من خلال دمج نماذج Ultralytics YOLO في محرّك Pixelabs للذكاء الاصطناعي، تمكّنت Pixelabs من أتمتة سير العمل المرئي. فعلى سبيل المثال، حسّن ذلك اتساق تحديد المؤشرات في تصوير شبكية العين للكشف المبكر عن مرض ألزهايمر، إذ وصل معدل الاسترجاع إلى 95%.
لا تزال العديد من عمليات سير العمل الصناعية والتشغيلية والبحثية تعتمد اليوم على مراجعة الأشخاص للصور يدويًا للتحقق من العمليات أو رصد الأنماط. ومع تزايد البيانات، تصبح هذه العملية سريعًا بطيئة وغير متسقة وصعبة التوسّع.
وينطبق ذلك بصفة خاصة على البيئات البحثية، مثل تصوير شبكية العين للكشف المبكر عن مرض ألزهايمر، حيث قد يكون تحديد المؤشرات الصغيرة في الصور صعبًا ويستغرق وقتًا طويلًا.
تساعد Pixelabs على حل هذه المشكلة باستخدام محرّك Pixelabs للذكاء الاصطناعي، وهو منصة للذكاء الاصطناعي المرئي مصممة لتحليل الصور والفيديو في الوقت الفعلي. وباستخدام نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، تسهّل المنصة أتمتة سير العمل المرئي وتحسين الاتساق وتوسيع نطاق التحليل.
تطبيق الرؤية الحاسوبية لأتمتة سير العمل في العالم الحقيقي#
تطوّر Pixelabs حلولًا للذكاء الاصطناعي المرئي تمكّن الشركات من أتمتة العمليات الحالية وتحسينها باستخدام الرؤية الحاسوبية. وتقع الشركة في مدريد، ولها مكاتب في برشلونة والمملكة المتحدة، وتركّز على بناء أدوات عملية للذكاء الاصطناعي يمكن تطبيقها في مختلف القطاعات.
وعلى وجه الخصوص، تتيح منصتها، محرّك Pixelabs للذكاء الاصطناعي، تحليل الصور والفيديو في الوقت الفعلي لمهام مثل اكتشاف الأجسام وتحديد العيوب وتحليل الأسطح والتعرّف الضوئي على الأحرف (OCR). وتمكّن هذه القدرات المستخدمين من معالجة البيانات المرئية بكفاءة أكبر وتقليل الاعتماد على المراجعة اليدوية.
صُممت المنصة للتكامل مع الأنظمة الحالية، مما يسهّل على المؤسسات اعتماد الرؤية الحاسوبية دون تعطيل العمليات. وتتيح هذه المرونة لـ Pixelabs دعم مجموعة واسعة من حالات الاستخدام وتوسيع نطاق الحلول مع نمو المتطلبات.
تحديات دمج الرؤية الحاسوبية وتوسيع نطاقها#
في العديد من القطاعات، لا تزال العمليات اليومية تعتمد على سير العمل اليدوي والأتمتة المحدودة. فكثيرًا ما يراجع المشغّلون والمهندسون والباحثون الصور يدويًا، ويتحققون من النتائج، ويديرون البيانات عبر أدوات متعددة.
وهذا يجعل العمليات أبطأ وأصعب في التوحيد وأكثر عرضة لعدم الاتساق، ولا سيما مع زيادة أحجام البيانات. وحتى عندما تتطلع المؤسسات إلى إدخال الرؤية الحاسوبية، لا يكون الانتقال إليها سهلًا دائمًا.
قد يتطلب دمج الذكاء الاصطناعي في الأنظمة الحالية إجراء تغييرات على سير العمل الراسخ، أو توفير بنية تحتية جديدة، أو بذل جهود هندسية إضافية. ولذلك يصعب توسيع نطاق العديد من الحلول أو صيانتها بمرور الوقت.
