كيفية استخدام Ultralytics YOLO11 للكشف عن الكائنات

استخدام YOLO11 لتحليلات البيع بالتجزئة

يُعيد نموذج YOLO11 ونموذج اكتشاف الأجسام تعريف تحليلات البيع بالتجزئة من خلال جعل إدارة المخزون ومراقبة الأرفف أكثر كفاءة ودقة. تساعد قدرة النموذج على اكتشاف الأجسام بسرعة وموثوقية تجار التجزئة على تتبع مستويات المخزون وتنظيم الأرفف وتقليل الأخطاء في جرد المخزون.

على سبيل المثال، يمكن لـ YOLO11 اكتشاف عناصر محددة مثل النظارات الشمسية على رف المتجر. ولكن لماذا قد يرغب بائع التجزئة في مراقبة الرفوف؟ إن الحفاظ على الأرفف مخزنة ومنظمة أمر حيوي لضمان عثور العملاء على ما يحتاجون إليه، مما يؤثر بشكل مباشر على المبيعات. من خلال مراقبة الرفوف في الوقت الفعلي، يمكن لتجار التجزئة أن يكتشفوا بسرعة عندما تنخفض كمية العناصر أو تكون في غير مكانها أو تكون مزدحمة، مما يساعدهم في الحفاظ على عرض منظم وجذاب يحسن تجربة التسوق.

‍

YOLO11 في تطبيقات المدن الذكية

تعتمد المدينة الصاخبة على التدفق المروري السلس والشوارع الآمنة لتعمل بكفاءة، ويمكن أن يساعد YOLO11 في جعل ذلك ممكناً. في الواقع، يمكن دمج العديد من تطبيقات المدن الذكية مع YOLO11. 

تتضمن إحدى الحالات المثيرة للاهتمام استخدام اكتشاف الأجسام لتحديد لوحات السيارات المتحركة. من خلال القيام بذلك، يمكن لـ YOLO11 دعم تحصيل أسرع للرسوم وإدارة حركة المرور بشكل أفضل وإنفاذ اللوائح بشكل أسرع. 

‍

يمكن للرؤى المستقاة من أنظمة Vision AI التي تراقب الطرق أن تنبه السلطات إلى المخالفات المرورية أو الازدحام قبل أن تتفاقم إلى مشاكل أكبر. كما يمكن لـ YOLO11 أيضاً اكتشاف المشاة وراكبي الدراجات، مما يجعل الشوارع أكثر أماناً وفعالية للجميع. 

في واقع الأمر، فإن قدرة YOLO11 على معالجة البيانات المرئية تجعله أداة قوية لتحسين البنية التحتية للمدينة. على سبيل المثال، يمكنه المساعدة في تحسين توقيت إشارات المرور من خلال تحليل حركة المركبات والمشاة. ويمكنه أيضاً تعزيز السلامة في مناطق المدارس من خلال الكشف عن الأطفال وتنبيه السائقين لإبطاء السرعة. باستخدام YOLO11، يمكن للمدن اتخاذ تدابير استباقية لمواجهة التحديات وخلق بيئة أكثر كفاءة للجميع.

الكشف عن الفيديو في الوقت الحقيقي باستخدام YOLO11: زيادة إمكانية الوصول

يشير الكشف عن الأجسام في الوقت الحقيقي إلى قدرة النظام على تحديد الأجسام وتصنيفها في بث فيديو مباشر عند ظهورها. صُمم YOLO11 لتحقيق أداء فائق في الوقت الحقيقي ويتفوق في دعم هذه القدرة. وتتجاوز تطبيقاته مجرد تبسيط العمليات - حيث يمكن أن يساعد أيضًا في إنشاء عالم أكثر شمولاً وسهولة في الوصول إليه.

على سبيل المثال، يمكن أن يساعد YOLO11 الأفراد ضعاف البصر من خلال تحديد الأشياء في الوقت الفعلي. واستناداً إلى عمليات الكشف، يمكن تقديم وصف صوتي، مما يساعد المستخدمين على التنقل في محيطهم باستقلالية أكبر.

