استخراج المخرجات من Ultralytics YOLOv8

في مجال رؤية الحاسوب المتغير باستمرار، يبرز Ultralytics YOLOv8 بوصفه نموذجًا من الطراز الأول لمهام مثل اكتشاف الكائنات والتجزئة والتتبع. سواء كنت مطورًا متمرسًا أو مبتدئًا في مجال الذكاء الاصطناعي (AI)، فإن فهم كيفية استخراج المخرجات من YOLOv8 بفاعلية يمكن أن يعزز مشاريعك بدرجة كبيرة. يتناول منشور المدونة هذا الخطوات العملية لاستخراج النتائج من نموذج YOLOv8 واستخدامها.

إعداد Ultralytics YOLOv8#

قبل التعمق في استخراج النتائج، من الضروري تشغيل نموذج Ultralytics YOLOv8 وإعداده للعمل. إذا كنت جديدًا على هذا المجال، يمكنك مشاهدة مقاطع الفيديو السابقة التي نغطي فيها أساسيات إعداد نماذج YOLO واستخدامها في مهام متنوعة لرؤية الحاسوب. لبدء استخراج النتائج، تأكد من تهيئة نموذجك بشكل صحيح:

1. تهيئة النموذج: هيّئ نموذج Ultralytics YOLOv8 على النحو الملائم، مع التأكد من اختيار تهيئة النموذج المناسبة التي تلبي احتياجاتك المحددة، سواء أكانت لاكتشاف الكائنات أم لمهام أكثر تعقيدًا مثل تقدير الوضعية.
2. تشغيل الاستدلال: أدخل بياناتك عبر النموذج لإجراء الاستدلال. ستنشئ هذه العملية كائن نتائج، وهو مفتاحك للوصول إلى جميع بيانات الاكتشاف.

فهم كائن النتائج#

كائن النتائج في Ultralytics YOLOv8 غني بالمعلومات. فهو يحتوي على جميع بيانات الاكتشاف التي تحتاج إليها لمتابعة مشروعك، بما في ذلك:

• المربعات المحيطة: استخدم results.boxes للوصول إلى إحداثيات الكائنات المكتشفة.
• الأقنعة والنقاط المفتاحية: يمكنك الوصول إلى أقنعة التجزئة والنقاط المفتاحية لتقدير الوضعية باستخدام results.masks وresults.keypoints على التوالي.
• احتمالات الفئات: يوفر results.probs احتمال كل فئة مكتشفة، وهو أمر مفيد لتصفية الاكتشافات استنادًا إلى درجات الثقة.

استخراج البيانات للاستخدام المخصص#

لاستخدام هذه المخرجات في تطبيقاتك، اتبع الخطوات التالية:

1. تحويل البيانات للمعالجة: إذا كنت تشغّل نموذجك على GPU، فحوّل المخرجات إلى تنسيق CPU باستخدام .cpu() لإجراء المزيد من المعالجة.
2. الوصول إلى إحداثيات المربعات المحيطة: استرجع إحداثيات المربعات المحيطة وعدّلها مباشرةً من كائن النتائج. ويشمل ذلك الوصول إلى الإحداثيات المُطبّعة أو سمات محددة مثل العرض والارتفاع.
3. معالجة التصنيفات: استخرج أعلى التصنيفات للاستفادة بفاعلية من معرّفات الفئات ودرجات الثقة.

التطبيق العملي في التعليمات البرمجية#

بالانتقال من النظرية إلى التطبيق، يوضح Nicolai Nielsen كيفية تنفيذ هذه المفاهيم ضمن نص Python مخصص باستخدام Visual Studio Code. ويتضمن النص ما يلي:

• إعداد فئة الاكتشاف: هيّئ نموذج Ultralytics YOLOv8 واضبطه ضمن بنية فئة، مع تجهيزه لإدخال البيانات المباشر.
• استخراج النتائج: شغّل الاكتشاف واستخرج المربعات المحيطة والأقنعة والتصنيفات مباشرةً من كائن النتائج.
• استخدام المخرجات: حوّل النتائج إلى تنسيقات قابلة للاستخدام مثل JSON أو CSV، أو استخدمها مباشرةً لرسم المربعات المحيطة على الصور أو تدفقات الفيديو.

التصور وما بعده#

على الرغم من أهمية استخراج البيانات الأولية، فإن تصور هذه الاكتشافات يمكن أن يوفر رؤى فورية حول أداء النموذج:

• رسم المستطيلات: استخدم بيانات المربعات المحيطة لرسم مستطيلات حول الكائنات المكتشفة في مخرجات الصور أو الفيديو.
• الرسم المباشر: استفد من وظائف الرسم المضمنة في Ultralytics YOLOv8 لتصور الاكتشافات مباشرةً دون الحاجة إلى كتابة تعليمات برمجية إضافية.

توسيع مجموعة أدوات الذكاء الاصطناعي لديك باستخدام Ultralytics YOLOv8#

إن إتقان استخراج المخرجات من Ultralytics YOLOv8 لا يعزز إمكانات مشروعك فحسب، بل يعمّق أيضًا فهمك لأنظمة اكتشاف الكائنات.

باتباع هذه الخطوات، يمكنك الاستفادة من الإمكانات الكاملة لـ Ultralytics YOLOv8 لتخصيص الاكتشافات وفقًا لاحتياجاتك المحددة، سواء كنت تطوّر تطبيقات متقدمة مدعومة بالذكاء الاصطناعي أو تجري تحليلًا متينًا للبيانات.

ترقّب المزيد من البرامج التعليمية التي ستساعدك على الاستفادة من Ultralytics YOLOv8 وتقنيات الذكاء الاصطناعي الأخرى إلى أقصى حد. حوّل معرفتك النظرية إلى مهارات عملية، واجعل مشاريع رؤية الحاسوب لديك تنبض بالحياة بدقة وكفاءة. انضم إلى مجتمعنا للبقاء على اطلاع بأحدث التطورات، واطّلع أيضًا على مستنداتنا لمعرفة المزيد!

شاهد الفيديو الكامل شاهد الفيديو الكامل!