استخراج المخرجات من Ultralytics YOLOv8

في مجال رؤية الكمبيوتر المتغير باستمرار، تبرز Ultralytics YOLOv8 كنموذج من الدرجة الأولى لمهام مثل اكتشاف الكائنات والتجزئة والتتبع. سواء كنت مطورًا متمرسًا أو مبتدئًا في الذكاء الاصطناعي (AI)، فإن فهم كيفية استخراج المخرجات بشكل فعال من YOLOv8 يمكن أن يعزز مشاريعك بشكل كبير. تتعمق مشاركة المدونة هذه في الخطوات العملية لاستخراج النتائج من نموذج YOLOv8 واستخدامها.

إعداد YOLOv8

قبل الغوص في استخراج النتائج، من الضروري أن يكون نموذج YOLOv8 الخاص بك قيد التشغيل. إذا كنت جديدًا، يمكنك مشاهدة مقاطع الفيديو السابقة الخاصة بنا حيث نغطي أساسيات إعداد واستخدام نماذج YOLO لمهام رؤية الكمبيوتر المختلفة. للبدء في استخراج النتائج، تأكد من تكوين النموذج الخاص بك بشكل صحيح:

1. تهيئة النموذج: قم بتهيئة نموذج YOLOv8 بشكل مناسب، مع التأكد من اختيار تكوين النموذج الصحيح الذي يناسب احتياجاتك الخاصة، سواء كان ذلك اكتشاف الكائنات أو مهام أكثر تعقيدًا مثل تقدير الوضع.
   ‍
2. تشغيل الاستدلال: أدخل بياناتك من خلال النموذج لإجراء الاستدلال. ستؤدي هذه العملية إلى إنشاء كائن نتائج، وهو مفتاحك للوصول إلى جميع بيانات الكشف.

فهم كائن النتائج

يعد كائن النتائج في YOLOv8 منجمًا للمعلومات. يحتوي على جميع بيانات الاكتشاف التي تحتاجها للمضي قدمًا في مشروعك، بما في ذلك:

• المربعات المحيطة: استخدام results.boxes للوصول إلى إحداثيات الكائنات المكتشفة.
  ‍
• الأقنعة والنقاط الرئيسية: الوصول إلى أقنعة التجزئة والنقاط الرئيسية لتقدير الوضع باستخدام results.masks و results.keypoints على التوالي.
  ‍
• احتمالات الفئة: results.probabilities يوفر احتمالية كل فئة تم اكتشافها، وهو أمر مفيد لتصفية الاكتشافات بناءً على درجات الثقة.

استخراج البيانات للاستخدام المخصص

لاستخدام هذه المخرجات في تطبيقاتك، اتبع الخطوات التالية:

1. تحويل البيانات للمعالجة: إذا كنت تقوم بتشغيل النموذج الخاص بك على وحدة معالجة الرسومات (GPU)، فقم بتحويل المخرجات إلى تنسيق وحدة المعالجة المركزية (CPU) باستخدام .cpu() لمزيد من المعالجة.
   ‍
2. الوصول إلى إحداثيات المربع المحيط: استرجع إحداثيات المربع المحيط وتعامل معها مباشرةً من كائن النتائج. يتضمن ذلك الوصول إلى الإحداثيات الموحدة أو السمات المحددة مثل العرض والارتفاع.
   ‍
3. التعامل مع التصنيفات: استخراج أفضل التصنيفات للاستفادة من مُعرّفات الفئات وعلامات الثقة بشكل فعال.

تطبيق عملي في التعليمات البرمجية

بالانتقال من النظرية إلى التطبيق، يوضح Nicolai Nielsen كيفية تنفيذ هذه المفاهيم داخل برنامج Python مخصص باستخدام Visual Studio Code. يتضمن البرنامج:

• إعداد فئة الكشف: قم بتهيئة وتكوين نموذج YOLOv8 الخاص بك داخل هيكل الفئة، وإعداده لإدخال البيانات المباشرة.
  ‍
• استخراج النتائج: قم بتشغيل الاكتشاف واستخراج المربعات المحيطة والأقنعة والتصنيفات مباشرة من كائن النتائج.
  ‍
• استخدام المخرجات: حوّل النتائج إلى تنسيقات قابلة للاستخدام مثل JSON أو CSV، أو استخدمها مباشرة لرسم مربعات إحاطة على الصور أو تدفقات الفيديو.

التصور وما بعده

في حين أن استخراج البيانات الأولية أمر بالغ الأهمية، إلا أن 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: استخدم وظائف الرسم المضمنة في YOLOv8 لتصور عمليات الكشف مباشرةً دون الحاجة إلى ترميز إضافي.

توسيع مجموعة أدوات الذكاء الاصطناعي الخاصة بك باستخدام YOLOv8

إن إتقان استخراج مخرجات YOLOv8 لا يعزز قدرات مشروعك فحسب، بل يعمق أيضًا فهمك لأنظمة الكشف عن الكائنات.

باتباع الخطوات، يمكنك تسخير القوة الكاملة لـ YOLOv8 لتخصيص عمليات الكشف لتلبية احتياجاتك الخاصة، سواء في تطوير تطبيقات متقدمة تعتمد على الذكاء الاصطناعي أو إجراء تحليل بيانات قوي.

ترقبوا المزيد من الدروس التعليمية التي ستساعدك على الاستفادة من YOLOv8 وتقنيات الذكاء الاصطناعي الأخرى إلى أقصى إمكاناتها. حوّل معرفتك النظرية إلى مهارات عملية، وأضفِ الحياة على مشاريع رؤية الكمبيوتر الخاصة بك بدقة وكفاءة. انضم إلى مجتمعنا للبقاء على اطلاع دائم بآخر التطورات، بالإضافة إلى الاطلاع على وثائقنا لمعرفة المزيد! 

شاهد الفيديو كاملاً هنا!