تدريب Ultralytics YOLO11 مخصصًا لتقدير وضعية الكلب

ماذا لو كانت وضعية كلبك تمنحك رؤى حول شعوره؟ إن مراقبته يدوياً على مدار الساعة ليس بالأمر السهل. ومع ذلك، بفضل التطورات في الذكاء الاصطناعي (AI) وcomputer vision، يمكننا تحليل لقطات الفيديو في الوقت الفعلي لفهم سلوكه بشكل أفضل.

على وجه التحديد، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 المساعدة في تقدير وضعية الكلب وتتبع حركته، مما يوفر رؤى قيّمة حول رفاهيته. كيف يعمل هذا؟ يمكن لقدرة تقدير الوضعية في YOLO11 تحديد النقاط الرئيسية على جسم الكائن لفهم وضعيته وحركته.

أيضاً، يمكن تدريب YOLO11 بشكل مخصص على مجموعة بيانات مصممة لتقدير وضعية الكلاب، مما يجعل من الممكن تحليل لغة جسد حيوانك الأليف بدقة. تدعم حزمة بايثون من Ultralytics Dog-Pose Dataset مما يسهل تدريب ونشر نماذج ذكاء رؤية اصطناعي للكلاب. هذه التكنولوجيا جزء من pet tech market المزدهر، والذي بلغت قيمته 9.4 مليار دولار في عام 2024 ومن المتوقع أن يصل إلى 64 مليار دولار بحلول عام 2037.

الإلهام وراء هذه المقالة هو بلوز، مدير تنفيذ الكلاب (DEO) لدينا. إذا قمت بزيارة صفحة About Us الخاصة بنا، سترى أن بلوز عضو قيم في الفريق ويلعب دوراً هاماً في الحفاظ على الأجواء المرحة في Ultralytics!

في هذه المقالة، سنناقش كيفية التدريب المخصص لـ Ultralytics YOLO11 باستخدام مجموعة بيانات تقدير وضعية الكلاب (Dog-Pose Dataset) لتقدير وضعية الكلاب. سنستكشف أيضاً تطبيقاتها العملية في رعاية الحيوانات الأفيفة وتحليل السلوك.

الشكل 1. تعرف على Blues، المدير التنفيذي للكلاب (DEO) في Ultralytics.

نظرة عامة على مجموعة بيانات Dog-Pose#

dataset هو مجموعة من البيانات المستخدمة لتدريب نماذج التعلم الآلي. بالنسبة لـ pose estimation، تتضمن مجموعة البيانات المثالية صوراً مع نقاط رئيسية مُعَلَّمة لتعيين وضعيات الجسم. وينبغي أن تحتوي أيضاً على مجموعة متنوعة من الوضعيات، والزوايا، و ظروف الإضاءة، والخلفيات لمساعدة النموذج على تعلم التعرف على الوضعيات والتنبؤ بها بدقة. هذا التنوع يجعل النموذج أكثر موثوقية للاستخدام في العالم الحقيقي.

صُممت مجموعة بيانات Dog-Pose، المدعومة من Ultralytics، خصيصاً لمساعدة النماذج على تعلم والتعرف على وضعيات الكلاب بفعالية. وهي تتضمن أكثر من 8,400 صورة مشروحة لسلالات مختلفة من الكلاب، مع تصنيفات تفصيلية لـ 24 نقطة رئيسية، مثل الذيل، والأذنين، والمخالب.

Fig 2. نظرة عامة على مجموعة بيانات Dog-Pose Dataset.

كيفية التدريب المخصص لنموذج Ultralytics YOLO11 باستخدام مجموعة بيانات وضعية الكلاب (Dog-Pose Dataset)#

يعد التدريب المخصص لنموذج YOLO11 باستخدام Dog-Pose Dataset عملية مباشرة. للبدء، ستحتاج إلى إعداد بيئتك عن طريق تثبيت Ultralytics Python package، والتي تتضمن جميع الأدوات اللازمة للتدريب والتقييم.

تمتلك Ultralytics دعماً مدمجاً لمجموعة بيانات Dog-Pose، مما يلغي الحاجة إلى التصنيف اليدوي، ويسمح لك بالانتقال مباشرة إلى التدريب. بمجرد إعداد كل شيء، يمكنك تدريب YOLO11 على مجموعة بيانات Dog-Pose باستخدام بضعة أسطر فقط من الكود، كما هو موضح في الصورة أدناه.

أثناء التدريب، يتعلم النموذج اكتشاف وتتبع وضعيات الكلاب عبر سلالات وظروف إضاءة وبيئات مختلفة. بعد التدريب، يمكنك تصور النتائج وضبط النموذج بدقة لتحسين الدقة والأداء.

الشكل 3. مقتطف شيفرة برمجية يوضح التدريب المخصص لنموذج Ultralytics YOLO11 على مجموعة بيانات وضعية الكلاب.

