كيفية استخدام Ultralytics YOLO11 لاكتشاف الكائنات

Computer vision هو مجال في الذكاء الاصطناعي يساعد الآلات على تفسير وفهم المعلومات المرئية لتمكين المهام الأساسية مثل object detection. وعلى عكس image classification، فإن كشف الكائنات لا يقتصر فقط على تحديد ماهية الكائنات الموجودة في الصورة، بل يحدد أيضًا مواقعها بدقة. وهذا ما يجعله أداة بالغة الأهمية لـ vision AI applications like self-driving cars، وsecurity systems الفورية، وأتمتة المستودعات.

بمرور الوقت، أصبحت تكنولوجيا كشف الكائنات أكثر تقدمًا وأسهل في الاستخدام. وقد تم الإعلان عن خطوة رئيسية إلى الأمام في حدث Ultralytics الهجين السنوي، YOLO Vision 2024 (YV24)، مع إطلاق Ultralytics YOLO11 model. 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، سنقوم تفصيل ما هو object detection، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، ونستكشف تطبيقاته الواقعية. سنوضح لك أيضًا كيفية استخدام نموذج YOLO11 مع Ultralytics Python package وUltralytics HUB platform. لنبدأ الآن!

ما هو اكتشاف الكائنات؟#

Object detection هي مهمة أساسية في الرؤية الحاسوبية تفعل أكثر من مجرد تحديد الكائنات في الصورة. وعلى عكس تصنيف الصور، الذي يحدد فقط ما إذا كان كئناً معيناً موجوداً أم لا، فإن كشف الكائنات يتعرف على عدة كائنات ويحدد مواقعها بدقة باستخدام مربعات الإحاطة.

على سبيل المثال، يمكنه identify and locate faces in a group photo، أو السيارات في شارع مزدحم، أو المنتجات على رفوف المتاجر. إن الجمع بين التعرف على الكائنات وتحديد موقعها يجعلها مفيدة بشكل خاص لتطبيقات مثل surveillance، ومراقبة الحشود، وإدارة المخزون الآلية.

الشكل 2. استخدام Ultralytics YOLO11 لاكتشاف الوجوه.

ما يميز كشف الكائنات عن المهام الأخرى مثل التقسيم الدلالي أو instance segmentation هو تركيزه وكفاءته.

يقوم التقسيم الدلالي بتسمية كل بكسل في الصورة ولكنه لا يميز بين الكائنات الفردية من نفس النوع (على سبيل المثال، سيتم تجميع كل الوجوه في صورة كـ "وجه"). يأخذ Instance segmentation الأمر أبعد من ذلك عن طريق فصل كل كائن وتحديد شكله الدقيق، حتى بالنسبة للكائنات التي تنتمي إلى نفس الفئة.

ومع ذلك، يوفر كشف الكائنات نهجاً أكثر انسيابية من خلال تحديد الكائنات وتصنيفها مع تحديد مواقعها. هذا يجعله مثاملياً للمهام الفورية مثل اكتشاف الوجوه في لقطات الأمان أو تحديد العقبات لـ autonomous vehicles.

تطبيقات Ultralytics YOLO11 واكتشاف الكائنات#

تجعل ميزات اكتشاف الأجسام المتقدمة في Ultralytics YOLO11 مفيدة عبر العديد من الصناعات. دعنا نلقي نظرة على بعض الأمثلة.

استخدام Ultralytics YOLO11 لتحليلات التجزئة#

تعمل Ultralytics YOLO11 واكتشاف الأجسام على إعادة صياغة تحليلات التجزئة من خلال جعل إدارة المخزون ومراقبة الأرفف أكثر كفاءة ودقة. تساعد قدرة النموذج على اكتشاف الأجسام بسرعة وبموثوقية تجار التجزئة في تتبع مستويات المخزون، وتنظيم الأرفف، وتقليل الأخطاء في تعداد المخزون.

على سبيل المثال، يمكن لـ YOLO11 اكتشاف عناصر معينة مثل النظارات الشمسية على رف المتجر. ولكن لماذا قد يرغب بائع تجزئة في مراقبة الرف؟ الحفاظ على الأرفف ممتلئة ومنظمة أمر حيوي لضمان العثور على ما يحتاجون إليه، مما 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 يوافق تجربة التسوق.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف المنتجات على الرفوف.

Ultralytics YOLO11 في تطبيقات المدن الذكية#

تعتمد المدينة النابضة بالحياة على تدفق مروري سلس وشوارع آمنة لتعمل بكفاءة، ويمكن لنموذج Ultralytics YOLO11 المساعدة في تحقيق ذلك. في الواقع، يمكن دمج العديد من تطبيقات المدن الذكية مع YOLO11.

تتضمن إحدى الحالات المثيرة للاهتمام استخدام اكتشاف الأجسام لتحديد لوحات الترخيص على المركبات المتحركة. من خلال القيام بذلك، يمكن لـ Ultralytics YOLO11 دعم تحصيل رسوم المرور بشكل أسرع، وإدارة حركة المرور بشكل أفضل، وفرض اللوائح التنظيمية بشكل أسرع.

الشكل 4. استخدام اكتشاف الأجسام وUltralytics YOLO11 لاكتشاف لوحات الترخيص.

يمكن أن تنبه الرؤى المستمدة من أنظمة الذكاء الاصطناعي للرؤية التي تراقب الطرق السلطات إلى انتهاكات المرور أو الازدحام قبل أن تتطور إلى مشاكل أكبر. يمكن لـ YOLO11 أيضًا اكتشاف المشاة راكبي الدراجات، مما يجعل الشوارع أكثر أمانًا وكفاءة للجميع.

