري، وهو أشبه بمخطط يوضح الاتجاهات الأكثر شيوعًا. يحصل كل مربع على الرسم البياني الخاص به، وتنتج المربعات الـ 16 معًا 16 رسمًا بيانيًا.

أخيرًا، يتم دمج هذه المدرجات التكرارية في قائمة واحدة من الأرقام، مجموعها 128 رقمًا. تسمى هذه القائمة متجه الميزة، وهي بمثابة بصمة للنقطة الرئيسية. نظرًا لأنها تلتقط النسيج والبنية الفريدة حول النقطة، فإن هذه البصمة تجعل من الممكن مطابقة نفس النقطة الرئيسية عبر صور مختلفة، حتى لو تم تغيير حجمها أو تدويرها أو إضاءتها بشكل مختلف.

التطبيقات الرئيسية ل SIFT في الرؤية الحاسوبية

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

التعرف على الأجسام واكتشافها

أحد الاستخدامات الرئيسية ل SIFT هو التعرف على الأجسام واكتشافها. يتضمن ذلك تعليم الكمبيوتر كيفية التعرّف على الأجسام في الصور وتحديد موقعها، حتى عندما لا تبدو الأجسام متشابهة دائماً. على سبيل المثال، يمكن ل SIFT اكتشاف كتاب بغض النظر عما إذا كان قريبًا من الكاميرا أو بعيدًا أو مدورًا بزاوية.

والسبب في نجاح ذلك هو أن SIFT يستخرج نقاط أساسية مميزة وثابتة للغاية. عندما يتم إقران هذه النقاط الرئيسية مع واصفات SIFT، فإنها تشكل ميزات SIFT، والتي توفر طريقة موثوقة لمطابقة نفس الكائن عبر الصور المختلفة. تلتقط هذه الميزات التفاصيل الفريدة للكائن التي تظل متسقة، مما يتيح مطابقة الميزات الموثوقة عبر الصور حتى عندما يتغير حجم الكائن أو موضعه أو اتجاهه.

‍

قبل أن يصبح التعلّم العميق شائعاً، كانت طريقة SIFT واحدة من أكثر الطرق موثوقية لبناء أنظمة التعرّف على الأجسام. وقد استُخدمت على نطاق واسع في الأبحاث والتطبيقات التي تطلبت مطابقة الأجسام عبر مجموعات بيانات الصور الكبيرة، على الرغم من أنها كانت تتطلب في كثير من الأحيان موارد حاسوبية كبيرة.

دمج الصور وإنشاء البانوراما

يمكن أيضًا استخدام SIFT لإنشاء صور بانورامية، وهي صور عريضة يتم التقاطها من خلال دمج عدة صور معًا. وباستخدام SIFT، يتم العثور على نقاط رئيسية مميزة في الأجزاء المتداخلة من الصور المختلفة ثم تتم مطابقتها مع بعضها البعض. تعمل هذه التطابقات مثل نقاط الارتكاز، حيث يتم توجيه عملية الدمج حول كيفية محاذاة الصور.

وبمجرد اكتمال المطابقة، يمكن استخدام خوارزميات الدمج لحساب المحاذاة الصحيحة، وغالباً ما تستخدم التحويلات الهندسية التي تقوم بتعيين صورة على صورة أخرى. يتم بعد ذلك مزج الصور بحيث تختفي اللحامات. والنتيجة النهائية هي صورة بانورامية سلسة تبدو وكأنها صورة واحدة عريضة، على الرغم من أنها تم إنشاؤها من عدة لقطات.

إعادة البناء ثلاثي الأبعاد والروبوتات

تطبيق آخر مثير للاهتمام لـ SIFT هو إعادة البناء ثلاثي الأبعاد، حيث يتم دمج عدة صور ثنائية الأبعاد مأخوذة من زوايا مختلفة لبناء نموذج ثلاثي الأبعاد. يعمل SIFT من خلال إيجاد ومطابقة النقاط نفسها عبر هذه الصور. 

