الذكاء الاصطناعي يدخل سباق تحري الهلال.. مقارنة YOLOv8 وYOLOv11 تفتح بابًا جديدًا للرصد الفلكي

الترند بالعربي – متابعات

في خطوة لافتة تجمع بين الفلك والرؤية الحاسوبية، نشر مركز الفلك الدولي ورقة بحثية علمية تناقش إمكانية توظيف نماذج الذكاء الاصطناعي من عائلة «YOLO» لاكتشاف هلال بداية الشهر القمري داخل الصور الفلكية، في محاولة لتقديم أداة رقمية مساندة تُحسّن دقة تحديد بدايات الأشهر الهجرية عندما تُربك الظروف الجوية والضوضاء البصرية عملية الرصد التقليدية، وبينما تبدو الفكرة جذابة لعشاق التقنية وهواة الفلك، تكشف تفاصيل الدراسة أن النتائج جاءت “متوسطة” وتحت قيود صارمة مرتبطة بحجم البيانات وتنوع ظروف التصوير، ما يجعلها أقرب إلى تجربة بحثية تأسيسية تضع الأسئلة أكثر مما تقدم إجابات نهائية.

ورقة دولية بجهد مشترك.. من ماليزيا إلى مركز الفلك الدولي

تعود أهمية الدراسة إلى طبيعة التعاون الذي تقف وراءه، إذ شارك في إعدادها باحثون من جامعات ماليزية إلى جانب دائرة الشؤون الإسلامية الماليزية، بالتعاون مع مركز الفلك الدولي، وقدمت نتائجها ضمن المؤتمر الدولي الحادي عشر للتبادل والابتكار في الهندسة والعلوم «IEICES 2025» الذي استضافته جامعة «كيوشو» في اليابان نهاية أكتوبر 2025، قبل أن تُنشر مؤخرًا ضمن كتاب أعمال المؤتمر، ما يعكس أن الموضوع لم يعد مجرد نقاشات نظرية في المنتديات، بل دخل مساحة البحث العلمي المحكّم الذي يقيس الأداء ويختبر الفرضيات بأرقام ومؤشرات.

عنوان واضح وفكرة مباشرة.. «تنظر مرة واحدة فقط» لرصد هلال جديد

حملت الورقة عنوانًا يوضح منهجها منذ البداية، وهو دراسة حول رصد هلال الشهر الجديد باستخدام خوارزمية «تنظر مرة واحدة فقط» (YOLO)، والفكرة الأساسية تقوم على استخدام نماذج كشف الأجسام في الصور لتحديد موقع الهلال داخل صورة فلكية، بدل الاكتفاء بمحاولة “رؤيته” بالعين أو عبر تحسينات تقليدية للصورة، وفي عالم الرؤية الحاسوبية تُعرف YOLO بأنها عائلة نماذج مصممة للكشف السريع عن الأجسام وتحديد مواقعها بمربعات إحاطة، وهو ما حاولت الدراسة نقله إلى سياق فلكي شديد الحساسية لأن الهلال غالبًا يكون رفيعًا وضعيف التباين وتحيط به ضوضاء ضوئية وطبقات سحب أو تلوث جوي.

لماذا يصبح الهلال “خصمًا صعبًا” للكاميرا والإنسان معًا؟

تشرح الدراسة ضمنيًا أن معضلة رصد الهلال لا ترتبط بضعف الأدوات فقط، بل بطبيعة المشهد نفسه، إذ تتداخل ظروف الطقس مع انعكاسات الغلاف الجوي، وتضيع التفاصيل أحيانًا بسبب شدة الإضاءة قرب الأفق، أو ضعف التباين بين الهلال والسماء، أو اهتزازات التصوير، أو اختلاف العدسات والتلسكوبات، وتلك عوامل تجعل الهلال حاضرًا فلكيًا لكنه “غائب بصريًا” في بعض الحالات، ومن هنا يأتي الطموح إلى نموذج ذكي قد يلتقط أنماطًا دقيقة لا يلتقطها الشخص العادي بسرعة، أو يرشد الراصد إلى موقع الهلال داخل الصورة حين يبدو للعين كأنه غير موجود.

