ما YOLOE؟ الارتقاء بنماذج الرؤية الحاسوبية إلى آفاق جديدة

يُعد اكتشاف الأجسام مهمة أساسية في الرؤية الحاسوبية، وتهدف إلى تحديد الأجسام وتعيين مواقعها في الصور أو مقاطع الفيديو. وهو جزء بالغ الأهمية من الرؤية الحاسوبية، وهي مجال من مجالات الذكاء الاصطناعي (AI) يمكّن الآلات من فهم البيانات المرئية وتفسيرها. على سبيل المثال، يمكن لاكتشاف الأجسام أن يساعد في تحديد سيارة في صورة أو رصد شخص في بث فيديو.

من أشهر سلاسل النماذج التي تدعم مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام، سلسلة نماذج YOLO (أنت تنظر مرة واحدة). وقد صُممت نماذج YOLO لتكون سريعة ودقيقة، وشهدت تحسنًا مستمرًا بمرور الوقت. فعلى سبيل المثال، يحقق Ultralytics YOLO11 (الذي خلفه الآن Ultralytics YOLO26) أداءً جيدًا في مواقف العالم الحقيقي، ويقدم نتائج دقيقة حتى في البيئات الأكثر تعقيدًا.

وانطلاقًا من هذا التقدم، يهدف نموذج جديد يُدعى YOLOE إلى توسيع قدرات نماذج YOLO. فعلى عكس النماذج التقليدية التي تتطلب إعادة التدريب للتعرف على أجسام جديدة، يستطيع YOLOE اتباع مطالبات نصية بسيطة أو مطالبات بصور لاكتشاف أجسام لم يسبق له رؤيتها، ما يجعله أكثر قدرة على التكيف مع البيئات المتغيرة.

في هذه المقالة، سنلقي نظرة عن كثب على ما الذي يجعل YOLOE فريدًا، وكيف يقارن بنماذج YOLO السابقة، وكيف يمكنك البدء باستخدامه اليوم.

لمحة عامة عن YOLOE#

YOLOE نموذج للرؤية الحاسوبية يرتقي بمهمة اكتشاف الأجسام إلى مستوى أبعد. وقد طرحه باحثون في جامعة تسينغهوا في مارس 2025. وما يميز YOLOE عن النماذج التقليدية هو استخدامه للاكتشاف ذي المفردات المفتوحة.

في حين تُدرَّب معظم النماذج على التعرف على قائمة ثابتة من الأجسام، يتيح لك YOLOE تحديد ما تبحث عنه باستخدام وصف موجز أو صورة نموذجية. على سبيل المثال، إذا كنت تبحث عن «حقيبة ظهر خضراء»، فيمكنك كتابة هذا الوصف أو عرض صورة على النموذج، وسيحدد YOLOE موقعها داخل المشهد.

إضافة إلى ذلك، يستطيع YOLOE اكتشاف العديد من الأجسام اليومية بنفسه حتى من دون أي مطالبة. وتُسمى هذه القدرة على التعرف على أجسام لم يسبق له رؤيتها الاكتشاف دون أمثلة (zero-shot). وهي مفيدة بوجه خاص في البيئات الديناميكية التي قد تتغير فيها المهمة أو الأجسام موضع الاهتمام على نحو غير متوقع.

الشكل 1. لمحة عن إمكانات YOLOE.

الميزات الرئيسية في YOLOE#

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

فيما يلي بعض الميزات الرئيسية التي يقدمها النموذج:

• الاكتشاف القائم على المطالبات: يستطيع YOLOE البحث عن أجسام استنادًا إلى مطالبة نصية موجزة أو صورة نموذجية. وهذا يعني أنك لست بحاجة إلى إعادة تدريب النموذج كلما تغيرت مهمتك؛ ما عليك سوى وصف ما تبحث عنه أو عرضه على النموذج.
• تجزئة المثيلات: بالإضافة إلى رسم مربعات إحاطة حول الأجسام، يستطيع YOLOE تحديد مخططها الدقيق باستخدام تجزئة المثيلات. يفيد ذلك خصوصًا عندما تتداخل الأجسام أو عندما تحتاج إلى معرفة الحدود الدقيقة لجسم ما.
• التعرّف على الأجسام دون مطالبات: يستطيع YOLOE التعرف على الأجسام حتى دون تعليمات محددة. ويستخدم مجموعة من الأوصاف التي تعلّمها مسبقًا للتعرف على الأجسام بسرعة، ما يجعل العملية أسرع وأكثر كفاءة.

مقارنة YOLOE بنماذج YOLO الأخرى#

بعد أن كوّنا فهمًا أفضل لماهية YOLOE، لنلقِ نظرة على بعض النماذج المشابهة ضمن عائلة YOLO.

