كيفية استخدام Ultralytics YOLO11 لاكتشاف الكائنات باستخدام OBB

ركز الحدث الهجين السنوي الخاص بـ Ultralytics، YOLO Vision 2024 (YV24)، على مناقشة أحدث الاختراقات في الذكاء الاصطناعي ورؤية الحاسوب. كانت هذه المناسبة المثالية لتقديم أحدث نماذجنا، Ultralytics YOLO11. يدعم النموذج نفس مهام رؤية الحاسوب التي يدعمها Ultralytics YOLOv8، مما يجعل الانتقال إلى النموذج الجديد أمراً سهلاً للمستخدمين.

بافتراض أنك كنت تستخدم YOLOv8 لـ اكتشاف الأجسام باستخدام صناديق التحديد الموجهة (OBB) لاكتشاف الأجسام من زوايا مختلفة. يمكنك الآن التبديل إلى YOLO11 مع إجراء بضعة تغييرات بسيطة على الكود الخاص بك والاستفادة من تحسينات YOLO11 بدءاً من زيادة الدقة والكفاءة وصولاً إلى سرعة المعالجة. في حال لم تستخدم بعد نماذج مثل YOLO11، فإن اكتشاف OBB هو مثال رائع على كيفية تطبيق YOLO11 عبر مجموعة من الصناعات، مما يوفر حلولاً عملية تُحدث تأثيراً حقيقياً.

في هذه المقالة، سنلقي نظرة على ماهية اكتشاف الأجسام باستخدام OBB، وأين يمكن تطبيقه، وكيفية استخدام YOLO11 لاكتشاف OBB. سنستعرض أيضاً كيف يمكن للميزات الجديدة في YOLO11 تحسين هذه العمليات وكيفية تشغيل الاستدلالات وتدريب نماذج مخصصة لتحقيق أقصى استفادة من قدرات اكتشاف OBB الخاصة به.

Link to this sectionتشمل ميزات الجيل القادم من YOLO11 مهام مثل اكتشاف الأجسام باستخدام OBB#

يأخذ اكتشاف الكائنات بنظام OBB اكتشاف الكائنات التقليدي خطوة إضافية إلى الأمام من خلال اكتشاف الكائنات بزوايا مختلفة. على عكس مربعات الإحاطة العادية التي تظل محاذاة لمحاور الصورة، تدور مربعات OBB لتلائم اتجاه الكائن. يمكن استخدام اكتشاف الكائنات بنظام OBB لتحليل الصور الجوية أو صور الأقمار الصناعية حيث لا تكون الكائنات مستقيمة دائمًا. في صناعات مثل التخطيط الحضري، والطاقة، والنقل، يمكن للقدرة على اكتشاف الكائنات المائلة بدقة مثل المباني، أو المركبات، أو البنية التحتية أن تشكل أساس تطبيقات الرؤية الحاسوبية ذات الفوائد الملموسة.

الشكل 1. مقارنة بين صناديق التحديد العادية وصناديق التحديد الموجهة.

يدعم YOLO11 اكتشاف OBB وقد تم تدريبه على مجموعة بيانات DOTA v1.0 لاكتشاف أجسام مثل الطائرات، والسفن، وخزانات التخزين من منظورات مختلفة. يأتي YOLO11 في عدة إصدارات للنماذج لتناسب الاحتياجات المختلفة، بما في ذلك YOLO11n-obb (نانو)، وYOLO11s-obb (صغير)، وYOLO11m-obb (متوسط)، وYOLO11l-obb (كبير)، وYOLO11x-obb (كبير جداً). يوفر كل نموذج حجماً مختلفاً، مع مستويات متفاوتة من السرعة والدقة والقوة الحسابية. يمكن للمستخدمين اختيار النموذج الذي يوفر التوازن الصحيح بين السرعة والدقة لتطبيقهم.

