استخراج المخرجات من Ultralytics YOLOv8

في مجال رؤية الكمبيوتر المتغير باستمرار، يبرز Ultralytics YOLOv8 كنموذج من الدرجة الأولى لمهام مثل الاكتشاف والتجزئة والتتبع. سواء كنت مطوراً متمرساً أو مبتدئاً في الذكاء الاصطناعي (AI)، فإن فهم كيفية استخراج المخرجات من YOLOv8 بفعالية يمكن أن يعزز مشاريعك بشكل كبير. تتعمق هذه التدوينة في الخطوات العملية لاستخراج النتائج من نموذج YOLOv8 واستخدامها.

Link to this sectionإعداد YOLOv8#

قبل الغوص في استخراج النتائج، من الضروري أن يكون نموذج YOLOv8 الخاص بك جاهزاً للعمل. إذا كنت مبتدئاً، يمكنك مشاهدة فيديوهاتنا السابقة حيث نغطي أساسيات الإعداد واستخدام نماذج YOLO لمهام رؤية الكمبيوتر المختلفة. للبدء في استخراج النتائج، تأكد من تكوين نموذجك بشكل صحيح:

1. تهيئة النموذج: قم بتهيئة نموذج YOLOv8 بشكل مناسب، مع التأكد من اختيار تكوين النموذج الصحيح الذي يناسب احتياجاتك المحددة، سواء كان ذلك لاكتشاف الكائنات أو المهام الأكثر 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.

Link to this sectionفهم كائن النتائج#

يعتبر كائن النتائج في YOLOv8 منجم ذهب من المعلومات. فهو يحتوي على جميع بيانات الاكتشاف التي تحتاجها للمضي قدماً في مشروعك، بما في ذلك:

• صناديق التحديد: استخدم results.boxes للوصول إلى إحداثيات الكائنات المكتشفة.
• الأقنعة والنقاط الرئيسية: قم بالوصول إلى أقنعة التجزئة والنقاط الرئيسية لتقدير الوضعية باستخدام results.masks و results.keypoints على التوالي.
• احتمالات الفئات: يوفر results.probs احتمالية كل فئة مكتشفة، وهو مفيد لتصفية الاكتشافات بناءً على درجات الثقة.

Link to this sectionاستخراج 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.

Link to this sectionالتطبيق 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 اكتشاف: قم بتهيئة وتكوين نموذج YOLOv8 الخاص بك ضمن هيكل فئة، مما يجعله جاهزاً لإدخال البيانات المباشرة.
• 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.

Link to this sectionالتصور 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 المباشر: استخدم وظائف الرسم المدمجة في YOLOv8 لتصور الاكتشافات مباشرة دون الحاجة إلى برمجة إضافية.

Link to this sectionتوسيع مجموعة أدوات الذكاء الاصطناعي الخاصة بك باستخدام YOLOv8#

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

باتباع هذه الخطوات، يمكنك تسخير القوة الكاملة لـ YOLOv8 لتكييف الاكتشافات مع احتياجاتك الخاصة، سواء في تطوير تطبيقات متقدمة تعتمد على الذكاء الاصطناعي أو إجراء تحليل قوي للبيانات.

ترقبوا المزيد من الدروس التعليمية التي ستساعدكم على الاستفادة من YOLOv8 وتقنيات الذكاء الاصطناعي الأخرى إلى أقصى حد. حولوا معرفتكم النظرية إلى مهارات عملية، واجعلوا مشاريع رؤية الكمبيوتر الخاصة بكم تنبض بالحياة بدقة وكفاءة. انضموا إلى مجتمعنا للبقاء على اطلاع بأحدث التطورات، وكذلك تحققوا من وثائقنا لمعرفة المزيد!

شاهد الفيديو الكامل Watch the full video!