تجزئة الصور باستخدام Ultralytics YOLO11 على Google Colab

أبيرامي فينا

4 دقائق للقراءة

30 ديسمبر 2024

اكتشف كيفية استخدام Ultralytics YOLO11 بفعالية في تجزئة الصور، والاستفادة من مجموعة بيانات أجزاء السيارات على Google Colab للتدريب والاختبار السلس.

تدعم نماذج Ultralytics YOLO، مثل أحدث نماذج Ultralytics YOLO11، مجموعة متنوعة من مهام الرؤية الحاسوبية مثل اكتشاف الأجسام وتصنيف الصور وتجزئة النماذج. تهدف كل مهمة من هذه المهام إلى تكرار جانب معين من جوانب الرؤية البشرية، مما يجعل من الممكن للآلات رؤية العالم من حولها وتفسيره. 

على سبيل المثال، تأمل كيف يمكن لطالب في صف الفنون أن يلتقط قلم رصاص ويحدد كائنًا في الرسم. فخلف الكواليس، يقوم دماغه بإجراء عملية تجزئة - أي تمييز الكائن عن الخلفية والعناصر الأخرى. يحقق تجزئة الصور هدفاً مشابهاً باستخدام الذكاء الاصطناعي (AI)، حيث يقوم بتقسيم البيانات المرئية إلى أجزاء ذات معنى لكي تفهمها الآلات. يمكن استخدام هذه التقنية في مجموعة متنوعة من التطبيقات في العديد من الصناعات. 

_w_f_reserved_nherit
الشكل 1. يتم استخدام Ultralytics YOLO11 لتجزئة الأجسام في الصورة.

ومن الأمثلة العملية على ذلك تجزئة أجزاء السيارات. فمن خلال تحديد وتصنيف مكونات معينة من السيارة وتصنيفها، يمكن لتجزئة الصور تبسيط العمليات في صناعات مثل تصنيع السيارات وإصلاحها وفهرسة التجارة الإلكترونية.

في هذه المقالة، سنستكشف كيف يمكنك استخدام Ultralytics YOLO11 وGoogle Colab ومجموعة بيانات تقسيم أجزاء السيارة Roboflow Carpartsation لبناء حل يمكنه تحديد أجزاء السيارة وتقسيمها بدقة.

Ultralytics YOLO11 سهل الاستخدام

يتوفر Ultralytics YOLO11 كنموذج مُدرَّب مسبقًا على مجموعة بيانات COCO، ويغطي 80 فئة مختلفة من الكائنات. ومع ذلك، بالنسبة لتطبيقات محددة، مثل تقسيم أجزاء السيارة، يمكن تدريب النموذج بشكل مخصص ليناسب مجموعة بياناتك وحالة الاستخدام بشكل أفضل. تسمح هذه المرونة ل YOLO11 بالأداء الجيد في كلٍ من المهام ذات الأغراض العامة والمهام المتخصصة للغاية.

يتضمن التدريب المخصص استخدام نموذج YOLO11 المدرب مسبقًا وضبطه على مجموعة بيانات جديدة. من خلال توفير أمثلة مصنفة خاصة بمهمتك، يتعلم النموذج التعرف على الكائنات الفريدة لمشروعك وتقسيمها. يضمن التدريب المخصص دقة وملاءمة أعلى مقارنةً بالاعتماد على أوزان عامة مُدربة مسبقًا.

يعد إعداد YOLO11 للتدريب المخصص أمرًا بسيطًا ومباشرًا. مع الحد الأدنى من الإعداد، يمكنك تحميل النموذج ومجموعة البيانات، وبدء التدريب، ومراقبة المقاييس مثل الخسارة والدقة أثناء العملية. يتضمن YOLO11 أيضًا أدوات مدمجة للتحقق والتقييم، مما يسهل تقييم مدى جودة أداء نموذجك. 

تشغيل برنامج Ultralytics YOLO11 على Google Colab

عند تدريب YOLO11 المخصص، هناك بعض الخيارات المختلفة لإعداد بيئة. أحد الخيارات الأكثر سهولة وملاءمة هو Google Colab. فيما يلي بعض مزايا استخدام Google Colab لتدريب YOLO11:

  • الوصول المجاني إلى الموارد: يوفر Google Colab وحدات معالجة الرسومات (وحدات معالجة الرسومات) ووحدات معالجة المكثفات (TPU)، مما يتيح لك تدريب YOLO11 دون أجهزة مكلفة.
  • بيئة تعاونية: يساعدك Google Colab على مشاركة دفاتر الملاحظات، وتخزين العمل في Google Drive، وتبسيط العمل الجماعي من خلال سهولة التعاون وتتبع الإصدارات.
  • مكتبات مثبتة مسبقًا: من خلال الأدوات المثبتة مسبقًا مثل PyTorch و TensorFlow، يعمل Google Colab على تبسيط عملية الإعداد ويساعدك على البدء بسرعة.
  • التكامل السحابي: يمكنك بسهولة تحميل مجموعات البيانات من Google Drive أو GitHub أو من مصادر سحابية أخرى، مما يسهّل إعداد البيانات وتخزينها.
_w_f_reserved_nherit
الشكل 2. دفتر ملاحظات جوجل كولاب YOLO11.