بمجرد إجراء التطابقات، يمكن تقدير المواضع ثلاثية الأبعاد لتلك النقاط باستخدام التثليث، وهي طريقة تحسب العمق من وجهات نظر مختلفة. تعد هذه العملية جزءًا من البنية من الحركة (SfM)، وهي تقنية تستخدم صورًا متعددة متداخلة لتقدير الشكل ثلاثي الأبعاد للمشهد إلى جانب مواقع الكاميرات التي التقطت الصور.

وعادةً ما تكون النتيجة سحابة نقطية ثلاثية الأبعاد، وهي مجموعة من النقاط في الفضاء تحدد الجسم أو البيئة. كانت SIFT واحدة من أولى الأدوات التي جعلت من البنية من الحركة عملية. في حين أن التقنيات الأحدث أصبحت أسرع وأكثر شيوعًا اليوم، إلا أن SIFT لا تزال تُستخدم عندما تكون الدقة أكثر أهمية من السرعة.

استُخدمت تقنية SIFT أيضًا في مجال الروبوتات، لا سيما في تقنية SLAM البصرية (التعريب المتزامن ورسم الخرائط). يسمح SLAM للروبوت بمعرفة مكان وجوده أثناء بناء خريطة لمحيطه في نفس الوقت. 

تعمل نقاط SIFT الرئيسية كمعالم موثوقة يمكن للروبوت التعرّف عليها عبر الإطارات، حتى عندما تتغير الإضاءة أو الزوايا. من خلال تتبع هذه المعالم، يمكن للروبوت تقدير موقعه وتحديث خريطته أثناء التنقل. على الرغم من استخدام كاشفات المعالم الأسرع في الروبوتات اليوم، إلا أن SIFT لعبت دوراً مهماً في أنظمة SLAM المبكرة ولا تزال أساسية في الحالات التي تكون فيها المتانة أكثر أهمية من السرعة.

مزايا واعتبارات نظام SIFT

على الرغم من أن خوارزمية SIFT تُستخدم على نطاق واسع في الرؤية الحاسوبية ومعروفة بكونها طريقة موثوقة، إلا أنها تأتي مع بعض المفاضلات. لهذا السبب من المهم تقييم إيجابياتها وسلبياتها قبل اتخاذ قرار بشأن ما إذا كانت مناسبة لمشروع ما. بعد ذلك، دعنا نستعرض نقاط قوتها وقيودها الرئيسية.

المزايا الأساسية لـ SIFT

فيما يلي بعض إيجابيات استخدام خوارزمية SIFT:

• ثبات المقياس والتناوب: يوفر SIFT نقاطًا أساسية متغيرة الحجم تظل مستقرة نسبيًا عندما تظهر الأجسام بأحجام أو اتجاهات مختلفة، وهو ما يمثل خطوة مهمة إلى الأمام مقارنةً بأجهزة كشف السمات السابقة.
• قوة معتدلة في مواجهة تغيرات الإضاءة ووجهة النظر: يمكن ل SIFT التعامل مع التغييرات في السطوع أو التباين أو التحولات الصغيرة في وجهة النظر، على الرغم من أنه أقل موثوقية في ظل ظروف أكثر تطرفًا.‍
• القدرة على العمل في المشاهد المشوشة أو المخفية جزئياً: نظرًا لأن SIFT يكتشف العديد من النقاط الرئيسية المحلية، فإنه غالبًا ما يظل بإمكانه تحديد كائن ما حتى لو كان جزء منه مغطى أو كانت الخلفية معقدة.

