كيفية استخدام Ultralytics YOLO11 لاكتشاف الأجسام باستخدام OBB
تعرّف على كيفية تعزيز Ultralytics YOLO11 لاكتشاف الأجسام باستخدام الصناديق المحيطة الموجّهة (OBB)، والتطبيقات التي تناسبها مهمة الرؤية الحاسوبية هذه.
ركز الحدث الهجين السنوي لـUltralytics، YOLO Vision 2024 (YV24)، على مناقشة أحدث الاختراقات في الذكاء الاصطناعي والرؤية الحاسوبية. وكان هذا المناسبة المثالية لتقديم أحدث نماذجنا، Ultralytics YOLO11. ويدعم النموذج مهام الرؤية الحاسوبية نفسها التي يدعمها Ultralytics YOLOv8، ما يجعل الانتقال إلى النموذج الجديد سلسًا للمستخدمين.
لنفترض أنك كنت تستخدم YOLOv8 في اكتشاف الأجسام باستخدام صناديق الإحاطة الموجّهة (OBB) لاكتشاف الأجسام من زوايا مختلفة. يمكنك الآن الانتقال إلى YOLO11 بإجراء بعض التغييرات الطفيفة على التعليمات البرمجية والاستفادة من تحسينات YOLO11، التي تتراوح بين زيادة الدقة والكفاءة وسرعة المعالجة. وإذا لم تكن قد استخدمت بعد نماذج مثل YOLO11، فإن اكتشاف OBB مثال رائع على كيفية تطبيق YOLO11 في مجموعة متنوعة من القطاعات، إذ يوفر حلولًا عملية تحدث أثرًا حقيقيًا.
في هذه المقالة، سنستعرض ماهية اكتشاف الأجسام باستخدام OBB، ومجالات تطبيقه، وكيفية استخدام Ultralytics YOLO11 لاكتشاف OBB. كما سنشرح كيفية مساهمة الميزات الجديدة في YOLO11 في تحسين هذه العمليات، وكيفية إجراء الاستدلال وتدريب نماذج مخصصة لتحقيق أقصى استفادة من إمكانات اكتشاف OBB لديه.
تشمل ميزات Ultralytics YOLO11 من الجيل التالي مهامًا مثل اكتشاف الأجسام باستخدام OBB#
يأخذ اكتشاف الأجسام باستخدام OBB اكتشاف الأجسام التقليدي خطوة إلى الأمام من خلال اكتشاف الأجسام من زوايا مختلفة. فعلى عكس صناديق الإحاطة العادية التي تظل محاذية لمحاور الصورة، تدور صناديق OBB لتلائم اتجاه الجسم. ويمكن استخدام اكتشاف الأجسام باستخدام OBB لتحليل الصور الجوية أو صور الأقمار الصناعية التي لا تظهر فيها الأجسام دائمًا بوضع مستقيم. وفي قطاعات مثل التخطيط الحضري والطاقة والنقل، يمكن أن تشكل القدرة على اكتشاف الأجسام المائلة بدقة، مثل المباني والمركبات أو البنى التحتية، أساسًا لـتطبيقات الرؤية الحاسوبية ذات الفوائد الملموسة.
الشكل 1. مقارنة بين صناديق الإحاطة العادية وصناديق الإحاطة الموجّهة.
يدعم YOLO11 اكتشاف OBB، وقد دُرّب على مجموعة بيانات DOTA v1.0 لاكتشاف أجسام مثل الطائرات والسفن وخزانات التخزين من منظورات مختلفة. يتوفر YOLO11 بعدة إصدارات من النماذج لتلبية الاحتياجات المختلفة، بما في ذلك YOLO11n-obb (Nano) وYOLO11s-obb (Small) وYOLO11m-obb (Medium) وYOLO11l-obb (Large) وYOLO11x-obb (Extra Large). يقدم كل نموذج حجمًا مختلفًا، مع مستويات متفاوتة من السرعة والدقة والقدرة الحاسوبية. ويمكن للمستخدمين اختيار النموذج الذي يحقق التوازن المناسب بين السرعة والدقة لتطبيقاتهم.
حالات استخدام Ultralytics YOLO11 التي تقدم منظورًا جديدًا للاكتشاف#
توفر إمكانات اكتشاف الأجسام في Ultralytics YOLO11، ولا سيما دعمه لصناديق الإحاطة الموجّهة، دقة أكبر في قطاعات متنوعة. سنستعرض بعد ذلك بعض الأمثلة على كيفية استخدام YOLO11 واكتشاف OBB في مواقف واقعية لجعل العمليات أكثر كفاءة ودقة وأسهل في الإدارة ضمن مجالات مختلفة.
