تعرّف على كل ما يتعلق بالنموذج الجديد Ultralytics YOLO11 وميزاته وتطبيقاته في الوقت الفعلي في مختلف الصناعات. سنطلعك على كل ما تحتاج إلى معرفته.
في يوم الاثنين 30 سبتمبر، أطلق Ultralytics رسميًا Ultralytics YOLO11أحدث التطورات في مجال الرؤية الحاسوبية، بعد ظهوره لأول مرة في YOLO Vision 2024 (YV24)، وهو الحدث السنوي الهجين Ultralytics. لقد كان مجتمع الذكاء الاصطناعي يعج بالحماسة مع اندفاعهم لاستكشاف قدرات النموذج. وبفضل المعالجة الأسرع والدقة الأعلى والنماذج المحسّنة لكل من الأجهزة المتطورة والنشر السحابي، يعيدYOLO11 تعريف ما هو ممكن في تطبيقات الرؤية الحاسوبية في الوقت الفعلي.
في مقابلة، قال جلين جوشر، المؤسس والرئيس التنفيذي لموقع Ultralytics : "يتجه العالم نحو الطاقة النظيفة، ولكن ليس بالسرعة الكافية. نحن نريد أن تكون نماذجنا قابلة للتدريب في عدد أقل من الحقب، مع عدد أقل من التعزيزات وبيانات أقل، لذلك نحن نعمل بجد على ذلك. يحتوي أصغر نموذج للكشف عن الأجسام، YOLO11n، على 2.6 مليون معلمة فقط - أي بحجم ملف JPEG، وهو أمر جنوني حقًا. أما أكبر نموذج لاكتشاف الأج سام، YOLO11x، فيحتوي على حوالي 56 مليون معلم، وحتى هذا النموذج صغير للغاية مقارنةً بالنماذج الأخرى. ويمكنك تدريبها على جهاز رخيص GPU ، مثل Nvidia GPU البالغ من العمر خمس سنوات، مع بعض الإثارة والقليل من القهوة فقط."
في هذه المقالة، سنلقي نظرة فاحصة على YOLO11 ، ونستكشف ميزاته وتحسيناته ومعايير الأداء والتطبيقات الواقعية لمساعدتك على فهم ما يمكن لهذا النموذج القيام به. لنبدأ!
YOLO11 هو أحدث تقدم في سلسلة نماذج الرؤية الحاسوبية YOLO (أنت تنظر مرة واحدة فقط)، وهو يقدم تحسينات كبيرة على الإصدارات السابقة مثل YOLOv5 و YOLOv8. قام فريق العمل في Ultralytics بدمج ملاحظات المجتمع والأبحاث المتطورة لجعل YOLO11 أسرع وأكثر دقة وفعالية. YOLO11 يدعم أيضًا نفس مهام الرؤية الحاسوبية مثل YOLOv8 ، بما في ذلك اكتشاف الأجسام، وتجزئة النماذج، وتصنيف الصور. في الواقع، يمكن للمستخدمين التبديل بسهولة إلى YOLO11 دون الحاجة إلى تغيير سير العمل الحالي.
من أهم ما يميز البرنامج YOLO11 هو أدائه المتفوق من حيث الدقة والسرعة مقارنةً بسابقيه. مع وجود معلمات أقل بنسبة 22% أقل من YOLOv8m ، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أنه يمكنه اكتشاف الأجسام بدقة وكفاءة أكبر. من حيث سرعة المعالجة، يتفوق YOLO11 على النماذج السابقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي، حيث يكون الاكتشاف والاستجابة السريعة أمرًا بالغ الأهمية، وكل جزء من الثانية مهم.
يوضح الرسم البياني المعياري أدناه كيف يتميز YOLO11 عن النماذج السابقة. على المحور الأفقي، يُظهر الرسم البياني متوسط دقة صندوق COCO، والذي يقيس دقة اكتشاف الأجسام. ويعرض المحور الرأسي زمن الاستجابة باستخدام TensorRT10 FP16 على NVIDIA T4 GPU ، مما يشير إلى مدى سرعة معالجة النموذج للبيانات.
ومع إطلاق Ultralytics YOLO11 ، يعمل Ultralytics على توسيع نطاق سلسلة YOLO من خلال تقديم نماذج مفتوحة المصدر ونماذج مؤسسية لتلبية الطلب المتزايد في مختلف الصناعات.
