ما YOLOE؟ الارتقاء بنماذج الرؤية الحاسوبية إلى مستويات أبعد

يُعد اكتشاف الكائنات مهمة أساسية في الرؤية الحاسوبية، ويتمثل هدفها في تحديد الكائنات وتحديد مواقعها في الصور أو مقاطع الفيديو. وهو جزء بالغ الأهمية من الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي (AI) يتيح للآلات فهم البيانات المرئية وتفسيرها. فعلى سبيل المثال، يمكن لاكتشاف الكائنات المساعدة في تحديد سيارة في صورة أو رصد شخص في بث فيديو.

تُعد سلسلة نماذج YOLO (تنظر مرة واحدة فقط) من أشهر سلاسل النماذج التي تدعم مهام الرؤية الحاسوبية مثل اكتشاف الكائنات. صُممت نماذج YOLO لتحقيق السرعة والدقة، وقد تحسنت باستمرار بمرور الوقت. فعلى سبيل المثال، يحقق أحد أحدث الإصدارات، وهو Ultralytics YOLO11، أداءً جيدًا في الحالات الواقعية، إذ يقدم نتائج دقيقة حتى في البيئات الأكثر تعقيدًا.

ودفعًا لهذا التقدم إلى أبعد من ذلك، يهدف نموذج جديد يُسمى YOLOE إلى توسيع إمكانات نماذج YOLO. وعلى خلاف النماذج التقليدية التي تتطلب إعادة التدريب للتعرف على كائنات جديدة، يستطيع YOLOE اتباع مطالبات نصية أو صورية بسيطة لاكتشاف كائنات لم يسبق له رؤيتها، مما يجعله أكثر قدرة على التكيف مع البيئات المتغيرة.

في هذا المقال، سنلقي نظرة فاحصة على ما يميز YOLOE، وكيف يقارن بنماذج YOLO السابقة، وكيف يمكنك البدء باستخدامه اليوم. لنبدأ!

نظرة عامة على YOLOE#

YOLOE هو نموذج للرؤية الحاسوبية يرتقي باكتشاف الكائنات إلى مستوى أبعد. قدمه باحثون في جامعة تسينغهوا في مارس 2025. وما يميز YOLOE عن النماذج التقليدية هو استخدامه لاكتشاف المفردات المفتوحة.

بينما تُدرَّب معظم النماذج على التعرف على قائمة ثابتة من الكائنات، يتيح لك YOLOE تحديد ما تريد البحث عنه باستخدام وصف قصير أو صورة مثال. فعلى سبيل المثال، إذا كنت تبحث عن «حقيبة ظهر خضراء»، فيمكنك إما كتابة هذا الوصف أو عرض صورة للنموذج، وسيحدد YOLOE موقعها ضمن المشهد.

بالإضافة إلى ذلك، يستطيع YOLOE اكتشاف العديد من الكائنات اليومية تلقائيًا حتى من دون أي مطالبة. وتُسمى هذه القدرة على التعرف على كائنات لم يسبق له رؤيتها بالاكتشاف من دون أمثلة. وهي مفيدة بصفة خاصة في البيئات الديناميكية التي قد تتغير فيها المهمة أو الكائنات محل الاهتمام على نحو غير متوقع.

الشكل 1. نظرة على إمكانات YOLOE.

الميزات الرئيسية في YOLOE#

يدعم YOLOE مجموعة واسعة من الميزات المصممة لتعزيز أدائه في التطبيقات الواقعية. وبفضل قدرته على التعامل مع المدخلات المنظمة وغير المنظمة، يفتح YOLOE آفاقًا جديدة لاكتشاف الكائنات وتقسيمها.

فيما يلي بعض الميزات الرئيسية التي يقدمها النموذج:

• الاكتشاف القائم على المطالبات: يستطيع YOLOE البحث عن الكائنات استنادًا إلى مطالبة نصية قصيرة أو صورة مثال. وهذا يعني أنك لا تحتاج إلى إعادة تدريب النموذج في كل مرة تتغير فيها مهمتك؛ بل يكفي أن تصف للنموذج ما تبحث عنه أو تعرضه عليه.
• تقسيم الكائنات المفردة: بالإضافة إلى رسم مربعات الإحاطة حول الكائنات، يستطيع YOLOE تحديد شكلها الدقيق باستخدام تقسيم الكائنات المفردة. ويفيد ذلك بصفة خاصة عندما تتداخل الكائنات أو عندما تحتاج إلى معرفة الحدود الدقيقة لكائن ما.
• التعرف على الكائنات من دون مطالبات: يستطيع YOLOE التعرف على الكائنات حتى من دون تعليمات محددة. ويستخدم مجموعة من الأوصاف المتعلَّمة مسبقًا لتحديد الكائنات بسرعة، مما يجعل العملية أسرع وأكثر كفاءة.

