بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
الشكل 1. مثال على استخدام Ultralytics YOLO11 classify قطة فارسية.
ما هو تصنيف الصور؟
يعمل تصنيف الصور من خلال تعيين تسمية أو علامة للصورة بناءً على الأنماط المستفادة من الصور التي تم تصنيفها مسبقًا. من خلال التحليل الدقيق لوحدات البكسل في الصورة، يمكن لنموذج الرؤية الحاسوبية العثور على أفضل تطابق للصورة. نماذج موثوقة مثل YOLO11 أن تتعامل مع هذه العملية بسلاسة. تتيح بنية نموذج YOLO11إمكانية معالجة الصور أو إطارات الفيديو على الفور تقريبًا، مما يجعله مثاليًا للتطبيقات التي تحتاج إلى تصنيف سريع ودقيق للصور.
لفهم نطاق تصنيف الصور بشكل كامل، من المفيد تمييزه عن المهام الأخرى مثل اكتشاف الكائنات. ففي حين أن تصنيف الصور يضع علامة على الصورة بأكملها، يحدد اكتشاف الكائنات كل كائن داخل الصورة ويحدد مكانه.
الشكل 2. مقارنة بين تصنيف الصور، واكتشاف الكائنات، وتقسيم الصور.
دعونا نفكر في صورة لزرافة. في تصنيف الصور، قد يصنف النموذج الصورة بأكملها ببساطة على أنها زرافة بناءً على محتواها العام. ومع ذلك، مع الكشف عن الكائنات، لا يتوقف النموذج عند تحديد الزرافة فحسب؛ بل يضع أيضًا مربعًا محيطًا حول الزرافة، لتحديد موقعها الدقيق داخل الصورة.
تخيل الآن الزرافة واقفة بالقرب من شجرة في السافانا مع حيوانات أخرى. قد يصنف نموذج تصنيف الصور المشهد بأكمله على أنه سافانا أو مجرد حياة برية. ومع ذلك، باستخدام اكتشاف الكائنات، سيحدد النموذج كل عنصر على حدة، مع التعرف على الزرافة والشجرة والحيوانات الأخرى، ولكل منها مربعات إحاطة خاصة بها.
تطبيقات تصنيف الصور YOLO11
إن دقة وأداء نموذج Ultralytics YOLO11 لتصنيف الصور يجعله مفيدًا في مجموعة واسعة من الصناعات. دعونا نستكشف بعض التطبيقات الرئيسية لنموذج YOLO11 في تصنيف الصور.
تصنيف صور YOLO11 في الزراعة
يمكن أن يساعد تصنيف الصور في تبسيط العديد من الوظائف في قطاع الزراعة والزراعة. على وجه التحديد، باستخدام نماذج تصنيف الصور مثل YOLO11 يمكن للمزارعين مراقبة صحة محاصيلهم باستمرار، detect الأمراض الخطيرة، وتحديد أي آفات آ فات بدقة عالية.
تصنيف الصور باستخدام YOLO11: يمكن لنموذج YOLO11 تحليل هذه الصور classify مختلف ظروف المحاصيل. وقد تشمل الفئات الشائعة الفئات السليمة أو المريضة أو الموبوءة بالآفات أو التي تعاني من نقص المغذيات، مما يساعد على تحديد مشاكل معينة تؤثر على مناطق مختلفة من الحقل.
توليد الرؤى: استنادًا إلى التصنيفات، يوفر YOLO11 رؤى حول مؤشرات صحة المحاصيل، مما يساعد المزارعين على detect العلامات المبكرة للأمراض، وتحديد البؤر الساخنة للآفات، أو اكتشاف نقص المغذيات.
اتخاذ قرارات مستنيرة: بفضل هذه الرؤى، يمكن للمزارعين اتخاذ قرارات مستهدفة بشأن الري والتسميد ومكافحة الآفات، وتطبيق الموارد فقط في الأماكن التي تشتد الحاجة إليها.
الشكل 3. مثال على فئات مختلفة من الأوراق من السليمة إلى المصابة.