YOLO11 يتميز بخمسة أحجام مختلفة من النانو، والصغير، والمتوسط، والكبير، والكبير، و X. يمكن للمستخدمين اختيار أفضل نموذج وفقًا لاحتياجات تطبيقات الرؤية الحاسوبية الخاصة بهم. توفر الأحجام الخمسة مرونة في مهام مثل تصنيف الصور، واكتشاف الأجسام، وتجزئة النماذج، والتتبع، وتقدير الوضع، واكتشاف الأجسام في المربعات المحدودة الموجهة (OBB). لكل حجم، هناك نموذج متاح لكل مهمة، مما ينتج عنه ما مجموعه 25 نموذجًا مفتوح المصدر يشكل جوهر عروض Ultralytics. تُعد هذه النماذج مثالية لمجموعة واسعة من التطبيقات، بدءًا من المهام خفيفة الوزن على الأجهزة الطرفية، حيث يوفر نموذج YOLO11n كفاءة مذهلة، إلى التطبيقات الأكبر حجمًا التي تتطلب نموذجي YOLO11l و YOLO11x.
وللمرة الأولى، يقدم موقع Ultralytics نماذج للمؤسسات، وهو ما يمثل علامة فارقة في عروض منتجاتنا، ونحن متحمسون لمشاركة هذه الابتكارات الجديدة مع مستخدمينا. YOLO11 يقدم خمسة نماذج خاصة مصممة خصيصًا لحالات الاستخدام التجاري. يتم تدريب هذه النماذج الخاصة بالمؤسسات، والتي ستكون متاحة الشهر المقبل، على مجموعة بيانات جديدة مملوكة للشركة Ultralytics، تتكون من أكثر من مليون صورة، مما يوفر نماذج أكثر قوة تم تدريبها مسبقًا. وقد صُممت هذه النماذج للتطبيقات المتطلبة في العالم الحقيقي، مثل تحليل الصور الطبية ومعالجة صور الأقمار الصناعية، حيث يكون الكشف الدقيق عن الأجسام أمرًا بالغ الأهمية.
والآن بعد أن ناقشنا ما يقدمه موقع YOLO11 ، دعنا نلقي نظرة على ما يجعل YOLO11 مميزاً للغاية.
كان أحد التحديات الرئيسية في تطوير YOLO11 هو إيجاد التوازن الصحيح بين الأولويات المتنافسة: جعل النماذج أصغر وأسرع وأكثر دقة. وكما أوضح جلين جوشر، المؤسس والرئيس التنفيذي لشركة Ultralytics، "إنالعمل على البحث والتطوير YOLO يمثل تحديًا حقيقيًا لأنك تريد أن تسير في ثلاثة اتجاهات مختلفة: تريد أن تجعل النماذج أصغر، وتريدها أن تصبح أكثر دقة، ولكنك تريد أيضًا أن تكون أسرع على منصات مختلفة مثل CPU و GPU. كل هذه مصالح متنافسة، لذا عليك أن تقدم تنازلات وتختار أين تجري التغييرات." على الرغم من هذه التحديات، فإن YOLO11 يحقق توازنًا مثيرًا للإعجاب، حيث يقدم تحسينات في السرعة والدقة على حد سواء مقارنة بالإصدارات السابقة مثل YOLOv8.
YOLO11 يجلب تحسينات جوهرية مثل استخراج الميزات المحسّنة مع بنية العمود الفقري والرقبة المعاد تصميمها، مما يؤدي إلى اكتشاف أكثر دقة للأجسام. تم تحسين النموذج أيضًا من أجل السرعة والكفاءة، مما يوفر أوقات معالجة أسرع مع الحفاظ على دقة عالية. بالإضافة إلى هذه الفوائد، فإن YOLO11 قابل للتكيف بشكل كبير عبر بيئات مختلفة، حيث يعمل بسلاسة على الأجهزة المتطورة والمنصات السحابية والأنظمة التي تستخدم وحدات معالجة الرسومات NVIDIA . هذه القابلية للتكيف تجعلها خيارًا مثاليًا للمستخدمين الذين يحتاجون إلى خيارات نشر مرنة عبر إعدادات الأجهزة المختلفة، من الأجهزة المحمولة إلى الخوادم واسعة النطاق.
