كيفية استخدام Ultralytics YOLO11 لتقدير الوضع

Research related to computer vision, a branch of artificial intelligence (AI), can be traced back to the 1960s. However, it wasn’t until the 2010s, with the rise of deep learning, that we saw major breakthroughs in how machines understand images. One of the latest advancements in computer vision is the cutting-edge Ultralytics YOLO11 models. The YOLO11 models, first introduced at Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), support a range of computer vision tasks, including pose estimation.

يمكن استخدام تقدير الوضعية لـ اكتشاف النقاط الرئيسية على شخص أو كائن في صورة أو مقطع فيديو لفهم موقعه، أو وقفته، أو حركته. يُستخدم هذا المجال على نطاق واسع في تطبيقات مثل تحليلات الرياضة، ومراقبة سلوك الحيوانات، والروبوتات لمساعدة الآلات في تفسير الأفعال البدنية في الوقت الفعلي. بفضل دقتها وكفاءتها وسرعتها المحسنة مقارنة بـ النماذج السابقة في سلسلة YOLO (You Only Look Once)، تُعد YOLO11 مناسبة تماماً لـ مهام تقدير الوضعية في الوقت الفعلي.

الشكل 1. مثال على استخدام Ultralytics YOLO11 لتقدير الوضعية.

في هذه المقالة، سنستكشف ماهية تقدير الوضعية، ونناقش بعض تطبيقاته، ونستعرض كيفية استخدام YOLO11 مع حزمة Python من Ultralytics لتقدير الوضعية. سنلقي نظرة أيضاً على كيفية استخدام Ultralytics HUB لتجربة YOLO11 وتقدير الوضعية ببعض النقرات البسيطة. لنبدأ!

Link to this sectionما هو تقدير الوضعية؟#

قبل أن نتعمق في كيفية استخدام نموذج Ultralytics YOLO11 الجديد لتقدير الوضعية، دعونا نحصل على فهم أفضل لتقدير الوضعية.

تقدير الوضعية هو تقنية رؤية حاسوبية تُستخدم لتحليل وضعية شخص أو كائن في صورة أو فيديو. يمكن لنماذج التعلم العميق مثل YOLO11 تحديد وتحديد موقع وتتبع النقاط الرئيسية على كائن أو شخص معين. بالنسبة للأشياء، قد تتضمن هذه النقاط الرئيسية الزوايا أو الحواف أو علامات السطح المميزة، بينما بالنسبة للبشر، تمثل هذه النقاط الرئيسية المفاصل الرئيسية مثل المرفق أو الركبة أو الكتف.

يعد تقدير الوضعية فريداً وأكثر تعقيداً عند مقارنته بمهام الرؤية الحاسوبية الأخرى مثل اكتشاف الكائنات. بينما يحدد اكتشاف الكائنات موقع الكائنات في الصورة عن طريق رسم مربع حولها، يذهب تقدير الوضعية إلى أبعد من ذلك من خلال التنبؤ بالمواقع الدقيقة للنقاط الرئيسية على الكائن.

الشكل 2. استخدام YOLO11 لاكتشاف وتقدير وضعيات الأشخاص في مكتب.

عندما يتعلق الأمر بتقدير الوضعية، هناك طريقتان رئيسيتان لعمله: من القاعدة إلى القمة (bottom-up) ومن القمة إلى القاعدة (top-down). تكتشف طريقة من القاعدة إلى القمة النقاط الرئيسية الفردية وتجمعها في هياكل عظمية، بينما تركز طريقة من القمة إلى القاعدة أولاً على اكتشاف الكائنات ثم تقدير النقاط الرئيسية داخلها.

يجمع YOLO11 بين نقاط القوة في كل من طريقتي من القمة إلى القاعدة ومن القاعدة إلى القمة. ومثل طريقة من القاعدة إلى القمة، فإنه يبقي الأمور بسيطة وسريعة دون الحاجة إلى تجميع النقاط الرئيسية يدوياً. في الوقت نفسه، فإنه يستخدم دقة طريقة من القمة إلى القاعدة من خلال اكتشاف الأشخاص وتقدير وضعياتهم في خطوة واحدة.

Link to this sectionحالات استخدام تقدير الوضعية لـ YOLO11#

تفتح القدرات المتنوعة لـ YOLO11 لتقدير الوضعية مجموعة واسعة من التطبيقات الممكنة في العديد من الصناعات. دعونا نلقي نظرة فاحصة على بعض حالات استخدام تقدير الوضعية لـ YOLO11.

Link to this sectionتقدير الوضعية في الوقت الفعلي باستخدام YOLO11: تحسين سلامة العمال#

تعد السلامة جانباً مهماً في أي مشروع إنشائي. وهذا صحيح بشكل خاص، نظراً لأن مواقع البناء تشهد إحصائياً عدداً أكبر من الإصابات المرتبطة بالعمل. في عام 2021، وقع حوالي 20% من جميع الإصابات المميتة المرتبطة بالعمل في مواقع البناء أو بالقرب منها. مع المخاطر اليومية مثل المعدات الثقيلة والأنظمة الكهربائية، تعتبر تدابير السلامة القوية ضرورية للحفاظ على سلامة العمال. الطرق التقليدية مثل استخدام اللافتات، والحواجز، والمراقبة اليدوية من قبل المشرفين ليست فعالة دائماً وغالباً ما تبعد المشرفين عن المهام الأكثر أهمية.

