ما هو YOLOE؟ الارتقاء بنماذج الرؤية الحاسوبية إلى أبعد من ذلك

يعد اكتشاف الكائنات مهمة رئيسية في الرؤية الحاسوبية، حيث يتمثل الهدف في تحديد وتعيين مواقع الكائنات في الصور أو مقاطع الفيديو. وهو جزء أساسي من الرؤية الحاسوبية، وهو مجال من مجالات الذكاء الاصطناعي (AI) الذي يُمكّن الآلات من فهم وتفسير البيانات المرئية. على سبيل المثال، يمكن لاكتشاف الكائنات المساعدة في تحديد سيارة في صورة أو رصد شخص في بث فيديو.

واحدة من أشهر سلاسل النماذج التي تدعم مهام الرؤية الحاسوبية مثل اكتشاف الكائنات هي سلسلة نماذج YOLO (You Only Look Once). صُممت نماذج YOLO للسرعة والدقة، وقد شهدت تحسينات مستمرة بمرور الوقت. على سبيل المثال، أحد أحدث الإصدارات، Ultralytics YOLO11، يعمل بشكل جيد في المواقف الواقعية، ويقدم نتائج دقيقة حتى في البيئات الأكثر تعقيدًا.

ودفعًا لهذا التقدم إلى الأمام، يهدف نموذج جديد يسمى YOLOE إلى توسيع قدرات نماذج YOLO. على عكس النماذج التقليدية التي تتطلب إعادة تدريب للتعرف على كائنات جديدة، يمكن لـ YOLOE اتباع مطالبات نصية أو صورية بسيطة لاكتشاف كائنات لم ترها من قبل، مما يجعلها أكثر تكيفًا مع البيئات المتغيرة.

في هذه المقالة، سنلقي نظرة فاحصة على ما يجعل YOLOE فريدًا، وكيف يقارن بنماذج YOLO السابقة، وكيف يمكنك البدء في استخدامه اليوم. لنبدأ!

Link to this sectionنظرة عامة على YOLOE#

YOLOE هو نموذج رؤية حاسوبية يأخذ اكتشاف الكائنات خطوة إلى الأمام. تم تقديمه في مارس 2025 من قبل باحثين في جامعة تسينغوا. ما يميز YOLOE عن النماذج التقليدية هو استخدامه للاكتشاف مفتوح المفردات (open-vocabulary detection).

بينما يتم تدريب معظم النماذج للتعرف على قائمة ثابتة من الكائنات، يسمح لك YOLOE بتحديد ما تبحث عنه باستخدام وصف قصير أو صورة مثال. على سبيل المثال، إذا كنت تبحث عن "حقيبة ظهر خضراء"، يمكنك إما كتابة هذا الوصف أو عرض صورة للنموذج، وسيقوم YOLOE بتحديد موقعها داخل المشهد.

بالإضافة إلى ذلك، حتى بدون أي مطالبة، يمكن لـ YOLOE اكتشاف العديد من الكائنات اليومية من تلقاء نفسه. تُسمى هذه القدرة على التعرف على كائنات لم يسبق له رؤيتها من قبل بـ الاكتشاف بدون تدريب مسبق (zero-shot detection). وهي مفيدة بشكل خاص في البيئات الديناميكية حيث قد تتغير المهمة أو الكائنات محل الاهتمام بشكل غير متوقع.

الشكل 1. نظرة على قدرات YOLOE.

Link to this sectionالميزات الرئيسية لـ YOLOE#

يدعم YOLOE مجموعة واسعة من الميزات المصممة لتعزيز أدائه في التطبيقات الواقعية. بفضل قدرته على التعامل مع المدخلات المهيكلة وغير المهيكلة، يفتح YOLOE إمكانيات جديدة لاكتشاف الكائنات وتقسيمها (segmentation).

