تدريب Ultralytics YOLO11 مخصصًا لتقدير وضعية الكلب

ماذا لو كان بإمكان وضعية كلبك أن تمنحك رؤى حول ما يشعر به؟ إن مراقبتهم يدوياً على مدار الساعة ليس بالأمر السهل. ومع ذلك، بفضل التطورات في الذكاء الاصطناعي (AI) والرؤية الحاسوبية، يمكننا تحليل لقطات الفيديو في الوقت الفعلي لفهم سلوكهم بشكل أفضل.

على وجه التحديد، يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 المساعدة في تقدير وضعية الكلب وتتبع حركته، مما يوفر رؤى قيمة حول رفاهيتهم. 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 Ultralytics Python مجموعة بيانات وضعية الكلاب (Dog-Pose Dataset) التي تسهل تدريب ونشر نماذج الذكاء الاصطناعي البصري للكلاب. تعد هذه التقنية جزءاً من سوق تكنولوجيا الحيوانات الأليفة المزدهر، والذي قُدرت قيمته بـ 9.4 مليار دولار في عام 2024 ومن المتوقع أن يصل إلى 64 مليار دولار بحلول عام 2037.

الإلهام وراء هذا المقال هو Blues، مديرنا التنفيذي للكلاب (DEO). إذا قمت بزيارة صفحتنا من نحن، فسترى أن Blues عضو قيّم في الفريق ويلعب دوراً مهماً في الحفاظ على المرح في Ultralytics!

في هذا المقال، سنناقش كيفية تدريب YOLO11 بشكل مخصص باستخدام مجموعة بيانات Dog-Pose لتقدير وضعية الكلاب. سنستكشف أيضاً تطبيقاتها العملية في رعاية الحيوانات الأليفة وتحليل السلوك.

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

Link to this sectionنظرة عامة على مجموعة بيانات Dog-Pose#

مجموعة البيانات هي مجموعة من البيانات المستخدمة لتدريب نماذج تعلم الآلة. بالنسبة لـ تقدير الوضعية، تتضمن مجموعة البيانات المثالية صوراً بها نقاط رئيسية مصنفة لرسم مواقع الجسم. يجب أن تحتوي أيضاً على مجموعة متنوعة من الوضعيات، والزوايا، وظروف الإضاءة، والخلفيات لمساعدة النموذج على تعلم كيفية 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.

الشكل 2. نظرة عامة على مجموعة بيانات Dog-Pose.

Link to this sectionكيفية تدريب YOLO11 بشكل مخصص باستخدام مجموعة بيانات Dog-Pose#

يعد التدريب المخصص لنموذج YOLO11 باستخدام مجموعة بيانات Dog-Pose عملية مباشرة. للبدء، ستحتاج إلى إعداد بيئتك عن طريق تثبيت حزمة Ultralytics Python، 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 كود يعرض التدريب المخصص لنموذج YOLO11 على مجموعة بيانات Dog-Pose.

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 دليل المشكلات الشائعة في Ultralytics للحصول على مزيد من نصائح استكشاف الأخطاء وإصلاحها.

Link to this sectionما الذي يحدث أثناء تدريب النموذج المخصص؟#

قد تتساءل عما يحدث خلف الكواليس عند التدريب المخصص لنموذج YOLO11 على مجموعة بيانات Dog-Pose. دعنا نلقي نظرة فاحصة على العملية.

بدلاً من البدء من الصفر، نستخدم نموذج YOLO11-pose مدرباً مسبقاً، تم تدريبه بالفعل على مجموعة بيانات COCO-Pose. يمكن لهذا النموذج المدرب مسبقاً اكتشاف النقاط الرئيسية للبشر لأن COCO-Pose مصممة لتقدير وضعية الإنسان. في الواقع، بدون أي تدريب إضافي، يمكنك استخدام YOLO11-Pose لإجراء تقدير لوضعية الإنسان مباشرة.

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 يجعل التعلم بنقل المعرفة من الممكن للنموذج التكيف مع سلالات وأحجام وأنماط حركة مختلفة، مما يضمن أداءً موثوقاً في سيناريوهات العالم الحقيقي.

الشكل 4. اكتشاف النقاط الرئيسية لـ Blues وأخته Happy.

