كيفية استخدام Ultralytics YOLO11 لاكتشاف الأجسام باستخدام OBB

ركز الحدث السنوي الهجين لشركة Ultralytics، YOLO Vision 2024 (YV24)، على مناقشة أحدث الاختراقات في الذكاء الاصطناعي والرؤية الحاسوبية. وشهد الحدث أيضًا تقديم أحدث نماذجنا آنذاك، Ultralytics YOLO11، الذي خلفه منذ ذلك الحين Ultralytics YOLO26. يدعم النموذج مهام الرؤية الحاسوبية نفسها التي يدعمها Ultralytics YOLOv8، ما يجعل انتقال المستخدمين إلى النموذج الجديد سهلًا.

لنفترض أنك تستخدم YOLOv8 في اكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة (OBB) للكشف عن الكائنات من زوايا مختلفة. يمكنك الآن الانتقال إلى YOLO11 بإجراء تغييرات طفيفة على التعليمات البرمجية والاستفادة من تحسينات YOLO11، التي تشمل زيادة الدقة والكفاءة وسرعة المعالجة. وإذا لم تكن قد استخدمت نماذج مثل YOLO11 بعد، فإن اكتشاف OBB مثال رائع على كيفية تطبيق YOLO11 في قطاعات متنوعة وتقديم حلول عملية تُحدث أثرًا ملموسًا.

في هذه المقالة، سنستعرض ماهية اكتشاف الأجسام باستخدام OBB، ومجالات تطبيقه، وكيفية استخدام Ultralytics YOLO11 لاكتشاف OBB. وسنشرح أيضًا كيف يمكن للميزات الجديدة في YOLO11 تحسين هذه العمليات، وكيفية إجراء الاستدلالات وتدريب نماذج مخصصة للاستفادة القصوى من إمكانات اكتشاف OBB.

تشمل ميزات الجيل التالي من Ultralytics YOLO11 مهامًا مثل اكتشاف الأجسام باستخدام OBB#

يرتقي اكتشاف الكائنات باستخدام OBB بـاكتشاف الكائنات التقليدي خطوة إضافية عبر الكشف عن الكائنات من زوايا مختلفة. فعلى عكس مربعات الإحاطة العادية التي تظل محاذية لمحاور الصورة، تدور مربعات OBB لتلائم اتجاه الكائن. ويمكن استخدام اكتشاف الكائنات باستخدام OBB لتحليل الصور الجوية أو صور الأقمار الصناعية التي لا تظهر فيها الكائنات دائمًا بوضع مستقيم. وفي قطاعات مثل التخطيط الحضري والطاقة والنقل، يشكل الكشف الدقيق عن الكائنات المائلة مثل المباني والمركبات والبنى التحتية أساسًا لتطبيقات الرؤية الحاسوبية ذات الفوائد الملموسة.

الشكل 1. مقارنة بين الصناديق المحيطة العادية والصناديق المحيطة الموجّهة.

يدعم YOLO11 اكتشاف OBB، وقد دُرّب على مجموعة بيانات DOTA v1.0 للكشف عن كائنات مثل الطائرات والسفن وخزانات التخزين من منظورات مختلفة. يتوفر YOLO11 بعدة إصدارات من النماذج لتلبية احتياجات مختلفة، ومنها YOLO11n-obb (Nano) وYOLO11s-obb (Small) وYOLO11m-obb (Medium) وYOLO11l-obb (Large) وYOLO11x-obb (Extra Large). يختلف حجم كل نموذج، كما تختلف مستويات السرعة والدقة والقدرة الحاسوبية. ويمكن للمستخدمين اختيار النموذج الذي يحقق التوازن المناسب بين السرعة والدقة لتطبيقاتهم.

حالات استخدام Ultralytics YOLO11 التي تضيف منظورًا جديدًا إلى الاكتشاف#

تُضفي قدرات اكتشاف الأجسام في Ultralytics YOLO11، ولا سيما دعمه للصناديق المحيطة الموجّهة، دقة أكبر على قطاعات متنوعة. وفيما يلي بعض الأمثلة على استخدام YOLO11 واكتشاف OBB في مواقف واقعية لجعل العمليات أكثر كفاءة ودقة وأسهل إدارةً في مجالات مختلفة.

