أنظمة ترى ما يفوت العين.
لفرق التصنيع والتجزئة والخدمات اللوجستية والقطاعات المنظّمة. نبني أنظمة رؤية حاسوبية للإنتاج لا لإثبات الفكرة، مع خطوط التعلّم المستمر وأدوات النشر على الأجهزة التي تُبقيها دقيقة حين يتغير العالم من حولها.
نبني أنظمة تقرأ الصور: عدّ المخزون، وفحص الجودة، وقراءة المستندات ولوحات السيارات، واكتشاف العيوب. الدقة تعتمد كلياً على صورك أنت، لذلك نختبر على صورك الحقيقية قبل أن نقدّم أي عرض. ويبدأ النظام عادةً بالتنبيه لا بالقرار: يُبرز المشكلة المحتملة، ويؤكدها شخص من فريقك.
آخر تحديث نوفمبر 2026
المشكلة ليست في النموذج أبداً.
ما الذي يحدد فعلاً نجاح نظام الرؤية الحاسوبية.
دقة الرؤية الحاسوبية في العرض التجريبي ودقتها في الإنتاج رقمان مختلفان.
من السهل الحصول على دقة عالية على مجموعة بيانات نظيفة. ومن الصعب الحفاظ عليها حين تتغير بيانات الإنتاج: تتغير الإضاءة، أو يظهر منتج جديد، أو يغيّر المورّد التغليف. نبني بنية التعلّم المستمر التي تُبقي النماذج دقيقة مع الوقت، لا عند الإطلاق فقط.
نبني على YOLO وSegment Anything وPaddleOCR وبنى مخصصة بحسب المهمة. ونبني معها خط تصنيف البيانات، وأدوات التوسيم، وإدارة إصدارات النماذج، وبنية النشر، لأن النموذج لا يكون أفضل من النظام المحيط به. وللمستندات واللوحات في الخليج يعني ذلك قراءة العربية والإنجليزية معاً، ونختبرها على عيّنات حقيقية.
وللقطاعات المنظّمة، كالصحة والتحقق من الهوية في التقنية المالية وسلامة الغذاء، نبني بنية الامتثال إلى جانب النموذج: سجل تدقيق لكل استنتاج، وطبقات تشرح قرارات النموذج، وسجل إصدارات يمكن مراجعته والرجوع فيه.
ما نبنيه.
اكتشاف العيوب وفحص الجودة
اكتشاف لحظي للعيوب على خطوط الإنتاج: خدوش، اختلال في المحاذاة، مكوّنات ناقصة، عيوب تغليف، بسرعة ونسبة إنذار كاذب يستطيع فريق العمليات التعامل معها.
التحقق من المستندات والهوية (KYC)
قراءة جوازات السفر وبطاقات الهوية ورخص القيادة بالعربية والإنجليزية، مع كشف الحيوية، وتقدير إشارات الاحتيال، وسجلات تدقيق للخدمات المالية المنظّمة.
تحليل الصور الطبية
تقسيم واكتشاف وتصنيف للأشعة والتشريح المرضي والجلدية، مع توثيق يدعم مسار الموافقات التنظيمية الذي يقوده فريقك المختص.
تحليلات التجزئة والرفوف
مراقبة مخزون الرفوف، والتحقق من مطابقة ترتيبها للمخطط، وتحليل حركة العملاء، باستخدام كاميرات المراقبة الموجودة.
أتمتة المستودعات والخدمات اللوجستية
اكتشاف الطرود، وقراءة الباركود ورموز QR، وفحص المنصات النقالة، وأتمتة أبواب التحميل، مربوطة بنظام إدارة المستودع وخطوط النقل.
خطوط التعلّم المستمر
تحسين مستمر للنموذج: التقاط الأمثلة الصعبة، واختيار ما يحتاج توسيماً، وإدارة قوائم التوسيم، وإعادة التدريب الآلية، فتتراكم الدقة بدل أن تنحرف.
ما الذي يقرر إن كان هذا سيعمل.
