كيفية استخدام Ultralytics YOLO11 لتجزئة المثيل

الرؤية الحاسوبية، وهي مجال ضمن الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات المرئية، يتيح مهاماً مثل تقسيم الحالات. يمكن استخدام تقسيم الحالات لتحليل صورة أو إطار فيديو لتحديد الحدود الدقيقة لكل كائن متميز في الصورة، حتى عند وجود كائنات متعددة من نفس النوع. بفضل مستوى دقته العالي، يتمتع تقسيم الحالات بمجموعة واسعة من التطبيقات، بدءاً من مساعدة السيارات ذاتية القيادة على اكتشاف العوائق على الطريق وصولاً إلى تحديد الأورام في الفحوصات الطبية.

على مر السنين، تطور تقسيم الحالات بشكل كبير. تم تقديم تطور حديث خلال الحدث الهجين السنوي لشركة Ultralytics، YOLO Vision 2024 (YV24)، في شكل نموذج Ultralytics YOLO11. يدعم النموذج الجديد نفس مهام الرؤية الحاسوبية (بما في ذلك تقسيم الحالات) مثل نموذج Ultralytics YOLOv8، لذا يمكن للمستخدمين المعتادين على الإصدارات السابقة تبني النموذج الجديد بسلاسة.

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

في هذه المقالة، سوف نستكشف تقسيم الحالات وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى مثل التقسيم الدلالي (semantic segmentation)، بالإضافة إلى مناقشة بعض تطبيقاته. كما سنتناول كيفية استخدام نموذج تقسيم الحالات YOLO11 باستخدام حزمة Ultralytics Python ومنصة Ultralytics HUB. لنبدأ!

Link to this sectionما هو تجزئة المثيلات؟#

يمكن استخدام تقسيم الحالات لتحديد الكائنات في صورة وتحديد خطوطها على مستوى البكسل. تتضمن العملية عادةً أولاً اكتشاف الكائنات ورسم صناديق الإحاطة (bounding boxes) حولها. بعد ذلك، تقوم خوارزمية التقسيم بتصنيف كل بكسل داخل صندوق الإحاطة لإنشاء قناع دقيق لكل كائن.

يختلف تقسيم الحالات أيضاً عن مهام مثل التقسيم الدلالي (semantic segmentation) والتقسيم البانوبتيكي (panoptic segmentation). يقوم التقسيم الدلالي بتسمية كل بكسل بناءً على الفئة العامة للكائن، دون تمييز الحالات الفردية. من ناحية أخرى، يجمع التقسيم البانوبتيكي بين تقسيم الحالات والتقسيم الدلالي من خلال تسمية كل بكسل بفئة ومعرف حالة (instance ID)، مما يحدد الكائنات الفردية داخل كل فئة.

الشكل 2. استخدام YOLO11 لاكتشاف وتقسيم شخص وكلب.

يمكن تطبيق قدرات تقسيم الحالات في سيناريوهات مختلفة قد تتطلب نماذج مختلفة. على سبيل المثال، قد يكون النموذج خفيف الوزن مثالياً لـ المعالجة في الوقت الفعلي في تطبيقات الهاتف المحمول، بينما يمكن استخدام نموذج أكثر تعقيداً للمهام عالية الدقة مثل مراقبة الجودة في التصنيع.

مثل النماذج السابقة، يأتي نموذج تقسيم الحالات YOLO11 أيضاً مع العديد من الاختلافات حسب احتياجاتك. تشمل هذه الاختلافات YOLO11n-seg (Nano)، وYOLO11s-seg (Small)، وYOLO11m-seg (Medium)، وYOLO11l-seg (Large)، وYOLO11x-seg (Extra Large). تختلف هذه النماذج من حيث حجمها، وسرعة المعالجة، والدقة، وكمية الطاقة الحسابية التي تتطلبها. بناءً على متطلباتك الخاصة، يمكنك اختيار النموذج الذي يناسب تطبيقك بشكل أفضل.

Link to this sectionتطبيقات تقسيم الحالات لـ YOLO11#

تفتح قدرات تقسيم الحالات المتقدمة لـ YOLO11 مجموعة من التطبيقات عبر مختلف الصناعات. دعونا نلقي نظرة فاحصة على بعض هذه التطبيقات.

