تعرف على كيفية تشغيل استدلالات YOLO11 داخل واجهة Streamlit وإنشاء واجهة ذكاء اصطناعي تفاعلية لمهام الرؤية الحاسوبية دون خبرة في البرمجة.
نماذج الرؤية الحاسوبية هي أدوات ذكاء اصطناعي مؤثرة تُمكِّن الآلات من تفسير البيانات المرئية وتحليلها، وأداء مهام مثل اكتشاف الأجسام وتصنيف الصور وتجزئة النماذج بدقة عالية. إلا أنها قد تتطلب أحياناً خبرات تقنية إضافية، مثل مهارات تطوير الويب أو تطبيقات الأجهزة المحمولة، لنشرها وجعلها في متناول جمهور أوسع.
خذ Ultralytics YOLO11على سبيل المثال. إنه نموذج يدعم مهام مختلفة ومفيد عبر مجموعة من التطبيقات. ومع ذلك، من دون بعض المعرفة التقنية للواجهة الأمامية، قد يبدو بناء واجهة سهلة الاستخدام ونشرها للتفاعل السلس أمرًا صعبًا بعض الشيء بالنسبة لبعض مهندسي الذكاء الاصطناعي.
Streamlit هو إطار عمل مفتوح المصدر يهدف إلى تسهيل هذه العملية. إنه أداة Python لبناء تطبيقات تفاعلية دون الحاجة إلى تطوير واجهة أمامية معقدة. عند إقرانه مع YOLO11 فإنه يتيح للمستخدمين تحميل الصور ومعالجة مقاطع الفيديو وتصور النتائج في الوقت الفعلي بأقل جهد ممكن.
تأخذ Ultralytics هذا الأمر خطوة إلى الأمام مع حل الاستدلال المباشر، مما يجعل التكامل مع Streamlit أكثر سهولة. من خلال أمر واحد، يمكن للمستخدمين تشغيل تطبيق Streamlit المُعد مسبقًا لـ YOLO11 مما يلغي الحاجة إلى الإعداد اليدوي والترميز.
سنستعرض في هذه المقالة كيفية إعداد YOLO11 وتشغيله باستخدام حل الاستدلال المباشر من Ultralyticsمع Streamlit، مما يجعل نشر الذكاء الاصطناعي في الوقت الفعلي أسرع وأكثر سهولة.
Streamlit هو إطار عمل Python يعمل على تبسيط إنشاء تطبيقات الويب التفاعلية. يمكن لمطوري الذكاء الاصطناعي إنشاء تطبيقات مدعومة بالذكاء الاصطناعي دون الحاجة إلى التعامل مع تعقيدات تطوير الواجهة الأمامية.
وهو مصمم للعمل بسلاسة مع نماذج الذكاء الاصطناعي والتعلم الآلي. من خلال بضعة أسطر من Python يمكن للمطورين إنشاء واجهة يمكن للمستخدمين من خلالها تحميل الصور ومعالجة مقاطع الفيديو والتفاعل مع نماذج الذكاء الاصطناعي.
إحدى ميزاته الرئيسية هي العرض الديناميكي. عندما يقوم المستخدمون بإجراء تغييرات، يتم تحديث التطبيق تلقائياً دون الحاجة إلى إعادة تحميل الصفحة يدوياً.
أيضًا، نظرًا لأنه خفيف الوزن وسهل الاستخدام، يعمل Streamlit بكفاءة على كل من الأجهزة المحلية والمنصات السحابية. وهذا يجعله خيارًا رائعًا لنشر تطبيقات الذكاء الاصطناعي، ومشاركة النماذج مع الآخرين، وتوفير تجربة مستخدم بديهية وتفاعلية.
قبل الغوص في كيفية تشغيل الاستدلالات المباشرة باستخدام Ultralytics YOLO11 في تطبيق Streamlit، دعنا نلقي نظرة فاحصة على ما يجعل YOLO11 موثوقًا للغاية.
يعد Ultralytics YOLO11 نموذجًا مصممًا لمهام الرؤية الحاسوبية في الوقت الحقيقي مثل اكتشاف الأجسام وتجزئة المثيل وتقدير الوضعية. يوفر أداءً عالي السرعة بدقة مذهلة.
تتمثل إحدى أكبر مزايا YOLO11في سهولة استخدامه. فليست هناك حاجة إلى إعدادات معقدة؛ إذ يمكن للمطورين تثبيت حزمة Ultralytics Python والبدء في عمل تنبؤات ببضعة أسطر من التعليمات البرمجية.
توفر حزمة Ultralytics Python مجموعة من الميزات، مما يسمح للمستخدمين بضبط النماذج وضبط إعدادات الكشف. كما أنها تساعد على تحسين الأداء عبر الأجهزة المختلفة لنشر أكثر سلاسة.