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

كذلك، أُطلق YOLO-World في يناير 2024، وقدم إمكانية استخدام المطالبات النصية، ما يتيح للمستخدمين وصف الأجسام التي يريدون العثور عليها. وعلى الرغم من أن YOLO-World كان خيارًا رائعًا للاكتشاف دون أمثلة، فإنه افتقر إلى ميزات مثل تقسيم المثيلات ودعم المطالبات المرئية.

يعتمد YOLOE على YOLO-World بإضافة هذه القدرات، ما يحسن المرونة والأداء، ويوفر أداة أكثر تأثيرًا لتطبيقات الرؤية الحاسوبية في العالم الحقيقي. لمعرفة كيفية مقارنة الكواشف ذات المفردات المفتوحة ونماذج اللغة والرؤية على مجموعات بيانات الكشف الواقعية، تفضل بزيارة لوحة متصدرّي Ultralytics VLM.

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

استخدام YOLOE مع حزمة Python من Ultralytics#

سواء أردت اكتشاف أجسام محددة أم استكشاف كل ما يظهر في صورة، فمن السهل البدء باستخدام YOLOE. تدعم حزمة Python من Ultralytics هذا النموذج، ما يسهل دمجه في مشاريعك. والآن، لنتعرف خطوة بخطوة على كيفية استخدامه.

تثبيت حزمة Ultralytics#

الخطوة الأولى هي تثبيت حزمة Ultralytics Python باستخدام مدير حزم مثل pip. يمكنك القيام بذلك بتشغيل pip install ultralytics في الطرفية أو موجه الأوامر.

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

توجد عدة طرق لاستخدام YOLOE لإجراء التنبؤات. ويعني إجراء التنبؤات استخدام النموذج المدرَّب لتحديد الأجسام وتعيين مواقعها ضمن الصور أو مقاطع الفيديو. وتتيح لك هذه الطرق المختلفة تخصيص أسلوب التفاعل مع النموذج بحسب احتياجاتك المحددة.

لنتناول كل طريقة من هذه الطرق على حدة.

اكتشاف أجسام محددة باستخدام مطالبات نصية أو صورية#

يستطيع YOLOE اكتشاف الأجسام استنادًا إلى وصف نصي موجز. على سبيل المثال، إذا كنت تبحث عن حصان يتحرك، فيمكنك استخدام مطالبة مثل «حصان يمشي».

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

from ultralytics import YOLOE

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

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

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

سيعرض ذلك الصورة مع تحديد الجسم المكتشف بوضوح استنادًا إلى مطالبتك. ويمكنك تغيير المطالبة للبحث عن أجسام مختلفة، مثل «حقيبة سفر حمراء» أو «دراجة» أو «حمار وحشي»، بحسب ما تبحث عنه.

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

وبالمثل، يمكنك استخدام صورة لتقديم مطالبة إلى YOLOE باستخدام حزمة Python من Ultralytics. في وضع المطالبات المرئية، يستخدم النموذج الصورة للعثور على عناصر مشابهة في مشهد آخر. وهذا مفيد بوجه خاص للأجسام التي يصعب وصفها أو التي تفتقر إلى تسميات واضحة.

للاطلاع على الشيفرة بمزيد من التفصيل، يمكنك مراجعة وثائق Ultralytics.

اكتشاف الأجسام عمومًا باستخدام YOLOE#

قد لا تعرف في بعض الحالات ما الذي تبحث عنه تحديدًا، أو قد لا تبحث عن جسم بعينه. وهنا يكون وضع العمل دون مطالبات مفيدًا.

باستخدام هذا الخيار، لن تحتاج إلى كتابة وصف أو تقديم صورة نموذجية. إذ يحلل YOLOE الصور بنفسه ويكتشف كل ما يستطيع التعرف عليه، مثل الأشخاص والحيوانات والأثاث والأجسام اليومية.

هذه طريقة مفيدة لاستكشاف مشهد دون إعطاء النموذج أي تعليمات محددة. سواء أكنت تفحص غرفة مزدحمة أم تراجع لقطات مليئة بالنشاط، يمنحك وضع العمل دون مطالبات نظرة سريعة إلى ما يظهر في الصورة.

يمكنك استخدام الشيفرة التالية لتشغيل YOLOE في وضع العمل دون مطالبات. أولًا، يُحمَّل النموذج، ثم يعالج الصورة ويكتشف الأجسام الموجودة فيها تلقائيًا. وأخيرًا، تُعرض النتائج مع إبراز الأجسام المكتشفة.

احرص على استبدال مسار الملف بالمسار الفعلي إلى صورتك.

from ultralytics import YOLOE

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

الصورة أدناه مثال على ما يستطيع YOLOE اكتشافه في وضع العمل دون مطالبات.

الشكل 4. استخدام YOLOE في وضع العمل دون مطالبات.