مقارنة YOLOE بنماذج YOLO الأخرى#

بعد أن أصبح لدينا فهم أفضل لماهية YOLOE، لنلقِ نظرة على بعض النماذج المشابهة في عائلة YOLO.

مع تقدم الرؤية الحاسوبية، تطورت نماذج YOLO أيضًا. فعلى سبيل المثال، أضاف Ultralytics YOLOv8 دعمًا لمهام جديدة مثل التقسيم والتصنيف، بينما ركزت الإصدارات اللاحقة، مثل Ultralytics YOLO11، على تحسين الدقة والأداء لمجموعة أوسع من المهام.

كذلك، أُطلق YOLO-World في يناير 2024، وقدم القدرة على استخدام المطالبات المكتوبة، مما يتيح للمستخدمين وصف الكائنات التي يريدون العثور عليها. وعلى الرغم من أن YOLO-World كان خيارًا رائعًا للاكتشاف من دون أمثلة، فإنه افتقر إلى ميزات مثل تقسيم الكائنات المفردة ودعم المطالبات المرئية.

يبني YOLOE على YOLO-World بإضافة هذه الإمكانات، وتحسين المرونة والأداء، وتوفير أداة أكثر تأثيرًا لتطبيقات الرؤية الحاسوبية الواقعية.

الشكل 2. يدعم كل من YOLO-World وYOLOE الاكتشاف من دون أمثلة.

استخدام YOLOE مع حزمة Ultralytics Python#

سواء كنت تريد اكتشاف كائنات محددة أو استكشاف كل ما يظهر في صورة، فإن البدء باستخدام YOLOE بسيط. تدعم حزمة Ultralytics Python هذا النموذج، مما يجعل دمجه في مشاريعك سهلًا. والآن، لنستعرض كيفية استخدامه.

تثبيت حزمة Ultralytics#

تتمثل الخطوة الأولى في تثبيت حزمة Ultralytics Python باستخدام مدير حزم مثل «pip». ويمكنك تنفيذ ذلك بتشغيل الأمر “pip install ultralytics” في الطرفية أو موجه الأوامر.

بمجرد تثبيت الحزمة، ستتوفر لديك كل الأدوات اللازمة لتحميل النموذج، وإجراء التنبؤات، وتجربة أوضاع اكتشاف مختلفة. وإذا واجهت أي مشكلات أثناء التثبيت، فإن وثائق Ultralytics الرسمية توفر قسمًا لاستكشاف الأخطاء وإصلاحها ومفيدًا.

توجد عدة طرق مختلفة لاستخدام YOLOE لإجراء التنبؤات. ويعني إجراء التنبؤات استخدام النموذج المدرَّب لتحديد الكائنات وتحديد مواقعها ضمن الصور أو مقاطع الفيديو. وتتيح لك هذه الطرق المختلفة تخصيص كيفية تفاعلك مع النموذج وفقًا لاحتياجاتك المحددة.

لنناقش كل طريقة من هذه الطرق على حدة.

اكتشاف كائنات محددة باستخدام مطالبات نصية أو صورية#

يستطيع YOLOE اكتشاف الكائنات استنادًا إلى وصف نصي قصير. فعلى سبيل المثال، إذا كنت تبحث عن حصان أثناء الحركة، فيمكنك استخدام مطالبة مثل "حصان يمشي".

للبدء، حمّل أولًا نموذج YOLOE المدرَّب مسبقًا واضبط مطالبتك (وصف ما تريد من النموذج البحث عنه) كما هو موضح في مقتطف التعليمات البرمجية أدناه.

from ultralytics import YOLOE

model = YOLOE("yoloe-11l-seg.pt")
prompt = ["horse walking"]
model.set_classes(prompt, model.get_text_pe(prompt))

بعد ضبط النموذج والمطالبة، يمكنك تشغيل النموذج على صورة أو مقطع فيديو. استبدل مسار الملف في التعليمات البرمجية بمسار ملف الصورة أو الفيديو:

results = model.predict("path/to/your/image.jpg")
results[0].show()

سيعرض ذلك الصورة مع تحديد الكائن المكتشف بوضوح استنادًا إلى مطالبتك. ويمكنك تغيير المطالبة للبحث عن كائنات مختلفة، مثل "حقيبة حمراء" أو "دراجة" أو "حمار وحشي"، بحسب ما تبحث عنه.

