كيفية استخدام Ultralytics YOLO11 لاكتشاف الكائنات

يعد الرؤية الحاسوبية مجالاً من مجالات الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات البصرية لتمكين المهام الأساسية مثل اكتشاف الكائنات. على عكس تصنيف الصور، لا يكتفي اكتشاف الكائنات بتحديد ماهية الكائنات الموجودة في الصورة فحسب، بل يحدد أيضاً مواقعها الدقيقة. وهذا يجعله أداة بالغة الأهمية لـ تطبيقات الرؤية بالذكاء الاصطناعي مثل السيارات ذاتية القيادة، وأنظمة الأمن الفورية، وأتمتة المستودعات.

بمرور الوقت، أصبحت تقنية اكتشاف الكائنات أكثر تقدماً وسهولة في الاستخدام. تم الإعلان عن خطوة كبيرة إلى الأمام في حدث Ultralytics الهجين السنوي، YOLO Vision 2024 (YV24)، مع إطلاق نموذج Ultralytics YOLO11. يعمل YOLO11 على تحسين الدقة والأداء مع دعم نفس مهام YOLOv8، مما يسهل على مستخدمي النماذج السابقة الانتقال بسلاسة.

الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لاكتشاف الكائنات.

في هذه المقالة، سنشرح ماهية اكتشاف الكائنات، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، ونستكشف تطبيقاته في العالم الحقيقي. سنرشدك أيضاً خلال كيفية استخدام نموذج YOLO11 مع حزمة Ultralytics Python ومنصة Ultralytics HUB. لنبدأ!

Link to this sectionما هو اكتشاف الكائنات؟#

اكتشاف الكائنات هو مهمة أساسية في الرؤية الحاسوبية تتجاوز مجرد تحديد الكائنات في الصورة. على عكس تصنيف الصور، الذي يحدد فقط ما إذا كان كائن معين موجوداً أم لا، يتعرف اكتشاف الكائنات على كائنات متعددة ويحدد مواقعها الدقيقة باستخدام مربعات الإحاطة (bounding boxes).

على سبيل المثال، يمكنه تحديد وتعيين مواقع الوجوه في صورة جماعية، أو السيارات في شارع مزدحم، أو المنتجات على رف المتجر. إن الجمع بين التعرف على الكائنات وتحديد مواقعها يجعله مفيداً بشكل خاص لتطبيقات مثل المراقبة، ومراقبة الحشود، وإدارة المخزون الآلية.

الشكل 2. استخدام YOLO11 للكشف عن الوجوه.

ما يميز اكتشاف الكائنات عن المهام الأخرى مثل التجزئة الدلالية أو تجزئة المثيلات هو تركيزه وكفاءته.

تقوم التجزئة الدلالية بتصنيف كل بكسل في الصورة ولكنها لا تميز بين الكائنات الفردية من نفس النوع (على سبيل المثال، سيتم تجميع جميع الوجوه في صورة واحدة كـ "وجه"). تأخذ تجزئة المثيلات الأمر خطوة إلى الأمام من خلال فصل كل كائن وتحديد شكله الدقيق، حتى بالنسبة للكائنات من نفس الفئة.

ومع ذلك، يوفر اكتشاف الكائنات نهجاً أكثر انسيابية من خلال تحديد وتصنيف الكائنات مع تمييز مواقعها. وهذا يجعله مثالياً للمهام الفورية مثل اكتشاف الوجوه في لقطات الأمان أو تحديد العوائق أمام المركبات ذاتية القيادة.

Link to this sectionتطبيقات YOLO11 واكتشاف الكائنات#

تجعل ميزات اكتشاف الكائنات المتقدمة في YOLO11 منه مفيداً عبر العديد من الصناعات. دعونا نلقي نظرة على بعض الأمثلة.

Link to this sectionاستخدام YOLO11 لتحليلات التجزئة#

يعيد YOLO11 واكتشاف الكائنات تعريف تحليلات التجزئة من خلال جعل إدارة المخزون ومراقبة الأرفف أكثر كفاءة ودقة. تساعد قدرة النموذج على اكتشاف الكائنات بسرعة وموثوقية تجار التجزئة على تتبع مستويات المخزون، وتنظيم الأرفف، وتقليل الأخطاء في حسابات الجرد.