فعلى سبيل المثال، تصبح هذه التحديات أكثر تعقيدًا في البيئات البحثية، مثل تصوير شبكية العين للكشف المبكر عن مرض ألزهايمر. إذ يحتاج الباحثون إلى اكتشاف سمات صغيرة جدًا، وإدارة مجموعات كبيرة من الصور، وضمان بقاء النتائج متسقة في ظل ظروف مختلفة.
الشكل 1. مثال على صورة لتصوير شبكية عين فأر.
ومن دون طريقة مبسطة للتعامل مع التحليل وإدارة البيانات والمخرجات، يصبح توسيع نطاق سير العمل هذا والحفاظ على نتائج موثوقة أمرًا صعبًا.
أتمتة تحليل صور شبكية العين باستخدام نماذج Ultralytics YOLO#
واجهت Pixelabs هذه التحديات من خلال دمج نماذج Ultralytics YOLO في محرّك Pixelabs للذكاء الاصطناعي. وتعمل المنصة بمثابة جوهر حلولها للذكاء الاصطناعي المرئي، مما يجعل تشغيل تحليل الصور والفيديو في الوقت الفعلي عبر تطبيقات مختلفة أكثر سلاسة، دون تعطيل سير العمل الحالي.
وهي تدعم مجموعة من المهام، بما في ذلك اكتشاف الأجسام والعيوب، وتحليل الأسطح والأنسجة، وإدارة الألوان، وOCR. وبما أنها مستقلة عن العتاد ومصممة للتكامل عبر واجهات API، فيمكن نشرها في بيئات مختلفة وتوسيع نطاقها.
طُبّق هذا النهج في تعاون حديث مع فريق أبحاث ألزهايمر في CIBIR، حيث طوّرت Pixelabs نظامًا لدعم الكشف المبكر عن مرض ألزهايمر لدى الفئران باستخدام تصوير شبكية العين. وكان الهدف تحديد مؤشرات صغيرة، مثل ترسّبات أميلويد بيتا، التي قد تشير إلى المراحل المبكرة من المرض.
ولتحقيق ذلك، أنشأت Pixelabs سير عمل يربط بين تخزين البيانات ومعالجة الصور وواجهة المستخدم. وتُنقل صور شبكية العين، الملتقطة باستخدام أجهزة تصوير قاع العين المخصصة للمختبر، أولًا عبر بروتوكول نقل الملفات الآمن (SFTP) وتُخزَّن في نظام مركزي، مما يسهّل إدارة مجموعات البيانات الكبيرة والوصول إليها.
ولضمان اتساق النتائج، تُطبَّق بعد ذلك خطوات المعالجة المسبقة للتعامل مع الاختلافات في جودة الصور والإضاءة. ويساعد ذلك النظام على الحفاظ على الدقة عبر عينات وظروف مختلفة.
ثم تُحلَّل الصور باستخدام نماذج الذكاء الاصطناعي للرؤية، بما في ذلك نماذج Ultralytics YOLOv8 المدرَّبة تدريبًا مخصصًا. وتُستخدم الإصدارات المتوسطة والكبيرة من YOLOv8 لتحقيق توازن بين الأداء والدقة.
ضمن خط المعالجة هذا، تُستخدم نماذج Ultralytics YOLO في اكتشاف الأجسام وتصنيف الصور لتحديد مناطق الاهتمام الصغيرة وتحديد مواقعها، مثل ترسّبات أميلويد بيتا، مباشرةً داخل صور شبكية العين.
الشكل 2. يمكن لنماذج الرؤية الحاسوبية، مثل Ultralytics YOLOv8، المساعدة في اكتشاف ترسّبات أميلويد بيتا.
وأخيرًا، تُعرض النتائج من خلال منصة قائمة على الويب، حيث يمكن للمستخدمين تحميل الصور، وتصفية البيانات حسب سمات مثل العمر أو الجنس أو النمط الظاهري، وعرض السمات المكتشفة إلى جانب درجات الثقة. ويسهّل ذلك الانتقال من بيانات الصور الخام إلى رؤى واضحة قابلة للاستخدام.
