كيفية استخدام Ultralytics YOLO11 لاكتشاف الكائنات باستخدام OBB
افهم كيف يمكن لـ Ultralytics YOLO11 تعزيز اكتشاف الكائنات باستخدام الصناديق المحيطة الموجهة (OBB) وما هي التطبيقات التي تعتبر مهمة الرؤية الحاسوبية هذه مثالية لها.
ركزت فعالية Ultralytics السنوية الهجينة، YOLO Vision 2024 (YV24)، على مناقشة أحدث الإنجازات في مجال الذكاء الاصطناعي والرؤية الحاسوبية. وكانت هذه المناسبة مثالية لتقديم أحدث نماذجنا، Ultralytics YOLO11. يدعم هذا النموذج نفس مهام الرؤية الحاسوبية مثل Ultralytics YOLOv8، مما يجعل الانتقال إلى النموذج الجديد أمراً يسيراً للمستخدمين.
فرضا كنت تستخدم YOLOv8 لـ اكتشاف الكائنات باستخدام صناديق الإحاطة الموجهة (OBB) لاكتشاف الكائنات من زوايا مختلفة. يمكنك الآن التبديل إلى YOLO11 مع إجراء بعض التعديلات البسيطة على كود البرمجة الخاص بك والاستفادة من تحسينات YOLO11 التي تتراوح من زيادة الدقة والفعالية إلى سرعة المعالجة. في حال لم تستخدم بعد نماذج مثل YOLO11، فإن اكتشاف OBB يُعد مثالاً رائعاً على كيفية تطبيق YOLO11 عبر مجموعة من الصناعات، مما يقدم حلولاً عملية تُحدث تأثيراً حقيقياً.
في هذه المقالة، سنلقي نظرة على ما هو اكتشاف الكائنات الموجهة (OBB)، وأين يمكن تطبيقه، وكيفية استخدام Ultralytics YOLO11 لاكتشاف OBB. سنستعرض أيضًا كيف يمكن للميزات الجديدة في YOLO11 تحسين هذه العمليات وكيفية تشغيل عمليات الاستدلال وتدريب النماذج المخصصة لتحقيق أقصى استفادة من قدرات اكتشاف OBB الخاصة به.
تشمل ميزات الجيل القادم من Ultralytics YOLO11 مهام مثل اكتشاف الكائنات بـ OBB#
يخطو اكتشاف الكائنات بتقنية OBB خطوة إضافية أبعد من اكتشاف الكائنات التقليدي من خلال اكتشاف الكائنات بزوايا مختلفة. على عكس صناديق الإحاطة العادية التي تظل محاذاة لمحاور الصورة، تدور صناديق الإحاطة الموجهة (OBB) لتلائم اتجاه الكقطة أو الكائن. يمكن استخدام اكتشاف الكائنات بتقنية OBB لتحليل الصور الجوية أو صور الأقمار الصناعية حيث لا تكون الكائنات مستقيمة دائماً. في صناعات مثل التخطيط العمراني، والطاقة، والنقل، يمكن أن تشكل القدرة على اكتشاف الكائنات ذات الزوايا بدقة مثل المباني أو المركبات أو البنية التحتية أساساً لتطبيقات الرؤية الحاسوبية ذات الفوائد الملموسة.
الشكل 1. مقارنة بين صناديق الإحاطة العادية وصناديق الإحاطة الموجهة.
يدعم YOLO11 اكتشاف OBB وقد تم تدريبه على مجموعة بيانات DOTA v1.0 لاكتشاف الكائنات مثل الطائرات والسفن وخزانات التخزين من منظورات مختلفة. يأتي YOLO11 في عدة متغيرات للنماذج لتناسب الاحتياجات المختلفة، بما في ذلك YOLO11n-obb (Nano) و YOLO11s-obb (Small) و YOLO11m-obb (Medium) و YOLO11l-obb (Large) و YOLO11x-obb (Extra Large). يقدم كل نموذج حجماً مختلفاً، مع مستويات متفاوتة من السرعة والدقة والقوة الحسابية. يمكن للمستخدمين اختيار النموذج الذي يوفر التوازن الصحيح بين السرعة والدقة لتطبيقهم.
حالات استخدام Ultralytics YOLO11 التي تقدم زاوية جديدة للاكتشاف#
تضفي قدرات اكتشاف الكائنات في Ultralytics YOLO11، لا سيما دعمها للمربعات المحيطية الموجهة، دقة أكبر على مختلف الصناعات. بعد ذلك، سنلقي نظرة على بعض الأمثلة حول كيفية استخدام YOLO11 واكتشاف OBB في المواقف الواقعية لجعل العمليات أكثر كفاءة ودقة وسهولة في الإدارة في مختلف المجالات.