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

الشكل 3. مثال على استخدام YOLO11 لاكتشاف المنتجات على الأرفف.

Link to this sectionYOLO11 في تطبيقات المدن الذكية#

تعتمد المدينة الصاخبة على تدفق مروري سلس وشوارع آمنة لتعمل بكفاءة، ويمكن لـ YOLO11 المساعدة في جعل هذا ممكناً. في الواقع، يمكن دمج العديد من تطبيقات المدن الذكية مع YOLO11.

تتضمن إحدى الحالات المثيرة للاهتمام استخدام اكتشاف الكائنات لتحديد لوحات الترخيص على المركبات المتحركة. من خلال القيام بذلك، يمكن لـ YOLO11 دعم تحصيل الرسوم بشكل أسرع، وتحسين إدارة حركة المرور، وإنفاذ اللوائح بشكل أسرع.

الشكل 4. استخدام اكتشاف الكائنات وYOLO11 للكشف عن لوحات الترخيص.

يمكن للرؤى المستمدة من أنظمة الذكاء الاصطناعي التي تراقب الطرق تنبيه السلطات إلى انتهاكات المرور أو الازدحام قبل أن تتصاعد إلى مشاكل أكبر. يمكن لـ YOLO11 أيضاً اكتشاف المشاة وراكبي الدراجات، مما يجعل الشوارع أكثر أماناً وكفاءة للجميع.

في الواقع، قدرة YOLO11 على معالجة البيانات البصرية تجعله أداة قوية لتحسين البنية التحتية للمدينة. على سبيل المثال، يمكن أن يساعد في تحسين توقيت إشارات المرور من خلال تحليل حركة المركبات والمشاة. يمكنه أيضاً تعزيز السلامة في مناطق المدارس من خلال اكتشاف الأطفال وتنبيه السائقين للتباطؤ. باستخدام YOLO11، يمكن للمدن اتخاذ تدابير استباقية لمواجهة التحديات وخلق بيئة أكثر كفاءة للجميع.

Link to this sectionاكتشاف الفيديو في الوقت الفعلي باستخدام YOLO11: زيادة الوصول#

يشير اكتشاف الكائنات في الوقت الفعلي إلى قدرة النظام على تحديد وتصنيف الكائنات في بث فيديو مباشر فور ظهورها. تم تصميم YOLO11 للحصول على أداء فائق في الوقت الفعلي ويتفوق في دعم هذه القدرة. تتجاوز تطبيقاته مجرد تبسيط العمليات - إذ يمكنه أيضاً المساعدة في خلق عالم أكثر شمولاً وسهولة في الوصول.

على سبيل المثال، يمكن لـ YOLO11 مساعدة الأفراد ضعاف البصر من خلال تحديد الكائنات في الوقت الفعلي. بناءً على الاكتشافات، يمكن تقديم أوصاف صوتية، مما يساعد المستخدمين على التنقل في محيطهم بمزيد من الاستقلالية.

فكر في شخص ضعيف البصر يتسوق للبقالة. قد يكون اختيار العناصر المناسبة أمراً صعباً، ولكن يمكن لـ YOLO11 المساعدة. أثناء وضعهم للعناصر في عربة التسوق الخاصة بهم، يمكن استخدام نظام مدمج مع YOLO11 لتحديد كل عنصر - مثل الموز أو الأفوكادو أو كرتونة حليب - وتقديم أوصاف صوتية 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 جعل التسوق أكثر بساطة.

الشكل 5. يمكن لاكتشاف الكائنات أن يساعد في جعل العالم أكثر سهولة في الوصول لضعاف البصر.

Link to this sectionدليل خطوة بخطوة لاكتشاف الكائنات باستخدام YOLO11#

الآن بعد أن غطينا أساسيات اكتشاف الكائنات وتطبيقاته المتنوعة، دعونا نتعمق في كيفية البدء باستخدام نموذج Ultralytics YOLO11 لمهام مثل اكتشاف الكائنات.

