8 أكتوبر 2024
تعرف على كيف يمكن لـ Ultralytics YOLO11 تحسين الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) وما هي التطبيقات التي تناسب مهمة الرؤية الحاسوبية هذه.
ركز الحدث الهجين السنوي لـ Ultralytics، YOLO Vision 2024 (YV24)، على مناقشة أحدث الاختراقات في الذكاء الاصطناعي والرؤية الحاسوبية. كانت هذه هي المناسبة المثالية لتقديم أحدث نموذج لدينا، Ultralytics YOLO11. يدعم النموذج نفس مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLOv8، مما يجعل الانتقال إلى النموذج الجديد سهلاً للمستخدمين.
لنفترض أنك تستخدم YOLOv8 للكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) لاكتشاف الأجسام من زوايا مختلفة. يمكنك الآن التبديل إلى YOLO11 مع إجراء بعض التغييرات الطفيفة على التعليمات البرمجية الخاصة بك والاستفادة من تحسينات YOLO11 التي تتراوح من زيادة الدقة والكفاءة إلى سرعة المعالجة. في حال لم تكن قد استخدمت نماذج مثل YOLO11، فإن الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) هو مثال رائع على كيف يمكن تطبيق YOLO11 عبر مجموعة من الصناعات، مما يوفر حلولًا عملية تحدث تأثيرًا حقيقيًا.
في هذه المقالة، سنلقي نظرة على ماهية الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB)، وأين يمكن تطبيقه، وكيفية استخدام YOLO11 للكشف عن OBB. سنتناول أيضًا كيفية تحسين الميزات الجديدة في YOLO11 لهذه العمليات وكيفية تشغيل الاستدلالات وتدريب النماذج المخصصة لتحقيق أقصى استفادة من قدرات الكشف عن OBB.
يأخذ الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) الكشف التقليدي عن الأجسام خطوة إلى الأمام من خلال الكشف عن الأجسام بزوايا مختلفة. على عكس الصناديق المحيطة العادية التي تظل متوافقة مع محاور الصورة، فإن الصناديق المحيطة الموجهة (OBB) تدور لتناسب اتجاه الجسم. يمكن استخدام الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) لتحليل الصور الجوية أو صور الأقمار الصناعية حيث لا تكون الأجسام دائمًا مستقيمة. في صناعات مثل التخطيط الحضري والطاقة و النقل، يمكن أن تشكل القدرة على اكتشاف الأجسام الزاوية بدقة مثل المباني و المركبات أو البنية التحتية أساس تطبيقات الرؤية الحاسوبية بفوائد ملموسة.
يدعم YOLO11 الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) وتم تدريبه على مجموعة بيانات DOTA v1.0 لاكتشاف أجسام مثل الطائرات والسفن وخزانات التخزين من وجهات نظر مختلفة. يأتي YOLO11 في عدة اختلافات للنماذج لتناسب الاحتياجات المختلفة، بما في ذلك YOLO11n-obb (Nano)، و YOLO11s-obb (صغير)، و YOLO11m-obb (متوسط)، و YOLO11l-obb (كبير)، و YOLO11x-obb (كبير جدًا). يقدم كل نموذج حجمًا مختلفًا، مع مستويات متفاوتة من السرعة والدقة والقوة الحاسوبية. يمكن للمستخدمين اختيار النموذج الذي يوفر التوازن الصحيح بين السرعة والدقة لتطبيقهم.
توفر قدرات الكشف عن الأجسام في YOLO11، وخاصة دعمه للصناديق المحيطة الموجهة، دقة أكبر لمختلف الصناعات. بعد ذلك، سنلقي نظرة على بعض الأمثلة لكيفية استخدام YOLO11 والكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) في مواقف العالم الحقيقي لجعل العمليات أكثر كفاءة ودقة وأسهل في الإدارة في مختلف المجالات.