يمكن للذكاء الاصطناعي التدخل لتحسين السلامة، ويمكن تقليل مخاطر الحوادث باستخدام نظام مراقبة العمال القائم على تقدير الوضعية. يمكن استخدام نماذج Ultralytics YOLO11 لتتبع حركات ووضعيات العمال. يمكن اكتشاف أي مخاطر محتملة بسرعة، مثل وقوف العمال بالقرب جداً من معدات خطرة أو أداء المهام بشكل غير صحيح. إذا تم اكتشاف خطر، يمكن إخطار المشرفين، أو يمكن لمنبه تنبيه العامل. يمكن لنظام المراقبة المستمر جعل مواقع البناء أكثر أماناً من خلال البحث دائماً عن المخاطر وحماية العمال.

الشكل 3. مثال على تقدير الوضعية في موقع بناء باستخدام YOLO11.

Link to this sectionتقدير الوضعية باستخدام YOLO11 لمراقبة الماشية#

يمكن لـ المزارعين والباحثين استخدام YOLO11 لدراسة حركة وسلوك حيوانات المزرعة، مثل الماشية، لاكتشاف علامات مبكرة لأمراض مثل العرج. العرج هو حالة تعاني فيها الحيوانات من صعوبة في الحركة بشكل صحيح بسبب الألم في أرجلها أو أقدامها. في الماشية، لا تؤثر أمراض مثل العرج على صحتها ورفاهيتها فحسب، بل تؤدي أيضاً إلى مشاكل في الإنتاج في مزارع الألبان. تظهر الدراسات أن العرج يؤثر على ما بين 8% من الماشية في الأنظمة القائمة على المراعي و15% إلى 30% في الأنظمة المغلقة عبر صناعة الألبان العالمية. يمكن أن يساعد اكتشاف العرج ومعالجته مبكراً في تحسين رفاهية الحيوان وتقليل خسائر الإنتاج المرتبطة بهذه الحالة.

يمكن لميزات تقدير الوضعية في YOLO11 مساعدة المزارعين على تتبع أنماط مشية الحيوان وتحديد أي تشوهات قد تشير إلى مشاكل صحية بسرعة، مثل مشاكل المفاصل أو الالتهابات. يسمح اكتشاف هذه المشاكل مبكراً بـ علاج أسرع، مما يقلل من انزعاج الحيوانات ويساعد المزارعين على تجنب الخسائر الاقتصادية.

يمكن لأنظمة المراقبة التي تدعم الرؤية بالذكاء الاصطناعي أيضاً المساعدة في تحليل سلوك الراحة، والتفاعلات الاجتماعية، وأنماط التغذية. يمكن للمزارعين أيضاً استخدام تقدير الوضعية للحصول على ملاحظات حول علامات التوتر أو العدوانية. يمكن استخدام هذه الرؤى لتهيئة ظروف معيشية أفضل للحيوانات وزيادة رفاهيتها.

الشكل 4. تصور لتقدير وضعية الأبقار.

Link to this sectionحالات استخدام YOLO11 في صناعة اللياقة البدنية#

يمكن لتقدير الوضعية أيضاً مساعدة الأشخاص على تحسين وضعيتهم في الوقت الفعلي أثناء ممارسة التمارين الرياضية. مع YOLO11، يمكن لمدربي الصالات الرياضية واليوغا مراقبة وتتبع حركات الجسم للأشخاص الذين يمارسون التمارين، مع التركيز على النقاط الرئيسية مثل المفاصل والأطراف لتقييم وضعيتهم. يمكن مقارنة البيانات التي تم جمعها بوضعيات التمارين المثالية، ويمكن للمدربين تلقي تنبيهات إذا كان الشخص يؤدي حركة بشكل غير صحيح، مما يساعد في منع الإصابات.

الشكل 5. استخدام تقدير الوضعية لتحليل تمرين رياضي.

على سبيل المثال، أثناء فصل اليوغا، يمكن لتقدير الوضعية المساعدة في مراقبة ما إذا كان جميع الطلاب يحافظون على التوازن والمحاذاة الصحيحة. يمكن للتطبيقات المحمولة المدمجة مع الرؤية الحاسوبية وتقدير الوضعية جعل اللياقة البدنية أكثر سهولة للأشخاص الذين يمارسون التمارين في المنزل أو لأولئك الذين لا يستطيعون الوصول إلى مدربين شخصيين. تساعد هذه الملاحظات المستمرة في الوقت الفعلي المستخدمين على تحسين تقنياتهم وتحقيق أهداف اللياقة البدنية الخاصة بهم مع تقليل خطر الإصابة.

