كيفية استخدام Ultralytics YOLO11 لتجزئة المثيلات

تتيح الرؤية الحاسوبية، وهي مجال ضمن الذكاء الاصطناعي (AI) يساعد الآلات على تفسير المعلومات المرئية وفهمها، تنفيذ مهام مثل تجزئة الكائنات. ويمكن استخدام تجزئة الكائنات لتحليل صورة أو إطار فيديو وتحديد الحدود الدقيقة لكل جسم مستقل في الصورة، حتى عند وجود أجسام متعددة من النوع نفسه. وبفضل دقتها العالية، تمتد تطبيقات تجزئة الكائنات إلى مجالات كثيرة، من مساعدة السيارات ذاتية القيادة على اكتشاف العوائق على الطريق إلى تحديد الأورام في الصور الطبية.

شهدت تجزئة الكائنات تطورًا كبيرًا على مر السنين. وظهر تطور حديث خلال الفعالية الهجينة السنوية لـ Ultralytics، YOLO Vision 2024 (YV24)، في صورة نموذج Ultralytics YOLO11، الذي خلفته لاحقًا Ultralytics YOLO26. ويدعم النموذج الجديد مهام الرؤية الحاسوبية نفسها التي يدعمها نموذج Ultralytics YOLOv8، بما فيها تجزئة الكائنات، ما يسهّل على المستخدمين المعتادين على الإصدارات السابقة اعتماد النموذج الجديد.

الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لتقسيم الكائنات.

سنستكشف في هذه المقالة تجزئة الكائنات واختلافها عن مهام الرؤية الحاسوبية الأخرى مثل التجزئة الدلالية، كما سنناقش بعض تطبيقاتها. وسنشرح أيضًا كيفية استخدام نموذج YOLO11 لتجزئة الكائنات من خلال حزمة Ultralytics Python وUltralytics HUB (المعروفة الآن باسم Ultralytics Platform). لنبدأ!

ما تقسيم المثيلات؟#

يمكن استخدام تجزئة الكائنات لتحديد الأجسام في الصورة ورسم حدودها على مستوى البكسل. وتتضمن العملية عادةً اكتشاف الأجسام أولًا ورسم صناديق الإحاطة حولها. ثم تصنف خوارزمية التجزئة كل بكسل داخل صندوق الإحاطة لإنشاء قناع دقيق لكل جسم.

تختلف تجزئة الكائنات أيضًا عن مهام مثل التجزئة الدلالية والتجزئة الشاملة. إذ تحدد التجزئة الدلالية تسمية لكل بكسل بناءً على الفئة العامة للجسم، من دون تمييز الحالات الفردية. أما التجزئة الشاملة، فتجمع بين تجزئة الكائنات والتجزئة الدلالية، إذ تحدد لكل بكسل فئة ومعرّفًا لحالة فردية، بما يميز الأجسام الفردية ضمن كل فئة.

الشكل 2. استخدام YOLO11 لاكتشاف شخص وكلب وتقسيمهما.

يمكن تطبيق إمكانات تجزئة الكائنات في سيناريوهات متنوعة قد تتطلب نماذج مختلفة. فعلى سبيل المثال، قد يكون النموذج خفيف الوزن مثاليًا للمعالجة في الوقت الفعلي ضمن تطبيقات الأجهزة المحمولة، بينما قد يُستخدم نموذج أكثر تعقيدًا لمهام عالية الدقة، مثل مراقبة الجودة في التصنيع.

مثل النماذج السابقة، يأتي نموذج تجزئة الكائنات YOLO11 بإصدارات متعددة تلبي احتياجاتك، تشمل YOLO11n-seg (Nano)، وYOLO11s-seg (Small)، وYOLO11m-seg (Medium)، وYOLO11l-seg (Large)، وYOLO11x-seg (Extra Large). وتختلف هذه النماذج من حيث الحجم وسرعة المعالجة والدقة ومقدار القدرة الحاسوبية التي تتطلبها. ويمكنك اختيار النموذج الأنسب لتطبيقك استنادًا إلى متطلباتك المحددة.

تطبيقات تقسيم الكائنات باستخدام YOLO11#

تفتح إمكانات YOLO11 المتقدمة في تقسيم الكائنات آفاقًا لمجموعة من التطبيقات في صناعات متنوعة. لنلقِ نظرة عن كثب على بعض هذه التطبيقات.

