استخراج المخرجات من Ultralytics YOLOv8

يُعد Ultralytics YOLOv8 نموذجًا واسع الاستخدام للرؤية الحاسوبية في مهام مثل اكتشاف الأجسام والتقسيم والتتبع. سواء أكنت مطورًا متمرسًا أم مبتدئًا في الذكاء الاصطناعي (AI)، فإن فهم كيفية استخراج المخرجات من YOLOv8 بفاعلية يمكن أن يعزز مشروعاتك كثيرًا. يشرح منشور المدونة هذا الخطوات العملية لاستخراج النتائج من نموذج YOLOv8 واستخدامها.

إعداد Ultralytics YOLOv8#

قبل الشروع في استخراج النتائج، من الضروري تشغيل نموذج Ultralytics YOLOv8 وإعداده للعمل. إذا كنت مبتدئًا، يمكنك مشاهدة مقاطع الفيديو السابقة التي نشرح فيها أساسيات إعداد نماذج YOLO واستخدامها في مهام الرؤية الحاسوبية المختلفة. للبدء باستخراج النتائج، تأكد من إعداد نموذجك على نحو صحيح:

1. تهيئة النموذج: هيّئ نموذج Ultralytics YOLOv8 على النحو المناسب، مع التأكد من اختيار تهيئة النموذج التي تلائم احتياجاتك المحددة، سواء لاكتشاف الأجسام أو لمهام أكثر تعقيدًا مثل تقدير الوضعيات.
2. تشغيل الاستدلال: أدخل بياناتك إلى النموذج لإجراء الاستدلال. وستنتج عن هذه العملية قائمة من كائنات Results، كائن واحد لكل صورة أو إطار، تتيح لك الوصول إلى جميع بيانات الاكتشاف.

فهم كائن النتائج#

يحتوي كل كائن Results في Ultralytics YOLOv8 على جميع بيانات الاكتشاف اللازمة لمتابعة مشروعك، ومنها:

• مربعات الإحاطة: استخدم result.boxes للوصول إلى إحداثيات الكائنات المكتشفة.
• الأقنعة والنقاط المفتاحية: يمكنك الوصول إلى أقنعة التجزئة والنقاط المفتاحية لتقدير الوضعية باستخدام result.masks وresult.keypoints على التوالي.
• احتمالات الفئات: يحتوي result.probs على احتمالات الفئات المستخرجة من نماذج التصنيف، بينما يوفر result.boxes.conf درجة الثقة لكل مربع مكتشف، وهي مفيدة لتصفية الاكتشافات.

استخراج البيانات لاستخدامها 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() لمواصلة معالجتها.
2. الوصول إلى إحداثيات مربعات الإحاطة: استرجع إحداثيات مربعات الإحاطة وعدّلها مباشرةً من كائن النتائج. ويشمل ذلك الوصول إلى الإحداثيات المُطبّعة أو سمات محددة مثل العرض والارتفاع.
3. التعامل مع التصنيفات: استخرج أفضل التصنيفات للاستفادة من معرّفات الفئات ودرجات الثقة بفاعلية.

تطبيق عملي باستخدام الشيفرة#

للانتقال من النظرية إلى التطبيق، يوضّح Nicolai Nielsen كيفية تنفيذ هذه المفاهيم ضمن نص برمجي مخصص بلغة Python باستخدام Visual Studio Code. ويتضمن النص البرمجي ما يلي:

• إعداد فئة للكشف: هيّئ نموذج Ultralytics YOLOv8 واضبطه ضمن بنية فئة، ليكون جاهزًا لاستقبال البيانات المباشرة.
• استخراج النتائج: نفّذ عملية الكشف واستخرج مربعات الإحاطة والأقنعة والتصنيفات مباشرةً من كائن النتائج.
• استخدام المخرجات: حوّل النتائج إلى تنسيقات قابلة للاستخدام مثل JSON أو CSV، أو استخدمها مباشرةً لرسم مربعات الإحاطة على الصور أو تدفقات الفيديو.

التصور وما بعده#

على الرغم من أهمية استخراج البيانات الأولية، فإن تصور عمليات الكشف هذه قد يوفّر رؤى فورية حول أداء النموذج:

• رسم المستطيلات: استخدم بيانات مربعات الإحاطة لرسم مستطيلات حول الكائنات المكتشفة في مخرجات الصور أو الفيديو.
• الرسم المباشر: استخدم الطريقة المضمّنة result.plot() لعرض الاكتشافات دون كتابة شيفرة إضافية.

وسّع مجموعة أدوات الذكاء الاصطناعي لديك باستخدام Ultralytics YOLOv8#

إن إتقان استخراج مخرجات Ultralytics YOLOv8 لا يعزز إمكانات مشروعك فحسب، بل يعمّق أيضًا فهمك لأنظمة كشف الكائنات.

باتباع هذه الخطوات، يمكنك تكييف اكتشافات Ultralytics YOLOv8 لتلبية احتياجاتك الخاصة، سواء كنت تطور تطبيقات متقدمة مدعومة بالذكاء الاصطناعي أو تجري تحليلًا متينًا للبيانات.

ترقبوا المزيد من الدروس التعليمية حول Ultralytics YOLOv8 وتقنيات الذكاء الاصطناعي الأخرى. انضموا إلى مجتمعنا لمتابعة أحدث التطورات، واطّلعوا أيضًا على وثائقنا لمعرفة المزيد!

شاهد الفيديو الكامل!