كما تقدم Ultralytics أيضًا دفتر ملاحظات Google Colab مُعد مسبقًا ومهيأ خصيصًا للتدريب على YOLO11. يتضمن هذا الدفتر كل ما تحتاجه، بدءًا من التدريب على النموذج إلى تقييم الأداء، مما يجعل العملية مباشرة وسهلة المتابعة. إنها نقطة بداية رائعة وتتيح لك التركيز على ضبط النموذج لاحتياجاتك الخاصة دون القلق بشأن خطوات الإعداد المعقدة.

نظرة عامة على مجموعة بيانات تجزئة روبوفلو كاربورتس

بعد اتخاذ قرار بشأن بيئة التدريب الخاصة بك، فإن الخطوة التالية هي جمع البيانات أو اختيار مجموعة بيانات مناسبة لتجزئة أجزاء السيارة. مجموعة بيانات تجزئة أجزاء السيارة Roboflow Carparts Segmentation Datasation Dataset، المتوفرة على Roboflow Universe، تحتفظ بها Roboflow، وهي منصة توفر أدوات لبناء نماذج الرؤية الحاسوبية وتدريبها ونشرها. تشتمل مجموعة البيانات هذه على 3,156 صورة تدريب، و401 صورة تحقق من الصحة، و276 صورة اختبار، وكلها تحتوي على شروح عالية الجودة لأجزاء السيارة مثل المصدات والأبواب والمرايا والعجلات.

عادةً، ستحتاج إلى تنزيل مجموعة البيانات من Roboflow Universe وإعدادها يدويًا للتدريب على Google Collab. ومع ذلك، تعمل حزمة Ultralytics Python على تبسيط هذه العملية من خلال تقديم تكامل سلس وأدوات مُعدّة مسبقًا.

_w_f_reserved_nherit
الشكل 3. أمثلة من مجموعة بيانات تجزئة أجزاء السيارة.

باستخدام Ultralytics، تكون مجموعة البيانات جاهزة للاستخدام من خلال ملف YAML مهيأ مسبقًا يتضمن مسارات مجموعة البيانات وتسميات الفئات ومعلمات التدريب الأخرى. هذا يعتني بالإعداد نيابةً عنك، بحيث يمكنك تحميل مجموعة البيانات بسرعة والبدء مباشرةً في تدريب نموذجك. كما أن مجموعة البيانات منظمة بمجموعات تدريب وتحقق واختبار مخصصة، مما يسهل مراقبة التقدم وتقييم الأداء.

من خلال الاستفادة من مجموعة بيانات تجزئة Roboflow Carparts Segmentation Datasation Dataset مع الأدوات التي يوفرها Ultralytics YOLO11، يمكنك الحصول على سير عمل سلس لبناء نماذج تجزئة بكفاءة على منصات مثل Google Colab. يقلل هذا النهج من وقت الإعداد ويسمح لك بالتركيز على تحسين نموذجك للتطبيقات الواقعية.

التطبيقات الواقعية لتجزئة قطع غيار السيارات

إن تقسيم قطع غيار السيارات له مجموعة متنوعة من الاستخدامات العملية في مختلف الصناعات. على سبيل المثال، في ورش الإصلاح، يمكن أن يساعد في تحديد وتصنيف المكونات التالفة بسرعة لجعل عملية الإصلاح أسرع وأكثر كفاءة. وبالمثل، في صناعة التأمين، يمكن لنماذج التجزئة أتمتة تقييم المطالبات من خلال تحليل صور المركبات المتضررة لتحديد الأجزاء المتضررة. يؤدي ذلك إلى تسريع عملية المطالبات وتقليل الأخطاء وتوفير الوقت لكل من شركات التأمين والعملاء.

_w_f_reserved_nherit
الشكل 4. تجزئة أجزاء السيارة باستخدام YOLO.

فيما يتعلق بالتصنيع، يدعم التجزئة مراقبة الجودة من خلال فحص قطع غيار السيارات بحثًا عن العيوب وضمان الاتساق وتقليل الهدر. تُظهر هذه التطبيقات كيف يمكن لتجزئة قطع غيار السيارات أن تحول الصناعات من خلال جعل العمليات أكثر أماناً وسرعة ودقة.

دليل خطوة بخطوة: استخدام YOLO11 على Google Colab 

الآن بعد أن غطينا جميع التفاصيل، حان الوقت لتجميع كل شيء معًا. للبدء، يمكنك الاطلاع على مقطع الفيديو الخاص بنا على YouTube، والذي يرشدك خلال العملية الكاملة لإعداد نموذج YOLO11 لتجزئة أجزاء السيارة وتدريبه والتحقق من صحته.

