من خلال دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine، تمكّنت Pixelabs من أتمتة سير العمل المرئي. فعلى سبيل المثال، في تصوير الشبكية للكشف المبكر عن مرض ألزهايمر، أدى ذلك إلى تحسين اتساق تحديد المؤشرات، إذ بلغ الاستدعاء ما يصل إلى 95%.
لا تزال العديد من مسارات 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 ويصعب توسيع نطاقها.
وينطبق ذلك بوجه خاص على البيئات البحثية، مثل تصوير الشبكية للكشف المبكر عن مرض ألزهايمر، حيث قد يكون تحديد المؤشرات الصغيرة في الصور صعبًا ويستغرق وقتًا طويلًا.
تساعد Pixelabs على معالجة هذه المشكلة من خلال Pixelabs AI-Engine، وهي منصة ذكاء اصطناعي بصري مصممة لتحليل الصور ومقاطع الفيديو 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 مسارات العمل في العالم الحقيقي#
تطوّر Pixelabs حلولًا للذكاء الاصطناعي البصري تتيح للشركات أتمتة العمليات الحالية وتحسينها باستخدام الرؤية الحاسوبية. وتركّز الشركة، التي يقع مقرها في مدريد ولها مكاتب في برشلونة والمملكة المتحدة، على بناء أدوات ذكاء اصطناعي عملية قابلة للتطبيق في مختلف القطاعات.
وتتيح منصتها، Pixelabs AI-Engine، على وجه الخصوص تحليل الصور ومقاطع الفيديو في الوقت الفعلي لمهام مثل اكتشاف الأجسام وتحديد العيوب وتحليل الأسطح والتعرّف الضوئي على الحروف (OCR). وتمكّن هذه الإمكانات المستخدمين من معالجة البيانات المرئية بكفاءة أكبر وتقليل الاعتماد على المراجعة اليدوية.
صُممت المنصة لتتكامل مع الأنظمة الحالية، ما يسهّل على المؤسسات اعتماد الرؤية الحاسوبية من دون تعطيل العمليات. وتتيح هذه المرونة لـ Pixelabs دعم مجموعة واسعة من حالات الاستخدام وتوسيع نطاق الحلول مع تنامي المتطلبات.
تحديات دمج الرؤية الحاسوبية وتوسيع نطاقها#
لا تزال العمليات اليومية في قطاعات كثيرة تعتمد على سير عمل يدوي ومستوى محدود من الأتمتة. فكثيرًا ما يراجع المشغلون والمهندسون والباحثون الصور يدويًا ويتحققون من النتائج ويديرون البيانات باستخدام أدوات متعددة.
وهذا يجعل العمليات أبطأ وأصعب في توحيد معاييرها وأكثر عرضة لعدم الاتساق، ولا سيما مع زيادة أحجام البيانات. وحتى عندما تسعى المؤسسات إلى تطبيق الرؤية الحاسوبية، لا يكون الانتقال إليها سهلًا دائمًا.
قد يتطلب دمج الذكاء الاصطناعي في الأنظمة الحالية إجراء تغييرات على سير العمل المعتمد أو إنشاء بنية تحتية جديدة أو بذل جهود هندسية إضافية. ولهذا يصعب توسيع نطاق كثير من الحلول أو صيانتها بمرور الوقت.
فعلى سبيل المثال، تصبح هذه التحديات أكثر تعقيدًا في البيئات البحثية، مثل تصوير الشبكية للكشف المبكر عن مرض ألزهايمر. إذ يحتاج الباحثون إلى اكتشاف سمات صغيرة جدًا وإدارة مجموعات بيانات كبيرة من الصور وضمان اتساق النتائج في ظل ظروف مختلفة.
الشكل 1. صورة نموذجية لتصوير شبكية عين فأر.
ومن دون طريقة مبسطة للتعامل مع التحليل وإدارة البيانات والمخرجات، يصبح توسيع نطاق مسارات العمل هذه والحفاظ على موثوقية النتائج أمرًا صعبًا.
أتمتة تحليل صور الشبكية باستخدام نماذج Ultralytics YOLO#
عالجت Pixelabs هذه التحديات من خلال دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine. وتعمل المنصة بوصفها جوهر حلول الذكاء الاصطناعي البصري التي تقدمها، ما يسهّل إجراء تحليل الصور ومقاطع الفيديو في الوقت الفعلي عبر تطبيقات مختلفة من دون تعطيل سير العمل الحالي.
وهي تدعم مجموعة من المهام، منها اكتشاف الأجسام والعيوب، وتحليل الأسطح والأنسجة، وإدارة الألوان، والتعرّف الضوئي على الحروف (OCR). وبما أنها مستقلة عن الأجهزة ومصممة للتكامل عبر واجهات API، يمكن 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 ألزهايمر لدى الفئران باستخدام تصوير الشبكية. وتمثّل الهدف في تحديد مؤشرات صغيرة، مثل ترسّبات أميلويد بيتا، التي قد تشير إلى المراحل المبكرة للمرض.
ولتحقيق ذلك، أنشأت Pixelabs سير عمل يربط بين تخزين البيانات ومعالجة الصور وواجهة المستخدم. تُنقل صور الشبكية، التي تُلتقط باستخدام أجهزة تصوير قاع العين الخاصة بالمختبر، أولًا عبر بروتوكول نقل الملفات الآمن (SFTP)، ثم تُخزّن في نظام مركزي، ما يسهّل إدارة مجموعات البيانات الكبيرة والوصول إليها.