إليك بعض الميزات الرئيسية التي يقدمها النموذج:

• الاكتشاف المعتمد على المطالبات: يمكن لـ YOLOE البحث عن كائنات بناءً على مطالبة نصية قصيرة أو صورة مثال. هذا يعني أنك لست بحاجة إلى إعادة تدريب النموذج في كل مرة تتغير فيها مهمتك؛ ما عليك سوى وصف أو عرض ما تبحث عنه للنموذج.
• تقسيم النماذج (Instance segmentation): بالإضافة إلى رسم مربعات الإحاطة (BBox) حول الكائنات، يمكن لـ YOLOE تحديد شكلها الدقيق باستخدام تقسيم النماذج. يكون هذا مفيدًا بشكل خاص عندما تتداخل الكائنات أو عندما تحتاج إلى معرفة الحدود الدقيقة للكائن.
• التعرف على الكائنات بدون مطالبات: يمكن لـ YOLOE التعرف على الكائنات حتى بدون تعليمات محددة. فهو يستخدم مجموعة من الأوصاف التي تعلمها مسبقًا لتحديد الكائنات بسرعة، مما يجعل العملية أسرع وأكثر كفاءة.

Link to this sectionمقارنة YOLOE بنماذج YOLO الأخرى#

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

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

أيضًا، تم إصدار YOLO-World في يناير 2024 وقدم القدرة على استخدام مطالبات مكتوبة، مما يتيح للمستخدمين وصف الكائنات التي يريدون العثور عليها. على الرغم من أن YOLO-World كان خيارًا رائعًا للاكتشاف بدون تدريب مسبق، إلا أنه كان يفتقر إلى ميزات مثل تقسيم النماذج ودعم المطالبات المرئية.

يعتمد YOLOE على YOLO-World من خلال إضافة هذه القدرات، مما يحسن المرونة والأداء، ويقدم أداة أكثر تأثيرًا لتطبيقات الرؤية الحاسوبية في العالم الحقيقي.

الشكل 2. يدعم كل من YOLO-World و YOLOE الاكتشاف بدون تدريب مسبق.

Link to this sectionاستخدام YOLOE مع حزمة Ultralytics Python#

سواء كنت ترغب في اكتشاف كائنات معينة أو استكشاف كل شيء في صورة ما، فإن البدء باستخدام YOLOE أمر بسيط. هذا النموذج مدعوم من قبل حزمة Ultralytics Python، مما يسهل دمجه في مشاريعك. بعد ذلك، دعونا نمر عبر كيفية استخدامه.

Link to this sectionتثبيت حزمة Ultralytics#

الخطوة الأولى هي تثبيت حزمة Ultralytics Python باستخدام مدير حزم مثل 'pip'. يمكنك القيام بذلك عن طريق تشغيل الأمر "pip install ultralytics" في Terminal أو موجه الأوامر الخاص بك.

بمجرد تثبيت الحزمة، سيكون لديك كل ما تحتاجه لتحميل النموذج، وإجراء التنبؤات، وتجربة أوضاع اكتشاف مختلفة. إذا واجهت أي مشاكل أثناء التثبيت، فإن وثائق Ultralytics الرسمية تقدم قسم استكشاف الأخطاء وإصلاحها مفيدًا.

هناك بضع طرق مختلفة لاستخدام YOLOE لتشغيل التنبؤات. يعني تشغيل التنبؤات استخدام النموذج المدرب لتحديد وتعيين مواقع الكائنات داخل الصور أو مقاطع الفيديو. تسمح لك هذه الطرق المختلفة بتخصيص كيفية تفاعلك مع النموذج بناءً على احتياجاتك الخاصة.

دعونا نناقش كل طريقة من هذه الطرق، واحدة تلو الأخرى.

Link to this sectionاكتشاف كائنات معينة باستخدام مطالبات نصية أو صورية#

يمكن لـ YOLOE اكتشاف كائنات بناءً على وصف نصي قصير. على سبيل المثال، إذا كنت تبحث عن حصان أثناء الحركة، يمكنك استخدام مطالبة مثل "حصان يمشي".