هناك طريقتان مباشرتان لاستخدام YOLO11: من خلال حزمة Ultralytics Python أو Ultralytics HUB. دعونا نستكشف كلتا الطريقتين، بدءاً من حزمة Python.

Link to this sectionتشغيل الاستنتاجات باستخدام YOLO11#

الاستنتاج هو عندما يقوم نموذج الذكاء الاصطناعي بتحليل بيانات جديدة وغير مرئية لتقديم توقعات، أو تصنيف المعلومات، أو تقديم رؤى بناءً على ما تعلمه أثناء التدريب. فيما يتعلق باكتشاف الكائنات، هذا يعني تحديد وتعيين مواقع كائنات محددة داخل صورة أو مقطع فيديو، ورسم مربعات إحاطة حولها، وتصنيفها بناءً على تدريب النموذج.

للقيام بالاستنتاج باستخدام نموذج اكتشاف الكائنات YOLO11، ستحتاج أولاً إلى تثبيت حزمة Ultralytics Python عبر pip أو conda أو Docker. إذا واجهت أي مشاكل في التثبيت، راجع دليل استكشاف الأخطاء وإصلاحها للحصول على نصائح وحيل لمساعدتك في حلها. بمجرد التثبيت، يمكنك استخدام الكود التالي لتحميل نموذج اكتشاف الكائنات YOLO11 وإجراء توقعات على صورة.

الشكل 6. تشغيل استنتاج على صورة باستخدام YOLO11n.

Link to this sectionتدريب نموذج YOLO11 مخصص#

يدعم YOLO11 أيضاً التدريب المخصص ليناسب حالات الاستخدام الخاصة بك بشكل أفضل. من خلال ضبط النموذج، يمكنك تخصيصه لاكتشاف الكائنات ذات الصلة بمشروعك. على سبيل المثال، عند استخدام الرؤية الحاسوبية في الرعاية الصحية، يمكن استخدام نموذج YOLO11 مدرب مخصصاً لاكتشاف تشوهات محددة 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 الكود أدناه كيفية تحميل وتدريب نموذج YOLO11 لاكتشاف الكائنات. يمكنك البدء من ملف تكوين YAML أو نموذج مدرب مسبقاً، ونقل الأوزان، والتدريب على مجموعات بيانات مثل COCO للحصول على قدرات أكثر دقة لاكتشاف الكائنات.

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 نموذج، يمكنك أيضاً تصدير النموذج المدرب بتنسيقات مختلفة للنشر في بيئات مختلفة.

Link to this sectionاكتشاف الكائنات YOLO11 على Ultralytics HUB#

بالنسبة لأولئك الذين يبحثون عن بديل بدون كود، توفر Ultralytics HUB منصة رؤية ذكاء اصطناعي سهلة الاستخدام لتدريب ونشر نماذج YOLO، بما في ذلك YOLO11.

لتشغيل اكتشاف الكائنات على الصور، ما عليك سوى إنشاء حساب، والانتقال إلى قسم 'Models'، وتحديد نوع نموذج اكتشاف الكائنات YOLO11. قم بتحميل صورتك، وستعرض المنصة الكائنات المكتشفة في قسم المعاينة.

الشكل 7. تشغيل استنتاجات على Ultralytics HUB.

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

Link to this sectionأبرز النقاط#

يضع YOLO11 معياراً جديداً في اكتشاف الكائنات، حيث يجمع بين الدقة العالية والتنوع لتلبية احتياجات مختلف الصناعات. من تعزيز تحليلات التجزئة إلى إدارة البنية التحتية للمدن الذكية، تم بناء YOLO11 للحصول على أداء فوري وموثوق عبر تطبيقات لا حصر لها.

مع خيارات التدريب المخصص وواجهة سهلة الاستخدام من خلال Ultralytics HUB، لم يكن دمج YOLO11 في سير عملك أسهل من أي وقت مضى. سواء كنت مطوراً يستكشف الرؤية الحاسوبية أو شركة تتطلع إلى الابتكار بالذكاء الاصطناعي، يقدم YOLO11 الأدوات التي تحتاجها للنجاح.

لمعرفة المزيد، تحقق من مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية للزراعة على صفحات الحلول الخاصة بنا. 🚀