دليل لتتبّع الأجسام المتحركة في مقاطع الفيديو باستخدام نماذج Ultralytics YOLO

تعتمد الروبوتات القادرة على تجميع الأجزاء الكهربائية، والأنظمة التي ترصد السيارات المسرعة، وحلول البيع بالتجزئة الذكية التي تتتبّع كيفية تسوّق العملاء، جميعها على الرؤية الحاسوبية. وهي فرع من فروع الذكاء الاصطناعي (AI) يساعد الآلات على تحليل الصور ومقاطع الفيديو وفهمها.

على سبيل المثال، يحتاج الروبوت إلى التعرّف على الأجزاء المختلفة ومتابعتها لتجميعها بشكل صحيح. وبالمثل، يمكن لنظام المرور استخدام الرؤية الحاسوبية لاكتشاف السيارات، وقراءة لوحات الترخيص، وتحديد متى تتجاوز سيارة السرعة. وفي المتاجر، يمكن للذكاء الاصطناعي للرؤية المساعدة في تتبّع ما ينظر إليه العملاء أو يلتقطونه، بل ويمكنه أيضًا مراقبة المخزون.

تعمل مثل هذه التطبيقات بفضل نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، التي تدعم مجموعة واسعة من المهام البصرية. تركز العديد من هذه المهام على استخراج الرؤى من صورة واحدة، لكن إحدى المهام المثيرة للاهتمام، وهي تتبّع الأجسام، يمكن استخدامها لمتابعة حركة الأجسام عبر سلسلة من الصور أو إطارات الفيديو.

الشكل 1. مثال على اكتشاف السيارات وتتبّعها.

في هذا الدليل، سنُلقي نظرةً أقرب على كيفية عمل تتبّع الأجسام، ونستكشف أمثلة واقعية على استخدامه. كما سنناقش كيفية دعم نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO11، لتتبّع الأجسام. لنبدأ!

نظرة أقرب على أنظمة تتبّع الرؤية الحاسوبية#

تتبّع الأجسام هو مهمة من مهام الرؤية الحاسوبية تُستخدم لمتابعة حركة الأجسام عبر إطارات الفيديو، مما يساعد الأنظمة على مراقبة التغيّرات وفهمها بمرور الوقت. وهذا يشبه إلى حد كبير الطريقة التي يستطيع بها البشر طبيعيًا متابعة شخص أو جسم متحرك بأعينهم، كما يحدث عند مشاهدة مباراة تنس وتتبع العينين للكرة وهي تتحرك ذهابًا وإيابًا عبر الملعب.

وبالطريقة نفسها، يتضمن تتبّع الأجسام استخدام الكاميرات والذكاء الاصطناعي لمتابعة حركة الكرة في الوقت الفعلي. ويمكن لهذه التقنية أن تمنح المشاهدين في المنزل فهمًا أفضل لسير المباراة، ولا سيما من خلال تحليلات مثل السرعة والمسار ومواقع اللاعبين.

قد يبدو هذا النوع من التتبّع البصري سهلًا للبشر، لكنه في الرؤية الآلية يتضمن سلسلة من الخطوات التي تدعمها نماذج الذكاء الاصطناعي للرؤية. إليك شرحًا مبسّطًا لكيفية عمل تتبّع الأجسام:

• التقاط الفيديو: تسجّل الكاميرات لقطات الفيديو، ملتقطةً كيفية تحرّك الأجسام ضمن المشهد بمرور الوقت.
• اكتشاف الأجسام: يمكن لنماذج الرؤية الحاسوبية المدعومة بالذكاء الاصطناعي، مثل YOLO11، تحليل كل إطار لتحديد أجسام معينة وتحديد مواقعها، مثل الأشخاص أو المركبات أو المنتجات.
• إسناد الهوية: بمجرد اكتشاف جسم ما، تُسنِد خوارزميات التتبّع إليه معرّفًا فريدًا لمتابعته عبر إطارات متعددة، مما يضمن معرفة النظام أنه الجسم نفسه حتى أثناء تحرّكه.
• مراقبة الحركة: يتتبّع النظام الحركة بمرور الوقت، ويمكن استخدام هذه البيانات لجمع معلومات مثل السرعة والاتجاه والتفاعلات مع الأجسام الأخرى.
• استخراج الرؤى: يمكن استخدام هذه المعلومات في الوقت الفعلي لتوفير التحليلات، أو دعم اتخاذ القرار، أو تشغيل التراكبات البصرية، وفقًا لحالة الاستخدام المحددة.