Link to this sectionحالات استخدام YOLO11 التي تقدم زاوية جديدة للاكتشاف#

تجلب قدرات اكتشاف الأجسام في YOLO11، وخاصة دعمها لصناديق التحديد الموجهة، دقة أكبر لمختلف الصناعات. بعد ذلك، سنلقي نظرة على بعض الأمثلة حول كيفية استخدام YOLO11 واكتشاف OBB في مواقف العالم الحقيقي لجعل العمليات أكثر كفاءة ودقة وسهولة في الإدارة في مجالات مختلفة.

Link to this sectionالتخطيط العمراني ومراقبة البنية التحتية باستخدام YOLO11#

إذا كنت قد أعجبت يوماً بـ تصميم وتخطيط مدينة، فهذا يعود بفضل العمل المفصل لـ التخطيط العمراني ومراقبة البنية التحتية. أحد الجوانب العديدة لمراقبة البنية التحتية هو تحديد وإدارة الهياكل المهمة مثل خزانات التخزين، وخطوط الأنابيب، والمواقع الصناعية. يمكن لـ YOLO11 مساعدة مخططي المدن في تحليل الصور الجوية لاكتشاف هذه المكونات الحيوية بسرعة وبدقة.

يعد اكتشاف الأجسام باستخدام صناديق التحديد الموجهة مفيداً بشكل خاص هنا لأنه يتيح اكتشاف الأجسام التي يتم عرضها من زوايا مختلفة (غالباً ما يكون الحال مع الصور الجوية). الدقة أمر حيوي هنا لتتبع المناطق الصناعية، وإدارة التأثيرات البيئية، وضمان صيانة البنية التحتية بشكل صحيح. تجعل OBB عملية الاكتشاف أكثر موثوقية، مما يساعد المخططين على اتخاذ قرارات مستنيرة بشأن نمو المدينة، والسلامة، والاستدامة. يمكن أن يساعد استخدام YOLO11 المخططين على مراقبة وإدارة البنية التحتية التي تحافظ على سير عمل المدن بسلاسة.

الشكل 2. استخدام YOLO11 لاكتشاف خزانات التخزين في اللقطات الجوية.

Link to this sectionفحص الألواح الشمسية باستخدام الطائرات بدون طيار، وYOLO11، والذكاء الاصطناعي الطرفي#

مع تزايد شعبية الطاقة المتجددة والابتكارات مثل مزارع الطاقة الشمسية، تزداد أهمية عمليات الفحص الدورية. يجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. بمرور الوقت، يمكن لأشياء مثل الشقوق، وتراكم الأوساخ، أو عدم المحاذاة أن تقلل من أدائها. تساعد عمليات الفحص الروتينية في اكتشاف هذه المشكلات مبكراً، بحيث يمكن إجراء الصيانة للحفاظ على سير عملها بسلاسة.

على سبيل المثال، يمكن فحص الألواح الشمسية بحثاً عن أضرار باستخدام طائرات بدون طيار مدمجة مع الذكاء الاصطناعي الطرفي وYOLO11. يجلب تحليل الصور على الطرف دقة وكفاءة أكبر لعملية الفحص. نظراً لحركة الطائرة بدون طيار ومنظورها، قد تلتقط لقطات المراقبة غالباً الألواح الشمسية من زوايا مختلفة. في هذه الحالات، يمكن لاكتشاف OBB في YOLO11 مساعدة الطائرات بدون طيار في تحديد الألواح الشمسية بدقة.

Link to this sectionيمكن لـ YOLO11 توفير رؤى لإدارة الأسطول#

تتعامل الموانئ والمرافئ مع مئات السفن كل أسبوع، ويمكن أن تكون إدارة مثل هذا الأسطول الكبير أمراً صعباً. هناك عنصر إضافي من الصعوبة ينطوي عليه تحليل السفن في الصور الجوية؛ حيث غالباً ما تظهر السفن بزوايا مختلفة. وهنا يأتي دور دعم YOLO11 لاكتشاف OBB بشكل مفيد.

يجعل اكتشاف OBB من الممكن للنموذج اكتشاف السفن من 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 وخدمات سلسلة التوريد اللوجستية. تساعد مثل هذه الحلول القائمة على الرؤية في تحسين المسارات، وتقليل التأخيرات، وتحسين الإدارة الشاملة للأسطول عبر مسارات الشحن.