التخطيط الحضري ومراقبة البنية التحتية باستخدام Ultralytics YOLO11#
إذا سبق أن أعجبتك تصميمات المدن وتخطيطها، فذلك بفضل العمل الدقيق في التخطيط الحضري ومراقبة البنية التحتية. ويتمثل أحد الجوانب العديدة لمراقبة البنية التحتية في تحديد الهياكل المهمة وإدارتها، مثل خزانات التخزين وخطوط الأنابيب والمواقع الصناعية. ويمكن لـUltralytics YOLO11 مساعدة مخططي المدن على تحليل الصور الجوية لاكتشاف هذه المكونات الحيوية بسرعة ودقة.
يُعد اكتشاف الأجسام باستخدام صناديق الإحاطة الموجّهة مفيدًا بوجه خاص هنا، لأنه يتيح اكتشاف الأجسام المرئية من زوايا مختلفة، وهو أمر شائع في الصور الجوية. وتُعد الدقة بالغة الأهمية لمتابعة المناطق الصناعية وإدارة الآثار البيئية وضمان صيانة البنية التحتية على نحو سليم. ويجعل OBB عملية الاكتشاف أكثر موثوقية، ما يساعد المخططين على اتخاذ قرارات مدروسة بشأن نمو المدينة وسلامتها واستدامتها. ويمكن أن يساعد استخدام Ultralytics YOLO11 المخططين على مراقبة البنية التحتية التي تضمن سير المدن بسلاسة وإدارتها.
الشكل 2. استخدام Ultralytics YOLO11 لاكتشاف خزانات التخزين في لقطات جوية.
فحص الألواح الشمسية باستخدام الطائرات المسيّرة وUltralytics YOLO11 وذكاء الحافة الاصطناعي#
مع تزايد شعبية الطاقة المتجددة وابتكارات مثل مزارع الطاقة الشمسية، أصبحت عمليات الفحص المنتظمة أكثر أهمية. ويجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. وبمرور الوقت، يمكن لأمور مثل التشققات أو تراكم الأوساخ أو عدم المحاذاة أن تقلل من أدائها. وتساعد عمليات الفحص الدورية على اكتشاف هذه المشكلات مبكرًا، بحيث يمكن إجراء الصيانة للحفاظ على عملها بسلاسة.
فعلى سبيل المثال، يمكن فحص الألواح الشمسية بحثًا عن الأضرار باستخدام طائرات مسيّرة مدمج بها ذكاء الحافة الاصطناعي وUltralytics YOLO11. ويؤدي تحليل الصور على الحافة إلى تعزيز دقة عملية الفحص وكفاءتها. ونظرًا إلى حركة الطائرة المسيّرة ومنظورها، قد تلتقط لقطات المراقبة الألواح الشمسية من زوايا مختلفة في كثير من الأحيان. وفي هذه الحالات، يمكن أن يساعد اكتشاف OBB في YOLO11 الطائرات المسيّرة على تحديد الألواح الشمسية بدقة.
يمكن لـUltralytics YOLO11 توفير رؤى لإدارة الأساطيل#
تتعامل الموانئ والمرافئ مع مئات السفن كل أسبوع، وقد تمثل إدارة هذا الأسطول الكبير تحديًا. وتزداد الصعوبة عند تحليل السفن في الصور الجوية، إذ تظهر السفن غالبًا من زوايا مختلفة. وهنا تبرز فائدة دعم Ultralytics YOLO11 لاكتشاف OBB.
يتيح اكتشاف OBB للنموذج اكتشاف السفن من زوايا مختلفة بدقة أكبر من الصناديق المستطيلة القياسية. وباستخدام Ultralytics YOLO11 مع OBB، تستطيع شركات الشحن تحديد موقع أسطولها وحالته بسهولة أكبر، مع متابعة تفاصيل مهمة مثل تحركات الأسطول ولوجستيات سلسلة التوريد. وتساعد هذه الحلول المدعومة بالرؤية على تحسين المسارات وتقليل التأخيرات وتحسين إدارة الأسطول عمومًا عبر طرق الشحن.
الشكل 3. استخدام Ultralytics YOLO11 لاكتشاف السفن والمرافئ بزاوية مائلة.
Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: اكتشاف صناديق الإحاطة الموجّهة#
إذا كنت مطور ذكاء اصطناعي وتريد استخدام YOLO11 لاكتشاف OBB، فهناك خياران سهلان للبدء. إذا كنت مرتاحًا للعمل على التعليمات البرمجية، فإن حزمة Ultralytics لـPython خيار رائع. أما إذا كنت تفضل حلًا سهل الاستخدام ومن دون تعليمات برمجية، مع إمكانات التدريب السحابي، فإن Ultralytics HUB منصة داخلية مصممة لهذا الغرض تحديدًا. ولمزيد من التفاصيل، يمكنك الاطلاع على دليلنا حول تدريب Ultralytics YOLO11 ونشره باستخدام Ultralytics HUB.
بعد أن استعرضنا أمثلة على المجالات التي يمكن تطبيق دعم YOLO11 لـOBB فيها، لنستكشف حزمة Ultralytics لـPython ونرى كيف يمكنك إجراء الاستدلال وتدريب نماذج مخصصة باستخدامها.