مقارنة اكتشاف الأجسام وتتبّعها باستخدام YOLO#

هناك مهمة أخرى من مهام الرؤية الحاسوبية يدعمها Ultralytics YOLO11 وترتبط ارتباطًا وثيقًا بتتبّع الأجسام، وهي اكتشاف الأجسام. لنستكشف الفرق بين هاتين المهمتين.

يتضمن اكتشاف الأجسام تحديد الأجسام موضع الاهتمام وتحديد مواقعها ضمن صورة واحدة أو إطار فيديو واحد. على سبيل المثال، تستخدم سيارة ذاتية القيادة اكتشاف الأجسام للتعرّف على علامة توقف أو أحد المشاة في إطار واحد تلتقطه الكاميرات الموجودة على متنها. وهو يجيب عن السؤال: «ما الموجود في هذه الصورة، وأين يوجد؟» لكنه لا يقدّم أي معلومات حول المكان الذي سيتجه إليه الجسم لاحقًا.

يبني تتبّع الأجسام على اكتشاف الأجسام بإضافة فهم للحركة بمرور الوقت. ويتمثل الفرق الأساسي بينهما في كيفية تعاملهما مع الزمن والحركة. يتعامل اكتشاف الأجسام مع كل إطار على أنه لقطة مستقلة، بينما يربط تتبّع الأجسام النقاط بين الإطارات، مستخدمًا البيانات السابقة للتنبؤ بالموضع المستقبلي للجسم.

من خلال الجمع بين المهمتين، يمكننا بناء أنظمة قوية للذكاء الاصطناعي للرؤية قادرة على التتبّع في الوقت الفعلي ضمن البيئات الديناميكية. فعلى سبيل المثال، يمكن لنظام أمني آلي اكتشاف الأشخاص الذين يدخلون إلى مساحة ما وتتبّع حركتهم باستمرار عبر الإطار.

التتبّع في الوقت الفعلي باستخدام نماذج Ultralytics YOLO#

بعد أن غطّينا الفرق بين اكتشاف الأجسام وتتبّعها، دعونا نلقِ نظرة على كيفية دعم نماذج Ultralytics YOLO، مثل YOLO11، لتتبّع الأجسام في الوقت الفعلي.

رغم أن نماذج YOLO ليست خوارزميات تتبّع بحد ذاتها، فإنها تؤدي دورًا أساسيًا من خلال اكتشاف الأجسام في كل إطار فيديو. وبعد اكتشاف الأجسام، تكون هناك حاجة إلى خوارزميات التتبّع لإسناد معرّفات فريدة إليها، مما يسمح للنظام بمتابعة حركتها من إطار إلى آخر.

لتلبية هذه الحاجة، تدمج حزمة Ultralytics Python بسلاسة اكتشاف الأجسام مع خوارزميات التتبّع الشائعة مثل BoT-SORT وByteTrack. ويتيح هذا التكامل للمستخدمين تشغيل الاكتشاف والتتبّع معًا بأقل قدر من الإعداد.

عند استخدام نماذج YOLO لتتبّع الأجسام، يمكنك اختيار خوارزمية التتبّع التي تريد تطبيقها استنادًا إلى متطلبات تطبيقك. فعلى سبيل المثال، يُعد BoT-SORT خيارًا جيدًا لمتابعة الأجسام التي تتحرك بشكل غير متوقّع، بفضل استخدامه التنبؤ بالحركة والتعلّم العميق. أما ByteTrack، فيؤدي أداءً جيدًا بشكل خاص في المشاهد المزدحمة، إذ يحافظ على تتبّع موثوق حتى عندما تكون الأجسام ضبابية أو محجوبة جزئيًا.

الشكل 2. تدمج حزمة Ultralytics Python بسلاسة بين BoT-SORT وByteTrack.

ما علاقة تدريب نموذج YOLO مخصّص بتتبّع الأجسام؟#

التدريب المخصّص هو عملية ضبط نموذج مُدرَّب مسبقًا لاكتشاف الأجسام، مثل Ultralytics YOLO11، على مجموعة بيانات محددة حتى يتمكن من التعرّف على أجسام غير مضمنة في مجموعات البيانات القياسية. ويكتسب ذلك أهمية خاصة عندما يحتاج نظام التتبّع لديك إلى متابعة أجسام مخصّصة أو غير شائعة.