قاعدة بيانات محدودة.. 200 صورة فقط لصنع نموذج ذكي

الجزء الأكثر حساسية في أي مشروع ذكاء اصطناعي هو البيانات، وهنا اختار الباحثون منهجية النمذجة الأولية «Prototyping»، وجمعوا 200 صورة للهلال من ثلاثة مصادر هي المشروع الإسلامي لرصد الأهلة «ICOP» التابع لمركز الفلك الدولي، ومرصد كلية السلطان زين العابدين الدينية «KUSZA»، ودائرة مفتي ولاية «ترنغانو» في ماليزيا، وهذه الصور تمثل بداية جيدة لإثبات الفكرة، لكنها في لغة التعلم العميق تُعد رقمًا صغيرًا نسبيًا، خصوصًا عندما يكون الهدف كشف كائن رفيع للغاية مثل الهلال وسط ظروف متغيرة، وهو ما سيظهر لاحقًا في تفسير النتائج وحدودها.

وسم يدوي قبل الذكاء.. خطوة مرهقة لكنها حاسمة

قبل تدريب أي نموذج، مرّت البيانات بمرحلة معالجة مسبقة تضمنت تحديد موقع الهلال يدويًا في كل صورة، وهي خطوة تُسمى عادة “الوسم” أو “الترميز”، وتُعد من أكثر المراحل استهلاكًا للوقت لأنها تتطلب دقة بشرية عالية، خصوصًا عندما يكون الهلال ضعيفًا أو غير واضح، لكنها في المقابل ضرورية لأن النموذج يتعلم من “الحقيقة الأرضية” التي يحددها الإنسان، فإذا كانت مربعات الإحاطة خاطئة أو غير منضبطة سيتعلم النموذج خطأً، لذلك تُظهر هذه الخطوة أن الدراسة لم تعتمد على الحماس التقني وحده، بل حاولت بناء أساس تدريبي قابل للقياس حتى لو كان محدود الحجم.

تقسيم غير معتاد.. تدريب 96% وتحقيق واختبار 2% فقط

اعتمد الباحثون تقسيمًا لافتًا للبيانات، حيث خُصص 96% للتدريب بما يعادل 192 صورة، و2% للتحقق بما يعادل 4 صور، و2% للاختبار بما يعادل 4 صور، وهذا التقسيم يعكس “أزمة العدد” أكثر مما يعكس تفضيلًا منهجيًا، لأن وضع 4 صور فقط للتحقق و4 للاختبار يجعل القياس حساسًا لأي صورة شاذة أو مختلفة، وقد يرفع التذبذب في النتائج، لكنه في الوقت ذاته يوضح أن الدراسة تعاملت مع البيانات المتاحة كمرحلة أولى، وأن الهدف أقرب إلى مقارنة نموذجين تحت نفس الظروف وليس إعلان نظام جاهز للاعتماد الميداني الواسع.

YOLOv8 ضد YOLOv11.. مقارنة تحت ظروف تدريب موحدة

في جوهر الورقة، اختار الباحثون تدريب نموذجين من عائلة YOLO هما YOLOv8 وYOLOv11 باستخدام إعدادات تدريب موحدة، وهي نقطة مهمة لأنها تقلل أثر العوامل الخارجية، وتُبقي المقارنة مركزة على الفروقات بين بنية النموذجين وقدرتهما على التعامل مع الصور الفلكية، ولأن YOLOv8 أصبح واسع الانتشار في تطبيقات الرؤية الحاسوبية الحديثة، بينما يأتي YOLOv11 كإصدار أحدث يَعِد بتحسينات في الدقة أو السرعة بحسب سياقات الاستخدام، فإن السؤال الذي طرحته الدراسة عمليًا هو، هل الإصدار الأحدث يتفوق بالضرورة في مهمة شديدة الخصوصية مثل اكتشاف الهلال أم أن الواقع أكثر تعقيدًا.

كيف قيّم الباحثون الأداء.. الدقة والكشف ومعنى كل مؤشر

اعتمدت الدراسة في التقييم على مؤشرات أداء من بينها الدقة «Precision» ومؤشر الكشف «Recall»، وبشكل مبسط تقيس الدقة مدى قدرة النموذج على تجنب الإشارات الخاطئة، أي ألا يعلن وجود هلال عندما لا يوجد هلال فعليًا، بينما يقيس مؤشر الكشف قدرة النموذج على التقاط الهلال عندما يكون موجودًا بالفعل، أي ألا يفوّت الهلال الموجود في الصورة، وهذان المؤشران مهمان في سياق رصد الهلال لأن “الإنذار الكاذب” قد يخلق تشويشًا في التحري، بينما “الفشل في الالتقاط” قد يفقد قيمة النظام من الأساس، ولهذا فإن أي مقارنة بين نموذجين يجب أن توازن بين تقليل الأخطاء الكاذبة ورفع القدرة على الالتقاط.