تصنيف صور YOLO11 في تجارة التجزئة
يمكن أن يحسن تصنيف الصور بشكل كبير تجربة التسوق بالتجزئة، مما يجعلها أكثر تخصيصًا وسهولة في الاستخدام. يمكن لتجار التجزئة استخدام نماذج رؤية الكمبيوتر المدربة خصيصًا للتعرف على المنتجات في مخزونهم ودمج هذه الإمكانية في تطبيقاتهم أو مواقعهم الإلكترونية. يمكن للعملاء بعد ذلك البحث عن المنتجات ببساطة عن طريق تحميل صورة، مما يجعل التسوق أسرع وأكثر ملاءمة.
بمجرد أن يقوم العميل بتحميل صورة إلى نظام البحث المرئي، تحدث عدة أشياء خلف الكواليس قبل ظهور نتائج البحث.
أولاً، يمكن استخدام اكتشاف الكائنات لانتقاء العناصر الرئيسية في الصورة، مثل تحديد قطعة ملابس أو قطعة أثاث وفصلها عن الخلفية. بعد ذلك، يمكن استخدام تصنيف الصور لزيادة تصنيف كل عنصر، والتعرف على ما إذا كان سترة أو قميصًا أو أريكة أو طاولة.
باستخدام هذه المعلومات، يمكن للنظام سحب منتجات مماثلة متاحة للشراء، وهو أمر مفيد بشكل خاص للعثور على عناصر فريدة أو عصرية يصعب وصفها بالكلمات وحدها. يمكن أن تساعد نفس التقنية أيضًا في تبسيط مهام البيع بالتجزئة الأخرى، مثل إدارة المخزون، عن طريق التعرف على العناصر وتصنيفها تلقائيًا.
الشكل 4. منصة بحث مرئي قائمة على تصنيف الصور قيد التشغيل.
مراقبة الحياة البرية باستخدام تصنيف صور YOLO11
تقليدياً، تُعد مراقبة الحيوانات في البرية مهمة شاقة تنطوي على العديد من الأشخاص الذين يقومون يدوياً بفرز وتحليل آلاف الصور. مع أوضاع الرؤية الحاسوبية مثل YOLO11 يمكن للباحثين مراقبة الحيوانات تلقائياً بمعدل أسرع. يمكن وضع الكاميرات في الموائل الطبيعية لالتقاط الصور. يمكن بعد ذلك استخدام نموذج الذكاء الاصطناعي للرؤية لتحليل هذه الصور classify الحيوانات الموجودة فيها (إن وجدت). يمكن لمثل هذا النظام أن يساعد الباحثين في دراسة و track مجموعات الحيوانات وأنماط هجرتها وما إلى ذلك.
من الطرق الأخرى التي يمكن أن تساعد بها نماذج الذكاء الاصطناعي والرؤية الحاسوبية مثل YOLO11 في هذا المجال هي تبسيط عملية تصنيف الأنواع المهددة بالانقراض. فمن خلال تحديد الأنواع أو فئات السلالات المحتملة التي قد ينتمي إليها الحيوان، يمكن لهذه النماذج أن توفر بيانات أساسية للباحثين. على سبيل المثال، طورت جامعة تسمانيا (UTAS) نظامًا قائمًا على تصنيف الصور لرصد الحياة البرية التسمانية المختلفة. ومن ثم يمكن للتنبؤات المستمدة من النماذج أن تساعد العلماء والباحثين على مراقبة نشاط الحيوانات وسلوكها، مما قد يشير إلى تهديدات مثل الصيد الجائر أو فقدان الموائل.
الشكل 5. يتنبأ YOLO11 بالسلالات المحتملة التي قد ينتمي إليها الكلب.
تجربة تصنيف الصور باستخدام نموذج YOLO11
الآن وقد ناقشنا ما هو تصنيف الصور واستكشفنا بعض تطبيقاته. دعونا نلقي نظرة على كيفية تجربة تصنيف الصور باستخدام نموذج YOLO11 الجديد. هناك طريقتان سهلتان للبدء: استخدام حزمةUltralytics Python أو من خلال Ultralytics HUB. سنستعرض كلا الخيارين.