وبالإضافة إلى المرونة، تدعم حزمة Ultralytics Python عمليات التكامل عبر منصات متعددة، بما في ذلك الأجهزة المتطورة والبيئات السحابية والأنظمةGPU NVIDIA . وسواء تم نشرها على جهاز مدمج صغير أو خادم سحابي واسع النطاق، فإن YOLO11 يتكيف بسهولة ويسر، مما يجعل الذكاء الاصطناعي المتقدم للرؤية أكثر سهولة من أي وقت مضى.
قد تتساءل، كيف أعرف ما إذا كان Streamlit هو خيار النشر المناسب لي؟ إذا كنت تبحث عن طريقة بسيطة وفعالة من حيث التعليمات البرمجية لتشغيل YOLO11 دون التعامل مع تطوير الواجهة الأمامية، فإن Streamlit خيار جيد - خاصةً للنماذج الأولية أو مشاريع إثبات المفهوم (PoC) أو عمليات النشر التي تستهدف عددًا أقل من المستخدمين.
فهو يعمل على تبسيط عملية العمل مع YOLO11 من خلال التخلص من التعقيدات غير الضرورية وتوفير واجهة سهلة الاستخدام للتفاعل في الوقت الفعلي. فيما يلي بعض المزايا الرئيسية الأخرى:
الآن بعد أن استكشفنا فوائد استخدام Streamlit مع YOLO11 دعونا نتعرف على كيفية تشغيل مهام الرؤية الحاسوبية في الوقت الفعلي في متصفح باستخدام Streamlit مع YOLO11.
الخطوة الأولى هي تثبيت حزمةUltralytics Python . يمكن القيام بذلك باستخدام الأمر التالي:
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
1# Install the ultralytics package from PyPI
2pip install ultralytics
بمجرد التثبيت، يصبح YOLO11 جاهزًا للاستخدام دون أي إعداد معقد. إذا واجهت أي مشاكل أثناء تثبيت الحزم المطلوبة، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على نصائح وحلول لاستكشاف الأخطاء وإصلاحها.
عادة، ستحتاج عادةً إلى تطوير برنامج Python نصي باستخدام مكونات Streamlit لتشغيل YOLO11. ومع ذلك، يوفر Ultralytics طريقة بسيطة لتشغيل YOLO11 باستخدام Streamlit.
سيؤدي تشغيل برنامج Python النصي التالي إلى تشغيل تطبيق Streamlit على الفور في متصفح الويب الافتراضي الخاص بك:
1from ultralytics import solutions
2
3inf = solutions.Inference(
4 model="yolo11n.pt", # you can use any model that Ultralytics support, i.e. YOLO11, or custom trained model
5)
6
7inf.inference()
8
9### Make sure to run the file using command `streamlit run <file-name.py>`
لا حاجة إلى تكوين إضافي. تشتمل واجهة تطبيق Streamlit على قسم تحميل للصور ومقاطع الفيديو، وقائمة منسدلة لتحديد متغير طراز YOLO11 الذي تهتم به، وأشرطة تمرير لضبط الثقة في الكشف. كل شيء منظم بدقة، مما يجعل من الممكن للمستخدمين تشغيل الاستدلالات دون عناء دون الحاجة إلى كتابة كود إضافي.
الآن بعد أن أصبح تطبيق Streamlit يعمل في متصفح الويب الخاص بك، دعنا نستكشف كيفية استخدامه لتشغيل الاستدلالات باستخدام YOLO11.
على سبيل المثال، لنفترض أننا نريد تحليل ملف فيديو لاكتشاف الأجسام. فيما يلي خطوات تحميل ملف، وتحديد نموذج، وعرض النتائج في الوقت الفعلي:
لقد ألقينا نظرة على مدى روعة Streamlit في إنشاء النماذج الأولية وأدوات البحث والتطبيقات الصغيرة والمتوسطة الحجم. فهو يوفر طريقة بسيطة لنشر نماذج الذكاء الاصطناعي دون الحاجة إلى تطوير واجهة أمامية معقدة.
ومع ذلك، فإن تشغيل YOLO11 مع Streamlit ليس دائمًا حلًا جاهزًا - إلا إذا كنت تستخدم تطبيق Ultralytics YOLO Streamlit الذي أعددناه في الخطوات أعلاه. في معظم الحالات، يلزم القيام ببعض أعمال التطوير لتخصيص التطبيق ليناسب الاحتياجات الخاصة. بينما يعمل Streamlit على تبسيط عملية النشر، ستظل بحاجة إلى تهيئة المكونات الضرورية لضمان تشغيل YOLO11 بسلاسة.