إذا كنت معجبًا يومًا ما بتصميم وتخطيط مدينة ما، فذلك بفضل العمل التفصيلي لـ التخطيط الحضري ومراقبة البنية التحتية. أحد الجوانب العديدة لمراقبة البنية التحتية هو تحديد وإدارة الهياكل المهمة مثل خزانات التخزين وخطوط الأنابيب والمواقع الصناعية. يمكن أن يساعد YOLO11 مخططي المدن في تحليل الصور الجوية لاكتشاف هذه المكونات الهامة بسرعة ودقة.
يعد الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة مفيدًا بشكل خاص هنا لأنه يمكّن من اكتشاف 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 والتأكد من صيانة البنية التحتية بشكل صحيح. تجعل OBB عملية الكشف أكثر موثوقية، مما يساعد المخططين على اتخاذ قرارات مستنيرة بشأن نمو المدينة و سلامتها و استدامتها. يمكن أن يساعد استخدام YOLO11 المخططين في مراقبة وإدارة البنية التحتية التي تحافظ على سير المدن بسلاسة.
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. بمرور الوقت، يمكن لأشياء مثل التشققات أو تراكم الأوساخ أو عدم المحاذاة أن تقلل من أدائها. تساعد عمليات الفحص الروتينية في اكتشاف هذه المشكلات مبكرًا، 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 المتطور و YOLO11. يجلب تحليل الصور على الحافة مزيدًا من الدقة والكفاءة لعملية الفحص. نظرًا لحركة الطائرة بدون طيار ومنظورها، قد تلتقط لقطات المراقبة غالبًا الألواح الشمسية من زوايا مختلفة. في هذه الحالات، يمكن أن يساعد الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) في YOLO11 الطائرات بدون طيار على تحديد الألواح الشمسية بدقة.
تتعامل الموانئ والمرافئ مع مئات السفن كل أسبوع، ويمكن أن تكون إدارة مثل هذا الأسطول الكبير أمرًا صعبًا. يضاف عنصر إضافي من الصعوبة عند تحليل السفن في الصور الجوية؛ غالبًا ما تظهر السفن بزوايا مختلفة. هذا هو المكان الذي يكون فيه دعم YOLO11 للكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) في متناول اليد.
يجعل الكشف عن الأجسام باستخدام الصناديق المحيطة الموجهة (OBB) من الممكن للنموذج اكتشاف السفن بزوايا مختلفة بدقة أكبر من الصناديق المستطيلة القياسية. باستخدام YOLO11 مع OBB، يمكن لشركات الشحن تحديد موقع أسطولها وحالته بسهولة أكبر، وتتبع التفاصيل المهمة مثل تحركات الأسطول و الخدمات اللوجستية لسلسلة التوريد. تساعد هذه الحلول التي تدعم الرؤية في تحسين المسارات وتقليل التأخيرات وتحسين إدارة الأسطول بشكل عام عبر طرق الشحن.
إذا كنت مطور ذكاء اصطناعي تتطلع إلى استخدام YOLO11 لاكتشاف OBB، فهناك خياران سهلان للبدء. إذا كنت مرتاحًا للعمل مع التعليمات البرمجية، فإن حزمة Ultralytics Python هي خيار رائع. إذا كنت تفضل حلاً سهل الاستخدام وبدون تعليمات برمجية مع إمكانات التدريب السحابي، فإن Ultralytics HUB عبارة عن نظام أساسي داخلي مصمم خصيصًا لذلك. لمزيد من التفاصيل، يمكنك إلقاء نظرة على دليلنا حول تدريب ونشر Ultralytics YOLO11 باستخدام Ultralytics HUB.
بعد أن رأينا أمثلة على الأماكن التي يمكن فيها تطبيق دعم OBB الخاص بـ YOLO11، دعنا نستكشف حزمة Ultralytics Python ونرى كيف يمكنك تشغيل الاستدلالات و تدريب النماذج المخصصة باستخدامها.