تعتمد أنظمة التتبّع على نموذج الاكتشاف للتعرّف على الجسم أولًا. فإذا تعذّر على نموذج YOLO اكتشاف عنصر معين، مثل نوع محدد من الآلات أو أحد أنواع الحياة البرية، فلن تتمكن خوارزمية التتبّع من متابعته.

ولهذا السبب يُعد التدريب المخصّص ضروريًا، إذ يضمن قدرة نموذج الاكتشاف على تحديد الأجسام التي تريد تتبّعها بدقة.

ومن المهم أيضًا أن تضع في اعتبارك أن نموذج الاكتشاف وحده هو الذي يُضبط أثناء هذه العملية. أما خوارزميات التتبّع، مثل BoT-SORT أو ByteTrack، فلا تُدرَّب تدريبًا مخصّصًا، بل تستخدم ببساطة مخرجات نموذج YOLO لمتابعة الأجسام المكتشفة عبر الإطارات.

تطبيقات تتبّع الأجسام باستخدام Ultralytics YOLO#

بعد أن كوّنا فهمًا أفضل لماهية تتبّع الأجسام وكيفية عمله، دعونا نستكشف بعض التطبيقات الواقعية التي تُحدث فيها هذه التقنية أثرًا.

التتبّع في الوقت الفعلي باستخدام Ultralytics YOLO لتقدير السرعة#

تعتمد أنظمة تقدير السرعة المدعومة بالرؤية الحاسوبية على مهام مثل اكتشاف الأجسام وتتبّعها. وصُممت هذه الأنظمة لحساب سرعة تحرّك جسم ما، سواء كان مركبة أو راكب دراجة أو حتى شخصًا. وتُعد هذه المعلومات بالغة الأهمية لمجموعة متنوعة من التطبيقات، بدءًا من إدارة حركة المرور وصولًا إلى مراقبة السلامة والأتمتة الصناعية.

باستخدام نموذج مثل Ultralytics YOLO11، يمكن اكتشاف الأجسام وتتبّعها عبر إطارات الفيديو. ومن خلال تحليل المسافة التي يقطعها جسم ما خلال فترة زمنية محددة، يستطيع النظام تقدير سرعته.

الشكل 3. استخدام دعم YOLO11 لتتبّع الأجسام من أجل تقدير السرعة.

استكشاف تتبّع الأجسام في التصنيع#

يمكن أن تكون عمليات التصنيع سريعة الوتيرة ومعقدة للغاية، مما يجعل تتبّع كل عنصر يُنتج يدويًا أمرًا صعبًا. ويوفّر تتبّع الأجسام حلًا جيدًا لأتمتة مراقبة المنتجات أثناء انتقالها عبر كل مرحلة من مراحل الإنتاج. ويمكنه مساعدة المصانع على الحفاظ على مستويات عالية من الدقة والكفاءة دون إبطاء العمليات.

بدءًا من عدّ المنتجات على حزام ناقل، ووصولًا إلى اكتشاف العيوب أو التحقّق من التجميع الصحيح، يوفّر تتبّع الأجسام رؤية وتحكمًا في مهام كانت ستستغرق وقتًا طويلًا أو تكون عرضة للأخطاء. وتُحدث هذه التقنية أثرًا كبيرًا بشكل خاص في الصناعات ذات الإنتاجية العالية مثل معالجة الأغذية والإلكترونيات والتغليف، حيث تُعد السرعة والدقة أمرين حاسمين.

الشكل 4. مثال على تتبّع المنتجات الغذائية وعدّها على خط تجميع باستخدام Ultralytics YOLO11.

نظرة عامة على تتبّع الأجسام في تحليلات البيع بالتجزئة#

يدخل عدد لا يُحصى من العملاء إلى متاجر البيع بالتجزئة ويخرجون منها يوميًا، ويُعد فهم سلوكهم أمرًا أساسيًا لتحسين تجربة العملاء وأداء الأعمال على حد سواء. ويتيح تتبّع الأجسام لتجار التجزئة مراقبة حركة الزوار، وقياس مدة المكوث، وتحليل أنماط الحركة، دون الحاجة إلى أساليب يدوية أو متطفلة.