Link to this sectionتجربة تقدير الوضعية في الوقت الفعلي مع نموذج YOLO11#

الآن بعد أن استكشفنا ماهية تقدير الوضعية وناقشنا بعض تطبيقاته، دعونا نلقي نظرة على كيفية تجربة تقدير الوضعية مع نموذج YOLO11 الجديد. للبدء، هناك طريقتان مريحتان للقيام بذلك: استخدام حزمة Python من Ultralytics أو من خلال Ultralytics HUB. دعونا نلقي نظرة على كلا الخيارين.

Link to this sectionتشغيل الاستنتاجات باستخدام YOLO11#

يتضمن تشغيل الاستدلال قيام نموذج YOLO11 بمعالجة بيانات جديدة خارج مجموعات التدريب الخاصة به واستخدام الأنماط التي تعلمها لإجراء تنبؤات بناءً على تلك البيانات. يمكنك تشغيل الاستدلال عبر الكود باستخدام حزمة Python من Ultralytics. كل ما عليك فعله لـ البدء هو تثبيت حزمة Ultralytics باستخدام pip، أو conda، أو Docker. إذا واجهت أي تحديات أثناء التثبيت، فإن دليل المشكلات الشائعة لدينا يقدم نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.

بمجرد تثبيت الحزمة بنجاح، يوضح الكود التالي كيفية تحميل نموذج واستخدامه للتنبؤ بوضعيات الكائنات في صورة.

الشكل 6. مقتطف كود يعرض تشغيل الاستدلال باستخدام YOLO11.

Link to this sectionتدريب نموذج YOLO11 مخصص#

لنقل أنك تعمل على مشروع رؤية حاسوبية ولديك مجموعة بيانات محددة لتطبيق معين يتضمن تقدير الوضعية. عندها يمكنك ضبط وتدريب نموذج YOLO11 مخصص ليناسب تطبيقك. على سبيل المثال، يمكنك استخدام مجموعة بيانات من النقاط الرئيسية لتحليل وفهم وضعية النمر في الصور من خلال تحديد الميزات الرئيسية مثل موقع أطرافه، ورأسه، وذيله.

يمكنك استخدام مقتطف الكود التالي لتحميل وتدريب نموذج تقدير وضعية YOLO11. يمكن بناء النموذج من تكوين YAML، أو يمكنك تحميل نموذج مدرب مسبقاً للتدريب. يتيح لك هذا البرنامج النصي أيضاً نقل الأوزان وبدء تدريب النموذج باستخدام مجموعة بيانات محددة، مثل مجموعة بيانات COCO لتقدير الوضعية.

الشكل 7. تدريب مخصص لـ YOLO11.

باستخدام النموذج المخصص المدرب حديثاً، يمكنك تشغيل الاستدلال على صور غير مرئية تتعلق بـ حل الرؤية الحاسوبية الخاص بك. يمكن أيضاً تحويل النموذج المدرب إلى تنسيقات أخرى باستخدام وضع التصدير.

Link to this sectionجرب YOLO11 على Ultralytics HUB#

حتى الآن، نظرنا في طرق لاستخدام YOLO11 تتطلب بعض المعرفة الأساسية بالبرمجة. إذا لم يكن هذا ما تبحث عنه، أو لم تكن على دراية بالبرمجة، فهناك خيار آخر: Ultralytics HUB. Ultralytics HUB عبارة عن منصة سهلة الاستخدام مصممة لتبسيط عملية تدريب ونشر نماذج YOLO. يتيح لك HUB إدارة مجموعات البيانات بسهولة، وتدريب النماذج، ونشرها دون الحاجة إلى خبرة فنية.

لتشغيل الاستدلال على الصور، يمكنك إنشاء حساب، والانتقال إلى قسم "Models" (النماذج)، واختيار نموذج تقدير وضعية YOLO11 الذي تهتم به. في قسم المعاينة، يمكنك تحميل صورة وعرض نتائج التنبؤ كما هو موضح أدناه.

الشكل 8. تقدير الوضعية على Ultralytics HUB باستخدام YOLO11.

Link to this sectionتطورات YOLO11 في اكتشاف وضعية الإنسان#

تقدم Ultralytics YOLO11 حلولاً دقيقة ومرنة لمهام مثل تقدير الوضعية عبر مجموعة واسعة من التطبيقات. من تحسين سلامة العمال في مواقع البناء إلى مراقبة صحة الماشية والمساعدة في تصحيح الوضعية في روتين اللياقة البدنية، يوفر YOLO11 الدقة والملاحظات في الوقت الفعلي من خلال تقنية الرؤية الحاسوبية المتقدمة.

إن تعدد استخداماته، مع وجود متغيرات نموذجية متعددة والقدرة على التدريب المخصص لحالات استخدام محددة، يجعله أداة قيمة جداً للمطورين والشركات على حد سواء. سواء من خلال البرمجة باستخدام حزمة Python من Ultralytics أو استخدام Ultralytics HUB لتنفيذ أسهل، يجعل YOLO11 تقدير الوضعية في متناول اليد وذا تأثير كبير.

لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول الخاصة بنا. 🚀