إليك لمحة سريعة عن الخطوات المتبعة:

  • قم بإعداد بيئتك على Google Colab: قم بتمكين دعم GPU وتثبيت حزمة Ultralytics Python للتحضير لتدريب النموذج.
  • تحميل نموذج YOLO11: ابدأ بنموذج تجزئة YOLO11 المدرب مسبقًا لتوفير الوقت والاستفادة من الميزات الموجودة لتجزئة أجزاء السيارة.
  • تدريب النموذج باستخدام مجموعة البيانات: استخدم ملف "carparts-seg.yaml" أثناء التدريب لتنزيل مجموعة بيانات تجزئة Carparts Segmentation Datasation Dataset Roboflow وتكوينها واستخدامها تلقائيًا. اضبط المعلمات مثل الحقب الزمنية وحجم الصورة وحجم الدُفعات لضبط النموذج بدقة.
  • مراقبة تقدم التدريب: تتبع مقاييس الأداء الرئيسية، مثل فقدان التجزئة ومتوسط متوسط الدقة (mAP)، لضمان تحسن النموذج كما هو متوقع.
  • التحقق من صحة النموذج ونشره: اختبر النموذج المدرّب على مجموعة التحقق من الصحة لتأكيد دقته وتصديره للتطبيقات الواقعية مثل مراقبة الجودة أو معالجة مطالبات التأمين.

مزايا استخدام YOLO11 لتجزئة قطع غيار السيارات

YOLO11 هي أداة موثوقة وفعالة لتجزئة قطع غيار السيارات، وتوفر مجموعة من المزايا التي تجعلها مثالية لمختلف التطبيقات في العالم الحقيقي. فيما يلي المزايا الرئيسية:

  • السرعة والكفاءة: تعالج YOLO11 الصور بسرعة مع الحفاظ على دقة عالية، مما يجعلها مناسبة للمهام في الوقت الحقيقي مثل مراقبة الجودة والمركبات ذاتية القيادة.
  • دقة عالية: يتفوق هذا النموذج في اكتشاف الأجسام المتعددة وتجزئتها في صورة واحدة، مما يضمن تحديد أجزاء السيارة بدقة.
  • قابلية التوسع: يمكن أن يتعامل YOLO11 مع مجموعات البيانات الكبيرة ومهام التجزئة المعقدة، مما يجعله قابلاً للتطوير للتطبيقات الصناعية.
  • تكامل متعدد التكامل: يدعم Ultralytics عمليات التكامل مع منصات مثل Google Colab وUgl Colab وUltralytics Hub وغيرها من الأدوات الشائعة، مما يعزز المرونة وإمكانية الوصول للمطورين.

نصائح للعمل مع YOLO11 على Google Collab

على الرغم من أن Google Colab يجعل سير عمل التعلّم الآلي أسهل بكثير، إلا أنه قد يستغرق بعض الوقت للتعود عليه إذا كنت جديدًا عليه. قد يبدو التنقل في الإعدادات المستندة إلى السحابة، وإعدادات وقت التشغيل، وحدود الجلسات أمراً صعباً في البداية، ولكن هناك بعض النصائح التي يمكن أن تجعل الأمور أكثر سلاسة.

إليك بعض الاعتبارات التي يجب وضعها في الحسبان:

  • ابدأ بتمكين تسريع GPU في إعدادات وقت التشغيل لتسريع التدريب.
  • نظرًا لأن Colab يعمل في السحابة، تأكد من وجود اتصال إنترنت مستقر للوصول إلى الموارد مثل مجموعات البيانات والمستودعات.
  • نظم ملفاتك ومجموعات بياناتك في Google Drive أو GitHub لتسهيل تحميلها وإدارتها داخل Colab.
  • إذا واجهت قيودًا في الذاكرة على الطبقة المجانية من Colab، فحاول تقليل حجم الصورة أو حجم الدفعة أثناء التدريب.
  • تذكّر أن تحفظ نموذجك ونتائجك بانتظام، فجلسات Colab لها حدود زمنية، وأنت لا تريد أن تفقد تقدمك. 

حقق المزيد مع YOLO11

يجعل برنامج Ultralytics YOLO11، جنبًا إلى جنب مع منصات مثل Google Colab ومجموعات البيانات مثل مجموعة بيانات تجزئة Roboflow Carpartsation، تجزئة الصور مباشرةً وسهلة المنال. يتيح لك YOLO11، بفضل أدواته البديهية ونماذجه المدربة مسبقًا وإعداده السهل، الغوص في مهام الرؤية الحاسوبية المتقدمة بسهولة. 

سواء كنت تعمل على تحسين سلامة السيارات، أو تحسين التصنيع، أو إنشاء تطبيقات ذكاء اصطناعي مبتكرة، فإن هذه المجموعة توفر الأدوات التي تساعدك على النجاح. مع Ultralytics YOLO11، أنت لا تبني نماذج فحسب، بل تمهد الطريق لحلول أكثر ذكاءً وفعالية في العالم الحقيقي.

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

دعونا نبني المستقبل
للذكاء الاصطناعي معاً!

ابدأ رحلتك مع مستقبل التعلم الآلي

ابدأ مجاناً
تم نسخ الرابط إلى الحافظة