من خلال تتبّع الأفراد أثناء دخولهم المتجر وخروجهم منه وتنقّلهم في أرجائه، يمكن للشركات الحصول على رؤى حول ساعات الذروة والمناطق الشائعة وحتى أطوال قوائم الانتظار. ويمكن لهذه الرؤى توجيه القرارات المتعلقة بعدد الموظفين وتخطيط المتجر ووضع المخزون، مما يؤدي في نهاية المطاف إلى عمليات أكثر كفاءة وزيادة المبيعات.

الشكل 5. استخدام قدرات Ultralytics YOLO11 في تتبّع الأجسام لمراقبة الأشخاص أثناء دخولهم متجرًا وخروجهم منه.

إيجابيات وسلبيات تتبّع الأجسام#

من متاجر البيع بالتجزئة إلى أرضيات المصانع، يُستخدم تتبّع الأجسام في مختلف الصناعات لتحسين عوامل مثل الكفاءة والسلامة والتجربة العامة. فيما يلي بعض الفوائد الرئيسية التي يمكن أن يقدّمها تتبّع الأجسام لمختلف الصناعات:

• يتيح التنبيهات في الوقت الفعلي: يمكن تهيئة الأنظمة المدمج فيها تتبّع الأجسام لإطلاق تنبيهات تلقائيًا عند اكتشاف أمر غير معتاد، مثل دخول شخص إلى منطقة محظورة أو ترك شحنة مدة طويلة في مكان واحد.
• يتكامل مع الأنظمة الأخرى: يمكن دمج بيانات تتبّع الأجسام مع تقنيات أخرى، مثل التعرّف على الوجوه أو الكاميرات الحرارية أو أنظمة المخزون، للحصول على رؤى أكثر قوة.
• فعّال من حيث التكلفة على المدى الطويل: رغم أن الإعداد الأولي قد يتطلب استثمارًا، فإن التتبّع الآلي يقلل الحاجة إلى العمل اليدوي، ويخفض معدلات الخطأ، ويقلل التكاليف التشغيلية بمرور الوقت.

في حين تبرز هذه الفوائد التأثير الإيجابي لتتبّع الأجسام في حالات الاستخدام المختلفة، فمن المهم أيضًا مراعاة التحديات المرتبطة بتنفيذه. لنلقِ نظرةً أقرب على بعض قيود تتبّع الأجسام:

• صعوبة التتبّع في البيئات المزدحمة: في الأماكن المزدحمة مثل الحفلات الموسيقية أو مراكز التسوق أو شوارع المدن، قد تواجه أنظمة التتبّع صعوبة في التمييز بين الأشخاص أو الأجسام المتقاربة، مما يؤدي إلى الالتباس أو نتائج غير دقيقة.

• الحساسية للظروف البيئية: يمكن أن تؤثر الإضاءة الضعيفة أو الضباب أو الحركة السريعة أو اهتزاز الكاميرا في قدرة النظام على تتبّع الأجسام بدقة، ولا سيما في البيئات الخارجية أو غير الخاضعة للتحكم.

• مخاوف الخصوصية والمخاوف القانونية: قد تؤدي المعالجة غير السليمة للبيانات الشخصية أو عدم الحصول على موافقة المستخدم أو المراقبة في الأماكن العامة إلى إثارة قضايا أخلاقية وعدم الامتثال لقوانين الخصوصية.

أهم النقاط المستخلصة#

تتبّع الأجسام هو مهمة من مهام الرؤية الحاسوبية تتيح للآلات متابعة حركة الأجسام بمرور الوقت. ويُستخدم في مجموعة واسعة من السيناريوهات الواقعية، بدءًا من تقدير سرعة المركبات وعدّ المنتجات على خط التجميع، ووصولًا إلى تحليل حركات اللاعبين في الرياضات.

بفضل نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 وخوارزميات التتبّع مثل BoT-SORT وByteTrack، أصبح تتبّع الأجسام أسرع وأكثر ذكاءً وإتاحةً عبر مختلف الصناعات. ومع تطوّر تقنية تتبّع الأجسام، فإنها تساعد الأنظمة على أن تصبح أكثر ذكاءً وكفاءةً واستجابةً، إطارًا تلو الآخر.

هل تريد معرفة المزيد عن الرؤية الحاسوبية والذكاء الاصطناعي؟ استكشف مستودعنا على GitHub، وتواصل مع مجتمعنا، واطّلع على خيارات الترخيص لبدء مشروعك في مجال الرؤية الحاسوبية. وإذا كنت تستكشف ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في قطاع السيارات، فتفضل بزيارة صفحات حلولنا لاكتشاف المزيد.