إذا واجهت أي مشاكل أثناء تدريب نموذجك، فإليك بعض نصائح استكشاف الأخطاء وإصلاحها لمساعدتك في حلها بسرعة:

• تحقق من اتصالك بالإنترنت: يتم تنزيل مجموعة بيانات Dog-Pose تلقائياً عند تشغيل برنامج التدريب. تأكد من أن لديك اتصال إنترنت مستقر لتجنب فشل التنزيل.
• تحديث Ultralytics: تأكد من أنك تستخدم أحدث إصدار من حزمة Ultralytics Python.
• تحقق من وجود أخطاء في وحدة التحكم: اقرأ أي رسائل خطأ بعناية، حيث أنها غالباً ما تقدم أدلة حول ما يحتاج إلى إصلاح.

يمكنك الاطلاع على Ultralytics Common Issues Guide لمزيد من نصائح استكشاف الأخطاء وإصلاحها.

ما الذي يحدث أثناء تدريب النموذج المخصص؟#

قد تتساءل عما يحدث خلف الكواليس عندما تقوم بـ الـتدريب المخصص لـ Ultralytics YOLO11 على مجموعة بيانات تقدير وضعية الكلاب (Dog-Pose Dataset). دعنا نلقي نظرة أقرب على العملية.

بدلاً من البدء من الصفر، نستخدم نموذج Ultralytics YOLO11-pose مُدرب مسبقاً، والذي تم تدريبه مسبقاً على مجموعة بيانات COCO-Pose. يمكن لهذا النموذج المُدرب مسبقاً اكتشاف النقاط الرئيسية البشرية نظراً لأن COCO-Pose مصمم لتقدير وضعية الإنسان. في الواقع، بدون أي تدريب إضافي، يمكنك استخدام YOLO11-Pose لإجراء تقدير وضعية الإنسان بشكل جاهز فوراً.

من خلال التعلم بنقل المعرفة (Transfer Learning)، نقوم بتكييف هذا النموذج خصيصاً لتقدير وضعية الكلاب، مما يساعده على التعرف على النقاط الرئيسية مثل الأرجل والذيل والرأس. من خلال تعريض النموذج لأمثلة خاصة بالكلاب، يتعلم التركيز على هذه الميزات الأساسية.

أثناء التدريب، تظل بعض أجزاء النموذج دون تغيير، محتفظة بالمعرفة العامة المكتسبة من مجموعة بيانات COCO. يتم إعادة تدريب أجزاء أخرى لتحسين الدقة في تقدير وضعيات الكلاب. يتعلم النموذج من خلال مقارنة تنبؤاته بالنقاط الرئيسية الفعلية في مجموعة البيانات والتكيف لتقليل الأخطاء. بمرور الوقت، تجعل هذه العملية النموذج أفضل في تتبع حركات الكلب بدقة.

كما يتيح Transfer learning للنموذج التكيف مع السلالات والأحجام وأنماط الحركة المختلفة، مما يضمن أداءً موثوقاً في سيناريوهات العالم الحقيقي.

الشكل 4. اكتشاف النقاط الرئيسية لـ Blues وأخته Happy.

مزايا Ultralytics YOLO11 في تقدير وضعية الكلاب#

هناك العديد من computer vision models المتاحة، فما الذي يجعل YOLO11 الخيار الأنسب لتقدير وضعية الكلاب؟

يتميز نموذج Ultralytics YOLO11 بسرعة الأداء الفوري والدقة، مما يجعله خياراً رائعاً لتقدير وضعية الكلاب. فهو يؤدي بشكل أفضل من الإصدارات السابقة في كل من الدقة والسرعة. ومع وجود معلمات أقل بنسبة 22% مقارنة بـ YOLOv8، فإنه يحقق متوسط دقة أعلى (mAP) على مجموعة بيانات COCO، مما يعني أنه يكتشف الكواشف بدقة وكفاءة أكبر. تجعل سرعة معالجته العالية منه مثالياً للتبيقات الفورية، حيث يعد الاكتشاف السريع والموثوق أمراً أساسياً.

إلى جانب تقدير الوضعية، يدعم Ultralytics YOLO11 أيضاً مهام الرؤية الحاسوبية مثل تجزئة المثيلات وتتبع الكائنات، مما يمكن أن يساعد في إنشاء حل ذكاء اصطناعي للرؤية أكثر شمولاً لمراقبة كلبك. يمكن لهذه الميزات تحسين تتبع الحركة، وتحليل السلوك، ورعاية الحيوانات الأليفة بشكل عام.

الشكل 5. نموذج Ultralytics YOLO11 قيد العمل: تجزئة الكلب بلوز (Blues) بسهولة!

تطبيقات تقدير وضعية الكلاب و Ultralytics YOLO11#

بعد ذلك، دعنا نناقش تطبيقات العالم الحقيقي لتقدير وضعية الكلاب وتأثيرها على رعاية الحيوانات الأليفة.

تحسين تدريب الحيوانات الأليفة باستخدام تقدير وضعية الكلاب#

يمكن لتقدير وضعية الكلاب أن يجعل تدريب الكلاب أكثر ذكاءً وفعالية. لنفترض أن كاميرا تُستخدم لالتقاط حركات الكلب، وهنا يأتي دور Ultralytics YOLO11. يمكنه اكتشاف النقاط الرئيسية مثل الأرجل، والذيل، والرأس، وتحليلها للتعرف على إجراءات مثل الجلوس، أو الثبات، أو الاستلقاء.