لماذا اختيار نماذج Ultralytics YOLO؟#
بالنسبة إلى Pixelabs، كانت نماذج Ultralytics YOLO ملائمة تمامًا، إذ وفّرت أساسًا عمليًا ومرنًا لبناء حلول الرؤية الحاسوبية التي يمكن تكييفها بسرعة مع حالات الاستخدام المختلفة. كما يسهل تدريبها وتحسينها، مما يتيح للفريق التكرار بوتيرة أسرع والاستجابة للمتطلبات الجديدة دون الحاجة إلى إعادة تصميم النظام.
كان لهذه المرونة تأثير مباشر في سرعة التطوير. فمن خلال الاستفادة من YOLO، تمكّنت Pixelabs من تسريع دورات التطوير وإيصال الحلول إلى مرحلة الإنتاج بسرعة أكبر، مما قلّل مدة طرح التطبيقات الجديدة في السوق. وفي الوقت نفسه، قدّمت النماذج نتائج أكثر دقة واتساقًا.
تقديم معدل استرجاع يصل إلى 95% مع تحسين الكفاءة#
أدى دمج نماذج Ultralytics YOLO في محرّك Pixelabs للذكاء الاصطناعي إلى تحسينات واضحة في أداء التحليل. وفي حالة استخدام أبحاث ألزهايمر، حقق النظام معدلات استرجاع بلغت نحو 90%، وارتفعت إلى 95% مع تقدّم المرض وزيادة وضوح المؤشرات.
وقد أتاح ذلك للباحثين اكتشاف السمات الصغيرة، مثل ترسّبات أميلويد بيتا، بموثوقية أكبر عبر مجموعات كبيرة من الصور. ونتيجة لذلك، أصبح التحليل أكثر اتساقًا، مما قلّل التباين وساعد على ضمان عدم إغفال المؤشرات المهمة.
وبعيدًا عن حالة الاستخدام هذه، تلقت Pixelabs أيضًا ملاحظات إيجابية باستمرار من العملاء الذين يستخدمون حلولها في تطبيقات مختلفة. ويشير المستخدمون إلى تحسّن طريقة تنفيذ العمليات، ولا سيما من حيث الكفاءة والموثوقية.
ويختلف التأثير باختلاف حالة الاستخدام المحددة، مما يعكس مرونة المنصة وقدرتها على التكيف مع الاحتياجات التشغيلية المختلفة. وبوجه عام، سهّلت هذه التحسينات إدارة البيانات المرئية وتحليلها على نطاق واسع، ودعمت نتائج أكثر موثوقية وسير عمل أكثر كفاءة.
الارتقاء بالذكاء الاصطناعي المرئي عبر القطاعات#
تواصل Pixelabs توسيع قدرات منصتها للذكاء الاصطناعي المرئي لتشمل حالات استخدام وقطاعات جديدة. واستنادًا إلى عملها في التطبيقات البحثية، مثل الكشف عن مرض ألزهايمر، يركّز الفريق على تحسين نماذجه والارتقاء بتحليل البيانات المرئية باستخدام تقنيات مثل نماذج Ultralytics YOLO.
ومن خلال التحسين المستمر لتقنيتها، تهدف Pixelabs إلى مساعدة المؤسسات على أتمتة العمليات بفعالية أكبر وتطبيق الرؤية الحاسوبية على نطاق أوسع من عمليات سير العمل في العالم الحقيقي.
هل ترغب في تبسيط سير العمل في شركتك؟ اطّلع على مستودع GitHub لدينا لمعرفة المزيد عن الذكاء الاصطناعي للرؤية. واستكشف كيف تدفع نماذج YOLO الابتكارات في مجالات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع التجزئة. وللتعرّف عمليًا على YOLO، اكتشف كيف يمكن أن تدعم خيارات الترخيص لدينا مشروعك.