Link to this sectionاستخدام تقسيم YOLO11 في صناعة النفط والغاز#

يتضمن استخراج النفط والغاز إدارة تقلبات عالية للغاية في الضغط. تساعد تقنيات مثل حرق الغاز (gas flaring) في حرق الغاز الطبيعي الذي يتم إنتاجه أثناء استخراج النفط. هذا ضروري لـ أسباب تتعلق بالسلامة. على سبيل المثال، في استخراج النفط الخام، قد يؤدي ارتفاع مفاجئ أو كبير في الضغط إلى انفجار. على الرغم من ندرتها، يمكن أن تؤدي الحوادث الصناعية في قطاع تصنيع النفط والغاز إلى حرائق شديدة يصعب احتواؤها والسيطرة عليها. يساعد حرق الغاز المشغلين على تخفيف ضغط المعدات بأمان وإدارة تقلبات الضغط الكبيرة وغير المتوقعة عن طريق حرق الغاز الزائد.

يمكن لأنظمة الذكاء الاصطناعي تحسين عملية المراقبة هذه، كما يمكن تقليل مخاطر الحوادث باستخدام نظام مراقبة الشعلة القائم على تجزيء النطاق (instance segmentation). وتعد مراقبة حرق الغاز مهمة أيضاً لأسباب بيئية، حيث إن الإفراط في الحرق يمكن أن يؤثر سلباً على البيئة.

يمكن استخدام نماذج تقسيم الحالات من Ultralytics YOLO11 لمراقبة كمية النار والدخان الناتجة عن الحرق. يمكن حساب مساحة البكسل للحرق والدخان المكتشف والمقسم. باستخدام هذه المعلومات، يمكن للمشغلين الحصول على رؤى في الوقت الفعلي حول الحرق والدخان الناجمين عن الحرق، مما يساعدهم على منع الحوادث والآثار البيئية السلبية.

الشكل 3. مثال على مراقبة الحرق باستخدام YOLO11 في تصنيع النفط والغاز.

Link to this sectionتقسيم الحالات باستخدام YOLO11 لإدارة النفايات البلاستيكية#

يمكن للعمال في مرافق إدارة النفايات وإعادة التدوير استخدام الأنظمة القائمة على تقسيم الحالات في YOLO11 لتحديد مواد النفايات البلاستيكية. يمكن دمج YOLO11 مع أنظمة الفرز الروبوتية لتحديد مواد النفايات المختلفة بدقة، مثل الورق المقوى والبلاستيك (ليتم معالجتها بشكل منفصل). هذا مهم بشكل خاص بالنظر إلى أن 7 مليارات طن من النفايات البلاستيكية التي يتم إنتاجها عالمياً، يتم إعادة تدوير حوالي 10% فقط منها.

إن أتمتة تحديد وفرز النفايات البلاستيكية تقلل بشكل كبير من الوقت المطلوب مقارنة بالطرق التقليدية، حيث يقوم العمال بفرز العناصر يدوياً. يمكن لـ نماذج الرؤية الحاسوبية حتى تقسيم المواد البلاستيكية اللينة مثل الأغلفة والأكياس، والتي تعد صعبة بشكل خاص لأنها غالباً ما تتشابك. يمكن أيضاً تدريب نماذج YOLO11 بشكل مخصص لتقسيم أنواع مختلفة من البلاستيك. سنتعلم المزيد حول كيفية التدريب المخصص لنموذج YOLO11 في الأقسام التالية.

الشكل 4. تحديد النفايات البلاستيكية باستخدام Ultralytics YOLO11.

Link to this sectionتقسيم YOLO11 في المركبات ذاتية القيادة#

من حالات الاستخدام المثيرة للاهتمام لتجزيء النطاق (instance segmentation) هي السيارات ذاتية القيادة. يُمكّن YOLO11 السيارات ذاتية القيادة من تعزيز سلامة الركاب وسلامة الآخرين على الطريق من خلال التعرف بدقة على الكائنات على مستوى البكسل. يمكن لـ نظام الكاميرا المدمج في السيارة التقاط صور للمحيط وتحليلها باستخدام YOLO11 وتجزيء النطاق. يتم تجزيء كل كائن (المشاة، إشارات المرور، المركبات الأخرى، إلخ) داخل الصورة، ويتم منحه تصنيفاً. يمنح هذا المستوى من الدقة السيارات ذاتية القيادة القدرة على تحديد كل كائن وكل شيء من حولها.