YOLO11تعدد الاستخدامات يجعلها أداة موثوقة في العديد من الصناعات، خاصةً عند التعامل مع حالات الاستخدام المعقدة. على سبيل المثال، يعمل بسلاسة على الأجهزة المتطورة ويمكن استخدامه للتطبيقات التي تتطلب تحليلاً في الوقت الفعلي في بيئات ذات قدرة حوسبة محدودة. ومن الأمثلة الممتازة على ذلك القيادة الذاتية، حيث تحتاج المركبات إلى اتخاذ قرارات في جزء من الثانية للحفاظ على سلامة الجميع. YOLO11 يساعد في ذلك من خلال اكتشاف الأجسام الموجودة على الطريق وتحليلها، مثل المشاة أو السيارات الأخرى، حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو عندما تكون الأشياء مخفية جزئياً. يساعد الاكتشاف السريع والدقيق في منع وقوع الحوادث ويضمن قدرة السيارات ذاتية القيادة على التنقل بأمان.
مثال آخر مثير للاهتمام على نطاق YOLO11هو قدرته على التعامل مع المربعات المحدودة الموجهة (OBB). وهي ضرورية لاكتشاف الأجسام التي لا تتم محاذاتها بشكل مثالي. يعد اكتشاف الأجسام OBB ميزة مفيدة بشكل خاص في صناعات مثل الزراعة ورسم الخرائط والمراقبة، حيث تحتوي الصور غالبًا على أجسام مستديرة مثل المحاصيل أو المباني في الصور الجوية أو صور الأقمار الصناعية. على عكس النماذج التقليدية، يمكن لـ YOLO11 تحديد الأجسام في أي زاوية وتوفير نتائج أكثر دقة للمهام التي تتطلب الدقة.
إن البدء في استخدام YOLO11 بسيط وسهل الوصول إليه، سواء كنت تفضل البرمجة أو خيار عدم وجود كود. للعمل مع YOLO11 من خلال البرمجة، يمكنك استخدام حزمةUltralytics Python لتدريب النماذج ونشرها بسهولة. إذا كنت تفضل نهج عدم الترميز، يتيح لك Ultralytics HUB تجربة YOLO11 ببضع نقرات فقط.
لاستخدام YOLO11 مع Python ، ستحتاج أولاً إلى تثبيت الحزمة Ultralytics . بناءً على تفضيلاتك، يمكنك القيام بذلك باستخدام pip أو conda أو Docker. للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل التثبيتUltralytics . أثناء تثبيت الحزم المطلوبة ل YOLO11 ، إذا واجهتك أي صعوبات، فارجع إلى دليل المشكلات الشائعة للحصول على الحلول والنصائح.
بمجرد تثبيت الحزمة Ultralytics ، يصبح استخدام YOLO11 أمراً سهلاً ومباشراً. يرشدك مقتطف الكود التالي خلال عملية تحميل نموذج، وتدريبه، واختبار أدائه، وتصديره إلى تنسيقONNX . لمزيد من الأمثلة المتعمقة والاستخدام المتقدم، تأكد من الرجوع إلى الوثائق الرسمية Ultralytics ، حيث ستجد أدلة مفصلة وأفضل الممارسات لتحقيق أقصى استفادة من YOLO11.
بالنسبة للمستخدمين الذين يفضلون نهج عدم وجود رمز برمجي، يوفر Ultralytics HUB طريقة سهلة لتدريب ونشر نماذج YOLO11 ببضع نقرات فقط. للبدء في استخدام HUB، ما عليك سوى إنشاء حساب على منصة Ultralytics HUB، ويمكنك البدء في تدريب نماذجك وإدارتها من خلال واجهة سهلة الاستخدام.
يعمل مجتمع الذكاء الاصطناعي باستمرار على تطوير مجال الرؤية الحاسوبية من خلال السعي لتطوير نماذج أسرع وأكثر دقة لتطبيقات العالم الحقيقي. Ultralytics YOLO11 هو علامة فارقة في هذا الجهد، حيث يوفر سرعة ودقة ومرونة محسّنة. وهو مصمم لتطبيقات الوقت الحقيقي والتطبيقات المتطورة، مما يجعله مثاليًا لقطاعات مثل الرعاية الصحية والقيادة الذاتية. سواء كنت تستخدم الحزمة Ultralytics Python أو حزمة Ultralytics Hub التي لا تحتوي على كود ، فإن YOLO11 يبسّط مهام الرؤية المعقدة للذكاء الاصطناعي. يوفر قدرات رؤية حاسوبية قوية، مما يجعله خياراً رائعاً للمطورين والشركات.
اطلع على مستودع GitHub الخاص بنا وانضم إلى مجتمعنا النشط لمعرفة المزيد عن الذكاء الاصطناعي. استكشف كيف يقود الذكاء الاصطناعي المرئي الابتكار في قطاعات مثل الرعاية الصحية والزراعة.