التخطيط الحضري ومراقبة البنية التحتية باستخدام Ultralytics YOLO11#
إذا أعجبتك يوماً تصميم وتخطيط المدينة، فضل ذلك يرجع إلى العمل المفصل لـ التخطيط الحضري ومراقبة البنية التحتية. أحد جوانب مراقبة البنية التحتية العديدة هو تحديد وإدارة الهياكل المهمة مثل خزانات التخزين، وخطوط الأنابيب، والمواقع الصناعية. يمكن لـ Ultralytics YOLO11 مساعدة مخططي المدن في تحليل الصور الجوية لاكتشاف هذه المكونات الحيوية بسرعة وبدقة.
يُعد اكتشاف الكائنات ذات مربعات الإحاطة الموجهة مفيداً بشكل خاص هنا لأنه يتيح اكتشاف الكائنات التي يتم مشاهدتها من زوايا مختلفة (غالباً ما يكون الحال مع الصور الجوية). الدقة أمر حيوي هنا لتتبع المناطق الصناعية، وإدارة الآثار البيئية، وضمان صيانة البنية التحتية بشكل صحيح. يجعل OBB عملية الاكتشاف أكثر موثوقية، مما يساعد المخططين على اتخاذ قرارات مستنيرة بشأن نمو المدينة، والسلامة، والاستدامة. يمكن أن يساعد استخدام Ultralytics YOLO11 المخططين في مراقبة وإدارة البنية التحتية التي تحافظ على سير المدن بسلاسة.
الشكل 2. استخدام Ultralytics YOLO11 لاكتشاف خزانات التخزين في اللقطات الجوية.
فحص الألواح الشمسية باستخدام الطائرات بدون طيار، وUltralytics YOLO11، والذكاء الاصطناعي على الحافة#
مع ازدياد شعبية الطاقة المتجددة والابتكارات مثل مزارع الطاقة الشمسية، تصبح عمليات التفتيش المنتظمة أكثر أهمية. يجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. بمرور الوقت، يمكن لأمور مثل التشققات أو تراكم الأوساخ أو عدم المحاذاة أن تقلل من أدائها. تساعد عمليات التفتيش الروتينية في اكتشاف هذه المشكلات مبكراً، بحيث يمكن إجراء الصيانة للحفاظ على تشغيلها بسلاسة.
على سبيل المثال، يمكن فحص الألواح الشمسية بحثًا عن الأضرار باستخدام الطائرات بدون طيار المدمجة مع الذكاء الاصطناعي على الحافة (Edge AI) وUltralytics YOLO11. يُضفي تحليل الصور على الحافة مزيدًا من الدقة والكفاءة على عملية الفحص. نظرًا لحركة الطائرة بدون طيار ومنظورها، قد تلقط لغات المراقبة غالبًا الألواح الشمسية من زوايا مختلفة. في هذه الحالات، يمكن لاكتشاف OBB في YOLO11 مساعدة الطائرات بدون طيار في تحديد الألواح الشمسية بدقة.
يمكن أن توفر Ultralytics YOLO11 رؤى لإدارة الأساطيل#
تعمل الموانئ والمراسي على التعامل مع مئات السفن كل أسبوع، وقد تكون إدارة أسطول بهذا الحجم أمراً مشابهاً للتحدي. يوجد عنصر إضافي من الصعوبة عند تحليل السفن في الصور الجوية؛ حيث غالباً ما تظهر السفن بزوايا مختلفة. وهنا يأتي دور دعم Ultralytics YOLO11 لاكتشاف OBB.
يجعل اكتشاف OBB من الممكن للنموذج اكتشاف السفن بزوايا مختلفة بدقة أكبر من المربعات المستطيلة القياسية. من خلال استخدام Ultralytics YOLO11 مع OBB، يمكن لشركات الشحن تحديد موقع أسطولها وحالته بسهولة أكبر، وتتبع التفاصيل المهمة مثل تحركات الأسطول ولوجستيات سلسلة الإمداد. تساعد هذه الحلول المدعومة بالرؤية في تحسين الطرق، وتقليل التأخيرات، وتحسين إدارة الأسطول بشكل عام عبر طرق الشحن.
الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف السفن والموانئ بزاوية.
Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: اكتشاف مربعات الإحاطة الموجهة#
إذا كنت مطور ذكاء اصطناعي تتطلع إلى استخدام YOLO11 لاكتشاف OBB، فهناك خاران سهلان للبدء. إذا كنت مرتاحاً للعمل مع الأكواد البرمجية، فإن حزمة Python من Ultralytics تعد خياراً رائعاً. إذا كنت تفضل حلًا سهل الاستخدام بدون أكواد برمجية مع إمكانات التدريب السحابي، فإن Ultralytics HUB هي منصة داخلية مصممة خصيصاً لهذا الغرض. لمزيد من التفاصيل، يمكنك إلقاء نظرة على دليلنا حول تدريب ونشر Ultralytics YOLO11 باستخدام Ultralytics HUB.
الآن بعد أن رأينا أمثلة على أين يمكن تطبيق دعم OBB في YOLO11، دعنا نستكشف حزمة Python من Ultralytics ونرى كيف يمكنك تشغيل الاستدلالات وتدريب النماذج المخصصة باستخدامها.
