كيفية استخدام Ultralytics YOLO11 لتقسيم الصور إلى أجزاء

رؤية الحاسوب، وهو مجال ضمن الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات المرئية، ويتيح مهام مثل تجزئة المثيلات. يمكن استخدام تجزئة المثيلات لتحليل صورة أو إطار فيديو لتحديد الحدود الدقيقة لكل كائن مميز في الصورة، حتى في حالة وجود كائنات متعددة من نفس النوع. بفضل مستواها العالي من الدقة، فإن تجزئة المثيلات لديها مجموعة واسعة من التطبيقات، بدءًا من مساعدة السيارات ذاتية القيادة على اكتشاف العوائق على الطريق وحتى تحديد الأورام في الفحوصات الطبية.

على مر السنين، تطور تقسيم الصور إلى أجزاء بشكل ملحوظ. تم تقديم تطور حديث خلال الحدث الهجين السنوي لـ Ultralytics، YOLO Vision 2024 (YV24)، في شكل نموذج Ultralytics YOLO11. يدعم النموذج الجديد نفس مهام الرؤية الحاسوبية (بما في ذلك تقسيم الصور إلى أجزاء) مثل نموذج Ultralytics YOLOv8، لذلك يمكن للمستخدمين الذين اعتادوا على الإصدارات السابقة اعتماد النموذج الجديد بسلاسة.

‍

في هذه المقالة، سوف نستكشف تجزئة المثيلات وكيف تختلف عن مهام الرؤية الحاسوبية الأخرى مثل التجزئة الدلالية، بالإضافة إلى مناقشة بعض تطبيقاتها. وسوف نشرح أيضًا كيفية استخدام نموذج تجزئة المثيلات YOLO11 باستخدام حزمة Ultralytics Python ومنصة Ultralytics HUB. هيا بنا نبدأ!

ما هو تقسيم الحالات (Instance Segmentation)؟

يمكن استخدام تجزئة المثيلات لتحديد الكائنات في الصورة وتحديدها على مستوى البكسل. تتضمن العملية عادةً أولاً اكتشاف الكائنات ورسم مربعات إحاطة حولها. بعد ذلك، يصنف خوارزمية التجزئة كل بكسل داخل مربع الإحاطة لإنشاء قناع دقيق لكل كائن.

تجزئة المثيلات تختلف أيضًا عن مهام مثل التجزئة الدلالية والتجزئة الشاملة. التجزئة الدلالية تصنف كل بكسل بناءً على الفئة العامة للكائن، دون تمييز الحالات الفردية. من ناحية أخرى، تجمع التجزئة الشاملة بين تجزئة المثيلات والتجزئة الدلالية عن طريق تصنيف كل بكسل بفئة ومعرف مثيل، وتحديد الكائنات الفردية داخل كل فئة.

‍

يمكن تطبيق قدرات تجزئة المثيل في سيناريوهات مختلفة قد تتطلب نماذج مختلفة. على سبيل المثال، قد يكون النموذج خفيف الوزن مثاليًا للمعالجة في الوقت الفعلي في تطبيقات الهاتف المحمول، بينما يمكن استخدام نموذج أكثر تعقيدًا للمهام عالية الدقة مثل مراقبة الجودة في التصنيع.

مثل النماذج السابقة، يأتي نموذج تجزئة الحالات YOLO11 أيضًا مع العديد من الاختلافات اعتمادًا على احتياجاتك. تتضمن هذه الاختلافات YOLO11n-seg (Nano)، و YOLO11s-seg (Small)، و YOLO11m-seg (Medium)، و YOLO11l-seg (Large)، و YOLO11x-seg (Extra Large). تختلف هذه النماذج من حيث الحجم وسرعة المعالجة والدقة وكمية الطاقة الحسابية التي تتطلبها. بناءً على متطلباتك الخاصة، يمكنك اختيار النموذج الذي يناسب تطبيقك على أفضل وجه.

تطبيقات تجزئة المثيل لـ YOLO11

تفتح إمكانات تجزئة المثيلات المتقدمة في YOLO11 مجموعة من التطبيقات عبر مختلف الصناعات. دعنا نلقي نظرة فاحصة على بعض هذه التطبيقات.