تشغيل عمليات الاستدلال باستخدام Ultralytics YOLO11#
أولًا، لاستخدام YOLO11 مع Python، ستحتاج إلى تثبيت حزمة Ultralytics. وبحسب تفضيلاتك، يمكنك اختيار تثبيتها باستخدام pip أو conda أو Docker. وللحصول على إرشادات خطوة بخطوة، يمكنك الرجوع إلى دليل تثبيت Ultralytics. وإذا واجهت أي تحديات أثناء التثبيت، فسيوفر دليل المشكلات الشائعة نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.
بعد تثبيت حزمة Ultralytics، يصبح العمل باستخدام YOLO11 سهلًا للغاية. يشير إجراء الاستدلال إلى عملية استخدام نموذج مُدرّب لإجراء تنبؤات على صور جديدة، مثل اكتشاف الأجسام باستخدام OBB في الوقت الفعلي. ويختلف ذلك عن تدريب النموذج، الذي تُعلّم فيه النموذجَ التعرّفَ على أجسام جديدة أو تحسين أداءه في مهام محددة. ويُستخدم الاستدلال عندما تريد تطبيق النموذج على بيانات لم يسبق له رؤيتها.
يوضح لك المثال أدناه كيفية تحميل نموذج واستخدامه للتنبؤ بصناديق الإحاطة الموجّهة في صورة. ولمزيد من الأمثلة التفصيلية ونصائح الاستخدام المتقدم، احرص على مراجعة وثائق Ultralytics الرسمية للاطلاع على أفضل الممارسات والتعليمات الإضافية.
الشكل 4. مقتطف برمجي يوضح إجراء الاستدلال باستخدام Ultralytics YOLO11.
تدريب نموذج Ultralytics YOLO11 مخصص#
يعني تدريب نموذج Ultralytics YOLO11 إمكانية ضبط أدائه بدقة على مجموعات بيانات ومهام محددة، مثل اكتشاف الأجسام باستخدام صناديق الإحاطة الموجّهة. وفي حين يمكن استخدام النماذج المُدرّبة مسبقًا مثل YOLO11 في اكتشاف الأجسام العام، فإن تدريب نموذج مخصص ضروري عندما تحتاج إلى أن يكتشف النموذج أجسامًا فريدة أو يحسّن الأداء على مجموعة بيانات محددة.
في مقتطف التعليمات البرمجية أدناه، نوضح خطوات تدريب نموذج Ultralytics YOLO11 لاكتشاف OBB.
أولًا، تتم تهيئة النموذج باستخدام أوزان YOLO11 المُدرّبة مسبقًا والمخصصة لـOBB (yolo11n-obb.pt). ثم تُستخدم دالة تدريب لتدريب النموذج على مجموعة بيانات مخصصة، باستخدام معلمات مثل ملف إعداد مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، والأجهزة التي سيُجرى عليها التدريب (مثل CPU أو GPU). وبعد التدريب، يجري التحقق من أداء النموذج لفحص مقاييس مثل الدقة والخسارة.
باستخدام النموذج المُدرّب، يمكنك إجراء الاستدلال على صور جديدة من أجل اكتشاف الأجسام باستخدام OBB وعرضها بصريًا. كما يمكن تحويل النموذج المُدرّب إلى تنسيقات مثل ONNX للنشر باستخدام ميزة التصدير.
الشكل 5. مثال على تدريب Ultralytics YOLO11 لاكتشاف الأجسام باستخدام OBB.
المسار المستقبلي لتطورات الذكاء الاصطناعي في Ultralytics YOLO11#
يرتقي Ultralytics YOLO11 باكتشاف الأجسام إلى مستوى جديد بفضل دعمه لصناديق الإحاطة الموجّهة. وبفضل قدرته على اكتشاف الأجسام من زوايا مختلفة، يمكن استخدام YOLO11 في تطبيقات متنوعة عبر قطاعات مختلفة. فعلى سبيل المثال، يلائم تمامًا قطاعات مثل التخطيط الحضري والطاقة والشحن، حيث تكون الدقة ضرورية لمهام مثل فحص الألواح الشمسية أو مراقبة الأساطيل. وبفضل الأداء الأسرع والدقة المحسّنة، يمكن لـYOLO11 مساعدة مطوري الذكاء الاصطناعي على حل تحديات واقعية.
ومع انتشار الذكاء الاصطناعي واعتماده ودمجه على نطاق أوسع في حياتنا اليومية، ستسهم نماذج مثل Ultralytics YOLO11 في تشكيل مستقبل حلول الذكاء الاصطناعي.
للتعرّف على إمكانات الذكاء الاصطناعي للرؤية، انضم إلى مجتمعنا المتنامي واستكشف مستودعنا على GitHub. نحن نقود الابتكار من خلال إعادة ابتكار قطاعات مثل الرعاية الصحية وصولًا إلى السيارات ذاتية القيادة.