أولاً، لاستخدام YOLO11 مع Python، ستحتاج إلى تثبيت حزمة Ultralytics. اعتمادًا على تفضيلاتك، يمكنك اختيار تثبيته باستخدام pip أو conda أو Docker. للحصول على إرشادات خطوة بخطوة، يمكنك الرجوع إلى دليل تثبيت Ultralytics. إذا واجهت أي تحديات أثناء التثبيت، فسيقدم دليل المشكلات الشائعة نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.
بمجرد تثبيت حزمة Ultralytics، يصبح العمل مع YOLO11 أمرًا في غاية البساطة. يشير تشغيل الاستدلال إلى عملية استخدام نموذج مُدرَّب لعمل تنبؤات على صور جديدة - مثل اكتشاف الكائنات 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.
يوضح لك المثال أدناه كيفية تحميل نموذج واستخدامه للتنبؤ بالصناديق المحيطة الموجهة على صورة. للحصول على أمثلة أكثر تفصيلاً ونصائح حول الاستخدام المتقدم، تأكد من مراجعة وثائق Ultralytics الرسمية للحصول على أفضل الممارسات والمزيد من الإرشادات.
يعني تدريب نموذج YOLO11 أنه يمكنك ضبط أدائه بدقة على مجموعات بيانات و مهام معينة، مثل اكتشاف الكائنات ذات الصناديق المحيطة الموجهة. في حين أنه يمكن استخدام النماذج المدربة مسبقًا مثل YOLO11 لاكتشاف الكائنات بشكل عام، فإن تدريب نموذج مخصص أمر ضروري عندما تحتاج إلى النموذج لاكتشاف كائنات فريدة أو تحسين الأداء على مجموعة بيانات معينة.
في مقتطف التعليمات البرمجية أدناه، نغطي خطوات تدريب نموذج YOLO11 لاكتشاف OBB.
أولاً، يتم تهيئة النموذج باستخدام أوزان YOLO11 OBB المحددة والمدربة مسبقًا (yolo11n-obb.pt). بعد ذلك، يتم استخدام وظيفة التدريب لتدريب النموذج على مجموعة بيانات مخصصة، مع معلمات مثل ملف تكوين مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، و الأجهزة لتشغيل التدريب عليها (على سبيل المثال، وحدة المعالجة المركزية أو وحدة معالجة الرسومات). بعد التدريب، يتم التحقق من أداء النموذج للتحقق من المقاييس مثل الدقة والخسارة.
باستخدام النموذج المدرب، يمكنك تشغيل الاستدلالات على صور جديدة لاكتشاف الكائنات باستخدام OBB وتصورها. أيضًا، يمكن تحويل النموذج المدرب إلى تنسيقات مثل ONNX للنشر باستخدام ميزة التصدير.
ينتقل Ultralytics YOLO11 بالكشف عن الكائنات إلى المستوى التالي من خلال دعمه للمربعات المحيطة الموجهة. من خلال القدرة على اكتشاف الكائنات بزوايا مختلفة، يمكن استخدام YOLO11 في تطبيقات متنوعة عبر مختلف الصناعات. على سبيل المثال، إنه مناسب تمامًا لصناعات مثل التخطيط الحضري والطاقة والشحن، حيث الدقة أمر بالغ الأهمية لمهام مثل فحص الألواح الشمسية أو مراقبة الأساطيل. بفضل الأداء الأسرع والدقة المحسنة، يمكن أن يساعد YOLO11 مطوري الذكاء الاصطناعي في حل تحديات العالم الحقيقي.
مع تزايد اعتماد الذكاء الاصطناعي ودمجه على نطاق واسع في حياتنا اليومية، ستشكل نماذج مثل YOLO11 مستقبل حلول الذكاء الاصطناعي.
للتعرف على إمكانات Vision AI، انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا. نحن نقود الابتكار من خلال إعادة اختراع قطاعات مثل الرعاية الصحية إلى السيارات ذاتية القيادة.
.webp)