التخطيط الحضري ومراقبة البنية التحتية باستخدام Ultralytics YOLO11#

إذا سبق لك أن أعجبت بتصميم مدينة وتخطيطها، فذلك بفضل العمل الدقيق في التخطيط الحضري ومراقبة البنية التحتية. ومن الجوانب العديدة لمراقبة البنية التحتية تحديد المنشآت المهمة وإدارتها، مثل خزانات التخزين وخطوط الأنابيب والمواقع الصناعية. ويمكن أن يساعد Ultralytics YOLO11 مخططي المدن على تحليل الصور الجوية للكشف عن هذه المكونات المهمة بسرعة ودقة.

يفيد اكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة هنا على وجه الخصوص، لأنه يتيح الكشف عن الكائنات التي تُرى من زوايا مختلفة، وهو أمر شائع في الصور الجوية. وتُعد الدقة ضرورية لتتبع المناطق الصناعية وإدارة التأثيرات البيئية وضمان صيانة البنية التحتية على النحو الصحيح. ويجعل OBB عملية الكشف أكثر موثوقية، ما يساعد المخططين على اتخاذ قرارات مدروسة بشأن نمو المدينة وسلامتها واستدامتها. ويساعد استخدام Ultralytics YOLO11 المخططين على مراقبة البنية التحتية التي تضمن سلاسة عمل المدن وإدارتها.

الشكل 2. استخدام Ultralytics YOLO11 لرصد خزانات التخزين في لقطات جوية.

فحص الألواح الشمسية بالطائرات المسيّرة وUltralytics YOLO11 والذكاء الاصطناعي الطرفي#

مع تزايد انتشار الطاقة المتجددة والابتكارات مثل مزارع الطاقة الشمسية، تزداد أهمية عمليات الفحص المنتظمة. يجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. ومع مرور الوقت، يمكن أن تقلل عوامل مثل التشققات وتراكم الأوساخ وعدم المحاذاة من أدائها. وتساعد عمليات الفحص الدورية على اكتشاف هذه المشكلات مبكرًا، بحيث يمكن إجراء الصيانة للحفاظ على كفاءة عمل الألواح.

فعلى سبيل المثال، يمكن فحص الألواح الشمسية للكشف عن الأضرار باستخدام طائرات مسيّرة مدمجة مع الذكاء الاصطناعي الطرفي وUltralytics YOLO11. ويسهم تحليل الصور على الجهاز الطرفي في رفع دقة الفحص وكفاءته. وبسبب حركة الطائرة المسيّرة والمنظور، غالبًا ما تُظهر اللقطات الألواح الشمسية من زوايا متعددة. وفي هذه الحالات، 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 تشكل إدارة هذا الأسطول الكبير تحديًا. وتزداد صعوبة المهمة عند تحليل السفن في الصور الجوية، إذ تظهر السفن غالبًا بزوايا مختلفة. وهنا تبرز فائدة دعم Ultralytics YOLO11 لاكتشاف OBB.

يتيح اكتشاف OBB للنموذج الكشف عن السفن من زوايا مختلفة بدقة أكبر من المربعات المستطيلة التقليدية. وباستخدام Ultralytics YOLO11 مع OBB، تستطيع شركات الشحن تحديد مواقع أساطيلها وحالتها بسهولة أكبر، وتتبع تفاصيل مهمة مثل تحركات الأسطول ولوجستيات سلسلة الإمداد. وتساعد هذه الحلول المدعومة بالرؤية على تحسين المسارات وتقليل التأخيرات وتعزيز إدارة الأساطيل عمومًا عبر طرق الشحن.

الشكل 3. استخدام Ultralytics YOLO11 لرصد السفن والمرافئ من زاوية مائلة.

Ultralytics YOLO11 لمطوري الذكاء الاصطناعي: اكتشاف الصناديق المحيطة الموجّهة#

إذا كنت مطورًا في مجال الذكاء الاصطناعي وترغب في استخدام YOLO11 لاكتشاف OBB، فهناك خياران سهلان للبدء. إذا كنت مرتاحًا للعمل مع التعليمات البرمجية، فإن حزمة Ultralytics لـPython خيار رائع. أما إذا كنت تفضل حلًا سهل الاستخدام لا يتطلب كتابة التعليمات البرمجية، مع إمكانات التدريب السحابي، فإن Ultralytics HUB، المعروف الآن باسم Ultralytics Platform، منصة مصممة لهذا الغرض تحديدًا. لمزيد من التفاصيل، راجع دليلنا حول تدريب Ultralytics YOLO11 ونشره باستخدام Ultralytics HUB.