اعتبارات الأداء والبدائل

فيما يلي بعض سلبيات استخدام خوارزمية SIFT:

• مكلفة حسابياً: إن عملية SIFT متعددة الخطوات والواصفات التفصيلية تجعلها أبطأ وأكثر ثقلًا من حيث الموارد من أجهزة الكشف عن الميزات الحديثة. ولتحسين هذا الأمر، طوّر الباحثون خوارزمية SURF (الميزات القوية السريعة)، والتي تستخدم عمليات حسابية أسرع للعثور على الميزات ووصفها. تعتبر SURF أقل دقة من SIFT في بعض الحالات، لكنها تعمل بشكل أسرع بكثير، مما يجعلها أكثر عملية للمهام الحساسة للوقت.
• ليست مثالية للاستخدام في الوقت الحقيقي: بسبب تكلفته الحسابية، يعاني SIFT عندما يتعلق الأمر بالتطبيقات التي تكون فيها السرعة أمرًا بالغ الأهمية، مثل التتبع في الوقت الحقيقي أو الروبوتات المتنقلة.‍
• تنوع محدود: على الرغم من قوة SIFT في العديد من الحالات، إلا أنه أقل فعالية في حالات تغيرات الإضاءة الشديدة، أو التحولات الكبيرة في وجهات النظر، أو المشاهد الديناميكية للغاية حيث يكون أداء الخوارزميات الأحدث أو أساليب التعلم الآلي أفضل.

‍

أثناء استكشاف إيجابيات وسلبيات SIFT، قد تلاحظ أن العديد من أوجه القصور التي واجهتها مهّدت الطريق أمام تقنيات أكثر تقدماً. على وجه التحديد، ظهرت الشبكات العصبية التلافيفية (CNNs) كبديل قوي. 

شبكة CNN هي نوع من نماذج التعلم العميق المستوحاة من كيفية عمل النظام البصري البشري. وهو يعالج الصورة في طبقات، بدءاً من الأنماط البسيطة مثل الحواف والأنسجة، ثم يتدرج إلى أشكال وأشياء أكثر تعقيداً. على عكس قواعد الميزات المصممة يدويًا في SIFT، تتعلم CNNs تمثيلات الميزات مباشرةً من البيانات. 

ويعني هذا التعلّم القائم على البيانات أن الشبكات الشبكية ذات المحركات الشبكية (CNNs) يمكنها التفوق على SIFT في مهام مطابقة الواصف والتصنيف. كما أن شبكات CNN أكثر تعبيرًا وقوة، حيث تتكيف بشكل أفضل مع تنوع البيانات المرئية وتعقيدها. 

على سبيل المثال، حققت النماذج المستندة إلى شبكة CNN نتائج مذهلة على ImageNet، وهي مجموعة بيانات قياسية ضخمة تحتوي على ملايين الصور المصنفة عبر آلاف الفئات. صُممت ImageNet لاختبار مدى قدرة الخوارزميات على التعرف على الأشياء وتصنيفها، وهي قادرة على تسليط الضوء على الفجوة بين الأساليب القديمة القائمة على السمات والتعلم العميق. 

وسرعان ما تفوقت CNNs على SIFT من خلال تعلم تمثيلات أكثر ثراءً ومرونة بكثير، مما سمح لها بالتعرف على الأجسام في ظل الإضاءة المتغيرة، ومن وجهات نظر مختلفة، وحتى عندما تكون مخفية جزئياً، وهي سيناريوهات غالباً ما يواجه فيها SIFT صعوبات.

الوجبات الرئيسية

تحتل خوارزمية تحويل الملامح الثابتة بالمقياس مكانة مهمة في تاريخ الرؤية الحاسوبية. فقد وفرت طريقة موثوقة لاكتشاف الميزات حتى في البيئات المتغيرة وأثرت على العديد من الطرق المستخدمة اليوم. 

على الرغم من أن التقنيات الأحدث أسرع وأكثر كفاءة، إلا أن SIFT أرست الأساس لها. تُظهر SIFT أين بدأ التقدم في مجال الرؤية الحاسوبية اليوم وتسلط الضوء على مدى التقدم الذي أحرزته أنظمة الذكاء الاصطناعي المتطورة.

انضم إلى مجتمعنا العالمي وتحقق من مستودع GitHub الخاص بنا لمعرفة المزيد عن رؤية الكمبيوتر. استكشف صفحات الحلول الخاصة بنا لاكتشاف ابتكارات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في مجال البيع بالتجزئة. اطلع على خيارات الترخيص لدينا وابدأ في إنشاء نموذج رؤية الكمبيوتر الخاص بك.