تحقق Pixelabs معدل استرجاع 95% بفضل الأتمتة المعتمدة على Ultralytics YOLO
تعرف على كيفية استفادة Pixelabs من نماذج Ultralytics YOLO لأتمتة سير العمل وتحقيق معدل استرجاع بنسبة 95%.
Problem
سعت Pixelabs إلى أتمتة سير العمل المرئي الذي لا يزال يعتمد على الفحص اليدوي. فهذه العمليات تستهلك الوقت، وتفتقر إلى الاتساق، ويصعب توسيع نطاقها، خاصة في حالات الاستخدام مثل تصوير الشبكية للكشف المبكر عن مرض ألزهايمر.
Solution
من خلال دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine، تمكنت Pixelabs من أتمتة سير العمل المرئي. على سبيل المثال، في تصوير الشبكية للكشف المبكر عن مرض ألزهايمر، أدى ذلك إلى تحسين اتساق تحديد المؤشرات، مع وصول معدل الاسترجاع إلى 95%.
لا تزال العديد من سير العمل الصناعية والتشغيلية والبحثية اليوم تعتمد على مراجعة البشر للصور يدويًا للتحقق من العمليات أو رصد الأنماط. ومع نمو البيانات، يصبح هذا الأمر بطيئًا وغير متسق ويصعب توسيع نطاقه بسرعة.
هذا صحيح بشكل خاص في بيئات البحث مثل تصوير الشبكية للكشف المبكر عن مرض ألزهايمر، حيث يمكن أن يكون تحديد المؤشرات الصغيرة في الصور أمرًا صعبًا ويستغرق وقتًا طويلاً.
Pixelabs تساعد في حل هذا الأمر من خلال Pixelabs AI-Engine، وهي منصة ذكاء اصطناعي مرئي مصممة لتحليل الصور والفيديو في الوقت الفعلي. باستخدام نماذج الرؤية الحاسوبية مثل نماذج Ultralytics YOLO، تجعل المنصة من السهل أتمتة سير العمل المرئي وتحسين الاتساق وتوسيع نطاق التحليل.
Link to this sectionتطبيق الرؤية الحاسوبية لأتمتة سير العمل في العالم الحقيقي#
تطور Pixelabs حلول ذكاء اصطناعي مرئي تمكن الشركات من أتمتة العمليات القائمة وتحسينها باستخدام الرؤية الحاسوبية. تركز الشركة، التي تتخذ من مدريد مقرًا لها ولها مكاتب في برشلونة والمملكة المتحدة، على بناء أدوات ذكاء اصطناعي عملية يمكن تطبيقها في مختلف الصناعات.
وعلى وجه الخصوص، تمكّن منصتها Pixelabs AI-Engine من تحليل الصور والفيديو في الوقت الفعلي لمهام مثل اكتشاف الأشياء، وتحديد العيوب، وتحليل الأسطح، والتعرف الضوئي على الحروف (OCR). تسمح هذه القدرات للمستخدمين بمعالجة البيانات المرئية بكفاءة أكبر وتقليل الاعتماد على المراجعة اليدوية.
تم تصميم المنصة لتندمج في الأنظمة الحالية، مما يسهل على المؤسسات تبني الرؤية الحاسوبية دون تعطيل العمليات. تسمح هذه المرونة لـ Pixelabs بدعم مجموعة واسعة من حالات الاستخدام وتوسيع نطاق الحلول مع نمو المتطلبات.
Link to this sectionتحديات دمج وتوسيع نطاق الرؤية الحاسوبية#
في العديد من الصناعات، لا تزال العمليات اليومية تعتمد على سير عمل يدوي وأتمتة محدودة. وغالبًا ما يقوم المشغلون والمهندسون والباحثون بمراجعة الصور يدويًا، والتحقق من النتائج، وإدارة البيانات عبر أدوات متعددة.
