دليل حول تتبع الأشياء المتحركة في مقاطع الفيديو باستخدام نماذج Ultralytics YOLO

الروبوتات التي يمكنها تجميع الأجزاء الكهربائية، والأنظمة التي تلتقط السيارات المسرعة، وحلول التجزئة الذكية التي تتتبع كيفية تسوق العملاء - تعتمد كل هذه الابتكارات على computer vision. إنه فرع من الذكاء الاصطناعي (AI) يساعد الآلات على تحليل وفهم الصور والفيديوهات.

على سبيل المثال، يحتاج الروبوت إلى التعرف على أجزاء مختلفة ومتابعتها لتجميعها بشكل صحيح. وبالمثل، يمكن لنظام المرور استخدام الرؤية الحاسوبية لرصد السيارات، وقراءة لوحات الترخيص، وتحديد متى يتجاوز شخص ما السرعة المحددة. وفي الوقت نفسه، في المتاجر، يمكن للذكاء الاصطناعي البصري المساعدة في تتبع ما ينظر إليه العملاء أو ما يلتقطونه، ويمكنه حتى مراقبة المخزون.

يتم تشغيل مثل هذه التطبيقات بواسطة نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، والتي تدعم مجموعة واسعة من المهام المرئية. تركز العديد من هذه المهام على جمع الرؤى من صورة واحدة، ولكن إحدى المهام المثيرة للاهتمام بشكل خاص، وهي object tracking، يمكن استخدامها لمتابعة حركة الكائنات عبر سلسلة من الصور أو إطارات الفيديو.

Fig 1. مثال على اكتشاف وتتبع السيارات.

في هذا الدليل، سنلقي نظرة فاحصة على كيفية عمل تتبع الأجسام ونستكشف أمثلة واقعية لكيفية استخدامه. سنناقش أيضًا كيف تدعم نماذج الذكاء الاصطناعي البصري مثل Ultralytics YOLO11 تتبع الأجسام. لنبدأ!

نظرة فاحصة على أنظمة تتبع الرؤية الحاسوبية#

تتبع الكائنات هو computer vision task يُستخدم لمتابعة حركة الكائنات عبر إطارات الفيديو، مما يساعد الأنظمة على مراقبة وفهم كيف تتغير الأشياء ب مرور الوقت. هذا يشبه إلى حد كبير كيف يمكن للبشر بطريقة طبيعية متابعة شخص متحرك أو كتمام بأعينهم، مثل عندما تشاهد مباراة تنس وتتتبع عيناك الكرة وهي تتحرك ذهاباً وإياباً عبر الملعب.

وبنفس الطريقة، يتضمن تتبع الأجسام استخدام الكاميرات والذكاء الاصطناعي لمتابعة حركة الكرة في الوقت الفعلي. يمكن لهذه التقنية أن تمنح المشاهدين في المنزل فهمًا أفضل لسير المباراة، خاصة من خلال التحليلات مثل السرعة والمسار ومواقع اللاعبين.

على الرغم من أن هذا النوع من التتبع البصري قد يبدو سهلاً للبشر، إلا أنه عندما يتعلق الأمر بالرؤية الآلية، فإنه يتضمن سلسلة من الخطوات التي يتم تشغيلها بواسطة نماذج الذكاء الاصطناعي البصري. فيما يلي تفصيل بسيط لكيفية عمل تتبع الأجسام:

• التقاط الفيديو: تسجل الكاميرات لقطات الفيديو، وتلتقط كيفية تحرك الأجسام عبر المشهد بمرور الوقت.
• اكتشاف الكائنات: يمكن لـ computer vision models المدعومة بالذكاء الاصطناعي مثل YOLO11 تحليل كل إطار لتحديد وتحديد موقع كائنات معينة، مثل الأشخاص، أو المركبات، أو المنتجات.
• تعيين الهوية: بمجرد اكتشاف جسم ما، تقوم خوارزميات التتبع بتعيين معرف فريد له لمتابعته عبر إطارات متعددة، مما يضمن أن النظام يعرف أنه نفس الجسم حتى أثناء تحركه.
• مراقبة الحركة: يتتبع النظام الحركة بمرور الوقت، ويمكن استخدام هذه البيانات لجمع معلومات مثل السرعة والاتجاه والتفاعلات مع أجسام أخرى.
• توليد الرؤى: يمكن استخدام هذه المعلومات في الوقت الفعلي لتوفير التحليلات، أو المساعدة في اتخاذ القرار، أو تشغيل تراكبات بصرية - اعتمادًا على حالة الاستخدام المحددة.

