استخراج المخرجات من Ultralytics YOLOv8

في مجال الرؤية الحاسوبية المتغير باستمرار، يبرز نموذج Ultralytics YOLOv8 كنموذج من الدرجة الأولى لمهمات مثل detection الكشف، وsegmentation التقسيم، وtracking التتبع. وسواء كنت مطوراً متمرساً أو مبتدئاً في الذكاء الاصطناعي (AI)، فإن فهم كيفية استخراج مخرجات YOLOv8 بفعالية يمكن أن يعزز مشاريعك بشكل كبير. يتعمق منشور المدونة هذا في الخطوات العملية لاستخراج النتائج واستخدامها من نموذج YOLOv8.

إعداد Ultralytics YOLOv8#

قبل الغوص في استخراج النتائج، من الضروري أن يكون نموذج Ultralytics YOLOv8 الخاص بك جاهزاً ويعمل. إذا كنت مبتدئاً، يمكنك مشاهدة مقاطع الفيديو السابقة التي نغطي فيها أساسيات الإعداد واستخدام نماذج YOLO لمختلف مهام رؤية الكمبيوتر. للبدء في استخراج النتائج، تأكد من تكوين نموذجك بشكل صحيح:

1. تهيئة النموذج: قم بتهيئة نموذج Ultralytics YOLOv8 بشكل مناسب، مع التأكد من اختيار تكوين النموذج الصحيح الذي يناسب احتياجاتك المحددة، سواء كان ذلك كشف الكائنات أو مهام أكثر تعقيداً مثل تقدير الوضعية.
2. تشغيل الاستدلال: أدخل بياناتك عبر النموذج لتنفيذ الاستدلال. ستنتج هذه العملية كائن نتائج، وهو مفتاحك للوصول إلى جميع بيانات الاكتشاف.

فهم كائن النتائج#

كائن النتائج في Ultralytics YOLOv8 هو منجم ذهب للمعلومات. فهو يحتوي على جميع بيانات الكشف التي تحتاجها للمضي قدماً في مشروعك، بما في ذلك:

• المربعات المحيطية (Bounding Boxes): استخدم results.boxes للوصول إلى إحداثيات الكائنات المكتشفة.
• الأقنعة والنقاط الرئيسية (Masks and Keypoints): يمكنك الوصول إلى أقنعة التقسيم والنقاط الرئيسية لتقدير الوضعية باستخدام results.masks و results.keypoints على التوالي.
• احتمالات الفئات (Class Probabilities): يوفر results.probs احتمالية كل فئة مكتشفة، وهو مفيد لتصفية عمليات الكشف بناءً على درجات الثقة.

استخراج البيانات للاستخدام المخصص#

لاستخدام هذه المخرجات في تطبيقاتك، اتبع الخطوات التالية:

1. تحويل البيانات للمعالجة: إذا كنت تقوم بتشغيل نموذجك على GPU، فقم بتحويل المخرجات إلى تنسيق CPU باستخدام .cpu() لإجراء مزيد من المعالجة.
2. الوصول إلى إحداثيات صناديق التحديد: استرجع إحداثيات صناديق التحديد وتعامل معها مباشرة من كائن النتائج. يتضمن ذلك الوصول إلى الإحداثيات الموحدة أو سمات محددة مثل العرض والارتفاع.
3. التعامل مع التصنيفات: استخرج أهم التصنيفات لاستخدام معرفات الفئات ودرجات الثقة بفعالية.

التطبيق العملي في الكود#

انتقالاً من النظرية إلى التطبيق، يوضح Nicolai Nielsen كيفية تنفيذ هذه المفاهيم ضمن نص برمجي مخصص بلغة Python باستخدام Visual Studio Code. يتضمن النص البرمجي:

• إعداد فئة الكشف: قم بتهيئة وتكوين نموذج Ultralytics YOLOv8 داخل بنية فئة، مما يجعله جاهزاً لإدخال البيانات الحية.
• استخراج النتائج: قم بتشغيل الاكتشاف واستخراج صناديق التحديد والأقنعة والتصنيفات مباشرة من كائن النتائج.
• استخدام المخرجات: قم بتحويل النتائج إلى تنسيقات قابلة للاستخدام مثل JSON أو CSV، أو استخدمها مباشرة لرسم صناديق التحديد على الصور أو تدفقات الفيديو.

التصور وما بعده#

بينما يعد استخراج البيانات الخام أمراً بالغ الأهمية، فإن تصور هذه الاكتشافات يمكن أن يوفر رؤى فورية حول أداء النموذج:

• رسم المستطيلات: استخدم بيانات صناديق التحديد لرسم مستطيلات حول الكائنات المكتشفة في مخرجات الصور أو الفيديو.
• الرسم البياني المباشر: استخدم وظائف الرسم المضمنة في Ultralytics YOLOv8 لتصور الكشوفات مباشرة دون برمجة إضافية.

توسيع مجموعة أدوات الذكاء الاصطناعي الخاصة بك باستخدام Ultralytics YOLOv8#

إن إتقان استخراج مخرجات Ultralytics YOLOv8 لا يقتصر فقط على تعزيز قدرات مشروعك، بل يُمقّق أيضاً فهمك لأنظمة كشف الكائنات.

من خلال اتباع الخطوات، يمكنك تسخير القوة الكاملة لـ Ultralytics YOLOv8 لتصميم الكشوفات وفقاً لحتياجاتك المحددة، سواء في تطوير تطبيقات متقدمة مدعومة بالذكاء الاصطناعي أو إجراء تحليل قوي للبيانات.

ترقب المزيد من الدروس التعليمية التي ستساعدك على الاستفادة من Ultralytics YOLOv8 وغيره من تقنيات الذكاء الاصطناعي إلى أقصى إمكاناتها. قم بتحويل معرفتك النظرية إلى مهارات عمليّة، وأحيِ مشاريع رؤية الكمبيوتر الخاصة بك بدقة وكفاءة. انضم إلى مجتمعنا للبقاء على اطلاع بأحدث التطورات وكذلك تحقق من وثائقنا لمعرفة المزيد!

شاهد الفيديو الكامل Watch the full video!