الشكل 3. استخدام YOLO11 لاكتشاف السفن والموانئ بزاوية.

Link to this sectionYOLO11 لمطوري الذكاء الاصطناعي: اكتشاف صناديق التحديد الموجهة#

إذا كنت مطور ذكاء اصطناعي تتطلع إلى استخدام YOLO11 لاكتشاف OBB، فهناك خياران سهلان للبدء. إذا كنت مرتاحاً للعمل بالكود، فإن حزمة Ultralytics Python هي خيار رائع. إذا كنت تفضل حلاً سهل الاستخدام بدون كود مع إمكانيات تدريب سحابية، فإن Ultralytics HUB هي منصة داخلية مصممة لهذا الغرض تحديداً. لمزيد من التفاصيل، يمكنك إلقاء نظرة على دليلنا حول تدريب ونشر Ultralytics YOLO11 باستخدام Ultralytics HUB.

الآن بعد أن رأينا أمثلة على مكان تطبيق دعم OBB في YOLO11، دعنا نستكشف حزمة Ultralytics Python ونرى كيف يمكنك تشغيل الاستدلالات وتدريب نماذج مخصصة باستخدامها.

Link to this sectionتشغيل الاستنتاجات باستخدام 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 تعليمات خطوة بخطوة، يمكنك الرجوع إلى دليل تثبيت Ultralytics. إذا واجهت أي تحديات أثناء التثبيت، فإن دليل المشكلات الشائعة الخاص بنا يقدم نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.

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

يرشدك المثال أدناه خلال كيفية تحميل نموذج واستخدامه للتنبؤ بصناديق التحديد الموجهة في صورة. لمزيد من الأمثلة التفصيلية ونصائح الاستخدام المتقدمة، تأكد من مراجعة وثائق Ultralytics الرسمية للحصول على أفضل الممارسات والمزيد من التعليمات.

الشكل 4. مقتطف كود يعرض تشغيل الاستدلالات باستخدام YOLO11.

Link to this sectionتدريب نموذج YOLO11 مخصص#

يعني تدريب نموذج YOLO11 أنه يمكنك ضبط أدائه بدقة على مجموعات بيانات ومهام محددة، مثل اكتشاف الكائنات بمربعات إحاطة موجهة. في حين يمكن استخدام النماذج المدربة مسبقًا مثل YOLO11 لـ اكتشاف الكائنات العام، فإن تدريب نموذج مخصص أمر ضروري عندما تحتاج إلى أن يكتشف النموذج كائنات فريدة أو تحسين الأداء على مجموعة بيانات معينة.

في مقتطف الكود أدناه، نغطي خطوات تدريب نموذج YOLO11 لاكتشاف OBB.

أولاً، تتم تهيئة النموذج باستخدام أوزان YOLO11 OBB المدربة مسبقًا (yolo11n-obb.pt). بعد ذلك، تُستخدم دالة تدريب لتدريب النموذج على مجموعة بيانات مخصصة، مع معلمات مثل ملف تكوين مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، والأجهزة المستخدمة لتشغيل التدريب (على سبيل المثال، CPU أو GPU). بعد التدريب، يتم التحقق من أداء النموذج للتحقق من مقاييس مثل الدقة والخسارة.

باستخدام النموذج المدرب، يمكنك تشغيل الاستدلالات على صور جديدة لـ اكتشاف الكائنات باستخدام OBB وتصورها. أيضًا، يمكن تحويل النموذج المدرب إلى تنسيقات مثل ONNX للنشر باستخدام ميزة التصدير.

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

Link to this sectionالطريق إلى الأمام لتقدمات الذكاء الاصطناعي في 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 اعتماد الذكاء الاصطناعي ودمجه بشكل أوسع في حياتنا اليومية، ستشكل نماذج مثل YOLO11 مستقبل حلول الذكاء الاصطناعي.

للتعرف على إمكانات رؤية الذكاء الاصطناعي، انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا. نحن نقود الابتكار من خلال إعادة ابتكار قطاعات مثل الرعاية الصحية إلى السيارات ذاتية القيادة.