استخدام تقسيم YOLO11 في صناعة النفط والغاز#

يتضمن استخراج النفط والغاز التعامل مع تقلبات شديدة الارتفاع في الضغط. وتساعد تقنيات مثل حرق الغاز على إحراق الغاز الطبيعي الناتج أثناء استخراج النفط، وهو إجراء ضروري لأسباب تتعلق بالسلامة. فعلى سبيل المثال، قد تؤدي زيادة مفاجئة أو كبيرة في الضغط أثناء استخراج النفط الخام إلى انفجار. وعلى الرغم من ندرتها، قد تتسبب الحوادث الصناعية في قطاع إنتاج النفط والغاز في حرائق شديدة يصعب احتواؤها والسيطرة عليها. ويساعد حرق الغاز المشغّلين على خفض ضغط المعدات بأمان والتعامل مع التقلبات الكبيرة وغير المتوقعة في الضغط عن طريق حرق الغاز الفائض.

يمكن لأنظمة الذكاء الاصطناعي تحسين عملية المراقبة هذه، كما يمكن الحد من مخاطر الحوادث باستخدام نظام لمراقبة الشعلات قائم على تقسيم الكائنات. وتكتسب مراقبة حرق الغاز أهمية بيئية أيضًا، إذ إن الإفراط في الحرق قد يؤثر سلبًا في البيئة.

يمكن استخدام نماذج Ultralytics YOLO11 لـتجزئة الكائنات لمراقبة مقدار اللهب والدخان الناتج عن حرق الغاز. ويمكن حساب مساحة البكسلات التي يشغلها اللهب والدخان المكتشفان والمجزآن. وباستخدام هذه المعلومات، يستطيع المشغّلون الحصول على رؤى آنية حول اللهب والدخان الناتجين عن الحرق، ما يساعدهم على منع الحوادث والآثار البيئية السلبية.

الشكل 3. مثال على مراقبة الشعلات باستخدام YOLO11 في صناعة النفط والغاز.

تقسيم الكائنات باستخدام YOLO11 لإدارة النفايات البلاستيكية#

يمكن للعاملين في مرافق إدارة النفايات وإعادة التدوير استخدام أنظمة تستند إلى تجزئة الكائنات في YOLO11 لتحديد مواد النفايات البلاستيكية. ويمكن دمج YOLO11 مع أنظمة الفرز الروبوتية للتعرّف بدقة على مواد النفايات المختلفة، مثل الورق المقوّى والبلاستيك، تمهيدًا لمعالجتها على نحو منفصل. وتكتسب هذه التقنية أهمية خاصة بالنظر إلى أن نحو 10% فقط من أصل 7 مليارات طن متري من النفايات البلاستيكية المتولدة عالميًا يُعاد تدويره.

تقلل أتمتة تحديد النفايات البلاستيكية وفرزها بدرجة كبيرة الوقت اللازم لذلك مقارنةً بالأساليب التقليدية التي يفرز فيها العمال المواد يدويًا. ويمكن لنماذج الرؤية الحاسوبية تجزئة البلاستيك اللين، مثل الأغلفة والأكياس، الذي يصعب التعامل معه خصوصًا لأنه غالبًا ما يتشابك. كما يمكن تدريب نماذج YOLO11 مخصصًا لتجزئة أنواع مختلفة من البلاستيك. وسنتعرف في الأقسام التالية على كيفية تدريب نموذج مخصص من YOLO11.

الشكل 4. التعرّف على النفايات البلاستيكية باستخدام Ultralytics YOLO11.

تقسيم YOLO11 في المركبات ذاتية القيادة#

ومن حالات الاستخدام الأخرى المثيرة للاهتمام لتجزئة الكائنات السيارات ذاتية القيادة. إذ يتيح YOLO11 للسيارات ذاتية القيادة تحسين سلامة الركاب وسلامة الآخرين على الطريق، من خلال التعرّف بدقة على الأجسام على مستوى البكسل. ويمكن لنظام الكاميرات الموجود على متن السيارة التقاط صور للمحيط وتحليلها باستخدام YOLO11 وتجزئة الكائنات. ويُجزّأ كل جسم في الصورة، مثل المشاة وإشارات المرور والمركبات الأخرى، وتُسند إليه تسمية. وتمنح هذه الدرجة من الدقة السيارات ذاتية القيادة القدرة على تحديد كل جسم من حولها.

الشكل 5. استخدام YOLO11 وتقسيم الكائنات للتعرّف على المركبات والمشاة على الطريق.