دعنا نستكشف مثالين عمليين عن كيفية نشرYOLO11 Ultralytics YOLO11 بفعالية مع Streamlit في سيناريوهات العالم الحقيقي.
يمكن أن يستغرق تتبع المخزون في متاجر البيع بالتجزئة أو غرف التخزين أو مناطق التوريد المكتبية وقتًا طويلاً وعرضة للأخطاء. وباستخدام YOLO11 مع Streamlit، يمكن للشركات أتمتة عملية عدّ الأشياء بسرعة وكفاءة، مما يجعله خيارًا رائعًا لإثبات المفهوم (PoC) قبل الالتزام بنشره على نطاق واسع.
من خلال هذا الإعداد، يمكن للمستخدمين تحميل صورة أو استخدام بث مباشر للكاميرا، ويمكن لـ YOLO11 المساعدة في الكشف عن الأشياء وعدّها على الفور. يمكن عرض العد في الوقت الفعلي في واجهة Streamlit، مما يوفر طريقة سهلة لمراقبة مستويات المخزون دون جهد يدوي.
على سبيل المثال، يمكن لمالك المتجر مسح أحد الأرفف ضوئيًا ومعرفة عدد الزجاجات أو الصناديق أو البضائع المعبأة على الفور دون الحاجة إلى عدها يدويًا. من خلال الاستفادة من YOLO11 وStreamlit، يمكن للشركات تقليل العمل اليدوي وتحسين الدقة واستكشاف الأتمتة بأقل قدر من الاستثمار.
قد يكون من الصعب الحفاظ على أمن المناطق المحظورة في المكاتب أو المستودعات أو أماكن الفعاليات، خاصةً مع المراقبة اليدوية. باستخدام YOLO11 مع Streamlit، يمكن للشركات إعداد نظام أمان بسيط مدعوم بالذكاء الاصطناعي لاكتشاف الوصول غير المصرح به في الوقت الفعلي.
يمكن توصيل تغذية الكاميرا بواجهة Streamlit، حيث يتم استخدام YOLO11 لتحديد وتتبع الأشخاص الذين يدخلون المناطق المحظورة. إذا تم اكتشاف شخص غير مصرح له، يمكن للنظام إطلاق تنبيه أو تسجيل الحدث لمراجعته.
على سبيل المثال، يمكن لمدير المستودع مراقبة الوصول إلى مناطق التخزين عالية الحماية، أو يمكن للمكتب تتبع الحركة في الأقسام المحظورة دون الحاجة إلى الإشراف المستمر.
يمكن أن يكون هذا مشروعاً مفيداً للشركات التي ترغب في استكشاف المراقبة الأمنية القائمة على الذكاء الاصطناعي فيجن قبل الالتزام بنظام مؤتمت بالكامل. من خلال دمج YOLO11 مع Streamlit، يمكن للشركات تعزيز الأمن وتقليل المراقبة اليدوية والاستجابة للوصول غير المصرح به بشكل أكثر فعالية.
يساعد استخدام أدوات مثل Streamlit لنشر نماذج الرؤية الحاسوبية في إنشاء تجربة تفاعلية وسهلة الاستخدام. ومع ذلك، بعد إعداد الواجهة المباشرة، من المهم التأكد من تشغيل النظام بكفاءة وتقديم نتائج دقيقة مع مرور الوقت.
فيما يلي بعض العوامل الرئيسية التي يجب مراعاتها بعد النشر:
يعمل Ultralytics على تبسيط نشر YOLO11 من خلال واجهة Streamlit المباشرة الجاهزة للاستخدام والتي تعمل بأمر واحد - دون الحاجة إلى ترميز. يتيح ذلك للمستخدمين البدء في استخدام اكتشاف الكائنات في الوقت الفعلي على الفور.
تتضمن الواجهة أيضًا تخصيصًا مدمجًا، مما يتيح للمستخدمين تبديل النماذج وضبط دقة الكشف وتصفية الكائنات بسهولة. تتم إدارة كل شيء داخل واجهة بسيطة وسهلة الاستخدام، مما يلغي الحاجة إلى التطوير اليدوي لواجهة المستخدم. من خلال الجمع بين
بفضل إمكانات YOLO11مع سهولة نشر Streamlit، يمكن للشركات والمطورين وضع نماذج أولية للتطبيقات القائمة على الذكاء الاصطناعي واختبارها وتحسينها بسرعة.
كن جزءًا من مجتمعنا واستكشف مستودع GitHub الخاص بنا لمزيد من الأفكار حول الذكاء الاصطناعي. ألقِ نظرة على صفحات الحلول الخاصة بنا لمعرفة المزيد عن الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في مجال الرعاية الصحية. اطلع على خيارات الترخيص لدينا وابدأ اليوم!
