كيفية استخدام Ultralytics YOLO11 لتجزئة الكيانات
تعرّف على كيفية استخدام نموذج Ultralytics YOLO11 الجديد لتجزئة الكيانات، لتحقيق دقة أعلى في تطبيقات مثل إدارة النفايات ومراقبة الشعلات.
يُتيح رؤية الحاسوب، وهي مجال ضمن الذكاء الاصطناعي (AI) يساعد الآلات على تفسير المعلومات المرئية وفهمها، تنفيذ مهام مثل تقسيم الكائنات. ويمكن استخدام تقسيم الكائنات لتحليل صورة أو إطار فيديو وتحديد الحدود الدقيقة لكل كائن مميز في الصورة، حتى عند وجود عدة كائنات من النوع نفسه. وبفضل مستواه العالي من الدقة، يمتلك تقسيم الكائنات نطاقًا واسعًا من التطبيقات، بدءًا من مساعدة السيارات ذاتية القيادة على اكتشاف العوائق على الطريق، وصولًا إلى تحديد الأورام في الفحوصات الطبية.
على مر السنين، تطور تقسيم الكائنات تطورًا كبيرًا. وقد طُرح أحد التطورات الحديثة خلال الفعالية السنوية الهجينة لشركة Ultralytics، وهي YOLO Vision 2024 (YV24)، في صورة نموذج Ultralytics YOLO11. ويدعم النموذج الجديد مهام رؤية الحاسوب نفسها (بما في ذلك تقسيم الكائنات) التي يدعمها نموذج Ultralytics YOLOv8، لذا يمكن للمستخدمين الملمين بالإصدارات السابقة اعتماد النموذج الجديد بسلاسة.
الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لتقسيم الكائنات.
في هذه المقالة، سنستكشف تقسيم الكائنات وكيف يختلف عن مهام رؤية الحاسوب الأخرى مثل التقسيم الدلالي، كما سنناقش بعض تطبيقاته. وسنستعرض أيضًا كيفية استخدام نموذج YOLO11 لتقسيم الكائنات من خلال حزمة Ultralytics Python ومنصة Ultralytics HUB. لنبدأ!
ما هو تقسيم المثيلات؟#
يمكن استخدام تقسيم الكائنات لتحديد الكائنات في صورة وتحديد مخططاتها على مستوى البكسل. وتتضمن العملية عادةً اكتشاف الكائنات أولًا ورسم مربعات الإحاطة حولها. ثم تصنّف خوارزمية التقسيم كل بكسل داخل مربع الإحاطة لإنشاء قناع دقيق لكل كائن.
يختلف تقسيم الكائنات أيضًا عن مهام مثل التقسيم الدلالي والتقسيم الشامل. يضع التقسيم الدلالي تسمية لكل بكسل استنادًا إلى الفئة العامة للكائن، من دون تمييز الحالات الفردية. أما التقسيم الشامل، فيجمع بين تقسيم الكائنات والتقسيم الدلالي من خلال تسمية كل بكسل بكل من الفئة ومعرّف الحالة، مع تحديد الكائنات الفردية ضمن كل فئة.
الشكل 2. استخدام YOLO11 لاكتشاف شخص وكلب وتقسيمهما.
يمكن تطبيق إمكانات تقسيم الكائنات في سيناريوهات متنوعة قد تتطلب نماذج مختلفة. فعلى سبيل المثال، قد يكون النموذج خفيف الوزن مثاليًا لـالمعالجة في الوقت الفعلي في تطبيقات الأجهزة المحمولة، بينما يمكن استخدام نموذج أكثر تعقيدًا للمهام عالية الدقة مثل مراقبة الجودة في التصنيع.
مثل النماذج السابقة، يأتي نموذج YOLO11 لتقسيم الكائنات أيضًا بعدة إصدارات وفقًا لاحتياجاتك. وتشمل هذه الإصدارات 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. وبناءً على متطلباتك المحددة، يمكنك اختيار النموذج الأنسب لتطبيقك.
تطبيقات تقسيم الكائنات باستخدام YOLO11#
تفتح إمكانات YOLO11 المتقدمة في تقسيم الكائنات المجال أمام مجموعة من التطبيقات في مختلف القطاعات. لنلقِ نظرةً أقرب على بعض هذه التطبيقات.