الشكل 5. استخدام YOLO11 وتقسيم الحالات لتحديد المركبات والمشاة على الطريق.

Link to this sectionتجربة تقسيم الحالات مع نموذج YOLO11#

الآن بعد أن استكشفنا تقسيم الحالات وناقشنا بعض تطبيقاته، دعونا نرى كيف يمكنك تجربته باستخدام نموذج Ultralytics YOLO11.

هناك طريقتان للقيام بذلك: يمكنك إما استخدام حزمة Ultralytics Python أو منصة Ultralytics HUB. سنستكشف كليهما، بدءاً بحزمة Python.

Link to this sectionتشغيل الاستنتاجات باستخدام YOLO11#

يتضمن تشغيل الاستدلال (inference) استخدام النموذج لتحليل بيانات جديدة لم يتم رؤيتها من قبل. لتشغيل استدلال باستخدام نموذج تقسيم الحالات YOLO11 من خلال الكود، نحتاج إلى تثبيت حزمة Ultralytics Python باستخدام pip أو conda أو docker. في حال واجهت أي مشاكل أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على مساعدة في استكشاف الأخطاء وإصلاحها. بمجرد تثبيت الحزمة، يمكنك تشغيل الكود الموضح أدناه لتحميل نموذج تقسيم الحالات YOLO11 وتشغيل التنبؤات على صورة.

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

Link to this sectionتدريب نموذج YOLO11 مخصص#

مع نفس إعداد الكود، يمكنك أيضاً تدريب نموذج YOLO11 مخصص. من خلال الضبط الدقيق (fine-tuning) لنموذج YOLO11، يمكنك إنشاء إصدار مخصص من النموذج يلبي متطلبات مشروعك المحدد بشكل أفضل. على سبيل المثال، يمكن لـ تجار التجزئة استخدام نموذج مخصص لتقسيم الميزات الجسدية للعميل بدقة لـ التوصية بملابس تناسبه بشكل صحيح. يوضح مقتطف الكود أدناه كيفية تحميل وتدريب نموذج YOLO11 لتقسيم الحالات. يمكنك البدء من تكوين YAML أو نموذج مدرب مسبقاً، ونقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تقسيم فعال.

بمجرد الانتهاء، يمكنك إجراء الاستدلالات باستخدام النموذج المخصص لـ تطبيقاتك المحددة. باستخدام خيار التصدير، يمكنك أيضاً تصدير نموذجك المخصص إلى تنسيق مختلف.

Link to this sectionتقسيم الحالات YOLO11 على Ultralytics HUB#

الآن بعد أن استكشفنا تشغيل الاستدلالات والتدريب المخصص لنموذج تقسيم الحالات YOLO11 من خلال الكود، دعونا نلقي نظرة على بديل بدون كود: Ultralytics HUB. منصة Ultralytics HUB هي منصة ذكاء اصطناعي مرئية بديهية تبسط عملية تدريب ونشر نماذج YOLO، بما في ذلك نماذج تقسيم الحالات YOLO11.

لتشغيل الاستدلال على الصور، كل ما عليك فعله هو: إنشاء حساب، والانتقال إلى قسم "Models"، وتحديد نوع نموذج تقسيم الحالات YOLO11 الذي تختاره. يمكنك تحميل صورة وعرض نتائج التنبؤ في قسم المعاينة، كما هو موضح أدناه.

الشكل 7. تشغيل استنتاجات على Ultralytics HUB.

Link to this sectionأبرز النقاط#

يوفر YOLO11 قدرات موثوقة لتقسيم الحالات تفتح عالماً من الاحتمالات عبر مختلف الصناعات. من 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 مثالياً لمهام التقسيم المعقدة.

مع خيارات للتدريب المخصص من خلال حزمة Ultralytics Python وإعداد بدون كود عبر Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 في سير عملهم بسلاسة. سواء كان ذلك للتطبيقات الصناعية، أو الرعاية الصحية، أو التجزئة، أو المراقبة البيئية، فإن YOLO11 يوفر المرونة والدقة لتلبية احتياجات التقسيم المتنوعة.

لمعرفة المزيد، قم بزيارة مستودع GitHub، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول الخاصة بنا. 🚀