تشغيل الاستدلالات باستخدام Ultralytics YOLO11#
أولاً، لاستخدام YOLO11 مع Python، ستحتاج إلى تثبيت حزمة Ultralytics. اعتماداً على تفضيلاتك، يمكنك اختيار تثبيتها باستخدام pip أو conda أو Docker. للحصول على إرشادات خطوة بخطوة، يمكنك الرجوع إلى دليل تثبيت Ultralytics. إذا واجهت أي تحديات أثناء التثبيت، فإن دليل المشكلات الشائعة لدينا يقدم نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.
بمجرد تثبيت حزمة Ultralytics، يصبح العمل مع YOLO11 مباشراً بشكل لا يصدق. يشير تشغيل الاستدلال إلى عملية استخدام نموذج مدرب لإجراء تنبؤات على صور جديدة - مثل اكتشاف الكائنات باستخدام OBB في الوقت الفعلي. وهو يختلف عن تدريب النموذج، وهو عندما تقوم بتعليم النموذج التعرف على كائنات جديدة أو تحسين أدائه في مهام محددة. يُستخدم الاستدلال عندما تريد تطبيق النموذج على بيانات غير مرئية من قبل.
يوضح لك المثال أدناه كيفية تحميل نموذج واستخدامه للتنبؤ بصناديق الإحاطة الموجهة على صورة. للحصول على أمثلة أكثر تفصيلاً ونصائح الاستخدام المتقدمة، تأكد من الاطلاع على توثيق Ultralytics الرسمي لأفضل الممارسات والمزيد من الإرشادات.
الشكل 4. مقتطف شيفرة برمجية يوضح تشغيل الاستدلالات باستخدام Ultralytics YOLO11.
تدريب نموذج Ultralytics YOLO11 مخصص#
يعني تدريب نموذج Ultralytics YOLO11 أنه يمكنك ضبط أداءه بدقة على مجموعات بيانات ومهام محددة، مثل اكتشاف الكائنات بالمربعات المحيطية الموجهة. بينما يمكن استخدام النماذج المدربة مسبقًا مثل YOLO11 لاكتشاف الكائنات العام، فإن تدريب نموذج مخصص يعد أمرًا ضروريًا عندما تحتاج النماذج إلى اكتشاف كائنات فريدة أو تحسين الأداء على مجموعة بيانات معينة.
في مقتطف الشيفرة أدناه، نغطي الخطوات اللازمة لتدريب نموذج Ultralytics YOLO11 لاكتشاف OBB.
أولاً، تتم تهيئة النموذج باستخدام أوزان خاصة باكتشاف OBB مدربة مسبقاً لـ YOLO11 (yolo11n-obb.pt). بعد ذلك، يتم استخدام دالة تدريب لتدريب النموذج على مجموعة بيانات مخصصة، مع معلمات مثل ملف تكوين مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، والمعدات لتشغيل التدريب عليها (مثل وحدة المعالجة المركزية CPU أو وحدة معالجة الرسومات GPU). بعد التدريب، يتم التحقق من أداء النموذج للتحقق من المقاييس مثل الدقة والفقد.
باستخدام النموذج المدرب، يمكنك تشغيل الاستدلالات على صور جديدة لـ اكتشاف الكائنات باستخدام OBB وتصورها. أيضاً، يمكن تحويل النموذج المدرب إلى تنسيقات مثل ONNX للنشر باستخدام ميزة التصدير.
الشكل 5. مثال على تدريب Ultralytics YOLO11 لاكتشاف الكائنات بـ OBB.
المسار المستقبلي لتطورات الذكاء الاصطناعي في Ultralytics YOLO11#
ينقل Ultralytics YOLO11 اكتشاف الأجسام إلى المستوى التالي بدعمه لصناديق التحديد الموجهة. من خلال القدرة على اكتشاف الأجسام من زوايا مختلفة، يمكن استخدام YOLO11 في تطبيقات مختلفة عبر صناعات متنوعة. على سبيل المثال، إنه مناسب تماماً لصناعات مثل التخطيط العمراني، والطاقة، والشحن، حيث تكون الدقة أمراً حاسماً لمهام مثل فحص الألواح الشمسية أو مراقبة الأسطول. مع أداء أسرع ودقة محسنة، يمكن لـ YOLO11 مساعدة مطوري الذكاء الاصطناعي في حل تحديات العالم الحقيقي.
مع تزايد تبني الذكاء الاصطناعي ودمجه في حياتنا اليومية، ستشكل نماذج مثل Ultralytics YOLO11 مستقبل حلول الذكاء الاصطناعي.
للتعرف على إمكانيات الذكاء الاصطناعي للرؤية، انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا. نحن نقود الابتكار من خلال إعادة اختراع قطاعات مثل الرعاية الصحية وصولاً إلى السيارات ذاتية القيادة.
