كيفية استخدام Ultralytics YOLO11 لتجزئة المثيل
افهم كيف يمكن استخدام نموذج Ultralytics YOLO11 الجديد لتجزئة المثيل (instance segmentation) لتحقيق دقة أعلى في تطبيقات مثل إدارة النفايات ومراقبة الشعلة.
رؤية الحاسوب، وهو مجال ضمن الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات المرئية، يتيح مهام مثل تجزئة المثيلات. يمكن استخدام تجزئة المثيلات لتحليل صورة أو إطار فيديو لتحديد الحدود الدقيقة لكل كائن مميز في الصورة، حتى عند وجود عدة كائنات من نفس النوع. بفضل دقتها العالية، تمتلك تجزئة المثيلات مجموعة واسعة من التطبيقات، بدءاً من مساعدة السيارات ذاتية القيادة في اكتشاف العقبات على الطريق وحتى تحديد الأورام في الصور الطبية.
على مر السنين، تطورت تجزئة المثيلات بشكل كبير. تم تقديم تطور حديث خلال حدث Ultralytics الهجين السنوي، YOLO Vision 2024 (YV24)، في شكل نموذج Ultralytics YOLO11. يدعم النموذج الجديد نفس مهام رؤية الحاسوب (بما في ذلك تجزئة المثيلات) مثل نموذج Ultralytics YOLOv8، بحيث يمكن للمستخدمين المعتادين على الإصدارات السابقة تبني النموذج الجديد بسلاسة.
الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لتقسيم الحالات.
في هذه المقالة، سنستكشف تجزئة المثيلات وكيف تختلف عن مهام رؤية الحاسوب الأخرى مثل التجزئة الدلالية، بالإضافة إلى مناقشة بعض تطبيقاتها. سنستعرض أيضاً كيف يمكنك استخدام نموذج تجزئة المثيلات YOLO11 باستخدام حزمة Python من Ultralytics ومنصة Ultralytics HUB. لنبدأ!
ما هو تجزئة المثيلات؟#
يمكن استخدام تجزئة المثيلات لتحديد الكائنات في الصورة وتحديد خطوطها على مستوى البكسل. تتضمن العملية عادةً اكتشاف الكائنات أولاً ورسم صناديق الإحاطة حولها. بعد ذلك، يقوم خوارزمية تجزئة بتصنيف كل بكسل داخل صندوق الإحاطة لإنشاء قناع دقيق لكل كائن.
تختلف تجزئة المثيلات أيضاً عن مهام مثل التجزئة الدلالية والتجزئة الشاملة. تقوم التجزئة الدلالية بتسمية كل بكسل بناءً على الفئة العامة للكائن، دون تمييز المثيلات الفردية. من ناحية أخرى، تجمع التجزئة الشاملة بين تجزئة المثيلات والتجزئة الدلالية من خلال تسمية كل بكسل بكل من الفئة ومعرف المثيل، لتحديد الكائنات الفردية داخل كل فئة.
الشكل 2. استخدام YOLO11 لاكتشاف وتقسيم شخص وكلب.
يمكن تطبيق إمكانيات تجزئة المثيلات في سيناريوهات مختلفة قد تتطلب نماذج مختلفة. على سبيل المثال، قد يكون النموذج خفيف الوزن مثاليًا لـ المعالجة 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 المثيلات YOLO11 أيضًا مع عدة تنوعات اعتمادًا على احتياجاتك. تشمل هذه التنوعات YOLO11n-seg (Nano)، وYOLO11s-seg (Small)، وYOLO11m-seg (Medium)، وYOLO11l-seg (Large)، وYOLO11x-seg (Extra Large). تختلف هذه النماذج من حيث الحجم، وسرعة المعالجة، والدقة، ومقدار القدرة الحوسبية التي تتطلبها. بناءً على متطلباتك المحددة، يمكنك اختيار النموذج الذي يناسب تطبيقك بشكل أفضل.
تطبيقات 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.
استخدام تقسيم YOLO11 في صناعة النفط والغاز#
يتضمن استخراج النفط والغاز إدارة تقلبات الضغط العالية للغاية. تساعد تقنيات مثل حرق الغاز في التخلص من الغاز الطبيعي الناتج أثناء استخراج النفط. وهو أمر ضروري لـ أسباب السلامة. على سبيل المثال، في استخراج النفط الخام، يمكن أن يؤدي ارتفاع الضغط المفاجئ أو الكبير إلى حدوث انفجار. على الرغم من ندرتها، 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، 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.
