كيفية استخدام Ultralytics YOLO11 لاكتشاف الأجسام
استكشف كيفية استخدام نموذج Ultralytics YOLO11 الجديد لاكتشاف الأجسام لتحقيق دقة أعلى في تطبيقات متنوعة عبر مجموعة من الصناعات.
الرؤية الحاسوبية هي مجال من مجالات الذكاء الاصطناعي (AI) يساعد الآلات على تفسير المعلومات المرئية وفهمها لتمكين مهام أساسية مثل اكتشاف الأجسام. وعلى عكس تصنيف الصور، لا يحدد اكتشاف الأجسام الأجسام الموجودة في الصورة فحسب، بل يحدد أيضًا مواقعها الدقيقة. وهذا يجعله أداة بالغة الأهمية لـتطبيقات الذكاء الاصطناعي للرؤية، مثل السيارات ذاتية القيادة، وأنظمة الأمان في الوقت الفعلي، وأتمتة المستودعات.
مع مرور الوقت، أصبحت تقنية اكتشاف الأجسام أكثر تقدمًا وأسهل استخدامًا. وقد أُعلن عن خطوة كبيرة إلى الأمام خلال فعالية Ultralytics السنوية الهجينة، YOLO Vision 2024 (YV24)، مع إطلاق نموذج Ultralytics YOLO11. يعمل YOLO11 على تحسين الدقة والأداء، مع دعم المهام نفسها التي يدعمها YOLOv8، مما يسهّل على مستخدمي النماذج السابقة الانتقال بسلاسة.
الشكل 1. مثال على استخدام نموذج Ultralytics YOLO11 لاكتشاف الأجسام.
في هذه المقالة، سنوضح ماهية اكتشاف الأجسام، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، ونستعرض تطبيقاته في العالم الحقيقي. كما سنرشدك إلى كيفية استخدام نموذج YOLO11 مع حزمة Ultralytics Python ومنصة Ultralytics HUB. فلنبدأ!
ما هو اكتشاف الأجسام؟#
يُعد اكتشاف الأجسام مهمة أساسية في الرؤية الحاسوبية، إذ يتجاوز مجرد تحديد الأجسام في الصورة. فعلى عكس تصنيف الصور، الذي يحدد فقط ما إذا كان جسم معين موجودًا، يتعرف اكتشاف الأجسام على أجسام متعددة ويحدد مواقعها الدقيقة باستخدام المربعات المحيطة.
فعلى سبيل المثال، يمكنه تحديد الوجوه وتحديد مواقعها في صورة جماعية، أو السيارات في شارع مزدحم، أو المنتجات على رف متجر. ويجعل الجمع بين التعرف على الأجسام وتحديد مواقعها هذه التقنية مفيدة بشكل خاص لتطبيقات مثل المراقبة، ومتابعة الحشود، وإدارة المخزون الآلية.
الشكل 2. استخدام Ultralytics YOLO11 لاكتشاف الوجوه.
ما يميز اكتشاف الأجسام عن مهام أخرى مثل التجزئة الدلالية أو تجزئة المثيلات هو تركيزه وكفاءته.
تضع التجزئة الدلالية تسمية لكل بكسل في الصورة، لكنها لا تميز بين الأجسام الفردية من النوع نفسه (فعلى سبيل المثال، ستُجمع جميع الوجوه في صورة تحت تسمية "وجه"). أما تجزئة المثيلات، فتتقدم خطوة أخرى من خلال فصل كل جسم وتحديد شكله الدقيق، حتى بالنسبة إلى الأجسام من الفئة نفسها.
أما اكتشاف الأجسام، فيوفر نهجًا أكثر انسيابية من خلال تحديد الأجسام وتصنيفها مع تحديد مواقعها. وهذا يجعله مثاليًا للمهام في الوقت الفعلي، مثل اكتشاف الوجوه في لقطات المراقبة أو تحديد العوائق أمام المركبات ذاتية القيادة.
تطبيقات Ultralytics YOLO11 واكتشاف الأجسام#
تجعل ميزات اكتشاف الأجسام المتقدمة في Ultralytics YOLO11 مفيدة في العديد من الصناعات. لنلقِ نظرة على بعض الأمثلة.
استخدام Ultralytics YOLO11 لتحليلات البيع بالتجزئة#
يعيد Ultralytics YOLO11 واكتشاف الأجسام تعريف تحليلات البيع بالتجزئة من خلال جعل إدارة المخزون ومراقبة الرفوف أكثر كفاءة ودقة. وتساعد قدرة النموذج على اكتشاف الأجسام بسرعة وموثوقية تجار التجزئة على تتبع مستويات المخزون، وتنظيم الرفوف، وتقليل الأخطاء في عمليات جرد المخزون.