وهذا يجعل العمليات أبطأ، وأصعب في التقييس، وأكثر عرضة لعدم الاتساق، خاصة مع زيادة أحجام البيانات. وحتى عندما تتطلع المؤسسات إلى إدخال الرؤية الحاسوبية، فإن الانتقال ليس دائمًا مباشرًا.
يمكن أن يتطلب دمج الذكاء الاصطناعي في الأنظمة الحالية تغييرات في سير العمل القائم، أو بنية تحتية جديدة، أو جهدًا هندسيًا إضافيًا. ولهذا السبب يصعب توسيع نطاق العديد من الحلول أو صيانتها بمرور الوقت.
على سبيل المثال، في بيئات البحث مثل تصوير الشبكية للكشف المبكر عن مرض ألزهايمر، تصبح هذه التحديات أكثر تعقيدًا. يحتاج الباحثون إلى اكتشاف ميزات صغيرة جدًا، وإدارة مجموعات بيانات صور كبيرة، وضمان بقاء النتائج متسقة عبر ظروف مختلفة.
الشكل 1. صورة توضيحية لتصوير شبكية عين فأر.
بدون طريقة مبسطة للتعامل مع التحليل وإدارة البيانات والمخرجات، يصبح من الصعب توسيع نطاق سير العمل هذا والحفاظ على نتائج موثوقة.
Link to this sectionأتمتة تحليل صور الشبكية باستخدام نماذج Ultralytics YOLO#
تعاملت Pixelabs مع هذه التحديات من خلال دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine. تعمل المنصة كأساس لحلول الذكاء الاصطناعي المرئي الخاصة بها، 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 الأشياء والعيوب، وتحليل السطح والملمس، وإدارة الألوان، والتعرف الضوئي على الحروف (OCR). ونظرًا لأنها مستقلة عن الأجهزة ومصممة للتكامل عبر APIs، فيمكن نشرها عبر بيئات مختلفة وتوسيع نطاقها.
تم تطبيق هذا النهج في تعاون حديث مع فريق أبحاث ألزهايمر في CIBIR، حيث طورت Pixelabs نظامًا لدعم الكشف المبكر عن مرض ألزهايمر لدى الفئران باستخدام تصوير الشبكية. كان الهدف هو تحديد مؤشرات صغيرة، مثل ترسبات الأميلويد بيتا، التي يمكن أن تشير إلى المراحل المبكرة من المرض.
للقيام بذلك، قامت Pixelabs ببناء سير عمل يربط تخزين البيانات، ومعالجة الصور، وواجهة مستخدم. يتم نقل صور الشبكية، التي يتم التقاطها باستخدام أجهزة تصوير قاع العين الخاصة بالمختبر، أولاً عبر بروتوكول نقل الملفات الآمن (SFTP) وتخزينها في نظام مركزي، مما يسهل إدارة مجموعات البيانات الكبيرة والوصول إليها.
لضمان نتائج متسقة، يتم تطبيق خطوات المعالجة المسبقة للتعامل مع الاختلافات في جودة الصورة والإضاءة. يساعد هذا النظام في الحفاظ على الدقة عبر عينات وظروف مختلفة.
يتم بعد ذلك تحليل الصور باستخدام نماذج ذكاء اصطناعي للرؤية، بما في ذلك نماذج Ultralytics YOLOv8 المدربة خصيصًا. تُستخدم الإصدارات المتوسطة والكبيرة من YOLOv8 للموازنة بين الأداء والدقة.
ضمن خط العمل هذا، تُستخدم نماذج Ultralytics YOLO لـ اكتشاف الأشياء وتصنيف الصور لتحديد وتوطين مناطق الاهتمام الصغيرة، مثل ترسبات الأميلويد بيتا، مباشرة داخل صور الشبكية.
الشكل 2. يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 المساعدة في اكتشاف ترسبات الأميلويد بيتا.
أخيرًا، يتم عرض النتائج من خلال منصة قائمة على الويب، حيث يمكن للمستخدمين تحميل الصور، وتصفية البيانات حسب السمات مثل العمر أو الجنس أو النمط الظاهري، وعرض الميزات المكتشفة مع درجات الثقة. وهذا يجعل الانتقال من بيانات الصور الخام إلى رؤى واضحة وقابلة للاستخدام أكثر بساطة.