إذا لم يقم الكلب بالإجراء بشكل صحيح، يمكن للنظام تقديم ملاحظات فورية من خلال تطبيق، مما يساعد المدرب في الوقت الفعلي. هذا يجعل التدريب أكثر كفاءة ودقة واستجابة لتقدم الكلب.

على سبيل المثال، فكر في تعليم كلبك الجلوس عند الأمر. يمكن للنظام مراقبة وضعية كلبك واكتشاف ما إذا كان جالساً بالكامل. إذا خفض الكلب جسمه لكنه لم يجلس تماماً، يمكن للنظام اكتشاف الإجراء غير المكتمل وإرسال ملاحظات فورية عبر تطبيق. يمكن تنبيه المدرب لإجراء تعديلات صغيرة على التدريب، مثل تعزيز الأمر أو توجيه الكلب إلى الوضعية الصحيحة.

الشكل 6. بلوز (Blues) يساعد الفريق في تقدير وضعية الكلاب باستخدام Ultralytics YOLO11

تطوير الرعاية البيطرية باستخدام نماذج تقدير الوضعية#

يمكن للرؤية الحاسوبية أن تغير كيفية تعامل الأطباء البيطريين مع رعاية الحيوانات. إن قدرة تقدير وضعية الكلاب على تحليل التفاصيل بدقة تجعل من الأسهل اكتشاف أنماط الحركة غير العادية وتحديد المشكلات الصحية المحتملة.

على سبيل المثال، يمكن للطبيب البيطري الذي يراقب كلباً يتعافى من إصابة في الأربطة الاعتماد على Ultralytics YOLO11، المدرب على مجموعة بيانات تقدير وضعية الكلاب (Dog-Pose Dataset)، للتحليل الآلي. يمكن اكتشاف العرج أو التغيرات في وضعية الأرجل بسهولة. توفر المراقبة المستمرة المدعومة بالرؤية على مدار الساعة طوال أيام الأسبوع رؤى واضحة حول تعافي الكلب، مما يساعدهم في تحديد ما إذا كان العلاج يعمل أم أن هناك حاجة لإجراء تعديلات.

الطريق إلى الأمام لتقدير وضعية الكلاب#

مع استمرار تطور التكنولوجيا، من المرجح أن تلعب حلول مثل تقدير وضعية الكلاب باستخدام YOLO11 دوراً أكبر في animal monitoring والرفاهية. في الواقع، يمكن دمج YOLO11 مع التقنيات القابلة للارتداء، مثل الأطواق الذكية وأجهزة تعقب الصحة، لمراقبة مؤشرات الصحة الرئيسية مثل معدل ضربات القلب، ومستويات النشاط، وأنماط الحركة.

على سبيل المثال، يمكن لطوق ذكي مزود بمستشعرات حركة تتبع مشية المشي أو الجري للكلب، بينما يقوم تقدير الوضعية في Ultralytics YOLO11 بتحليل وضعية الجسم في الوقت الفعلي. إذا اكتشف النظام حركات غير منتظمة، مثل العرج أو التصلب، فيمكنه ربط هذه البيانات بمعدل ضربات القلب مستويات النشاط لتقييم الانزعاج المحتمل أو الإصابة. يستخدم أصحاب الحيوانات الأليفة والأطباء البيطريون هذه الأرؤى لتحديد المشكلات مبكراً واتخاذ إجراءات استباقية.

مع هذه التطورات، يتطور تقدير وضعية الكلاب إلى ما هو أبعد من تتبع الحركة البسيط - فهو يصبح جزءاً رئيسياً من نظام رعاية الحيوانات الأليفة الشامل القائم على الذكاء الاصطناعي، مما يساعد الكلاب على البقاء أكثر صحة وأماناً ومراقبة بشكل أفضل في الوقت الفعلي.

أبرز النقاط#

مع ابتكارات مثل Ultralytics YOLO11 ومجموعة بيانات تقدير وضعية الكلاب (Dog-Pose Dataset)، نفتح آفاقاً جديدة في الرؤية الحاسوبية. تساعدنا هذه التطورات في فهم سلوك الكلاب وصحتها بشكل أفضل بطرق لم تكن ممكنة من قبل.

من خلال تتبع وضعيات الكلاب بدقة، يمكننا تحسين التدريب، ومراقبة الصحة، وجعل رعاية الحيوانات الأليفة أكثر فعالية. سواء في البحث، أو الرعاية البيطرية، أو تدريب الكلاب، فإن الذكاء الاصطناعي البصري يخلق طرقاً أكثر ذكاءً لرعاية كلابنا وتحسين رفاهيتها.

انضم إلى our community واستكشف our GitHub repository لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف كيف تشكل الابتكارات مثل computer vision in healthcare وAI in self-driving cars المستقبل. تحقق من licensing options الخاصة بنا لبدء مشاريع ذكاء الرؤية الاصطناعي الخاصة بك اليوم.