التطبيقات الآنية لـ YOLOE#

تجعل قدرة YOLOE على الاستجابة للمطالبات النصية والصورية منه أداة موثوقة للتطبيقات الآنية. وتفيد مرونته بوجه خاص في البيئات سريعة الوتيرة التي يكون فيها التوقيت والدقة أساسيين.

لنستعرض بعض الأمثلة الواقعية على كيفية استخدام YOLOE.

تحسين مناولة الأمتعة: اكتشاف الأمتعة آنيًا#

قد يكون العثور على أمتعة محددة أمرًا صعبًا في المطارات المزدحمة، ولا سيما عند التعامل مع الحقائب المفقودة. ويمكن لـ YOLOE تبسيط هذه العملية بالمساعدة في فحص مقاطع الفيديو المباشرة والتعرف سريعًا على العناصر استنادًا إلى مطالبات بسيطة مثل «حقيبة حمراء».

إذا فُقدت حقيبة أو وُضعت في غير مكانها، يمكن للموظفين تغيير المطالبة بسهولة للبحث عن عنصر مختلف، مثل «حقيبة سفر سوداء». ويمكن لهذه القدرة على التكيف الفوري أن تساعد موظفي المطار في العثور سريعًا على الأمتعة المطلوبة دون مراجعة ساعات طويلة من التسجيلات أو إعادة تدريب النموذج، ما يجعل مناولة الأمتعة ومعالجة مشكلاتها أسرع وأكثر كفاءة.

مراقبة الأماكن العامة باستخدام YOLOE#

غالبًا ما تتضمن تسجيلات المراقبة للأماكن العامة، مثل الأسواق والمقاهي المزدحمة، مزيجًا من الأشخاص والأجسام والأنشطة التي تتغير على مدار اليوم. يستطيع YOLOE تحليل هذه التسجيلات آنيًا باستخدام وضع العمل دون مطالبات، واكتشاف عناصر مثل الحقائب والطاولات والدراجات تلقائيًا دون الحاجة إلى تعليمات محددة.

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

ويفيد ذلك بوجه خاص فرق الأمن في رصد الأغراض المتروكة دون مراقبة أو تتبع حركة الحشود. وتجعل قدرة YOLOE على اكتشاف أجسام متعددة في آن واحد إدارة الأماكن العامة أثناء الفعاليات أو فترات الازدحام أسهل، وتساعد الفرق على البقاء مطّلعة وسريعة الاستجابة.

مزايا YOLOE وعيوبه#

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

• الأداء الآني: حُسّن YOLOE لمعالجة سريعة وفعالة، ما يتيح الاكتشاف الآني حتى في البيئات الديناميكية، مثل بث الفيديو المباشر أو الأماكن العامة المزدحمة.
• قابلية التوسع: يتميز YOLOE بقابلية التوسع ويعمل بكفاءة في مجموعة واسعة من التطبيقات، من الأمن والمراقبة إلى البيع بالتجزئة والرعاية الصحية والمركبات ذاتية القيادة.
• سهولة الاستخدام: بما أن حزمة Python من Ultralytics تدعم YOLOE، فمن السهل دمجه في مشاريع الرؤية الحاسوبية الحالية لديك.

ومع ذلك، توجد بعض القيود التي ينبغي مراعاتها عند استخدام YOLOE. إليك بعض العوامل التي يجدر أخذها في الحسبان:

• يتطلب بيانات تدريب كافية: على الرغم من أن YOLOE يدعم الاكتشاف دون أمثلة، فإن أداءه مع الأجسام غير المرئية يعتمد على مدى قدرته على التعميم انطلاقًا من بيانات التدريب. وقد يحتاج في بعض الحالات إلى بيانات إضافية أو ضبط دقيق ليؤدي جيدًا في المهام المتخصصة للغاية.
• يتأثر بجودة المدخلات: قد تتأثر دقة النموذج بالصور أو مقاطع الفيديو منخفضة الجودة. فالمدخلات الضبابية أو ضعيفة الإضاءة قد تقلل من قدرة النموذج على اكتشاف الأجسام بدقة، لذا تُعد المدخلات عالية الجودة مهمة لتحقيق الأداء الأمثل.

أبرز النقاط#

يمنح YOLOE الرؤية الحاسوبية مزيدًا من المرونة، إذ يتيح للمستخدمين توجيه عملية الاكتشاف باستخدام مطالبات نصية أو صورية. ويعمل جيدًا في مواقف العالم الحقيقي التي تتغير فيها المشاهد بسرعة، ولا يكون فيها إعادة التدريب خيارًا متاحًا.

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

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعرف على المزيد من ابتكارات الذكاء الاصطناعي. اكتشف أحدث التطورات في مجالات مثل الذكاء الاصطناعي في البيع بالتجزئة والرؤية الحاسوبية في الرعاية الصحية عبر صفحات حلولنا. اطّلع على خيارات الترخيص وابدأ استخدام الرؤية الحاسوبية اليوم!