استخدام تقسيم YOLO11 في قطاع النفط والغاز#
ينطوي استخراج النفط والغاز على التعامل مع تقلبات ضغط شديدة الارتفاع. وتساعد تقنيات مثل حرق الغاز على حرق الغاز الطبيعي الناتج أثناء استخراج النفط. وهذا 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، يمكن أن تؤدي الحوادث الصناعية في قطاع تصنيع النفط والغاز إلى حرائق شديدة يصعب احتواؤها والسيطرة عليها. ويساعد حرق الغاز المشغلين على خفض ضغط المعدات بأمان وإدارة تقلبات الضغط الكبيرة وغير المتوقعة من خلال حرق الغاز الفائض.
يمكن لأنظمة الذكاء الاصطناعي تحسين عملية المراقبة هذه، كما يمكن تقليل مخاطر الحوادث باستخدام نظام لمراقبة المشاعل قائم على تقسيم الكائنات. وتكتسب مراقبة حرق الغاز أهميةً بيئية أيضًا، إذ يمكن أن يؤثر الإفراط في الحرق سلبًا في البيئة.
يمكن استخدام نماذج Ultralytics YOLO11 لـتقسيم الكائنات لمراقبة كمية اللهب والدخان الناتجين عن الحرق. ويمكن حساب مساحة البكسلات للمشعل والدخان المكتشفين والمقسّمين. وباستخدام هذه المعلومات، يستطيع المشغلون الحصول على رؤى في الوقت الفعلي حول اللهب والدخان الناتجين عن الحرق، مما يساعدهم على منع الحوادث والآثار البيئية السلبية.
الشكل 3. مثال على مراقبة المشاعل باستخدام YOLO11 في تصنيع النفط والغاز.
تقسيم الكائنات باستخدام YOLO11 لإدارة النفايات البلاستيكية#
يمكن للعاملين في مرافق إدارة النفايات وإعادة التدوير استخدام أنظمة قائمة على تقسيم الكائنات باستخدام YOLO11 لتحديد مواد النفايات البلاستيكية. ويمكن دمج YOLO11 مع أنظمة الفرز الروبوتية لتحديد مواد النفايات المختلفة بدقة، مثل الورق المقوى والبلاستيك (لمعالجتها بشكل منفصل). وتزداد أهمية ذلك بالنظر إلى أن نحو 10% فقط من أصل 7 مليارات طن من النفايات البلاستيكية المتولدة عالميًا يُعاد تدويرها.
تؤدي أتمتة تحديد sorting of plastic waste إلى تقليل الوقت اللازم بشكل كبير مقارنة بالطرق التقليدية، حيث يقوم العمال فرز العناصر يدويًا. يمكن لـ Computer vision models حتى تجزئة البلاستيك المرن مثل الأغلفة والأكياس، وهي تمثل تحديًا خاصًا لأنها غالبًا ما تتشابك. يمكن أيضًا custom-trained YOLO11 models لتجزئة أنواع مختلفة من البلاستيك. سنتعلم المزيد حول كيفية custom-train نموذج YOLO11 في الأقسام التالية.
الشكل 4. تحديد النفايات البلاستيكية باستخدام Ultralytics YOLO11.
تقسيم YOLO11 في المركبات ذاتية القيادة#
من حالات الاستخدام المثيرة للاهتمام لتقسيم الكائنات استخدامه في السيارات ذاتية القيادة. يتيح YOLO11 لـالسيارات ذاتية القيادة تحسين سلامة الركاب وسلامة الآخرين على الطريق من خلال التعرف بدقة على الكائنات على مستوى البكسل. ويمكن لـنظام الكاميرا الموجود على متن السيارة التقاط صور للمحيط وتحليلها باستخدام YOLO11 وتقسيم الكائنات. ويُقسّم كل كائن (المشاة وإشارات المرور والمركبات الأخرى وغير ذلك) داخل الصورة، وتُسند إليه تسمية. ويمنح هذا المستوى من الدقة السيارات ذاتية القيادة القدرة على تحديد كل كائن من حولها.
الشكل 5. استخدام YOLO11 وتقسيم الكائنات لتحديد المركبات والمشاة على الطريق.