الشكل 3. مثال على استخدام YOLOE لاكتشاف كائنات محددة باستخدام مطالبة نصية.

وبالمثل، يمكنك استخدام صورة لتقديم مطالبة إلى YOLOE من خلال حزمة Ultralytics Python. في وضع المطالبة المرئية، يستخدم النموذج الصورة للعثور على عناصر مشابهة المظهر في مشهد آخر. ويفيد ذلك بصفة خاصة للكائنات التي يصعب وصفها أو التي تفتقر إلى تسميات واضحة.

لاستكشاف التعليمات البرمجية بمزيد من التفصيل، يمكنك الاطلاع على وثائق Ultralytics.

اكتشاف الكائنات العام باستخدام YOLOE#

في بعض الحالات، قد لا تعرف بالضبط ما الذي تريد البحث عنه، أو قد لا تبحث عن كائن معين. وهنا يأتي دور الوضع الخالي من المطالبات.

باستخدام هذا الخيار، لا تحتاج إلى كتابة وصف أو توفير صورة مثال. إذ يحلل YOLOE الصور تلقائيًا، ويكتشف كل ما يستطيع التعرف عليه، مثل الأشخاص أو الحيوانات أو الأثاث أو الكائنات اليومية.

وتُعد هذه طريقة مفيدة لاستكشاف مشهد من دون تقديم أي تعليمات محددة للنموذج. وسواء كنت تفحص غرفة مزدحمة أو تراجع تسجيلًا يتضمن قدرًا كبيرًا من النشاط، فإن الوضع الخالي من المطالبات يمنحك نظرة سريعة على العناصر الموجودة في الصورة.

يمكنك استخدام التعليمات البرمجية التالية لتشغيل YOLOE في الوضع الخالي من المطالبات. أولًا، يُحمَّل النموذج، ثم يعالج الصورة ويكتشف الكائنات الموجودة فيها تلقائيًا. وأخيرًا، تُعرض النتائج وتُبرز الكائنات المكتشفة.

احرص على استبدال مسار الملف بالمسار الفعلي لصورتك.

from ultralytics import YOLOE

model = YOLOE("yoloe-11l-seg-pf.pt")
results = model.predict("path/to/image.jpg")
results[0].show()

الصورة الموضحة أدناه مثال على ما يستطيع YOLOE اكتشافه في الوضع الخالي من المطالبات.

الشكل 4. استخدام YOLOE في الوضع الخالي من المطالبات.

تطبيقات YOLOE في الوقت الفعلي#

تجعل قدرة YOLOE على الاستجابة للمطالبات النصية والصورية على حد سواء أداة موثوقة للتطبيقات في الوقت الفعلي. وتفيد مرونته بصفة خاصة في البيئات سريعة الوتيرة التي يكون فيها التوقيت والدقة أمرين أساسيين.

لنستكشف بعض الأمثلة الواقعية على كيفية استخدام YOLOE.

تحسين مناولة الأمتعة: اكتشاف الأمتعة في الوقت الفعلي#

في المطارات المزدحمة، قد يكون تحديد أمتعة معينة أمرًا صعبًا، لا سيما عند التعامل مع الحقائب المفقودة. ويمكن لـ YOLOE تبسيط هذه العملية من خلال المساعدة في فحص مقاطع الفيديو المباشرة وتحديد العناصر بسرعة استنادًا إلى مطالبات بسيطة مثل «حقيبة حمراء».

إذا كانت حقيبة مفقودة أو في غير موضعها، فيمكن للموظفين تغيير المطالبة بسهولة للبحث عن عنصر مختلف، مثل «حقيبة سفر سوداء». ويمكن لهذه القدرة على التكيف الفوري أن تساعد موظفي المطار في العثور بسرعة على الأمتعة الصحيحة من دون مراجعة ساعات طويلة من التسجيلات أو إعادة تدريب النموذج، مما يجعل مناولة الأمتعة وحل مشكلات الأمتعة المفقودة أسرع وأكثر كفاءة بكثير.