استخدام تجزئة YOLO11 في صناعة النفط والغاز

يتضمن استخراج النفط والغاز إدارة تقلبات الضغط العالية للغاية. تساعد تقنيات مثل حرق الغاز على حرق الغاز الطبيعي الذي يتم إنتاجه أثناء استخراج النفط. إنه ضروري لأسباب تتعلق بالسلامة. على سبيل المثال، في استخراج النفط الخام، يمكن أن تؤدي زيادة الضغط المفاجئة أو الكبيرة إلى انفجار. على الرغم من أنها غير شائعة، إلا أن الحوادث الصناعية في قطاع تصنيع النفط والغاز يمكن أن تؤدي إلى حرائق شديدة يصعب احتواؤها والسيطرة عليها. يساعد حرق الغاز المشغلين على تخفيف الضغط عن المعدات بأمان وإدارة تقلبات الضغط الكبيرة وغير المتوقعة عن طريق حرق الغاز الزائد.

يمكن لأنظمة الذكاء الاصطناعي تحسين عملية المراقبة هذه، ويمكن تقليل خطر الحوادث باستخدام نظام مراقبة الشعلة القائم على تجزئة المثيلات. تعد مراقبة الغاز المشتعل مهمة أيضًا لأسباب بيئية، حيث أن الكثير من الاشتعال يمكن أن يؤثر سلبًا على البيئة. 

يمكن استخدام نماذج تقسيم الحالات في Ultralytics YOLO11 لمراقبة كمية الحريق و الدخان الناتج عن الاحتراق. يمكن حساب مساحة البكسل للهباء والدخان المكتشف والمقسم. باستخدام هذه المعلومات، يمكن للمشغلين الحصول على رؤى في الوقت الفعلي حول اللهب والدخان الناتج عن الاحتراق، مما يساعدهم على منع الحوادث والآثار البيئية السلبية. 

‍

تجزئة المثيل مع YOLO11 لإدارة النفايات البلاستيكية 

يمكن للعاملين في إدارة النفايات وإعادة التدوير استخدام أنظمة قائمة على تجزئة الحالات في YOLO11 لتحديد مواد النفايات البلاستيكية. يمكن دمج YOLO11 مع أنظمة الفرز الآلية لتحديد مواد النفايات المختلفة بدقة، مثل الورق المقوى والبلاستيك (ليتم معالجتها بشكل منفصل). إنه أمر مهم بشكل خاص بالنظر إلى أنه من بين 7 مليارات طن من النفايات البلاستيكية التي يتم إنتاجها عالميًا، يتم إعادة تدوير حوالي 10٪ فقط.

تعمل أتمتة تحديد وفرز النفايات البلاستيكية على تقليل الوقت اللازم بشكل كبير مقارنة بالطرق التقليدية، حيث يقوم العمال بفرز العناصر يدويًا. يمكن لنماذج الرؤية الحاسوبية حتى تقسيم المواد البلاستيكية اللينة مثل الأغلفة والحقائب، والتي تمثل تحديًا خاصًا لأنها غالبًا ما تتشابك. يمكن أيضًا تدريب نماذج YOLO11 بشكل مخصص لتقسيم أنواع مختلفة من البلاستيك. سنتعلم المزيد حول كيفية التدريب المخصص لنموذج YOLO11 في الأقسام التالية.

‍

تجزئة YOLO11 في المركبات ذاتية القيادة

من حالات الاستخدام الأخرى المثيرة للاهتمام لتقسيم الصور إلى أجزاء هي في السيارات ذاتية القيادة. يمكّن YOLO11 السيارات ذاتية القيادة من تحسين سلامة الركاب وسلامة الآخرين على الطريق من خلال التعرف بدقة على الكائنات على مستوى البكسل. يمكن لنظام الكاميرا الموجود على متن السيارة التقاط صور للمناطق المحيطة وتحليلها باستخدام YOLO11 وتقسيم الصور إلى أجزاء. يتم تقسيم كل كائن (المشاة وإشارات المرور والمركبات الأخرى وما إلى ذلك) داخل الصورة، ويتم إعطاؤه تسمية. يمنح هذا المستوى من الدقة السيارات ذاتية القيادة القدرة على تحديد كل كائن من حولها. 