بعد أن استعرضنا أمثلة على مجالات تطبيق دعم YOLO11 لـOBB، لنلقِ نظرة على حزمة Ultralytics لـPython ونرى كيف يمكنك إجراء الاستدلالات وتدريب نماذج مخصصة باستخدامها.

تشغيل الاستدلال باستخدام Ultralytics YOLO11#

أولًا، لاستخدام YOLO11 مع Python، ستحتاج إلى تثبيت حزمة Ultralytics. ويمكنك اختيار تثبيتها باستخدام pip أو conda أو Docker، حسب تفضيلاتك. وللحصول على تعليمات خطوة بخطوة، يُرجى الرجوع إلى دليل تثبيت Ultralytics. وإذا واجهت أي صعوبات أثناء التثبيت، فسيوفر لك دليل المشكلات الشائعة نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.

بعد تثبيت حزمة Ultralytics، يصبح العمل مع YOLO11 مباشرًا. ويشير إجراء الاستدلال إلى استخدام نموذج مدرَّب لإصدار تنبؤات على صور جديدة، مثل اكتشاف الكائنات باستخدام OBB في الوقت الفعلي. ويختلف ذلك عن تدريب النموذج، وهي العملية التي تعلّم النموذج التعرّف على كائنات جديدة أو تحسّن أداءه في مهام محددة. ويُستخدم الاستدلال عند تطبيق النموذج على بيانات لم يسبق له رؤيتها.

يوضح المثال أدناه كيفية تحميل نموذج واستخدامه للتنبؤ بمربعات الإحاطة الموجّهة في صورة. وللاطلاع على أمثلة أكثر تفصيلًا ونصائح متقدمة للاستخدام، راجع وثائق Ultralytics الرسمية للتعرف 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 لمجموعات بيانات ومهام محددة، مثل اكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة. ويمكن استخدام النماذج المدربة مسبقًا مثل YOLO11 في اكتشاف الكائنات عمومًا، لكن تدريب نموذج مخصص ضروري عندما تحتاج إلى أن يكتشف النموذج كائنات فريدة أو أن يحسّن أداءه على مجموعة بيانات محددة.

نستعرض في المقتطف البرمجي أدناه خطوات تدريب نموذج Ultralytics YOLO11 لاكتشاف OBB.

أولًا، يُهيّأ النموذج باستخدام أوزان YOLO11 المدربة 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 صور التدريب، والعتاد الذي سيُنفّذ عليه التدريب، مثل CPU أو GPU. وبعد التدريب، يُتحقق من أداء النموذج لفحص مقاييس مثل الدقة والاستدعاء ومتوسط الدقة (mAP).

يمكنك استخدام النموذج المدرَّب لإجراء الاستدلال على صور جديدة، واكتشاف الكائنات باستخدام OBB وعرضها مرئيًا. كما يمكن تحويل النموذج المدرَّب إلى تنسيقات مثل ONNX لنشره باستخدام ميزة التصدير.

الشكل 5. مثال على تدريب Ultralytics YOLO11 لاكتشاف الأجسام باستخدام OBB.

المسار إلى الأمام لتطوير الذكاء الاصطناعي باستخدام Ultralytics YOLO11#

يوسّع Ultralytics YOLO11 نطاق اكتشاف الكائنات من خلال دعم مربعات الإحاطة الموجّهة. وبفضل قدرته على اكتشاف الكائنات من زوايا مختلفة، يمكن استخدام YOLO11 في تطبيقات متنوعة عبر قطاعات مختلفة. فعلى سبيل المثال، يناسب قطاعات مثل التخطيط الحضري والطاقة والشحن، حيث تكون الدقة حاسمة في مهام مثل فحص الألواح الشمسية أو مراقبة الأساطيل. وبفضل الأداء الأسرع والدقة المحسّنة، يمكن أن يساعد YOLO11 مطوري الذكاء الاصطناعي على حل تحديات العالم الحقيقي.

مع انتشار الذكاء الاصطناعي واندماجه على نحو أوسع في حياتنا اليومية، ستسهم نماذج مثل Ultralytics YOLO11 في رسم ملامح مستقبل حلول الذكاء الاصطناعي.

للتعرف على إمكانات الذكاء الاصطناعي للرؤية، انضم إلى مجتمعنا المتنامي واستكشف مستودعنا على GitHub. وتعرّف على تطبيقات الذكاء الاصطناعي للرؤية في قطاعات تمتد من الرعاية الصحية إلى السيارات ذاتية القيادة.