كيفية استخدام Ultralytics YOLO11 للكشف عن الكائنات

رؤية الحاسوب (Computer vision) هي مجال من مجالات الذكاء الاصطناعي (AI) يساعد الآلات على تفسير وفهم المعلومات المرئية لتمكين المهام الأساسية مثل اكتشاف الكائنات (object detection). على عكس تصنيف الصور (image classification)، لا يحدد اكتشاف الكائنات الكائنات الموجودة في الصورة فحسب، بل يحدد أيضًا مواقعها الدقيقة. وهذا يجعله أداة حاسمة لتطبيقات رؤية الذكاء الاصطناعي مثل السيارات ذاتية القيادة (vision AI applications like self-driving cars)، و أنظمة الأمان (security systems) في الوقت الفعلي، وأتمتة المستودعات.

بمرور الوقت، أصبحت تقنية اكتشاف الأجسام أكثر تقدماً وأسهل استخداماً. تم الإعلان عن خطوة كبيرة إلى الأمام في الحدث السنوي الهجين الذي تنظمه Ultralytics YOLO Vision 2024 (YV24)، مع إطلاق نموذجYOLO11 من Ultralytics . يعمل YOLO11 على تحسين الدقة والأداء مع دعم نفس مهام YOLOv8مما يسهل على مستخدمي النماذج السابقة الانتقال بسلاسة.

‍

سنشرح في هذه المقالة ماهية اكتشاف الأجسام، وكيف يختلف عن مهام الرؤية الحاسوبية الأخرى، وسنستكشف تطبيقاته في العالم الحقيقي. سنطلعك أيضًا على كيفية استخدام نموذج YOLO11 مع حزمةUltralytics Python ومنصةUltralytics HUB. لنبدأ!

ما هو اكتشاف الكائنات؟

اكتشاف الكائنات هو مهمة أساسية في الرؤية الحاسوبية تفعل أكثر من مجرد تحديد الكائنات في الصورة. على عكس تصنيف الصور، الذي يحدد فقط ما إذا كان كائن معين موجودًا، فإن اكتشاف الكائنات يتعرف على كائنات متعددة ويحدد مواقعها بدقة باستخدام مربعات إحاطة. 

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

‍

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

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

ومع ذلك، يوفر الكشف عن الأجسام نهجًا أكثر تبسيطًا من خلال تحديد وتصنيف الأجسام مع تحديد مواقعها. وهذا يجعله مثاليًا للمهام في الوقت الفعلي مثل اكتشاف الوجوه في لقطات المراقبة الأمنية أو تحديد العوائق أمام المركبات ذاتية القيادة.

تطبيقات YOLO11 واكتشاف الأجسام

تجعل ميزات YOLO11 المتقدمة لاكتشاف الأجسام من YOLO11 مفيدة في العديد من المجالات. دعنا نلقي نظرة على بعض الأمثلة.

استخدام YOLO11 لتحليلات البيع بالتجزئة

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

على سبيل المثال YOLO11detect عناصر محددة مثل النظارات الشمسية على رفوف المتاجر. 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. YOLO11 أيضاً detect المشاة وراكبي الدراجات، مما يجعل الشوارع أكثر أماناً وفعالية للجميع. 

في واقع الأمر، فإن قدرة YOLO11على 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 الفعلي باستخدام YOLO11: زيادة إمكانية الوصول

يشير الكشف عن الأجسام في الوقت الحقيقي إلى قدرة النظام على تحديد الأجسام classify 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 YOLO11 مساعدة 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.

‍

دليل خطوة بخطوة لاكتشاف الكائنات باستخدام YOLO11 

والآن بعد أن غطينا أساسيات اكتشاف الكائنات وتطبيقاته المتنوعة، دعنا نتعمق في كيفية البدء في استخدام 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 بحزمة Python .

تشغيل الاستدلالات باستخدام YOLO11

الاستدلال هو عندما يقوم نموذج الذكاء الاصطناعي بتحليل البيانات الجديدة غير المرئية لوضع تنبؤات أو classify 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 detect الأشياء ذات الصلة بمشروعك. على سبيل المثال، عند استخدام الرؤية الحاسوبية في مجال الرعاية الصحية، يمكن استخدام نموذج YOLO11 المُدرَّب خصيصًا detect 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 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 النموذج، يمكنك أيضًا تصدير النموذج المدرب 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.

النقاط الرئيسية

يضع YOLO11 معيارًا جديدًا في اكتشاف الأجسام، حيث يجمع بين الدقة العالية والتنوع لتلبية احتياجات مختلف الصناعات. من تعزيز تحليلات البيع بالتجزئة إلى إدارة البنية التحتية للمدن الذكية، تم تصميم YOLO11 لتحقيق أداء موثوق به في الوقت الفعلي عبر عدد لا يحصى من التطبيقات.

من خلال خيارات التدريب المخصص والواجهة سهلة الاستخدام من خلال Ultralytics HUB، لم يكن دمج YOLO11 في سير عملك أبسط من أي وقت مضى. سواء كنت مطورًا يستكشف الرؤية الحاسوبية أو شركة تتطلع إلى الابتكار باستخدام الذكاء الاصطناعي، فإن YOLO11 يوفر لك الأدوات التي تحتاجها لتحقيق النجاح.

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