للبدء، قم أولاً بتحميل نموذج YOLOE المدرب مسبقًا وقم بتعيين مطالبتك (وصف ما تريد أن يبحث عنه النموذج) كما هو موضح في مقتطف الكود أدناه.

from ultralytics import YOLOE

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

بمجرد تعيين النموذج والمطالبة، يمكنك تشغيل النموذج على صورة أو مقطع فيديو. استبدل مسار الملف في الكود بمسار ملف الصورة أو الفيديو الخاص بك:

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

سيعرض هذا الصورة مع تحديد الكائن المكتشف بوضوح بناءً على مطالبتك. يمكنك تغيير المطالبة للبحث عن كائنات مختلفة، مثل "حقيبة حمراء"، أو "دراجة"، أو "حمار وحشي"، اعتمادًا على ما تبحث عنه.

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

وبالمثل، يمكنك استخدام صورة لتوجيه YOLOE باستخدام حزمة Ultralytics Python. في وضع المطالبة المرئية، يستخدم النموذج الصورة للعثور على عناصر متشابهة المظهر في مشهد آخر. هذا مفيد بشكل خاص للكائنات التي يصعب وصفها أو التي تفتقر إلى تسميات واضحة.

لاستكشاف الكود الخاص بذلك بمزيد من التفصيل، يمكنك الاطلاع على وثائق Ultralytics.

Link to this sectionاكتشاف الكائنات العام باستخدام YOLOE#

في بعض الحالات، قد لا تعرف بالضبط ما الذي تبحث عنه، أو قد لا تبحث عن كائن معين. هذا هو المكان الذي يكون فيه وضع بدون مطالبات مفيدًا.

مع هذا الخيار، لست بحاجة إلى كتابة وصف أو تقديم صورة مثال. يقوم YOLOE ببساطة بتحليل الصور من تلقاء نفسه ويكتشف كل ما يمكنه التعرف عليه، مثل الأشخاص، أو الحيوانات، أو الأثاث، أو الكائنات اليومية.

إنها طريقة مفيدة لاستكشاف مشهد دون إعطاء النموذج أي تعليمات محددة. سواء كنت تقوم بمسح غرفة مزدحمة أو مراجعة لقطات بها الكثير من النشاط، يمنحك وضع بدون مطالبات نظرة سريعة على ما هو موجود في الصورة.

يمكنك استخدام الكود التالي لتشغيل YOLOE في وضع بدون مطالبات. أولاً، يتم تحميل النموذج، ثم يقوم بمعالجة الصورة ويكتشف الكائنات الموجودة فيها تلقائيًا. أخيرًا، يتم عرض النتائج، ويتم تمييز الكائنات المكتشفة.

تأكد من 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 المعروضة أدناه هي مثال لما يمكن لـ YOLOE اكتشافه في وضع بدون مطالبات.

الشكل 4. استخدام YOLOE في وضع بدون مطالبات.

Link to this sectionتطبيقات YOLOE في الوقت الفعلي#

تجعل قدرة YOLOE على الاستجابة لكل من المطالبات النصية والصورية منه أداة موثوقة للتطبيقات في الوقت الفعلي. وتعد مرونته مفيدة بشكل خاص في البيئات سريعة الخطى حيث يكون التوقيت والدقة ضروريين.

دعونا نستكشف بعض الأمثلة الواقعية لكيفية استخدام YOLOE.

Link to this sectionتحسين التعامل مع الأمتعة: اكتشاف الأمتعة في الوقت الفعلي#

في المطارات المزدحمة، قد يكون تحديد موقع أمتعة معينة أمرًا صعبًا، خاصة عند التعامل مع الحقائب المفقودة. يمكن لـ YOLOE تبسيط هذه العملية من خلال المساعدة في مسح مقاطع الفيديو الحية وتحديد العناصر بسرعة بناءً على مطالبات بسيطة مثل "حقيبة حمراء".

إذا كانت هناك حقيبة مفقودة أو في غير مكانها، يمكن للموظفين بسهولة تغيير المطالبة للبحث عن عنصر مختلف، مثل "حقيبة سوداء". يمكن لهذه القدرة على التكيف الفوري مساعدة موظفي المطار في تحديد موقع الأمتعة المناسبة بسرعة دون مراجعة ساعات طويلة من اللقطات أو إعادة تدريب النموذج، مما يجعل التعامل مع الأمتعة وحل مشكلات الأمتعة المفقودة أسرع وأكثر كفاءة بكثير.