ولضمان اتساق النتائج، تُطبّق بعد ذلك خطوات المعالجة المسبقة للتعامل مع اختلافات جودة الصور والإضاءة. ويساعد ذلك النظام على الحفاظ على الدقة عبر عينات وظروف مختلفة.
ثم تُحلل الصور باستخدام نماذج الذكاء الاصطناعي البصري، بما في ذلك نماذج Ultralytics YOLOv8 المدرّبة خصيصًا. وتُستخدم نسختا YOLOv8 المتوسطة والكبيرة لتحقيق التوازن بين الأداء والدقة.
ضمن مسار المعالجة هذا، تُستخدم نماذج Ultralytics YOLO في اكتشاف الأجسام وتصنيف الصور لتحديد مناطق الاهتمام الصغيرة، مثل ترسّبات أميلويد بيتا، وتحديد مواقعها مباشرةً في صور الشبكية.
الشكل 2. يمكن لنماذج الرؤية الحاسوبية، مثل Ultralytics YOLOv8، المساعدة في اكتشاف ترسّبات أميلويد بيتا.
وأخيرًا، تُعرض النتائج عبر منصة قائمة على الويب، حيث يمكن للمستخدمين تحميل الصور وتصفيتها حسب سمات مثل العمر أو الجنس أو النمط الظاهري، وعرض السمات المكتشفة مع درجات الثقة. وهذا يسهّل الانتقال من بيانات الصور الأولية إلى رؤى واضحة وقابلة للاستخدام.
لماذا اختيار نماذج Ultralytics YOLO؟#
بالنسبة إلى Pixelabs، كانت نماذج Ultralytics YOLO خيارًا مثاليًا، إذ وفّرت أساسًا عمليًا ومرنًا لبناء حلول الرؤية الحاسوبية التي يمكن تكييفها بسرعة مع حالات الاستخدام المختلفة. كما يسهل تدريبها وتحسينها، ما يتيح للفريق تكرار التطوير بوتيرة أسرع والاستجابة للمتطلبات الجديدة من دون الحاجة إلى إعادة تصميم النظام.
وكان لهذه المرونة أثر مباشر في سرعة التطوير. فمن خلال الاستفادة من YOLO، تمكّنت Pixelabs من تسريع دورات التطوير وإيصال الحلول إلى بيئة الإنتاج بوتيرة أسرع، ما قلّل الوقت اللازم لطرح التطبيقات الجديدة في السوق. وفي الوقت نفسه، قدّمت النماذج نتائج أدق وأكثر اتساقًا.
تحقيق استدعاء يصل إلى 95% مع تحسين الكفاءة#
أدى دمج نماذج Ultralytics YOLO في Pixelabs AI-Engine إلى تحسينات واضحة في أداء التحليل. ففي حالة استخدام أبحاث ألزهايمر، حقق النظام معدلات استدعاء تقارب 90%، وارتفعت إلى 95% مع تقدم المرض وازدياد وضوح المؤشرات.
أتاح ذلك للباحثين اكتشاف السمات الصغيرة، مثل ترسّبات أميلويد بيتا، بموثوقية أكبر ضمن مجموعات بيانات الصور الكبيرة. ونتيجة لذلك، أصبح التحليل أكثر اتساقًا، ما قلل التفاوت وساعد على ضمان عدم إغفال المؤشرات المهمة.
وبعيدًا عن حالة الاستخدام هذه، تلقت Pixelabs أيضًا آراء إيجابية باستمرار من العملاء الذين يستخدمون حلولها في تطبيقات مختلفة. ويشير المستخدمون إلى تحسن تنفيذ العمليات، لا سيما من حيث الكفاءة والموثوقية.
يختلف الأثر بحسب حالة الاستخدام المحددة، ما يعكس مرونة المنصة وقدرتها على التكيّف مع الاحتياجات التشغيلية المختلفة. وبوجه عام، سهّلت هذه التحسينات إدارة البيانات المرئية وتحليلها على نطاق واسع، ودعمت نتائج أكثر موثوقية وسير عمل أكثر كفاءة.
تطوير الذكاء الاصطناعي البصري في مختلف القطاعات#
تواصل Pixelabs توسيع إمكانات منصتها للذكاء الاصطناعي البصري لتشمل حالات استخدام وقطاعات جديدة. وانطلاقًا من عملها في التطبيقات البحثية، مثل الكشف عن ألزهايمر، يركّز الفريق على تحسين نماذجه وتطوير التحليل البصري باستخدام تقنيات مثل نماذج Ultralytics YOLO.
ومن خلال التحسين المستمر لتقنيتها، تسعى Pixelabs إلى مساعدة المؤسسات على أتمتة العمليات بفعالية أكبر وتطبيق الرؤية الحاسوبية على نطاق أوسع من مسارات العمل في العالم الحقيقي.
هل ترغب في تبسيط سير العمل في شركتك؟ ألقِ نظرة على مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي البصري. واستكشف كيف تدفع نماذج YOLO عجلة الابتكار في مجالات مثل الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع البيع بالتجزئة. وللتعامل عمليًا مع YOLO، تعرّف على كيفية دعم خيارات الترخيص لدينا لمشروعك.