نتائج التقييم.. YOLOv11 يتقدم على الورق في بعض المؤشرات

بحسب الأرقام الواردة، حقق YOLOv8 في مرحلة التقييم دقة بلغت 0.703، وقيمة كشف بلغت 0.707، بينما سجل YOLOv11 دقة أعلى نسبيًا بلغت 0.758، وقيمة كشف بلغت 0.733، وهذه النتائج توحي في ظاهرها بأن YOLOv11 يتفوق في القدرة على تجنب الإشارات غير الصحيحة وفي التقاط الهلال بدرجة أفضل، وهو أمر قد ينسجم مع فكرة أن الإصدار الأحدث يحمل تحسينات، لكن الدراسة لم تتوقف عند هذا المشهد الأول، لأنها انتقلت إلى اختبار مباشر أكثر ارتباطًا بالواقع العملي، وهنا بدأت الصورة تصبح أكثر تشعبًا.

اختبار عملي بست صور جديدة.. مفاجأة صغيرة في المتوسط

في اختبار مباشر باستخدام ست صور جديدة، أربع صور تحتوي على هلال وصورتان لا تحتويان على هلال، بلغ متوسط الدقة 73.2% لنموذج YOLOv8 مقابل 71.5% لنموذج YOLOv11، وهو فرق ليس كبيرًا لكنه يلفت الانتباه لأنه يعكس أن التفوق في مؤشرات التقييم قد لا يتحول تلقائيًا إلى أفضلية واضحة في الاختبار المباشر، خصوصًا عندما يكون عدد الصور قليلًا، وهذا يفتح بابًا مهمًا في فهم الذكاء الاصطناعي، فالنموذج قد يبدو ممتازًا داخل نطاق البيانات القريبة من التدريب، ثم يتذبذب أداؤه عند الانتقال إلى صور جديدة تختلف في الإضاءة أو الضوضاء أو زاوية التصوير، وهو ما يسمى عادة تحدي “التعميم” الذي لا يحسمه إصدار أحدث أو أقدم وحده بل تحسمه جودة وتنوع البيانات أولًا.

لماذا تتباين النتائج بين التقييم والاختبار؟

التباين هنا ليس مفاجأة كبيرة علميًا، لأن الفارق بين التقييم والاختبار قد يرتبط بعوامل عديدة، منها صغر حجم مجموعة التحقق والاختبار، ومنها تشابه الصور المستخدمة في التدريب مع صور التقييم أكثر من تشابهها مع الصور الجديدة، ومنها اختلاف التباين وشدة الضوضاء في الصور الست الجديدة، كما أن كشف الهلال مهمة دقيقة قد تتأثر بأي تغير بسيط في إعدادات الكاميرا أو حالة السماء، ولذلك فإن الدراسة تلمح إلى أن النتائج الحالية لا تكفي لإعلان نموذج “أفضل نهائيًا”، بل تكفي للقول إن النماذج تستطيع الاقتراب من مهمة الكشف بنسبة معقولة، وإن المقارنة بين YOLOv8 وYOLOv11 تُظهر فروقًا محدودة قد تتغير مع زيادة البيانات وتنوعها.

حدود التجربة.. بيانات قليلة وظروف تصوير متنوعة بشكل غير كافٍ

كانت الدراسة واضحة في الإشارة إلى القيود، إذ أوضحت أن التجارب أُجريت تحت محدوديات تتعلق بعدد الصور المتاحة وتنوع الظروف البيئية المصاحبة لالتقاطها، وأكدت أن اختلاف الإضاءة وجودة الصورة ومستويات الضوضاء قد يؤثر في أداء النماذج عند التطبيق في بيئات مختلفة، وهذه النقطة أساسية لأنها تعني أن النظام قد يعمل بشكل مقبول في ظروف معينة ثم يتراجع في ظروف أخرى، مثل رطوبة عالية، أو تلوث ضوئي، أو غيوم رقيقة، أو انعكاسات قرب الأفق، أو اختلاف نوع التلسكوب والحساس، ولذلك يصبح توسيع قاعدة البيانات وتوحيد بعض معايير التصوير أو تصنيفها شرطًا ضروريًا قبل أي حديث عن اعتماد فعلي واسع.

