كيفية استخدام Ultralytics YOLO11 للكشف عن كائن OBB

التخطيط الحضري ومراقبة البنية التحتية باستخدام YOLO11

إذا كنت من المعجبين بتصميم وتخطيط مدينة ما، فإن الفضل في ذلك يعود إلى العمل التفصيلي للتخطيط الحضري ومراقبة البنية التحتية. أحد الجوانب العديدة لمراقبة البنية التحتية هو تحديد وإدارة الهياكل المهمة مثل صهاريج التخزين وخطوط الأنابيب والمواقع الصناعية. يمكن أن يساعد برنامج YOLO11 مخططي المدن في تحليل الصور الجوية لاكتشاف هذه المكونات الهامة بسرعة ودقة. 

يُعدّ الكشف عن الأجسام في المربع المحدود الموجه مفيدًا بشكل خاص هنا لأنه يتيح الكشف عن الأجسام التي يتم عرضها من زوايا مختلفة (غالبًا ما يكون هذا هو الحال مع الصور الجوية). الدقة أمر حيوي هنا لتتبع المناطق الصناعية، وإدارة التأثيرات البيئية، وضمان صيانة البنية التحتية بشكل صحيح. يجعل OBB عملية الكشف أكثر موثوقية، مما يساعد المخططين على اتخاذ قرارات مستنيرة بشأن نمو المدينة وسلامتها واستدامتها. استخدام YOLO11، يمكن أن يساعد المخططين على مراقبة وإدارة البنية التحتية التي تحافظ على سير المدن بسلاسة.

‍

فحص الألواح الشمسية باستخدام الطائرات بدون طيار و YOLO11 والذكاء الاصطناعي المتطور

مع ازدياد شعبية الطاقة المتجددة والابتكارات مثل مزارع الطاقة الشمسية، أصبحت عمليات الفحص المنتظمة أكثر أهمية. يجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. فمع مرور الوقت، يمكن لأشياء مثل التشققات أو تراكم الأوساخ أو اختلال المحاذاة أن تقلل من أدائها. تساعد عمليات الفحص الروتينية على اكتشاف هذه المشاكل في وقت مبكر، بحيث يمكن إجراء الصيانة للحفاظ على عملها بسلاسة.

على سبيل المثال، يمكن فحص الألواح الشمسية للكشف عن الأضرار باستخدام طائرات بدون طيار مدمجة مع الذكاء الاصطناعي على الحافة و YOLO11. يُضفي تحليل الصور على الحافة مزيدًا من الدقة والكفاءة على عملية الفحص. نظرًا لحركة الطائرة بدون طيار ومنظورها، قد تلتقط لقطات المراقبة في كثير من الأحيان الألواح الشمسية من زوايا مختلفة. في هذه الحالات، يمكن أن يساعد اكتشاف OBB في YOLO11 الطائرات بدون طيار على تحديد الألواح الشمسية بدقة. 

يمكن أن يوفر YOLO11 رؤى لإدارة الأسطول

تتعامل الموانئ والمرافئ مع مئات السفن كل أسبوع، ويمكن أن تكون إدارة مثل هذا الأسطول الكبير أمرًا صعبًا. هناك عنصر إضافي من الصعوبة عند تحليل السفن في الصور الجوية؛ فغالبًا ما تظهر السفن بزوايا مختلفة. هذا هو المكان الذي يكون فيه دعم YOLO11 لاكتشاف الـ OBB مفيدًا. 

يتيح اكتشاف OBB للنموذج إمكانية اكتشاف السفن في زوايا مختلفة بدقة أكبر من الصناديق المستطيلة القياسية. من خلال استخدام YOLO11 مع OBB، يمكن لشركات الشحن تحديد موقع أسطولها وحالته بسهولة أكبر، وتتبع التفاصيل المهمة مثل تحركات الأسطول ولوجستيات سلسلة التوريد. تساعد هذه الحلول التي تدعم الرؤية في تحسين المسارات وتقليل التأخير وتحسين إدارة الأسطول بشكل عام عبر طرق الشحن.

‍

تشغيل الاستدلالات باستخدام YOLO11

أولاً، لاستخدام YOLO11 مع Python، ستحتاج إلى تثبيت حزمة Ultralytics. اعتمادًا 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، يقدم لك دليل المشكلات الشائعة الخاص بنا نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.

بمجرد تثبيت حزمة Ultralytics، يصبح العمل مع YOLO11 بسيطًا للغاية. يشير تشغيل الاستدلال إلى عملية استخدام نموذج مُدرَّب لإجراء تنبؤات على صور جديدة - مثل اكتشاف الأجسام باستخدام OBB في الوقت الفعلي. وهو يختلف عن تدريب النموذج، وهو عندما تقوم بتعليم النموذج للتعرف على كائنات جديدة أو تحسين أدائه في مهام محددة. يُستخدم الاستدلال عندما تريد تطبيق النموذج على بيانات غير مرئية.

يرشدك المثال أدناه إلى كيفية تحميل نموذج واستخدامه للتنبؤ بالمربعات المحدودة الموجهة على صورة. لمزيد من الأمثلة التفصيلية ونصائح الاستخدام المتقدمة، تأكد من مراجعة وثائق Ultralytics الرسمية للحصول على أفضل الممارسات والمزيد من الإرشادات.

‍

تدريب نموذج YOLO11 المخصص

إن تدريب نموذج YOLO11 يعني أنه يمكنك ضبط أدائه على مجموعات بيانات ومهام محددة، مثل اكتشاف الأجسام المربوطة الموجهة. بينما يمكن استخدام نماذج مُدرّبة مسبقًا مثل YOLO11 للكشف العام عن الأجسام، فإن تدريب نموذج مخصص ضروري عندما تحتاج إلى نموذج لاكتشاف أجسام فريدة أو تحسين الأداء على مجموعة بيانات محددة.

في المقتطف البرمجي أدناه، نغطي خطوات تدريب نموذج YOLO11 لاكتشاف ال OBB. 

أولاً، تتم تهيئة النموذج باستخدام أوزان خاصة ب YOLO11 OBB مدرّبة مسبقًا (yolo11n-obb.pt). بعد ذلك، يتم استخدام دالة تدريب لتدريب النموذج على مجموعة بيانات مخصصة، مع استخدام معلمات مثل ملف تكوين مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، والأجهزة التي سيتم تشغيل التدريب عليها (على سبيل المثال، وحدة المعالجة المركزية أو وحدة معالجة الرسوميات). بعد التدريب، يتم التحقق من أداء النموذج للتحقق من صحة المقاييس مثل الدقة والخسارة. 

باستخدام النموذج المدرّب، يمكنك تشغيل استنتاجات على صور جديدة لاكتشاف الأجسام ذات سداسي البرمجة الثنائية الفوقية وتصورها. كما يمكن تحويل النموذج المدرّب إلى صيغ مثل ONNX للنشر باستخدام ميزة التصدير.

‍