‍

تجربة تجزئة المثيلات باستخدام نموذج YOLO11

الآن بعد أن استكشفنا تجزئة المثيل وناقشنا بعض تطبيقاته، دعنا نرى كيف يمكنك تجربته باستخدام نموذج Ultralytics YOLO11. 

هناك طريقتان للقيام بذلك: يمكنك إما استخدام حزمة Ultralytics Python أو Ultralytics HUB. سنستكشف كليهما، بدءًا من حزمة Python.

تشغيل الاستدلالات باستخدام YOLO11

يتضمن إجراء الاستنتاج استخدام النموذج لتحليل بيانات جديدة لم يسبق رؤيتها. لتشغيل استنتاج باستخدام نموذج تقسيم الحالات YOLO11 من خلال التعليمات البرمجية، نحتاج إلى تثبيت حزمة Ultralytics Python باستخدام pip أو conda أو docker. في حال واجهت أي مشكلات أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على مساعدة في استكشاف الأخطاء وإصلاحها. بمجرد تثبيت الحزمة، يمكنك تشغيل التعليمات البرمجية الموضحة أدناه لتحميل نموذج تقسيم الحالات YOLO11 وتشغيل التنبؤات على صورة.

‍

تدريب نموذج YOLO11 مخصص

باستخدام نفس إعداد التعليمات البرمجية، يمكنك أيضًا تدريب نموذج YOLO11 مخصص. من خلال الضبط الدقيق لنموذج YOLO11، يمكنك إنشاء نسخة مخصصة من النموذج تلبي متطلبات مشروعك المحدد بشكل أفضل. على سبيل المثال، يمكن لتجار التجزئة استخدام نموذج مخصص لتقسيم الميزات الفيزيائية للعميل بدقة من أجل التوصية بملابس مناسبة تمامًا. توضح مقتطفة التعليمات البرمجية أدناه كيفية تحميل وتدريب نموذج YOLO11 لتقسيم الحالات. يمكنك البدء من تكوين YAML أو نموذج مُدرَّب مسبقًا، ونقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تقسيم فعال. 

‍

‍

بمجرد الانتهاء، يمكنك إجراء استدلالات باستخدام النموذج المخصص لتطبيقاتك المحددة. باستخدام خيار التصدير، يمكنك أيضًا تصدير النموذج المخصص الخاص بك إلى تنسيق مختلف.

تقسيم مثيلات YOLO11 على Ultralytics HUB

الآن بعد أن استكشفنا تشغيل الاستدلالات والتدريب المخصص لنموذج تجزئة مثيل YOLO11 من خلال التعليمات البرمجية، دعنا نلقي نظرة على بديل بدون تعليمات برمجية: Ultralytics HUB. Ultralytics HUB عبارة عن نظام أساسي بديهي للذكاء الاصطناعي البصري يعمل على تبسيط عملية تدريب ونشر نماذج YOLO، بما في ذلك نماذج تجزئة مثيل YOLO11. 

لتشغيل الاستدلال على الصور، كل ما عليك فعله هو؛ إنشاء حساب، والانتقال إلى قسم ‘النماذج’، وتحديد متغير نموذج تجزئة YOLO11 الذي تختاره. يمكنك تحميل صورة وعرض نتائج التنبؤ في قسم المعاينة، كما هو موضح أدناه.

‍

النقاط الرئيسية

يوفر YOLO11 إمكانات تجزئة موثوقة للحالات تفتح عالمًا من الاحتمالات عبر مختلف الصناعات. بدءًا من تعزيز السلامة في المركبات ذاتية القيادة ومراقبة حرق الغاز في قطاع النفط والغاز وحتى أتمتة فرز النفايات في مرافق إعادة التدوير، فإن دقة YOLO11 على مستوى البكسل تجعله مثاليًا لمهام التجزئة المعقدة. 

مع وجود خيارات للتدريب المخصص من خلال حزمة Ultralytics Python وإعداد بدون تعليمات برمجية عبر Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 بسلاسة في مهام سير العمل الخاصة بهم. سواء كان ذلك للتطبيقات الصناعية أو الرعاية الصحية أو البيع بالتجزئة أو المراقبة البيئية، فإن YOLO11 يوفر المرونة والدقة لتلبية احتياجات التجزئة المتنوعة.

لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة و الزراعة في صفحات الحلول الخاصة بنا. 🚀