هل يمكن للذكاء الاصطناعي أن “يستبدل” الرصد؟ الإجابة الأكثر واقعية

الورقة لا تذهب إلى فكرة الاستبدال، بل تتحدث عن دور مساعد، فهي تشير إلى أن التقنية قد تساعد في تحديد موقع الهلال داخل الصور عندما يصعب على الشخص العادي ملاحظته، لكنها تؤكد في الوقت نفسه أن هناك تقنيات أخرى مستخدمة منذ سنوات لرصد الهلال تتفوق في قدراتها على ما تحقق في هذه التجربة، وقادرة على إظهار الهلال في الصور بدقة أعلى بكثير، وهذه الجملة تلخص الموقف العلمي المتزن، إذ لا تقدم الدراسة وعودًا كبيرة، بل تعترف بأن الذكاء الاصطناعي هنا لا يزال في مرحلة اختبار الحدود، وأنه قد يكون أداة تكميلية ضمن صندوق أدوات أكبر، لا بديلًا جاهزًا عن خبرة الرصد وتقنيات المعالجة المتقدمة المعروفة في هذا المجال.

القيمة الحقيقية للدراسة.. لماذا تُعد خطوة مهمة رغم النتائج المتوسطة؟

حتى مع النتائج المتوسطة، تحمل الدراسة قيمة واضحة لأنها تربط بين مجالين كانا يسيران غالبًا في مسارين منفصلين، الأول هو علم الفلك التطبيقي المرتبط برصد الهلال، والثاني هو الذكاء الاصطناعي التطبيقي في كشف الأجسام داخل الصور، وهذه المقاربة تفتح بابًا لتطوير أنظمة أكثر نضجًا، مثل بناء مجموعات بيانات أكبر تتضمن ظروفًا متعددة، وإدخال تقنيات تعزيز البيانات لزيادة التنوع، وتدريب النماذج على صور “سلبية” أكثر لتحسين تجنب الإشارات الخاطئة، وتطوير مسارات تجمع بين المعالجة التقليدية للصورة وبين كشف YOLO، بحيث لا يعمل النموذج في فراغ، بل يستفيد من تحسين التباين وتقليل الضوضاء قبل الكشف.

من الفكرة إلى التطبيق.. ما الذي يحتاجه النظام ليصبح أكثر موثوقية؟

إذا أردنا قراءة مستقبلية منطقية لما تقوله الورقة، فإن أول شرط هو توسيع البيانات بشكل كبير، ليس فقط في العدد، بل في التنوع، مع تضمين صور في ظروف غبار، ورطوبة، وغيوم خفيفة، وتلوث ضوئي، وعدسات مختلفة، وأماكن مختلفة، لأن الهلال لا يظهر بنفس الصيغة في كل ليلة ولا في كل موقع، وثاني شرط هو تحسين التوزيع بين التدريب والتحقق والاختبار حتى يصبح القياس أكثر استقرارًا، وثالث شرط هو اختبار النموذج ميدانيًا على نطاق أوسع وبصور غير مألوفة له، لأن القيمة الفعلية لأي نظام رصد ذكي هي قدرته على التعميم، لا قدرته على النجاح داخل نطاق ضيق.

زاوية «AEO» في الموضوع.. إجابات مباشرة لأسئلة الجمهور

الجمهور في هذا النوع من الأخبار يسأل عادة أسئلة محددة، هل يستطيع الذكاء الاصطناعي رؤية الهلال بدل الإنسان، هل سيقل الخلاف على دخول الشهر، هل النتائج دقيقة، وما النموذج الأفضل، والدراسة تعطي إجابات يمكن تلخيصها بوضوح، الذكاء الاصطناعي هنا يُختبر كأداة للكشف داخل الصور وليس كقرار ديني أو تنظيمي، النتائج متوسطة ومتأثرة بقلّة البيانات، YOLOv11 بدا أفضل في بعض مؤشرات التقييم بينما تفوق YOLOv8 قليلًا في متوسط اختبار بست صور، والفارق لا يسمح بحسم نهائي، كما أن الباحثين أنفسهم يقرون بأن هناك تقنيات رصد أخرى أكثر تقدمًا، وهذه الصيغة المباشرة تساعد القارئ على فهم الحدود دون تضخيم.

زاوية «SEO».. لماذا يهم هذا الخبر قطاع التقنية والفلك معًا؟

هذا النوع من الأخبار يجمع جمهورين، جمهور التقنية الذي يتابع تطورات نماذج YOLO وتطبيقاتها، وجمهور الفلك الذي يهتم برصد الأهلة وبدايات الأشهر الهجرية، وعندما يلتقي المجالان يصبح الخبر قابلًا للانتشار لأنه يمس جانبًا دينيًا واجتماعيًا مرتبطًا بالتقويم الهجري، وفي الوقت نفسه يمس شغفًا علميًا يتعلق بكيفية تحويل صورة صعبة إلى قرار كشف آلي، كما أن ذكر تفاصيل مثل حجم البيانات، ونسب التقسيم، وأسماء النماذج، والمؤشرات الرقمية، يجعل المحتوى قابلًا للبحث ومفيدًا للمهتمين بالدراسة أو تطبيقات مشابهة.