تجربة تقسيم الكائنات باستخدام نموذج YOLO11#

بعد أن استكشفنا تقسيم الكائنات وناقشنا بعض تطبيقاته، لنرَ كيف يمكنك تجربته باستخدام نموذج Ultralytics YOLO11.

هناك طريقتان لذلك: يمكنك استخدام حزمة Ultralytics Python أو Ultralytics HUB. سنستعرض الطريقتين، بدءًا بحزمة Python.

إجراء الاستدلال باستخدام YOLO11#

يتضمن تشغيل الاستدلال استخدام النموذج لتحليل بيانات جديدة لم يسبق له رؤيتها. ولتشغيل استدلال باستخدام نموذج YOLO11 لتجزئة الكائنات عبر الشيفرة، نحتاج إلى تثبيت حزمة Ultralytics Python باستخدام pip أو conda أو Docker. وإذا واجهت أي مشكلات أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للمساعدة في استكشاف الأخطاء وإصلاحها. وبعد تثبيت الحزمة، يمكنك تشغيل الشيفرة الموضحة أدناه لتحميل نموذج تجزئة الكائنات YOLO11n-seg وإجراء تنبؤات على صورة.

الشكل 6. إجراء استدلال على صورة باستخدام YOLO11n-seg.

تدريب نموذج YOLO11 مخصص#

باستخدام إعداد الشيفرة نفسه، يمكنك أيضًا تدريب نموذج YOLO11 مخصص. ومن خلال ضبط نموذج YOLO11 بدقة، يمكنك إنشاء إصدار مخصص منه يلبي متطلبات مشروعك المحددة على نحو أفضل. فعلى سبيل المثال، يستطيع تجار التجزئة استخدام نموذج مخصص لتجزئة السمات الجسدية للعميل بدقة، والتوصية بملابس تلائمه. ويوضح مقتطف الشيفرة أدناه كيفية تحميل نموذج YOLO11 لتجزئة الكائنات وتدريبه. ويمكنك البدء من إعداد YAML أو نموذج مدرّب مسبقًا، ونقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تجزئة فعالة.

بعد اكتمال التدريب، يمكنك إجراء استدلالات باستخدام النموذج المخصص لتطبيقاتك المحددة. كما يمكنك تحويل نموذجك المخصص إلى تنسيقات نشر أخرى باستخدام وضع التصدير.

تقسيم الكائنات باستخدام YOLO11 على Ultralytics HUB#

بعد أن استعرضنا تشغيل الاستدلالات والتدريب المخصص لنموذج YOLO11 لتجزئة الكائنات عبر الشيفرة، دعونا نلقِ نظرة على بديل لا يتطلب كتابة شيفرة: Ultralytics HUB. Ultralytics HUB منصة بديهية للذكاء الاصطناعي البصري تبسّط عملية تدريب نماذج YOLO ونشرها، بما فيها نماذج YOLO11 لتجزئة الكائنات.

لتشغيل الاستدلال على الصور، ما عليك سوى إنشاء حساب، والانتقال إلى قسم «النماذج»، واختيار إصدار نموذج YOLO11 لتجزئة الكائنات الذي يناسبك. ويمكنك تحميل صورة وعرض نتائج التنبؤ في قسم المعاينة، كما هو موضح أدناه.

الشكل 7. تشغيل الاستدلال على Ultralytics HUB.

أبرز النقاط#

يوفر YOLO11 إمكانات موثوقة لتقسيم الكائنات تفتح آفاقًا واسعة في صناعات متنوعة. فمن تعزيز السلامة في المركبات ذاتية القيادة ومراقبة حرق الغاز في قطاع النفط والغاز إلى أتمتة فرز النفايات في مرافق إعادة التدوير، تجعل دقة YOLO11 على مستوى البكسل منه خيارًا مثاليًا لمهام التقسيم المعقدة.

بفضل خيارات التدريب المخصص عبر حزمة Ultralytics Python والإعداد الذي لا يتطلب كتابة شيفرة عبر Ultralytics HUB، يستطيع المستخدمون دمج YOLO11 في سير عملهم. وسواء أكان الاستخدام في التطبيقات الصناعية أو الرعاية الصحية أو تجارة التجزئة أو مراقبة البيئة، يوفر YOLO11 المرونة والدقة لتلبية احتياجات التجزئة المتنوعة.

لاستكشاف المزيد، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول لدينا.