فعلى سبيل المثال، يمكن لـYOLO11 اكتشاف عناصر محددة مثل النظارات الشمسية على رف متجر. لكن لماذا قد يرغب بائع التجزئة في مراقبة أحد الرفوف؟ يُعد الحفاظ على الرفوف ممتلئة ومنظمة أمرًا حيويًا لضمان قدرة العملاء على العثور على ما يحتاجون إليه، مما يؤثر مباشرةً في المبيعات. ومن خلال مراقبة الرفوف في الوقت الفعلي، يستطيع تجار التجزئة اكتشاف نفاد العناصر أو وضعها في غير مواضعها أو تكدسها بسرعة، مما يساعدهم على الحفاظ على عرض منظم وجذاب يحسن تجربة التسوق.
الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف المنتجات على الرفوف.
Ultralytics YOLO11 في تطبيقات المدن الذكية#
تعتمد المدينة النابضة بالحياة على انسيابية حركة المرور وسلامة الشوارع لكي تعمل بكفاءة، ويمكن لـ Ultralytics YOLO11 المساعدة في تحقيق ذلك. وفي الواقع، يمكن دمج العديد من تطبيقات المدن الذكية مع YOLO11.
تتضمن إحدى الحالات المثيرة للاهتمام استخدام اكتشاف الأجسام لتحديد لوحات المركبات المتحركة. ومن خلال ذلك، يمكن لـ Ultralytics YOLO11 دعم تحصيل الرسوم بسرعة أكبر، وتحسين إدارة حركة المرور، وتسريع إنفاذ اللوائح.
الشكل 4. استخدام اكتشاف الأجسام وUltralytics YOLO11 لاكتشاف لوحات المركبات.
يمكن للرؤى المستخلصة من أنظمة الذكاء الاصطناعي للرؤية التي تراقب الطرق تنبيه السلطات إلى مخالفات المرور أو الازدحام قبل تفاقمهما وتحولهما إلى مشكلات أكبر. كما يستطيع YOLO11 اكتشاف المشاة وراكبي الدراجات، مما يجعل الشوارع أكثر أمانًا وكفاءة للجميع.
وفي الواقع، تجعل قدرة Ultralytics YOLO11 على معالجة البيانات المرئية منه أداة قوية لتحسين البنية التحتية للمدن. فعلى سبيل المثال، يمكنه المساعدة في تحسين توقيت إشارات المرور من خلال تحليل حركة المركبات والمشاة. كما يمكنه تعزيز السلامة في المناطق المدرسية عبر اكتشاف الأطفال وتنبيه السائقين إلى إبطاء السرعة. وباستخدام YOLO11، تستطيع المدن اتخاذ تدابير استباقية لمعالجة التحديات وإنشاء بيئة أكثر كفاءة للجميع.
اكتشاف الفيديو في الوقت الفعلي باستخدام Ultralytics YOLO11: تعزيز سهولة الوصول#
يشير اكتشاف الأجسام في الوقت الفعلي إلى قدرة النظام على تحديد الأجسام وتصنيفها في بث فيديو مباشر عند ظهورها. صُمم Ultralytics YOLO11 لتحقيق أداء فائق في الوقت الفعلي، ويتفوق في دعم هذه القدرة. وتتجاوز تطبيقاته مجرد تبسيط العمليات؛ إذ يمكنه أيضًا المساعدة في إنشاء عالم أكثر شمولًا وإتاحة.
فعلى سبيل المثال، يمكن لـYOLO11 مساعدة الأشخاص ذوي الإعاقة البصرية من خلال تحديد الأجسام في الوقت الفعلي. واستنادًا إلى عمليات الاكتشاف، يمكن توفير أوصاف صوتية تساعد المستخدمين على التنقل في محيطهم باستقلالية أكبر.
لنتخيل شخصًا من ذوي الإعاقة البصرية يتسوق لشراء البقالة. قد يكون اختيار العناصر المناسبة أمرًا صعبًا، لكن Ultralytics YOLO11 يمكنه المساعدة. فعندما يضع هذا الشخص العناصر في عربته، يمكن استخدام نظام مدمج مع YOLO11 لتحديد كل عنصر، مثل الموز أو الأفوكادو أو علبة الحليب، وتوفير أوصاف صوتية في الوقت الفعلي. ويسمح له ذلك بتأكيد اختياراته والتأكد من حصوله على كل ما يحتاج إليه. ومن خلال التعرف على العناصر اليومية، يمكن لـ YOLO11 جعل التسوق أبسط.
الشكل 5. يمكن لاكتشاف الأجسام المساعدة في جعل العالم أكثر إتاحة للأشخاص ذوي الإعاقة البصرية.
دليل خطوة بخطوة لاكتشاف الأجسام باستخدام Ultralytics YOLO11#
بعد أن استعرضنا أساسيات اكتشاف الأجسام وتطبيقاته المتنوعة، لنتعمق في كيفية البدء باستخدام نموذج Ultralytics YOLO11 لمهام مثل اكتشاف الأجسام.