نادراً ما يكون النموذج. غالباً ما تكون البيانات والظروف.
| العامل | نتيجة جيدة | نتيجة ضعيفة |
|---|---|---|
| الإضاءة | ثابتة ومضبوطة | تتغير خلال اليوم |
| موضع الكاميرا | ثابت | محمولة باليد، بزوايا مختلفة |
| الصور المثالية | مئات لكل حالة، مصنّفة | دزينة، غير مصنّفة |
| الحالات النادرة | ممثَّلة في البيانات | المهمة منها غائبة |
| ما الذي يُعد عيباً | متفق عليه ومكتوب | مفتشان يختلفان |
| تكلفة الخطأ | تنبيه لإنسان | ينفّذ تلقائياً |
كيف نبدأ.
نختبر على صورك الحقيقية قبل أي عرض. دقة العرض التجريبي على بيانات نظيفة لا تعني شيئاً.
يُبرز النظام المشكلات المحتملة ويؤكدها شخص. الأتمتة الكاملة تأتي لاحقاً، إن جاءت.
إذا كانت الصور لا تحتمل المهمة، نقول ذلك بدل أن نأخذ المشروع ونسلّم أقل من الوعد.
متى يكون هذا القرار الصحيح.
فحص يدوي على خط إنتاج
شخص ينظر إلى كل قطعة طوال اليوم. النظام يُبرز المشتبه به، والمفتش يركّز على ما يحتاجه فعلاً.
مستندات هوية بحجم كبير
تسجيل عملاء جدد في خدمة مالية أو تأجير، حيث تُقرأ الهويات العربية والإنجليزية يدوياً وتُعاد كتابتها.
مستودع يعدّ يدوياً
جرد الرفوف والمنصات وقراءة الملصقات، حيث تكلّف الأخطاء الصغيرة مالاً حقيقياً كل شهر.
لا تشترِ هذا إذا كانت صورك لا تحتمل المهمة
إضاءة تتغير طوال اليوم، وكاميرا محمولة باليد، وعشرات الصور فقط، ولا اتفاق على ما يُعد عيباً: في هذه الحالة سيفشل النظام مهما كان النموذج. سنقول لك ذلك بعد اختبار صورك، لا بعد أن تدفع ثمن البناء.
كيف نبنيه.
نراجع البيانات
نراجع صورك ومقاطع الفيديو الموجودة، وجودة التوسيم، وتوزيع الحالات، والحالات الحدّية. نحدد الفجوات ونصمّم طريقة جمع البيانات للحالات التي سيواجهها النموذج في الإنتاج.
نحدد خط الأساس والبنية
نختار بنية النموذج بحسب متطلبات السرعة والأجهزة والدقة لديك، ونقيس خط الأساس، ونتفق على أهداف الإنتاج قبل التدريب.
ندرّب ونقيّم
ندرّب على بيانات إنتاجك، ونبني مجموعات تقييم تطابق ما سيراه النظام فعلاً لا الحالات السهلة فقط، ونكرر إلى أن نبلغ الأهداف.
ننشر
على أجهزة طرفية مثل Jetson أو Raspberry Pi أو على السحابة، بحسب متطلبات السرعة والاتصال، مع تحسين النموذج للجهاز المستهدف عبر TensorRT أو ONNX أو OpenVINO.
نبني التعلّم المستمر
حلقة التغذية الراجعة: التقاط الأمثلة الصعبة، وقائمة توسيم بشري، ومحفزات إعادة التدريب، وسجل النماذج. فتتراكم الدقة مع التشغيل بدل أن تنحرف.
التقنيات.
الرؤية الحاسوبية
6 أسئلة مع إجاباتها. لديك سؤال آخر؟ تواصل معنا.
لمهمة ضيقة مع نموذج أساسي قوي، قد تكفي بضع مئات إلى بضعة آلاف من الأمثلة المصنّفة. أما الاكتشاف المعقد بأصناف كثيرة فيحتاج أكثر بكثير. نحدد الحجم المناسب بعد مراجعة صورك، ونستطيع تسريع التوسيم بأدوات شبه آلية.