دليل لتتبع الأجسام المتحركة في مقاطع الفيديو باستخدام نماذج Ultralytics YOLO

تعتمد جميع هذه الابتكارات، من الروبوتات التي تجمع الأجزاء الكهربائية وأنظمة رصد السيارات المسرعة إلى حلول البيع بالتجزئة الذكية التي تتتبع طريقة تسوق العملاء، 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 لتركيبها على نحو صحيح. وبالمثل، يمكن لنظام المرور استخدام الرؤية الحاسوبية لرصد السيارات وقراءة لوحات ترخيصها وتحديد ما إذا كان أحدهم يتجاوز السرعة المحددة. وفي المتاجر، يمكن للذكاء الاصطناعي البصري تتبع ما ينظر إليه العملاء أو يلتقطونه، بل ومراقبة المخزون أيضًا.

تدعم تطبيقات كهذه نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، التي تتيح تنفيذ مجموعة واسعة من المهام المرئية. وتركز مهام كثيرة من هذه المهام على استخلاص الرؤى من صورة واحدة، لكن هناك مهمة مثيرة للاهتمام على وجه الخصوص، وهي تتبع الأجسام، ويمكن استخدامها لمتابعة حركة الأجسام عبر سلسلة من الصور أو إطارات الفيديو.

الشكل 1. مثال على اكتشاف السيارات وتتبعها.

في هذا الدليل، سنتناول بمزيد من التفصيل آلية عمل تتبع الأجسام، ونستكشف أمثلة واقعية على استخدامه. كما سنناقش كيفية دعم نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO11، لتتبع الأجسام.

نظرة عن كثب على أنظمة تتبع الرؤية الحاسوبية#

تتبع الأجسام هو مهمة في الرؤية الحاسوبية تُستخدم لمتابعة حركة الأجسام عبر إطارات الفيديو، مما يساعد الأنظمة على مراقبة التغيرات وفهمها بمرور الوقت. ويشبه ذلك إلى حد كبير قدرة البشر الطبيعية على متابعة شخص أو جسم متحرك بأعينهم، كما يحدث عند مشاهدة مباراة تنس وتتبع الكرة وهي تتحرك ذهابًا وإيابًا عبر الملعب.

وبالطريقة نفسها، يتضمن تتبع الأجسام استخدام الكاميرات والذكاء الاصطناعي لمتابعة حركة الكرة في الوقت الفعلي. ويمكن لهذه التقنية أن تساعد المشاهدين في المنزل على فهم مجريات المباراة بصورة أفضل، ولا سيما من خلال تحليلات مثل السرعة والمسار ومواقع اللاعبين.

قد يبدو هذا النوع من التتبع البصري سهلًا للبشر، لكنه يتطلب في الرؤية الآلية سلسلة من الخطوات التي تدعمها نماذج الذكاء الاصطناعي البصري. وفيما يلي شرح مبسط لكيفية عمل تتبع الأجسام:

• التقاط الفيديو: تسجل الكاميرات لقطات الفيديو، ملتقطةً حركة الأجسام في المشهد بمرور الوقت.
• اكتشاف الأجسام: تستطيع نماذج الرؤية الحاسوبية المدعومة بالذكاء الاصطناعي، مثل YOLO11، تحليل كل إطار لتحديد أجسام معينة، مثل الأشخاص والمركبات والمنتجات، وتحديد مواقعها.
• إسناد الهوية: بعد اكتشاف كائن، تُسنِد خوارزميات التتبّع إليه معرّفًا فريدًا لمتابعته عبر إطارات متعددة، ما يضمن أن النظام يعرف أنه الكائن نفسه حتى أثناء تحرّكه.
• مراقبة الحركة: يتتبّع النظام الحركة بمرور الوقت، ويمكن استخدام هذه البيانات لجمع معلومات مثل السرعة والاتجاه والتفاعلات مع الكائنات الأخرى.
• استخلاص الرؤى: يمكن استخدام هذه المعلومات في الوقت الفعلي لتوفير التحليلات أو دعم اتخاذ القرار أو عرض التراكبات المرئية، بحسب حالة الاستخدام المحددة.

مقارنة اكتشاف الكائنات وتتبعها باستخدام YOLO#

من مهام الرؤية الحاسوبية الأخرى التي يدعمها Ultralytics YOLO11، وترتبط ارتباطًا وثيقًا بتتبّع الكائنات، اكتشاف الكائنات. لنستكشف الفرق بين هاتين المهمتين.

يتضمن اكتشاف الكائنات تحديد الكائنات محل الاهتمام وتحديد مواقعها ضمن صورة واحدة أو إطار فيديو واحد. على سبيل المثال، تستخدم السيارة ذاتية القيادة اكتشاف الكائنات للتعرّف على علامة توقف أو أحد المشاة في إطار واحد تلتقطه الكاميرات المثبّتة على متنها. ويجيب ذلك عن السؤال: «ما الموجود في هذه الصورة، وأين يوجد؟» لكنه لا يوفر أي معلومات عن وجهة الكائن التالية.

