تعرّف على كيفية تحسين نموذج Ultralytics YOLO11 الجديد لتصنيف الصور، مما يوفر دقة أفضل للمهام في الزراعة وتجارة التجزئة ومراقبة الحياة البرية.
لنفترض أن روبوتًا ينظر إلى قطتين، إحداهما سوداء والأخرى بيضاء، ويحتاج إلى معرفة أيهما. للقيام بذلك، يمكنه استخدام تصنيف الصور، وهي مهمة رؤية حاسوبية تساعد في تحديد وتصنيف الأشياء أو المشاهد في الصورة. في الواقع، بفضل التطورات الحديثة في مجال الذكاء الاصطناعي (AI)، يمكن استخدام تصنيف الصور في مجموعة واسعة من التطبيقات التي تتراوح بين مراقبة الحيوانات والتصنيع والزراعة مع الكشف عن أمراض المحاصيل.
أحد أحدث التطورات في تصنيف الصور هو نموذجUltralytics YOLO11 . الذي تم إطلاقه في الحدث السنوي الهجينUltralytics ، YOLO Vision 2024 (YV24), YOLO11 صُمم لمعالجة مجموعة واسعة من مهام الذكاء الاصطناعي في مجال الرؤية، بما في ذلك تصنيف الصور، بكل سهولة ودقة.
في هذه المقالة، سوف نستكشف أساسيات تصنيف الصور، ونناقش تطبيقات العالم الحقيقي، ونوضح لك كيف يمكنك استخدام YOLO11لتصنيف الصور من خلال حزمةUltralytics Python . سنلقي أيضًا نظرة على كيفية تجربة إمكانيات YOLO11على Ultralytics HUB في بضع خطوات سهلة. لنبدأ!
يعمل تصنيف الصور من خلال تعيين تسمية أو علامة للصورة بناءً على الأنماط المستفادة من الصور التي تم تصنيفها مسبقًا. من خلال التحليل الدقيق لوحدات البكسل في الصورة، يمكن لنموذج الرؤية الحاسوبية العثور على أفضل تطابق للصورة. نماذج موثوقة مثل YOLO11 أن تتعامل مع هذه العملية بسلاسة. YOLO11تتيح بنية النموذج إمكانية معالجة الصور أو إطارات الفيديو بشكل فوري تقريباً، مما يجعلها مثالية للتطبيقات التي تحتاج إلى تصنيف سريع ودقيق للصور.
لفهم نطاق تصنيف الصور حقًا، من المفيد التمييز بينه وبين المهام الأخرى مثل اكتشاف الكائنات. في حين أن تصنيف الصور يصنف الصورة بأكملها، فإن اكتشاف الكائنات يحدد كل كائن داخل الصورة ويحدد موقعه.
لننظر إلى صورة زرافة. في تصنيف الصور، قد يصنّف النموذج الصورة بأكملها على أنها زرافة ببساطة بناءً على محتواها الكلي. ومع ذلك، في حالة اكتشاف الأجسام، لا يتوقف النموذج عند تحديد هوية الزرافة، بل يضع أيضًا مربعًا محددًا حول الزرافة، ويحدد موقعها بدقة داخل الصورة.
والآن، تخيل أن الزرافة تقف بالقرب من شجرة في سافانا مع حيوانات أخرى. قد يصنّف نموذج تصنيف الصور المشهد بأكمله على أنه سافانا أو مجرد حياة برية. ومع ذلك، مع اكتشاف الأجسام، سيحدد النموذج كل عنصر على حدة، ويتعرف على الزرافة والشجرة والحيوانات الأخرى، كل منها له مربعاته الخاصة.
إن دقة وأداء نموذج Ultralytics YOLO11 لتصنيف الصور يجعله مفيدًا في مجموعة واسعة من الصناعات. دعونا نستكشف بعض التطبيقات الرئيسية لنموذج YOLO11 في تصنيف الصور.
يمكن أن يساعد تصنيف الصور في تبسيط العديد من الوظائف في قطاع الزراعة والزراعة. وعلى وجه التحديد، وباستخدام نماذج تصنيف الصور مثل YOLO11 ، يمكن للمزارعين مراقبة صحة محاصيلهم باستمرار، والكشف عن الأمراض الخطيرة، وتحديد أي آفات آ فات بدقة عالية.
إليك نظرة على كيفية عمل ذلك:
يمكن أن يؤدي تصنيف الصور إلى تحسين تجربة التسوق بالتجزئة بشكل كبير، مما يجعلها أكثر تخصيصًا وسهولة في الاستخدام. يمكن لتجار التجزئة استخدام نماذج الرؤية الحاسوبية المدربة خصيصاً للتعرف على المنتجات الموجودة في مخزونهم ودمج هذه الإمكانية في تطبيقاتهم أو مواقعهم الإلكترونية على الأجهزة المحمولة. يمكن للعملاء بعد ذلك البحث عن المنتجات ببساطة عن طريق تحميل صورة، مما يجعل التسوق أسرع وأكثر ملاءمة.
بمجرد أن يقوم العميل بتحميل صورة إلى نظام البحث المرئي، تحدث عدة أشياء خلف الكواليس قبل أن تظهر نتائج البحث.
أولاً، يمكن استخدام اكتشاف العناصر لاختيار العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. بعد ذلك، يمكن استخدام تصنيف الصورة لتصنيف كل عنصر بشكل أكبر، وتحديد ما إذا كان سترة أو قميصًا أو أريكة أو طاولة.