Link to this sectionمزايا YOLO11 في تقدير وضعية الكلاب#

هناك العديد من نماذج الرؤية الحاسوبية المتاحة، فما الذي يجعل YOLO11 الخيار الصحيح لتقدير وضعية الكلاب؟

يتميز YOLO11 بسرعته ودقته في الوقت الفعلي، مما يجعله خياراً رائعاً لتقدير وضعية الكلاب. فهو يتفوق على الإصدارات السابقة في كل من الدقة والسرعة. مع عدد بارامترات أقل بنسبة 22% مقارنة بـ YOLOv8، فإنه يحقق متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO، مما يعني أنه يكتشف الكائنات بدقة وكفاءة أكبر. تجعل سرعة المعالجة الفائقة الخاصة به مثالية للتطبيقات في الوقت الفعلي، حيث يكون الاكتشاف السريع والموثوق أمراً ضرورياً.

إلى جانب تقدير الوضعية، يدعم YOLO11 أيضاً مهام الرؤية الحاسوبية مثل تجزئة الكائنات (instance segmentation) وتتبعها، مما يمكن أن يساعد في إنشاء حل ذكاء اصطناعي بصري أكثر شمولاً لمراقبة كلبك. يمكن لهذه الميزات تحسين تتبع الحركة وتحليل السلوك والعناية الشاملة بالحيوانات الأليفة.

الشكل 5. YOLO11 قيد العمل: تجزئة Blues دون عناء!

Link to this sectionتطبيقات تقدير وضعية الكلاب و YOLO11#

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

Link to this sectionتحسين تدريب الحيوانات الأليفة باستخدام تقدير وضعية الكلاب#

يمكن لتقدير وضعية الكلاب أن يجعل تدريبها أكثر ذكاءً وفعالية. لنفترض أن كاميرا تُستخدم لالتقاط حركات الكلب، وهنا يمكن لـ YOLO11 التدخل. يمكنه اكتشاف النقاط الرئيسية مثل الأرجل والذيل والرأس، وتحليلها للتعرف على إجراءات مثل الجلوس، أو البقاء، 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. Blues يساعد الفريق في تقدير وضعية الكلاب باستخدام YOLO11.

Link to this sectionتطوير 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 الرباط الاعتماد على YOLO11، المدرب على مجموعة بيانات Dog-Pose، للتحليل الآلي. يمكن اكتشاف العرج أو التغيرات في وضعية الأرجل بسهولة. توفر المراقبة المستمرة والمفعلة بالرؤية على مدار الساعة طوال أيام الأسبوع رؤى واضحة حول تعافي الكلب، مما يساعدهم على تحديد ما إذا كان العلاج يعمل أو إذا كانت هناك حاجة إلى تعديلات.

Link to this sectionالطريق إلى الأمام لتقدير وضعية الكلاب#

مع استمرار تطور التكنولوجيا، من المرجح أن تلعب حلول مثل تقدير وضعية الكلاب باستخدام YOLO11 دوراً أكبر في مراقبة الحيوانات ورفاهيتها. في الواقع، يمكن دمج YOLO11 مع التكنولوجيا القابلة للارتداء، مثل الأطواق الذكية وأجهزة تتبع الصحة، لمراقبة المؤشرات الصحية الرئيسية مثل معدل ضربات القلب، ومستويات النشاط، وأنماط التنقل.

على سبيل المثال، يمكن لطوق ذكي مجهز بمستشعرات حركة تتبع مشية الكلب أثناء المشي أو الجري، بينما يقوم تقدير الوضعية الخاص بـ YOLO11 بتحليل الوضعية في الوقت الفعلي. إذا اكتشف النظام حركة غير منتظمة، مثل العرج أو التيبس، فيمكنه ربط هذه البيانات بمعدل ضربات القلب ومستويات النشاط لتقييم أي انزعاج أو إصابة محتملة. يستخدم أصحاب الحيوانات الأليفة والأطباء البيطريون هذه الرؤى 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.

Link to this sectionأبرز النقاط#

بفضل ابتكارات مثل YOLO11 ومجموعة بيانات Dog-Pose، نحن نفتح إمكانيات جديدة في الرؤية الحاسوبية. تساعدنا هذه التطورات في فهم سلوك وصحة الكلاب 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 مجتمعنا واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف كيف تشكل ابتكارات مثل الرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في السيارات ذاتية القيادة المستقبل. تحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع الذكاء الاصطناعي البصري الخاصة بك اليوم.