Ultralytics YOLO11 instance segmentation models can be used to monitor the amount of fire and smoke caused by flaring. The pixel area of the detected and segmented flare and smoke can be calculated. Using this information, operators can gain real-time insights into the flare and smoke caused by flaring, helping them prevent accidents and negative environmental impacts.
الشكل 3. مثال على مراقبة الحرق باستخدام YOLO11 في تصنيع النفط والغاز.
تقسيم الحالات باستخدام YOLO11 لإدارة النفايات البلاستيكية#
يمكن للعمال في مرافق إدارة النفايات وإعادة التدوير استخدام الأنظمة القائمة على تجزئة المثيلات 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 أنه من بين 7 مليارات طن من النفايات البلاستيكية المتولدة عالمياً، يتم إعادة تدوير حوالي 10% فقط.
Automating the identification and sorting of plastic waste significantly reduces the time needed compared to traditional methods, where workers sort items by hand. Computer vision models can even segment soft plastics like wraps and bags, which are particularly challenging because they often get tangled. YOLO11 models can also be custom-trained to segment different types of plastics. We will learn more about how you can custom-train a YOLO11 model in the following sections.
الشكل 4. تحديد النفايات البلاستيكية باستخدام Ultralytics YOLO11.
تقسيم YOLO11 في المركبات ذاتية القيادة#
حالة استخدام أخرى مثيرة للاهتمام لتجزئة المثيلات هي في السيارات المستقلة. يتيح YOLO11 لـالسيارات ذاتية القيادة تحسين سلامة الركاب وسلامة الآخرين على الطريق من خلال التعرف بدقة على الكائنات على مستوى البكسل. يمكن لـنظام الكاميرا المدمج في السيارة التقاط صور للمحيط وتحليلها باستخدام YOLO11 وتجزئة المثيلات. يتم تجزئة كل كائن (المشاة، إشارات المرور، المركبات الأخرى، إلخ) داخل الصورة، ويتم إعطاؤه تسمية. يمنح هذا المستوى من الدقة السيارات المستقلة القدرة على تحديد كل كائن وكل شيء من حولها.
الشكل 5. استخدام YOLO11 وتجزئة المثيلات لتحديد المركبات والمشاة على الطريق.
تجربة 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.
تشغيل الاستنتاجات باستخدام YOLO11#
يتضمن تشغيل الاستدلال استخدام النموذج لتحليل بيانات جديدة لم يتم رؤيتها من قبل. لتشغيل الاستدلال باستخدام نموذج تجزئة المثيلات YOLO11 عبر الكود، نحتاج إلى تثبيت حزمة Python من Ultralytics باستخدام pip أو conda أو docker. في حال واجهت أي مشاكل أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للحصول على المساعدة في استكشاف الأخطاء وإصلاحها. بمجرد تثبيت الحزمة، يمكنك تشغيل الكود الموضح أدناه لتحميل نموذج تجزئة المثيلات YOLO11 وتشغيل التنبؤات على صورة.
الشكل 6. تشغيل استدلال على صورة باستخدام YOLO11n-seg.
تدريب نموذج YOLO11 مخصص#
باستخدام نفس إعداد الكود، 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 لـتجار التجزئة استخدام نموذج مخصص لتجزئة الميزات الجسدية للعميل بدقة لـاقتراح ملابس تناسبه بشكل صحيح. يوضح مقتطف الكود أدناه كيفية تحميل وتدريب نموذج YOLO11 لتجزئة المثيلات. يمكنك البدء من تكوين YAML أو نموذج مدرب مسبقًا، نقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تجزئة فعالة.
بمجرد الانتهاء، يمكنك إجراء الاستدلالات باستخدام النموذج المخصص لـتطبيقاتك المحددة. باستخدام خيار التصدير، يمكنك أيضًا تصدير نموذجك المخصص إلى تنسيق مختلف.
تقسيم الحالات YOLO11 على Ultralytics HUB#
الآن بعد أن استكشفنا تشغيل الاستدلالات والتدريب المخصص لنموذج تجزئة المثيلات YOLO11 عبر الكود، دعنا نلقي نظرة على بديل بدون كود: Ultralytics HUB. Ultralytics HUB هي منصة ذكاء اصطناعي مرئي بديهية تبسط عملية تدريب ونشر نماذج YOLO، بما في ذلك نماذج تجزئة المثيلات 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.
أبرز 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.
لاكتشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول الخاصة بنا. 🚀