في الواقع، تجعل قدرة Ultralytics YOLO11 على معالجة البيانات المرئية أداة قوية لتحسين البنية التحتية لل1مدن. على سبيل المثال، يمكن أن يساعد في تحسين توقيت إشارات المرور من خلال تحليل حركة المركبات والمشاة. ويمكنه أيضاً تعزيز السلامة في مناطق المدارس من خلال اكتشاف الأطفال وتنبيه السائقين لإبطاء السرعة. ومع YOLO11، يمكن للمدن اتخاذ تدابير استباقية لمواجهة التحديات وخلق بيئة أكثر كفاءة للجميع.

اكتشاف الفيديو في الوقت الفعلي باستخدام Ultralytics YOLO11: زيادة سهولة الوصول#

يشير اكتشاف الأجسام في الوقت الفعلي إلى قدرة النظام على تحديد وتصنيف الأجسام في بث فيديو مباشر فور ظهورها. تم تصميم Ultralytics YOLO11 لأداء فائق في الوقت الفعلي ويتفوق في دعم هذه الإمكانية. تتجاوز تطبيقاته مجرد تبسيط العمليات - إذ يمكن أن تساعد أيضاً في إنشاء 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 توفير أوصاف صوتية، مما يساعد المستخدمين على التنقل في محيطهم باستقلالية أكبر.

تخيل شخصاً يعاني من ضعف البصر يتسوق للبقالة. قد يكون اختيار العناصر المناسبة أمراً صعباً، ولكن يمكن لنموذج Ultralytics YOLO11 المساعدة. أثناء وضعهم للعناصر في عربة التسوق الخاصة بهم، يمكن استخدام نظام مدمج مع YOLO11 لتحديد كل عنصر - مثل الموز، أو الأفوكادو، أو علبة الحليب - وتوفير أوصاف صوتية في الوقت الفعلي. يتيح لهم ذلك تأكيد اختياراتهم والتأكد من حصولهم على كل ما يحتاجون إليه. ومن خلال التعرف على العناصر اليومية، يمكن لنموذج YOLO11 جعل التسوق أبسط.

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

دليل خطوة بخطوة لاكتشاف الأجسام باستخدام Ultralytics 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.

تشغيل الاستدلالات باستخدام Ultralytics YOLO11#

الاستدلال هو عندما يقوم نموذج ذكاء اصطناعي بتحليل بيانات جديدة وغير مرئية لإجراء predictions، أو تصنيف المعلومات، أو تقديم رؤى بناءً على ما تعلمه أثناء التدريب. فيما يتعلق بكشف الكائنات، فهذا يعني تحديد وتحديد مواقع كائنات معينة داخل صورة أو فيديو، ورسم مربعات إحاطة حولها وتسميتها بناءً على تدريب النموذج.

للقيام بالاستدلال باستخدام نموذج كشف الكائنات YOLO11، ستحتاج أولاً إلى install the Ultralytics Python package عبر pip أو conda أو Docker. إذا واجهت أي مشاكل في التثبيت، فراجع troubleshooting guide للحصول على نصائح وحيل لمساعدتك في حلها. بمجرد التثبيت، يمكنك استخدام الكود التالي لتحميل نموذج كشف الكائنات YOLO11 وإجراء التنبؤات على صورة.

الشكل 6. تشغيل استنتاج على صورة باستخدام YOLO11n.

تدريب نموذج Ultralytics YOLO11 مخصص#

يدعم Ultralytics YOLO11 أيضاً custom training ليناسب حالات الاستخدام المحددة الخاصة بك بشكل أفضل. من خلال الضبط الدقيق للنموذج، يمكنك تصميمه خصيصاً لاكتشاف الكائنات ذات الصلة بمشروعك. على سبيل المثال، عند using computer vision in healthcare، يمكن استخدام نموذج YOLO11 المدرب خصيصاً لاكتشاف تشوهات معينة في الصور الطبية، مثل الأورام في فحوصات التصوير بالرنين المغناطيسي أو الكسور في الأشعة السينية، مما يساعد الأطباء في إجراء تشخيصات أسرع وأكثر دقة.

يعرض مقتطف التعليمات البرمجية أدناه كيفية تحميل وتدريب نموذج Ultralytics YOLO11 لاكتشاف الأجسام. يمكنك البدء من ملف تكوين YAML أو نموذج مدرب مسبقاً، ونقل الأوزان، والتدريب على مجموعات بيانات مثل COCO للحصول على قدرات اكتشاف أجسام أكثر دقة.

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.

اكتشاف الكائنات YOLO11 على Ultralytics HUB#

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

لتشغيل اكتشاف الأجسام على الصور، ما عليك سوى إنشاء حساب، والانتقال إلى قسم "النماذج"، وتحديد متغير نموذج اكتشاف الأجسام Ultralytics YOLO11. قم بتحميل صورتك، وسيعرض النظام الأساسي الأجسام المكتشفة في قسم معاينة.

الشكل 7. تشغيل استنتاجات على Ultralytics HUB.

من خلال الجمع بين مرونة حزمة Python وسهولة HUB، تجعل Ultralytics YOLO11 من السهل على المطورين والشركات على حد سواء تسخير قوة تكنولوجيا اكتشاف الأجسام المتقدمة.

أبرز النقاط#

يضع نموذج Ultralytics YOLO11 معياراً جديداً في اكتشاف الكائنات، حيث يجمع بين الدقة العالية والمرونة لتلبية احتياجات مختلف الصناعات. من تعزيز تحليلات التجزئة إلى إدارة البنية التحتية للمدن الذكية، تم تصميم YOLO11 لتحقيق أداء موثوق في الوقت الفعلي عبر عدد لا يحصى من التطبيقات.

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، راجع GitHub repository الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في self-driving cars وcomputer vision for agriculture على صفحات الحلول الخاصة بنا. 🚀