فكر في شخص ضعيف البصر يتسوق لشراء البقالة. قد يكون انتقاء العناصر المناسبة أمرًا صعبًا، ولكن يمكن أن يساعدك YOLO11. أثناء وضع العناصر في عربة التسوق، يمكن استخدام نظام مدمج مع YOLO11 لتحديد كل عنصر - مثل الموز أو الأفوكادو أو علبة حليب - وتقديم وصف صوتي في الوقت الفعلي. يتيح لهم ذلك تأكيد اختياراتهم والتأكد من حصولهم على كل ما يحتاجون إليه. من خلال التعرف على العناصر اليومية، يمكن لـ YOLO11 أن يجعل التسوق أكثر بساطة.

‍

تشغيل الاستدلالات باستخدام YOLO11

الاستدلال هو عندما يقوم نموذج الذكاء الاصطناعي بتحليل البيانات الجديدة غير المرئية لوضع تنبؤات أو تصنيف المعلومات أو تقديم رؤى بناءً على ما تعلمه أثناء التدريب. فيما يتعلق باكتشاف الأجسام، يعني ذلك تحديد وتحديد موقع أجسام معينة داخل صورة أو مقطع فيديو، ورسم مربعات محددة حولها، وتسميتها بناءً على تدريب النموذج.

للاستدلال باستخدام نموذج الكشف عن كائنات YOLO11، ستحتاج أولاً إلى تثبيت حزمة Ultralytics Python عبر pip أو conda أو Docker. إذا واجهتك أي مشاكل في التثبيت، راجع دليل استكشاف الأخطاء وإصلاحها للحصول على نصائح وحيل لمساعدتك في حلها. بمجرد التثبيت، يمكنك استخدام الشيفرة التالية لتحميل نموذج اكتشاف كائنات YOLO11 وإجراء تنبؤات على صورة.

‍

تدريب نموذج YOLO11 المخصص

يدعم YOLO11 أيضًا التدريب المخصص ليناسب حالات الاستخدام الخاصة بك بشكل أفضل. من خلال ضبط النموذج بدقة، يمكنك تخصيصه لاكتشاف الأشياء ذات الصلة بمشروعك. على سبيل المثال، عند استخدام الرؤية الحاسوبية في مجال الرعاية الصحية، يمكن استخدام نموذج YOLO11 المُدرَّب خصيصًا للكشف عن تشوهات معينة في الصور الطبية، مثل الأورام في فحوصات التصوير بالرنين المغناطيسي أو الكسور في الأشعة السينية، مما يساعد الأطباء على إجراء تشخيصات أسرع وأكثر دقة.

يعرض مقتطف الشيفرة أدناه كيفية تحميل وتدريب نموذج YOLO11 لاكتشاف الكائنات. يمكنك البدء من ملف تهيئة YAML أو نموذج مُدرَّب مسبقًا، ونقل الأوزان، والتدريب على مجموعات بيانات مثل COCO للحصول على قدرات أكثر دقة في اكتشاف الأجسام.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

بعد تدريب النموذج، يمكنك أيضًا تصدير النموذج المدرّب بتنسيقات مختلفة لنشره في بيئات مختلفة.

الكشف عن كائن YOLO11 على Ultralytics HUB

بالنسبة لأولئك الذين يبحثون عن بديل بدون رموز، يوفر Ultralytics HUB منصة Vision AI سهلة الاستخدام لتدريب نماذج YOLO ونشرها، بما في ذلك YOLO11.

لتشغيل خاصية اكتشاف الأجسام على الصور، ما عليك سوى إنشاء حساب، والانتقال إلى قسم "النماذج"، واختيار متغير نموذج اكتشاف الأجسام YOLO11. ارفع صورتك، وستعرض المنصة الكائنات المكتشفة في قسم المعاينة.

‍

من خلال الجمع بين مرونة حزمة Python وسهولة HUB، يجعل YOLO11 من السهل على المطورين والشركات على حد سواء الاستفادة من قوة تقنية اكتشاف الكائنات المتقدمة.