Link to this sectionلماذا تختار نماذج Ultralytics YOLO؟#
بالنسبة لـ Pixelabs، كانت نماذج Ultralytics YOLO خيارًا مثاليًا، حيث وفرت أساسًا عمليًا ومرنًا لبناء حلول رؤية حاسوبية يمكن تكييفها بسرعة مع حالات استخدام مختلفة. فهي سهلة التدريب والصقل، مما يسمح للفريق بالتكرار بشكل أسرع والاستجابة للمتطلبات الجديدة دون الحاجة إلى إعادة تصميم النظام.
كان لهذه المرونة تأثير مباشر على سرعة التطوير. من خلال الاستفادة من YOLO، تمكنت Pixelabs من تسريع دورات التطوير الخاصة بها وطرح الحلول في الإنتاج بسرعة أكبر، مما قلل من وقت الوصول إلى السوق للتطبيقات الجديدة. وفي الوقت نفسه، قدمت النماذج نتائج أكثر دقة واتساقًا.
Link to this sectionتحقيق معدل استرجاع يصل إلى 95% مع تحسين الكفاءة#
أدى دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine إلى تحسينات واضحة في أداء التحليل. في حالة استخدام أبحاث ألزهايمر، حقق النظام معدلات استرجاع بلغت حوالي 90%، وارتفعت لتصل إلى 95% مع تقدم المرض وأصبحت المؤشرات أكثر وضوحًا.
سمح هذا للباحثين باكتشاف ميزات صغيرة، مثل ترسبات الأميلويد بيتا، بشكل أكثر موثوقية عبر مجموعات بيانات صور كبيرة. ونتيجة لذلك، أصبح التحليل أكثر اتساقًا، مما قلل التباين وساعد في ضمان عدم تفويت المؤشرات المهمة.
بعيدًا عن حالة الاستخدام هذه، تلقت Pixelabs أيضًا ملاحظات إيجابية باستمرار من العملاء الذين يستخدمون حلولها في تطبيقات مختلفة. يسلط المستخدمون الضوء على التحسينات في كيفية تنفيذ العمليات، لا سيما من حيث الكفاءة والموثوقية.
يختلف التأثير اعتمادًا على حالة الاستخدام المحددة، مما يعكس مرونة المنصة وقدرتها على التكيف مع الاحتياجات التشغيلية المختلفة. وبشكل عام، جعلت هذه التحسينات من السهل إدارة وتحليل البيانات المرئية على نطاق واسع، مما يدعم نتائج أكثر موثوقية وسير عمل أكثر كفاءة.
Link to this sectionتطوير الذكاء الاصطناعي المرئي عبر الصناعات#
تواصل Pixelabs توسيع قدرات منصة الذكاء الاصطناعي المرئي الخاصة بها عبر حالات استخدام وصناعات جديدة. وبناءً على عملها في التطبيقات البحثية مثل الكشف عن ألزهايمر، يركز الفريق على صقل نماذجه وتطوير التحليل المرئي باستخدام تقنيات مثل نماذج Ultralytics YOLO.
من خلال التحسين المستمر لتقنيتها، تهدف Pixelabs إلى مساعدة المؤسسات على أتمتة العمليات بشكل أكثر فعالية وتطبيق الرؤية الحاسوبية عبر نطاق أوسع من سير العمل في العالم الحقيقي.
هل أنت مهتم بتبسيط سير عمل شركتك؟ تفقد GitHub repository الخاص بنا لمعرفة المزيد حول Vision AI. استكشف كيف تقود نماذج YOLO الابتكارات في مجالات مثل AI in healthcare و computer vision in retail. للبدء عمليًا باستخدام YOLO، اكتشف كيف يمكن لـ خيارات الترخيص لدينا دعم مشروعك.