مقارنة بين اكتشاف الأجسام وتتبعها باستخدام YOLO#

هناك مهمة أخرى للرؤية الحاسوبية تدعمها نماذج YOLO11 من Ultralytics وترتبط ارتباطًا وثيقًا بتتبع الكائنات وهي اكتشاف الكائنات. دعنا نستكشف الفرق بين هاتين المهمتين.

يتضمن اكتشاف الأجسام تحديد وتحديد مواقع الأجسام ذات الاهتمام داخل صورة واحدة أو إطار فيديو واحد. على سبيل المثال، تستخدم السيارة ذاتية القيادة اكتشاف الأجسام للتعرف على علامة توقف أو أحد المشاة في إطار واحد تلتقطه الكاميرات الموجودة على متنها. إنه يجيب على السؤال: "ماذا يوجد في هذه الصورة، وأين يقع؟" ومع ذلك، فإنه لا يقدم أي معلومات حول المكان الذي سيذهب إليه الجسم بعد ذلك.

يعتمد تتبع الأجسام على اكتشاف الأجسام بإضافة فهم للحركة بمرور الوقت. الفرق الرئيسي بين الاثنين هو كيفية تعاملهما مع الوقت والحركة. يعامل اكتشاف الأجسام كل إطار كلقطة مستقلة، بينما يربط تتبع الأجسام النقاط بين الإطارات، باستخدام البيانات السابقة للتنبؤ بالموقع المستقبلي للجسم.

من خلال الجمع بين الاثنين، يمكننا بناء أنظمة رؤية ذكاء اصطناعي قوية قادرة على التتبع في الوقت الفعلي في بيئات ديناميكية. على سبيل المثال، يمكن لنظام أمان تلقائي اكتشاف الأشخاص الذين يدخلون مساحة وtrack their movement باستمرار عبر الإطار.

التتبع في الوقت الفعلي باستخدام نماذج Ultralytics YOLO#

الآن بعد أن غطينا الفرق بين اكتشاف الأجسام وتتبعها، دعنا نلقي نظرة على كيفية دعم نماذج Ultralytics YOLO، مثل YOLO11، لتتبع الأجسام في الوقت الفعلي.

في حين أن نماذج YOLO ليست خوارزميات تتبع في حد ذاتها، إلا أنها تلعب دورًا أساسيًا من خلال اكتشاف الأجسام في كل إطار فيديو. بمجرد اكتشاف الأجسام، هناك حاجة إلى خوارزميات تتبع لتعيين معرفات فريدة لها، مما يسمح للنظام بمتابعة حركتها من إطار إلى آخر.

لتلبية هذه الحاجة، يدمج Ultralytics Python package بسلاسة اكتشاف الكائنات مع خوارزميات التتبع الشائعة مثل BoT-SORT و ByteTrack. يتيح هذا التكامل للمستخدمين تشغيل الاكتشاف والتتبع معاً بأقل قدر من الإعداد.

عند استخدام نماذج YOLO لتتبع الأجسام، يمكنك اختيار خوارزمية التتبع التي تريد تطبيقها بناءً على متطلبات تطبيقك. على سبيل المثال، يعد BoT-SORT خيارًا جيدًا لمتابعة الأجسام التي تتحرك بشكل غير متوقع، وذلك بفضل استخدامه للتنبؤ بالحركة والتعلم العميق. من ناحية أخرى، يعمل ByteTrack بشكل جيد بشكل خاص في المشاهد المزدحمة، حيث يحافظ على تتبع موثوق حتى عندما تكون الأجسام ضبابية أو مخفية جزئيًا.

Fig 2. يدمج حزمة Ultralytics Python بسلاسة بين BoT-SORT و ByteTrack.

كيف يرتبط تدريب نموذج YOLO المخصص بتتبع الأجسام؟#

التدريب المخصص هو عملية الضبط الدقيق لنموذج كشف كائنات مدرب مسبقاً، مثل Ultralytics YOLO11، على مجموعة بيانات محددة لكي يتمكن من التعرف على الكائنات غير المدرجة في مجموعات البيانات القياسية. وهذا مهم بشكل خاص عندما يحتاج نظام التتبع الخاص بك إلى تتبع كائنات مخصصة أو غير شائعة.