يبني تتبّع الكائنات على اكتشاف الكائنات بإضافة فهم للحركة بمرور الوقت. ويتمثل الفرق الأساسي بينهما في كيفية التعامل مع الزمن والحركة. إذ يتعامل اكتشاف الكائنات مع كل إطار بوصفه لقطة مستقلة، بينما يربط تتبّع الكائنات النقاط بين الإطارات، مستخدمًا البيانات السابقة للتنبؤ بالموقع المستقبلي للكائن.

من خلال الجمع بين المهمتين، يمكننا إنشاء أنظمة ذكاء اصطناعي للرؤية قوية وقادرة على التتبّع في الوقت الفعلي ضمن بيئات ديناميكية. فعلى سبيل المثال، يمكن لنظام أمني آلي اكتشاف الأشخاص عند دخولهم مكانًا ما ومواصلة تتبّع حركتهم عبر الإطار.

التتبّع في الوقت الفعلي باستخدام نماذج Ultralytics YOLO#

بعد أن تناولنا الفرق بين اكتشاف الكائنات وتتبعها، لنلقِ نظرة على كيفية دعم نماذج Ultralytics YOLO، مثل YOLO11، لتتبّع الكائنات في الوقت الفعلي.

مع أن نماذج YOLO ليست خوارزميات تتبّع بحد ذاتها، فإنها تؤدي دورًا أساسيًا في اكتشاف الكائنات في كل إطار فيديو. وبعد اكتشاف الكائنات، تلزم خوارزميات التتبّع لإسناد معرّفات فريدة إليها، ما يتيح للنظام متابعة حركتها من إطار إلى آخر.

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

عند استخدام نماذج YOLO لتتبع الأجسام، يمكنك اختيار خوارزمية التتبع التي تريد تطبيقها وفقًا لمتطلبات تطبيقك. فعلى سبيل المثال، يُعد BoT-SORT خيارًا مناسبًا لتتبع الأجسام التي تتحرك بصورة غير متوقعة، بفضل استخدامه التنبؤ بالحركة والتعلم العميق. أما ByteTrack، فيؤدي أداءً متميزًا في المشاهد المزدحمة، إذ يحافظ على موثوقية التتبع حتى عندما تكون الأجسام ضبابية أو محجوبة جزئيًا.

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

ما صلة تدريب نموذج YOLO مخصص بتتبّع الكائنات؟#

التدريب المخصص هو عملية ضبط دقيق لنموذج مدرّب مسبقًا لاكتشاف الأجسام، مثل Ultralytics YOLO11، على مجموعة بيانات محددة، كي يتمكن من التعرف على أجسام غير موجودة في مجموعات البيانات القياسية. ويكتسب ذلك أهمية خاصة عندما يحتاج نظام التتبع لديك إلى تتبع أجسام مخصصة أو غير شائعة.

تعتمد أنظمة التتبّع على نموذج الكشف للتعرّف على الكائن أولًا. فإذا عجز نموذج YOLO عن اكتشاف عنصر معين، مثل نوع محدد من الآلات أو أنواع الحياة البرية، فلن تتمكن خوارزمية التتبّع من متابعته.

لذلك يُعد التدريب المخصص ضروريًا: فهو يضمن قدرة نموذج الكشف على تحديد الكائنات التي تريد تتبّعها بدقة.

ومن المهم أيضًا الانتباه إلى أن نموذج الاكتشاف وحده هو الذي يُضبط بدقة خلال هذه العملية. أما خوارزميات التتبع، مثل BoT-SORT أو ByteTrack، فلا تخضع لتدريب مخصص؛ بل تستخدم ببساطة مخرجات نموذج YOLO لتتبع الأجسام المكتشفة عبر الإطارات.

تطبيقات تتبّع الكائنات باستخدام Ultralytics YOLO#

بعد أن كوّنا فهمًا أفضل لماهية تتبّع الكائنات وكيفية عمله، لنستكشف بعض التطبيقات العملية 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 الكائنات وتتبعها. وقد صُممت هذه الأنظمة لحساب سرعة حركة كائن ما، سواء كان مركبة أو 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 الكائنات وتتبعها عبر إطارات الفيديو. ومن خلال تحليل المسافة التي يقطعها كائن خلال فترة زمنية محددة، يستطيع النظام تقدير سرعته.

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

استكشاف تتبّع الكائنات في التصنيع#

قد تكون عمليات التصنيع سريعة الإيقاع وشديدة التعقيد، ما يجعل تتبّع كل عنصر قيد الإنتاج يدويًا أمرًا صعبًا. ويوفر تتبّع الكائنات حلًا مناسبًا لأتمتة مراقبة المنتجات أثناء انتقالها عبر مراحل الإنتاج. ويمكن أن يساعد المصانع على الحفاظ على مستويات عالية من الدقة والكفاءة دون إبطاء سير العمل.