مراقبة الأماكن العامة باستخدام YOLOE#

غالبًا ما تتضمن تسجيلات المراقبة للأماكن العامة، مثل الأسواق والمقاهي المزدحمة، مزيجًا من الأشخاص والكائنات والأنشطة التي تتغير على مدار اليوم. ويمكن لـ YOLOE تحليل هذه التسجيلات في الوقت الفعلي باستخدام الوضع الخالي من المطالبات، واكتشاف عناصر مثل الحقائب أو الطاولات أو الدراجات تلقائيًا من دون الحاجة إلى تعليمات محددة.

الشكل 5. يستطيع YOLOE اكتشاف كائنات متنوعة في مكان عام مزدحم.

يفيد ذلك بصفة خاصة لفرق الأمن في رصد العناصر المتروكة من دون مراقبة أو تتبع حركة الحشود. وتجعل قدرة YOLOE على اكتشاف كائنات متعددة في آن واحد إدارة الأماكن العامة أثناء الفعاليات أو فترات الازدحام أسهل، مما يساعد الفرق على البقاء على اطلاع والاستجابة بفعالية.

إيجابيات YOLOE وسلبياته#

فيما يلي بعض الفوائد الرئيسية لاستخدام YOLOE في تطبيقات الرؤية الحاسوبية:

• الأداء في الوقت الفعلي: جرى تحسين YOLOE للمعالجة السريعة والفعالة، مما يتيح الاكتشاف في الوقت الفعلي، حتى في البيئات الديناميكية مثل بثوث الفيديو المباشرة أو الأماكن العامة المزدحمة.
• قابلية التوسع: يتمتع YOLOE بقابلية للتوسع ويعمل بكفاءة في مجموعة واسعة من التطبيقات، بدءًا من الأمن والمراقبة ووصولًا إلى البيع بالتجزئة والرعاية الصحية والمركبات ذاتية القيادة.
• سهولة الاستخدام: بما أن حزمة Ultralytics Python تدعم YOLOE، فمن السهل دمجه في مشاريع الرؤية الحاسوبية الحالية.

ومع ذلك، هناك بعض القيود التي ينبغي وضعها في الاعتبار عند استخدام YOLOE. وفيما يلي عاملان ينبغي مراعاتهما:

• يتطلب بيانات تدريب كافية: رغم أن YOLOE يدعم الاكتشاف من دون أمثلة، فإن أداءه على الكائنات غير المرئية يعتمد على مدى جودة تعميمه انطلاقًا من بيانات التدريب. وفي بعض الحالات، قد يحتاج إلى بيانات إضافية أو إلى ضبط دقيق لتحقيق أداء جيد في المهام المتخصصة للغاية.
• حساس لجودة المدخلات: يمكن أن تتأثر دقة النموذج بالصور أو مقاطع الفيديو منخفضة الجودة. وقد تؤدي المدخلات الضبابية أو ضعيفة الإضاءة إلى تقليل قدرة النموذج على اكتشاف الكائنات بدقة، ولذلك تُعد المدخلات عالية الجودة مهمة لتحقيق الأداء الأمثل.

أهم النقاط المستخلصة#

يمنح YOLOE الرؤية الحاسوبية مزيدًا من المرونة من خلال السماح للمستخدمين بتوجيه الاكتشاف باستخدام مطالبات نصية أو صورية. ويعمل بكفاءة في الحالات الواقعية التي تتغير فيها المشاهد بسرعة ولا يكون إعادة التدريب خيارًا متاحًا.

بدءًا من مناولة الأمتعة ووصولًا إلى مراقبة الأماكن العامة، يتكيف YOLOE بسهولة مع المهام الجديدة. ومع ازدياد سهولة الوصول إلى الذكاء الاصطناعي، تساعد نماذج مثل YOLOE مزيدًا من القطاعات على استخدام تقنيات الرؤية بطرق عملية وفعالة.

انضم إلى مجتمعنا واستكشف مستودع GitHub لدينا لمعرفة المزيد عن ابتكارات الذكاء الاصطناعي. واكتشف أحدث التطورات في مجالات مثل الذكاء الاصطناعي في البيع بالتجزئة والرؤية الحاسوبية في الرعاية الصحية في صفحات الحلول لدينا. اطّلع على خيارات الترخيص وابدأ استخدام الرؤية الحاسوبية اليوم!