الخلاصة التي لا تُقال بصيغة خلاصات.. أين تقف التجربة الآن؟

تضع الورقة البحثية الصادرة بمشاركة دولية نقطة بداية واضحة لمسار قد يتوسع سريعًا إذا توفر دعم البيانات والتجارب، فهي تقول إن YOLO يمكنه الاقتراب من مهمة كشف الهلال داخل الصور الفلكية، وإن المقارنة بين YOLOv8 وYOLOv11 تظهر فروقًا محدودة تتغير حسب طريقة القياس وطبيعة الصور الجديدة، وإن القيود الحالية تجعل النتائج “متوسطة” وليست حاسمة، لكنها في الوقت نفسه تؤكد أن الذكاء الاصطناعي يمكن أن يكون مساعدًا مفيدًا في حالات ضعف التباين، وأن المجال مفتوح لتطوير أدوات رقمية مساندة للرصد، بشرط ألا تُقدَّم بوصفها بديلًا نهائيًا عن التقنيات الأقدر أو عن المعايير الرصدية المعتمدة.

الأسئلة الشائعة

ما هدف الدراسة التي نشرها مركز الفلك الدولي حول الذكاء الاصطناعي ورصد الهلال؟
تهدف إلى اختبار إمكانية استخدام نماذج YOLO لاكتشاف هلال بداية الشهر القمري داخل الصور الفلكية، لتكون أداة رقمية مساندة عند صعوبة الرؤية البصرية؟

ما الفرق بين YOLOv8 وYOLOv11 في هذه الدراسة؟
الدراسة دربت نموذجين بإعدادات موحدة ثم قارنت الأداء، وظهرت فروق محدودة بينهما في مؤشرات التقييم وفي اختبار بصور جديدة؟

كم عدد الصور التي استخدمها الباحثون لتدريب النماذج؟
استخدم الباحثون 200 صورة للهلال جُمعت من مصادر فلكية ومؤسسات رصدية مرتبطة بالمشروع البحثي؟

كيف تم تقسيم البيانات بين التدريب والتحقق والاختبار؟
تم تقسيمها بنسبة 96% للتدريب، و2% للتحقق، و2% للاختبار، وهو تقسيم يعكس محدودية عدد الصور المتاحة؟

ما معنى الدقة Precision ومؤشر الكشف Recall في نتائج الدراسة؟
الدقة تقيس قدرة النموذج على تجنب الإشارات الخاطئة، ومؤشر الكشف يقيس قدرته على التقاط الهلال عندما يكون موجودًا في الصورة؟

ما نتائج YOLOv8 وYOLOv11 في مرحلة التقييم؟
حقق YOLOv8 دقة 0.703 وكشف 0.707، بينما سجل YOLOv11 دقة 0.758 وكشف 0.733 وفق ما ورد في الدراسة؟

ماذا أظهر الاختبار المباشر بالصور الجديدة؟
في اختبار بست صور جديدة بلغ متوسط الدقة 73.2% لنموذج YOLOv8 مقابل 71.5% لنموذج YOLOv11؟

هل تعني هذه النتائج أن الذكاء الاصطناعي يمكنه حسم دخول الشهر؟
لا، الدراسة تطرح الذكاء الاصطناعي كأداة مساعدة داخل الصور، وتؤكد أن هناك تقنيات رصد أخرى تتفوق على ما تحقق في هذه التجربة؟

ما أبرز القيود التي اعترفت بها الدراسة؟
أبرز القيود كانت محدودية عدد الصور وتنوع الظروف البيئية وجودة الإضاءة والضوضاء، وهي عوامل تؤثر على قدرة النماذج على التعميم؟

ما الخطوة التالية لتطوير هذا النوع من الأنظمة؟
توسيع قاعدة البيانات بشكل كبير، وزيادة تنوع ظروف التصوير، وتحسين آليات التقييم والاختبار الميداني، وربط الكشف الذكي بمعالجة صور أكثر تقدمًا؟

اقرأ أيضًا: رمضان بصحة أفضل.. دليل عملي لإفطار متوازن وسحور ذكي وفق توصيات منظمة الصحة العالمية