تجربة تقسيم الكائنات باستخدام نموذج YOLO11#
بعد أن استكشفنا تقسيم الكائنات وناقشنا بعض تطبيقاته، لنرَ كيفية تجربته باستخدام نموذج Ultralytics YOLO11.
توجد طريقتان لتنفيذ ذلك: يمكنك استخدام حزمة Ultralytics Python أو Ultralytics HUB. وسنستعرض كلتيهما، بدءًا بالحزمة.
تشغيل الاستدلالات باستخدام YOLO11#
يتضمن تشغيل استدلال استخدام النموذج لتحليل بيانات جديدة لم يسبق رؤيتها. ولتشغيل استدلال باستخدام نموذج YOLO11 لتقسيم الكائنات من خلال التعليمات البرمجية، نحتاج إلى تثبيت حزمة Ultralytics Python باستخدام pip أو conda أو docker. وإذا واجهت أي مشكلات أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على المساعدة في استكشاف الأخطاء وإصلاحها. بعد تثبيت الحزمة، يمكنك تشغيل التعليمات البرمجية الموضحة أدناه لتحميل نموذج YOLO11 لتقسيم الكائنات وتشغيل التنبؤات على صورة.
الشكل 6. تشغيل استدلال على صورة باستخدام YOLO11n-seg.
تدريب نموذج YOLO11 مخصص#
باستخدام إعداد التعليمات البرمجية نفسه، يمكنك أيضًا تدريب نموذج YOLO11 مخصص. ومن خلال الضبط الدقيق لنموذج YOLO11، يمكنك إنشاء إصدار مخصص من النموذج يلبي متطلبات مشروعك المحدد على نحو أفضل. فعلى سبيل المثال، يمكن لـتجار التجزئة استخدام نموذج مخصص لتقسيم السمات الجسدية للعميل بدقة من أجل اقتراح ملابس ملائمة له. يوضح مقتطف التعليمات البرمجية أدناه كيفية تحميل نموذج YOLO11 وتدريبه لتقسيم الكائنات. ويمكنك البدء من تهيئة YAML أو نموذج مدرّب مسبقًا، ونقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تقسيم فعال.
بعد إكمال ذلك، يمكنك إجراء الاستدلالات باستخدام النموذج المخصص من أجل تطبيقاتك المحددة. وباستخدام خيار التصدير، يمكنك أيضًا تصدير النموذج المخصص إلى تنسيق مختلف.
تقسيم الكائنات في YOLO11 على Ultralytics HUB#
بعد أن استكشفنا تشغيل الاستدلالات والتدريب المخصص لنموذج YOLO11 لتقسيم الكائنات من خلال التعليمات البرمجية، لنلقِ نظرة على بديل لا يتطلب كتابة التعليمات البرمجية: Ultralytics HUB. Ultralytics HUB منصة بديهية للذكاء الاصطناعي المرئي تبسّط عملية تدريب نماذج YOLO ونشرها، بما في ذلك نماذج YOLO11 لتقسيم الكائنات.
لتشغيل الاستدلال على الصور، كل ما عليك فعله هو: إنشاء حساب، والانتقال إلى قسم «النماذج»، واختيار إصدار نموذج YOLO11 لتقسيم الكائنات الذي تريده. ويمكنك تحميل صورة وعرض نتائج التنبؤ في قسم المعاينة، كما هو موضح أدناه.
الشكل 7. تشغيل عمليات الاستدلال على Ultralytics HUB.
أهم النقاط المستخلصة#
يوفر YOLO11 إمكانات موثوقة لتقسيم الكائنات تفتح عالمًا من الإمكانات في مختلف القطاعات. 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.
مع خيارات التدريب المخصص من خلال حزمة Ultralytics Python وإعداد لا يتطلب كتابة التعليمات البرمجية عبر Ultralytics HUB، يستطيع المستخدمون دمج YOLO11 بسلاسة في سير عملهم. وسواء أكان الاستخدام في التطبيقات الصناعية أو الرعاية الصحية أو البيع بالتجزئة أو المراقبة البيئية، فإن YOLO11 يوفر المرونة والدقة لتلبية احتياجات التقسيم المتنوعة.
لمزيد من الاستكشاف، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات حلولنا. 🚀