بمجرد تثبيت الحزمة، يمكنك استخدام التعليمات البرمجية التالية لتحميل متغير من نموذج تصنيف الصور YOLO11 وتشغيل الاستدلال على صورة ما. تشغيل الاستدلال يعني استخدام نموذج مُدرَّب لإجراء تنبؤات على بيانات جديدة غير مرئية. يمكنك تجربة ذلك مع صورة من اختيارك!
الشكل 6. تشغيل الاستدلالات باستخدام نموذج YOLO11 .
تدريب نموذج تصنيف YOLO11 المخصص
يمكنك أيضًا استخدام حزمة Python نفسها لتدريب نموذج تصنيف YOLO11 المخصص. يمكّنك التدريب المخصص من ضبط نموذج YOLO11 بدقة لتلبية احتياجاتك الخاصة. على سبيل المثال، إذا كنت تقوم بتطوير تطبيق classify سلالات القطط المختلفة، يمكنك تدريب نموذج YOLO11 المخصص لهذا الغرض فقط.
يوضح الرمز أدناه كيفية تحميل وتدريب نموذج تصنيف الصور YOLO11 . يسمح لك بنقل الأوزان المدرّبة مسبقًا، باستخدام المعرفة من نموذج موجود لتعزيز أداء نموذجك الخاص. يمكنك تحديد مجموعة بيانات، مثل مجموعة بيانات "fashion-mnist"، وهي مجموعة معروفة من الصور ذات التدرج الرمادي لعناصر الملابس (قمصان، سراويل، أحذية، أحذية، إلخ). تدريب النموذج على مجموعة البيانات هذه يعلمه التعرف على فئات الملابس المختلفة. يمكنك استبدال "fashion-mnist" بأي مجموعة بيانات تناسب مشروعك، مثل سلالات القطط أو أنواع النباتات.
الشكل 7. تدريب مخصص لنموذج YOLO11 لتصنيف الصور.
جرِّب YOLO11 على منصة Ultralytics HUB
على الرغم من أن استخدام حزمة Ultralytics سهل ومباشر، إلا أنه يتطلب بعض المعرفة Python. إذا كنت تبحث عن خيار أكثر ملاءمة للمبتدئين، يمكنك استخدام Ultralytics HUB، وهي منصة مصممة لجعل التدريب ونشر نماذج YOLO المختلفة بسيطة وسهلة الاستخدام. للبدء، ستحتاج إلى إنشاء حساب.
بمجرد تسجيل الدخول، انتقل إلى قسم "النماذج" وحدد طراز YOLO11 لتصنيف الصور. سترى مجموعة من أحجام النماذج المتاحة: نانو، وصغير، ومتوسط، وكبير، وكبير جداً، وكبير جداً. بعد اختيار نموذج، يمكنك تحميل صورة في قسم "معاينة"، حيث ستظهر التوقعات على الجانب الأيسر من الصفحة بمجرد معالجة الصورة.
الشكل 8. استخدام Ultralytics HUB لتشغيل الاستدلال.
النقاط الرئيسية
يوفر YOLO11 إمكانات تصنيف الصور القوية التي تفتح إمكانيات جديدة في مختلف الصناعات. بدءًا من تحسين مراقبة المحاصيل في الزراعة وتعزيز عمليات البحث عن المنتجات في مجال البيع بالتجزئة إلى دعم الحفاظ على الحياة البرية، فإن سرعة ودقة YOLO11تجعلها مثالية للتطبيقات المتنوعة. من خلال خيارات التدريب المخصص من خلال حزمة Ultralytics Python أو إعداد سهل الاستخدام وبدون تعليمات برمجية على Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 بسهولة في سير عملهم. نظرًا لأن المزيد من الصناعات تتبنى حلول الذكاء الاصطناعي، تقدم YOLO11 أداة مرنة وعالية الأداء تدعم الابتكار والتقدم العملي.