تعتمد أنظمة التتبع على نموذج الاكتشاف للتعرف على الجسم أولاً. إذا لم يتمكن نموذج YOLO من اكتشاف عنصر معين، مثل نوع معين من الآلات أو أنواع الحياة البرية، فلن تتمكن خوارزمية التتبع من متابعته.

لهذا السبب يعد التدريب المخصص ضروريًا: فهو يضمن أن نموذج الاكتشاف يمكنه تحديد الأجسام التي تريد تتبعها بدقة.

من المهم أيضًا أن تضع في اعتبارك أنه يتم ضبط نموذج الاكتشاف فقط أثناء هذه العملية. خوارزميات التتبع، مثل BoT-SORT أو ByteTrack، لا يتم تدريبها بشكل مخصص - فهي ببساطة تستخدم مخرجات نموذج YOLO لمتابعة الأجسام المكتشفة عبر الإطارات.

تطبيقات تتبع الأجسام باستخدام Ultralytics YOLO#

الآن بعد أن أصبح لدينا فهم أفضل لماهية تتبع الأجسام وكيفية عمله، دعنا نستكشف بعض التطبيقات الواقعية حيث تُحدث هذه التقنية تأثيرًا.

التتبع في الوقت الفعلي باستخدام Ultralytics YOLO لتقدير السرعة#

تعتمد أنظمة Speed estimation التي تمكّنها الرؤية الحاسوبية على مهام مثل اكتشاف الكائنات وتتبعها. تم تصميم هذه الأنظمة لحساب مدى سرعة تحرك كائن ما - سواء كانت مركبة، أو راكب دراجة، أو حتى شخصاً. هذه المعلومات بالغة الأهمية لمجموعة متنوعة من التطبيقات، بدءاً من إدارة المرور وحتى مراقبة السلامة والأتمتة الصناعية.

باستخدام نموذج مثل Ultralytics YOLO11، يمكن اكتشاف الأجسام وتتبعها عبر إطارات الفيديو. من خلال تحليل المسافة التي يقطعها الجسم خلال فترة زمنية محددة، يمكن للنظام تقدير سرعته.

Fig 3. استخدام دعم YOLO11 لتتبع الكائنات لتقدير السرعة.

استكشاف تتبع الأجسام في التصنيع#

يمكن أن تكون عمليات التصنيع سريعة الوتيرة ومعقدة للغاية، مما يجعل من الصعب تتبع كل عنصر يتم إنتاجه يدويًا. يوفر تتبع الأجسام حلاً جيدًا لأتمتة مراقبة المنتجات أثناء انتقالها عبر كل مرحلة من مراحل الإنتاج. يمكن أن يساعد المصانع في الحفاظ على مستويات عالية من الدقة والكفاءة دون إبطاء العمليات.

من حساب المنتجات على سير ناقل إلى رصد العيوب أو التحقق من التجميع السليم، يجلب تتبع الكائنات الرؤية والتحكم للمهام التي قد تكون مستهلكة للوقت أو عرضة للأخطاء. هذه التكنولوجيا لها تأثير خاص في الصناعات ذات الحجم الكبير مثل food processing والإلكترونيات والتعبئة، حيث تكون السرعة والدقة أمران حاسمان.

الشكل 4. مثال على تتبع وعد المنتجات الغذائية على خط تجميع باستخدام YOLO11 من Ultralytics.

نظرة عامة على تتبع الأجسام في تحليلات التجزئة#

يدخل عدد لا يحصى من العملاء ويخرجون من retail stores كل يوم، وفهم سلوكهم هو المفتاح لتحسين تجربة العملاء وأداء الأعمال. يجعل تتبع الكائنات من الممكن لتجار التجزئة مراقبة حركة المشاة، وقياس وقت البقاء، وتحليل أنماط الحركة - كل ذلك دون الحاجة إلى طرق غازية أو يدوية.

من خلال تتبع الأفراد أثناء دخولهم وخروجهم وتحركهم في جميع أنحاء المتجر، يمكن للشركات الحصول على رؤى حول ساعات الذروة، والمناطق الشهيرة، وحتى أطوال الطوابير. يمكن لهذه الرؤى أن تُعلم القرارات المتعلقة بالتوظيف، وتخطيط المتجر، ووضع المخزون، مما يؤدي في النهاية إلى عمليات أكثر كفاءة وزيادة في المبيعات.