هناك طريقتان مباشرتان لاستخدام YOLO11: عبر حزمة Ultralytics Python أو Ultralytics HUB. لنستكشف الطريقتين، بدءًا من حزمة Python.
تشغيل عمليات الاستدلال باستخدام Ultralytics YOLO11#
يحدث الاستدلال عندما يحلل نموذج ذكاء اصطناعي بيانات جديدة لم يرها من قبل لإجراء تنبؤات، أو تصنيف المعلومات، أو تقديم رؤى استنادًا إلى ما تعلمه أثناء التدريب. وفي سياق اكتشاف الأجسام، يعني ذلك تحديد أجسام معينة وتحديد مواقعها داخل صورة أو فيديو، ورسم مربعات محيطة حولها، ووضع تسميات لها استنادًا إلى تدريب النموذج.
لإجراء الاستدلال باستخدام نموذج YOLO11 لاكتشاف الأجسام، ستحتاج أولًا إلى تثبيت حزمة Ultralytics Python عبر pip أو conda أو Docker. وإذا واجهت أي مشكلات في التثبيت، فراجع دليل استكشاف الأخطاء وإصلاحها للحصول على نصائح وحيل تساعدك على حلها. بعد التثبيت، يمكنك استخدام التعليمات البرمجية التالية لتحميل نموذج YOLO11 لاكتشاف الأجسام وإجراء تنبؤات على صورة.
الشكل 6. تشغيل استدلال على صورة باستخدام YOLO11n.
تدريب نموذج Ultralytics YOLO11 مخصص#
يدعم Ultralytics YOLO11 أيضًا التدريب المخصص ليتلاءم بشكل أفضل مع حالات الاستخدام الخاصة بك. ومن خلال الضبط الدقيق للنموذج، يمكنك تهيئته لاكتشاف الأجسام ذات الصلة بمشروعك. فعلى سبيل المثال، عند استخدام الرؤية الحاسوبية في الرعاية الصحية، يمكن استخدام نموذج YOLO11 مدرب مخصصًا لاكتشاف تشوهات معينة في الصور الطبية، مثل الأورام في فحوصات MRI أو الكسور في صور الأشعة السينية، مما يساعد الأطباء على إجراء تشخيصات أسرع وأكثر دقة.
يوضح مقتطف التعليمات البرمجية أدناه كيفية تحميل نموذج Ultralytics YOLO11 وتدريبه لاكتشاف الأجسام. يمكنك البدء من ملف إعدادات YAML أو نموذج مدرب مسبقًا، ونقل الأوزان، والتدريب على مجموعات بيانات مثل COCO لتحسين قدرات 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 المدرب بتنسيقات متنوعة لنشره في بيئات مختلفة.
اكتشاف الأجسام باستخدام YOLO11 على Ultralytics HUB#
بالنسبة إلى الباحثين عن بديل لا يتطلب كتابة التعليمات البرمجية، توفر Ultralytics HUB منصة سهلة الاستخدام للذكاء الاصطناعي للرؤية لتدريب نماذج YOLO ونشرها، بما في ذلك YOLO11.
لتشغيل اكتشاف الأجسام على الصور، أنشئ حسابًا، وانتقل إلى قسم «Models»، ثم حدد إصدار نموذج Ultralytics YOLO11 لاكتشاف الأجسام. حمّل صورتك، وستعرض المنصة الأجسام المكتشفة في قسم المعاينة.
الشكل 7. تشغيل عمليات الاستدلال على Ultralytics HUB.
من خلال الجمع بين مرونة حزمة Python وسهولة استخدام HUB، يجعل Ultralytics YOLO11 من السهل على المطورين والشركات على حد سواء الاستفادة من قوة تقنية اكتشاف الأجسام المتقدمة.
أهم النقاط المستخلصة#
يضع Ultralytics YOLO11 معيارًا جديدًا في اكتشاف الأجسام، إذ يجمع بين الدقة العالية وتعدد الاستخدامات لتلبية احتياجات مختلف الصناعات. فمن تحسين تحليلات البيع بالتجزئة إلى إدارة البنية التحتية للمدن الذكية، صُمم YOLO11 لتقديم أداء موثوق في الوقت الفعلي عبر عدد لا يحصى من التطبيقات.
مع خيارات التدريب المخصص وواجهة سهلة الاستخدام عبر Ultralytics HUB، لم يسبق أن كان دمج YOLO11 في سير عملك بهذه السهولة. سواء كنت مطورًا يستكشف الرؤية الحاسوبية أو شركة تتطلع إلى الابتكار باستخدام الذكاء الاصطناعي، يوفر YOLO11 الأدوات التي تحتاج إليها لتحقيق النجاح.
لمعرفة المزيد، راجع مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية للزراعة في صفحات حلولنا. 🚀