من عدّ المنتجات على السير الناقل إلى رصد العيوب أو التحقق من صحة التجميع، يوفّر تتبّع الكائنات رؤية وتحكمًا في مهام كانت ستستغرق وقتًا طويلًا أو تكون عرضة للأخطاء لولا ذلك. وتُحدث هذه التقنية أثرًا كبيرًا خصوصًا في الصناعات ذات الإنتاج الضخم، مثل تصنيع الأغذية والإلكترونيات والتعبئة والتغليف، حيث تُعد السرعة والدقة عاملين حاسمين.

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

نظرة عامة على تتبّع الكائنات في تحليلات قطاع التجزئة#

يدخل عدد لا يُحصى من العملاء إلى متاجر التجزئة ويخرجون منها كل يوم، ويُعد فهم سلوكهم أمرًا أساسيًا لتحسين تجربة العملاء وأداء الأعمال. ويتيح تتبّع الكائنات لتجار التجزئة مراقبة حركة الزوار وقياس مدة بقائهم وتحليل أنماط حركتهم، من دون الحاجة إلى أساليب تدخلية أو يدوية.

من خلال تتبّع الأفراد عند دخولهم المتجر وخروجهم منه وتحركهم في أرجائه، يمكن للشركات استخلاص رؤى حول ساعات الذروة والمناطق الأكثر شعبية وحتى أطوال الطوابير. ويمكن أن تساعد هذه الرؤى في توجيه القرارات المتعلقة بالموظفين وتصميم المتجر وتوزيع المخزون، ما يؤدي في نهاية المطاف إلى عمليات أكثر كفاءة وزيادة المبيعات.

الشكل 5. استخدام قدرات Ultralytics YOLO11 في تتبّع الكائنات لمراقبة الأشخاص عند دخولهم المتجر وخروجهم منه.

إيجابيات تتبّع الكائنات وسلبياته#

يُستخدم تتبّع الكائنات في مختلف القطاعات، من متاجر التجزئة إلى أرضيات المصانع، لتحسين عوامل مثل الكفاءة والسلامة والتجربة العامة. فيما يلي بعض الفوائد الرئيسية التي يمكن أن يحققها تتبّع الكائنات لمختلف القطاعات:

• إتاحة التنبيهات في الوقت الفعلي: يمكن ضبط الأنظمة المدمجة مع تتبّع الكائنات لإطلاق تنبيهات تلقائيًا عند اكتشاف أمر غير معتاد، مثل دخول شخص إلى منطقة محظورة أو ترك طرد في مكان واحد مدة طويلة.
• التكامل مع الأنظمة الأخرى: يمكن دمج بيانات تتبع الأجسام مع تقنيات أخرى، مثل التعرف على الوجوه والكاميرات الحرارية وأنظمة المخزون، للحصول على رؤى أشمل.
• فعالية التكلفة على المدى الطويل: قد يتطلب الإعداد الأولي استثمارًا، لكن التتبّع الآلي يقلل الحاجة إلى العمل اليدوي، ويخفض معدلات الأخطاء، ويحد من تكاليف التشغيل بمرور الوقت.

مع أن هذه الفوائد تبرز الأثر الإيجابي لتتبّع الكائنات في حالات الاستخدام المختلفة، فمن المهم أيضًا مراعاة التحديات المرتبطة بتطبيقه. لنلقِ نظرة عن كثب على بعض محدوديات تتبّع الكائنات:

• صعوبة العمل في البيئات المزدحمة: في الأماكن المكتظة مثل الحفلات الموسيقية ومراكز التسوق وشوارع المدن، قد تواجه أنظمة التتبّع صعوبة في التمييز بين الأشخاص أو الكائنات المتقاربة، ما يؤدي إلى الالتباس أو نتائج غير دقيقة.
• التأثر بالظروف البيئية: قد تؤثر الإضاءة الضعيفة أو الضباب أو الحركة السريعة أو اهتزاز الكاميرا في قدرة النظام على تتبّع الكائنات بدقة، وخصوصًا في البيئات الخارجية أو غير الخاضعة للتحكم.
• مخاوف الخصوصية والجوانب القانونية: قد تؤدي المعالجة غير السليمة للبيانات الشخصية أو غياب موافقة المستخدم أو المراقبة في الأماكن العامة إلى إثارة قضايا أخلاقية ومخالفة قوانين الخصوصية.

أبرز النقاط#

تتبّع الكائنات مهمة في الرؤية الحاسوبية تتيح للآلات متابعة حركة الكائنات بمرور الوقت. ويُستخدم في مجموعة واسعة من السيناريوهات العملية، بدءًا من تقدير سرعة المركبات وعدّ المنتجات على خط التجميع وصولًا إلى تحليل تحركات اللاعبين في الرياضة.

بفضل نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11 وخوارزميات التتبع مثل BoT-SORT وByteTrack، أصبح تتبع الأجسام أسرع وأذكى وأكثر سهولة في قطاعات مختلفة. ومع تطور تقنية تتبع الأجسام، تساعد هذه التقنية الأنظمة على أن تصبح أكثر ذكاءً وكفاءة واستجابة، إطارًا تلو الآخر.

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