Link to this sectionمراقبة الأماكن العامة باستخدام YOLOE#

غالبًا ما تتضمن لقطات المراقبة للأماكن العامة، مثل الأسواق والمقاهي المزدحمة، مزيجًا من الأشخاص والكائنات والأنشطة التي تتغير طوال اليوم. يمكن لـ YOLOE تحليل هذه اللقطات في الوقت الفعلي باستخدام وضع بدون مطالبات، واكتشاف عناصر مثل الحقائب أو الطاولات أو الدراجات تلقائيًا دون الحاجة إلى تعليمات محددة.

الشكل 5. يمكن لـ YOLOE اكتشاف كائنات متنوعة في مكان عام مزدحم.

هذا مفيد بشكل خاص لـ فرق الأمن لرصد العناصر المتروكة أو تتبع حركة الحشود. تجعل قدرة YOLOE على اكتشاف كائنات متعددة في وقت واحد من السهل إدارة الأماكن العامة أثناء الفعاليات أو فترات الازدحام، مما يساعد الفرق على البقاء على اطلاع واستجابة.

Link to this sectionإيجابيات وسلبيات YOLOE#

إليك بعض الفوائد الرئيسية لاستخدام YOLOE لتطبيقات الرؤية الحاسوبية:

• أداء في الوقت الفعلي: تم تحسين YOLOE للمعالجة السريعة والفعالة، مما يتيح الاكتشاف في الوقت الفعلي، حتى في البيئات الديناميكية مثل بث الفيديو المباشر أو الأماكن العامة المزدحمة.
• القابلية للتوسع (Scalability): YOLOE قابل للتوسع ويعمل بشكل جيد لمجموعة واسعة من التطبيقات، من الأمن والمراقبة إلى البيع بالتجزئة والرعاية الصحية والمركبات ذاتية القيادة.
• سهل الاستخدام: نظرًا لأن YOLOE مدعوم من حزمة Ultralytics Python، فمن السهل دمجه في مشاريع الرؤية الحاسوبية الحالية لديك.

ومع ذلك، هناك بعض القيود التي يجب وضعها في الاعتبار عند استخدام YOLOE. إليك بعض العوامل التي يجب مراعاتها:

• يتطلب بيانات تدريب كافية: على الرغم من أن YOLOE يدعم الاكتشاف بدون تدريب مسبق، إلا أن أدائه على الكائنات غير المرئية يعتمد على مدى جودة تعميمه من بيانات التدريب الخاصة به. في بعض الحالات، قد يحتاج إلى بيانات إضافية أو ضبط دقيق (fine-tuning) للأداء الجيد في المهام عالية التخصص.
• حساس لجودة المدخلات: يمكن أن تتأثر دقة النموذج بالصور أو مقاطع الفيديو منخفضة الجودة. يمكن أن تقلل المدخلات الضبابية أو ضعيفة الإضاءة من قدرة النموذج على اكتشاف الكائنات بدقة، لذا فإن المدخلات عالية الجودة مهمة لتحقيق الأداء الأمثل.

Link to this sectionأبرز النقاط#

يوفر YOLOE مزيدًا من المرونة للرؤية الحاسوبية من خلال السماح للمستخدمين بتوجيه الاكتشاف بمطالبات نصية أو صورية. إنه يعمل بشكل جيد في المواقف الواقعية حيث تتغير المشاهد بسرعة، ولا تكون إعادة التدريب خيارًا متاحًا.

من التعامل مع الأمتعة إلى مراقبة الأماكن العامة، يتكيف YOLOE مع المهام الجديدة بسهولة. مع تزايد سهولة الوصول إلى الذكاء الاصطناعي، تساعد نماذج مثل YOLOE المزيد من الصناعات على استخدام تكنولوجيا الرؤية بطرق عملية وفعالة.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول ابتكارات الذكاء الاصطناعي. اكتشف أحدث التطورات في مجالات مثل الذكاء الاصطناعي في البيع بالتجزئة والرؤية الحاسوبية في الرعاية الصحية على صفحات الحلول الخاصة بنا. تحقق من خيارات الترخيص لدينا وابدأ في استخدام الرؤية الحاسوبية اليوم!