الشكل 5. استخدام قدرات تتبع الكائنات في YOLO11 من Ultralytics لمراقبة الأشخاص الذين يدخلون ويخرجون من المتجر.

إيجابيات وسلبيات تتبع الأجسام#

من متاجر التجزئة إلى أرضيات المصانع، يتم استخدام تتبع الأجسام في جميع أنواع الصناعات لتحسين عوامل مثل الكفاءة والسلامة والتجربة العامة. فيما يلي بعض الفوائد الرئيسية التي يمكن أن يقدمها تتبع الأجسام لمختلف الصناعات:

• يُمكّن التنبيهات في الوقت الفعلي: يمكن تكوين الأنظمة المدمجة مع تتبع الأجسام لإطلاق تنبيهات تلقائيًا عند اكتشاف شيء غير عادي، مثل دخول شخص إلى منطقة مقيدة أو ترك توصيلة لفترة طويلة في مكان واحد.
• التكامل مع الأنظمة الأخرى: يمكن دمج بيانات تتبع الكائنات مع تقنيات أخرى، مثل facial recognition أو الكاميرات الحرارية أو أنظمة المخزون، للحصول على رؤى أكثر قوة.
• فعال من حيث التكلفة على المدى الطويل: على الرغم من أن الإعداد الأولي قد يتطلب استثمارًا، إلا أن التتبع الآلي يقلل من الحاجة إلى العمل اليدوي، ويقلل من معدلات الخطأ، ويخفض التكاليف التشغيلية بمرور الوقت.

في حين أن هذه الفوائد تسلط الضوء على كيفية تأثير تتبع الأجسام بشكل إيجابي على حالات استخدام مختلفة، فمن المهم أيضًا النظر في التحديات التي ينطوي عليها تنفيذه. لنلقِ نظرة فاحصة على بعض قيود تتبع الأجسام:

• الصعوبة في crowded environments: في البيئات المزدحمة مثل الحفلات الموسيقية أو مراكز التسوق أو شوارع المدينة، قد تواجه أنظمة التتبع صعوبة في التمييز بين الأشخاص أو الكائنات القريبة من بعضها البعض، مما يؤدي إلى الارتباك أو نتائج غير دقيقة.

• حساسة للظروف البيئية: يمكن أن تؤثر الإضاءة الضعيفة، أو الضباب، أو الحركة السريعة، أو اهتزاز الكاميرا على قدرة النظام على تتبع الأجسام بدقة، خاصة في البيئات الخارجية أو غير الخاضعة للرقابة.

• مخاوف تتعلق بالخصوصية والقانون: قد تثير المعالجة غير السليمة للبيانات الشخصية، أو نقص موافقة المستخدم، أو المراقبة في الأماكن العامة قضايا أخلاقية وتؤدي إلى عدم الامتثال لقوانين الخصوصية.

أبرز النقاط#

تتبع الأجسام هو مهمة رؤية حاسوبية تتيح للآلات متابعة حركة الأجسام بمرور الوقت. يتم استخدامه في مجموعة واسعة من السيناريوهات الواقعية - من تقدير سرعة المركبة وعد المنتجات على خط التجميع إلى تحليل حركات اللاعبين في الرياضة.

مع نماذج الرؤية الحاسوبية بالذكاء الاصطناعي مثل Ultralytics YOLO11 وخوارزميات التتبع مثل BoT-SORT وByteTrack، أصبح تتبع الكائنات أسرع وأكثر ذكاءً وأكثر سهولة في الوصول عبر مختلف الصناعات. ومع تطور تكنولوجيا تتبع الكائنات، فإنها تساعد الأنظمة على أنصبحت أكثر ذكاءً وكفاءة واستجابة، إطاراً تلو الآخر.

هل تريد معرفة المزيد عن الرؤية الحاسوبية والذكاء الاصطناعي؟ استكشف مستودع GitHub الخاص بنا، وتواصل مع مجتمعنا، وتحقق من خيارات الترخيص الخاصة بنا لإنطلاق مشروع الرؤية الحاسوبية الخاص بك. إذا كنت تستكشف الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في صناعة السيارات، تفضل بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.