باستخدام هذه المعلومات، يمكن للنظام سحب المنتجات المماثلة المتاحة للشراء، وهو أمر مفيد بشكل خاص للعثور على العناصر الفريدة أو العصرية التي يصعب وصفها بالكلمات وحدها. يمكن أن تساعد نفس التقنية أيضاً في تبسيط مهام البيع بالتجزئة الأخرى، مثل إدارة المخزون، من خلال التعرف على العناصر وتصنيفها تلقائياً.
تقليدياً، تُعد مراقبة الحيوانات في البرية مهمة شاقة تنطوي على العديد من الأشخاص الذين يقومون يدوياً بفرز وتحليل آلاف الصور. باستخدام أوضاع الرؤية الحاسوبية مثل YOLO11 ، يمكن للباحثين مراقبة الحيوانات تلقائيًا بمعدل أسرع. يمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. ويمكن بعد ذلك استخدام نموذج الذكاء الاصطناعي للرؤية لتحليل هذه الصور وتصنيف الحيوانات الموجودة فيها (إن وجدت). يمكن لمثل هذا النظام أن يساعد الباحثين في دراسة وتتبع مجموعات الحيوانات وأنماط هجرتها وما إلى ذلك.
ومن الطرق الأخرى التي يمكن أن تساعد بها نماذج الذكاء الاصطناعي ونماذج الرؤية الحاسوبية مثل YOLO11 في هذا المجال هي تبسيط عملية تصنيف الأنواع المهددة بالانقراض. فمن خلال تحديد الأنواع أو فئات السلالات المحتملة التي قد ينتمي إليها الحيوان، يمكن لهذه النماذج أن توفر بيانات أساسية للباحثين. على سبيل المثال، طورت جامعة تسمانيا (UTAS) نظامًا قائمًا على تصنيف الصور لرصد الحياة البرية التسمانية المختلفة. ومن ثم يمكن للتنبؤات المستمدة من النماذج أن تساعد العلماء والباحثين على مراقبة نشاط الحيوانات وسلوكها، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.
والآن بعد أن ناقشنا ماهية تصنيف الصور واستكشفنا بعض تطبيقاته. دعونا نلقي نظرة على كيفية تجربة تصنيف الصور باستخدام نموذج YOLO11 الجديد. هناك طريقتان سهلتان للبدء: استخدام الحزمةUltralytics Python أو من خلال Ultralytics HUB. سنستعرض كلا الخيارين.
لبدء استخدام الحزمة Ultralytics Python ، ما عليك سوى تثبيتها باستخدام pip أو conda أو Docker. إذا واجهتك أي مشاكل، راجع دليل المشكلات الشائعة للحصول على نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.
بمجرد تثبيت الحزمة، يمكنك استخدام التعليمات البرمجية التالية لتحميل متغير من نموذج تصنيف الصور YOLO11 وتشغيل استدلال على صورة ما. تشغيل الاستدلال يعني استخدام نموذج مُدرَّب لإجراء تنبؤات على بيانات جديدة غير مرئية. يمكنك تجربة ذلك مع صورة من اختيارك!
يمكنك أيضًا استخدام نفس الحزمة Python لتدريب نموذج تصنيف مخصص YOLO11 . يتيح لك التدريب المخصص إمكانية ضبط نموذج YOLO11 بدقة لتلبية احتياجاتك الخاصة. على سبيل المثال، إذا كنت تقوم بتطوير تطبيق لتصنيف سلالات القطط المختلفة، يمكنك تدريب نموذج YOLO11 مخصص لهذا الغرض فقط.
يوضح الرمز أدناه كيفية تحميل وتدريب نموذج تصنيف الصور YOLO11 . يسمح لك بنقل الأوزان المدرّبة مسبقًا، باستخدام المعرفة من نموذج موجود لتعزيز أداء نموذجك الخاص. يمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من الصور ذات التدرج الرمادي لعناصر الملابس (قمصان، سراويل، أحذية، إلخ). تدريب النموذج على مجموعة البيانات هذه يعلمه التعرف على فئات الملابس المختلفة. يمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.
على الرغم من أن استخدام الحزمة Ultralytics سهل ومباشر، إلا أنه يتطلب بعض المعرفة بـ Python. إذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، يمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل التدريب ونشر نماذج YOLO المختلفة بسيطة وسهلة الاستخدام. للبدء، ستحتاج إلى إنشاء حساب.
بمجرد تسجيل الدخول، انتقل إلى قسم "النماذج" وحدد الطراز YOLO11 لتصنيف الصور. سترى مجموعة من أحجام النماذج المتاحة: نانو، وصغير، ومتوسط، وكبير، وكبير جداً، وكبير جداً. بعد اختيار نموذج، يمكنك تحميل صورة في قسم "معاينة"، حيث ستظهر التوقعات على الجانب الأيسر من الصفحة بمجرد معالجة الصورة.
YOLO11 يوفر إمكانات تصنيف صور قوية تفتح إمكانيات جديدة في مختلف الصناعات. بدءًا من تحسين مراقبة المحاصيل في الزراعة وتعزيز عمليات البحث عن المنتجات في مجال البيع بالتجزئة إلى دعم الحفاظ على الحياة البرية، فإن سرعة ودقة YOLO11تجعلها مثالية للتطبيقات المتنوعة. ومن خلال خيارات التدريب المخصص من خلال حزمة Ultralytics Python أو إعداد سهل الاستخدام وبدون تعليمات برمجية على Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 بسهولة في سير العمل الخاص بهم. ومع تبنّي المزيد من الصناعات لحلول الذكاء الاصطناعي، يوفر YOLO11 أداة مرنة وعالية الأداء تدعم الابتكار والتقدم العملي.
لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرعاية الصحية على صفحات الحلول الخاصة بنا. 🚀