تشغيل نماذج الكشف عن الكائنات وتجزئتها من Ultralytics في بضعة أسطر من التعليمات البرمجية

مرحبًا بكم في مدونة أخرى حيث سنتعمق في قدرات نماذج YOLOv5 من Ultralytics و YOLOv8 عندما يتعلق الأمر باكتشاف الكائنات و التجزئة. سنستكشف كيفية دمج هذه النماذج سهلة الاستخدام في مشاريعك ببضعة أسطر فقط من التعليمات البرمجية. سواء كنت مبتدئًا أو مطورًا متمرسًا، سترى كيف تدعم Ultralytics النماذج المختلفة والبنى، بما في ذلك إصدارات YOLO المختلفة والنماذج القائمة على المحولات. 

في الفيديو الخاص به، يشرح لنا Nicolai Nielsen عملية إعداد واستخدام نماذج مختلفة داخل إطار Ultralytics. دعنا نحلل الأمر خطوة بخطوة ونرى كيف يمكنك البدء بهذه الأدوات الرائعة.

البدء في استخدام نماذج Ultralytics

تقدم Ultralytics إطارًا شاملاً يدعم نماذج متعددة لاكتشاف الكائنات وتقسيمها. ويشمل ذلك نماذج YOLO الشائعة، بدءًا من YOLOv3 وحتى أحدث إصدار YOLOv8، بالإضافة إلى نماذج YOLO-NAS و SAM. تم تصميم هذه النماذج للتعامل مع مجموعة متنوعة من المهام مثل الاكتشاف في الوقت الفعلي، و التقسيم، و تقدير الوضعيات.

للبدء، قم بزيارة صفحة وثائق Ultralytics. هنا، يمكنك العثور على معلومات مفصلة حول كل نموذج، بما في ذلك ميزاته الرئيسية وهياكله وكيفية استخدامه في نصوص Python الخاصة بك.

إعداد بيئتك

أولاً، تأكد من تثبيت Ultralytics. يمكنك القيام بذلك عن طريق تشغيل:

bash

نسخ الكود

بمجرد الانتهاء من ذلك، يمكنك البدء في استخدام هذه النماذج في مشاريعك. لنبدأ بنموذج YOLOv8 كمثال.

الميزات الرئيسية لـ YOLOv8

يأتي YOLOv8 مع العديد من التحسينات مقارنة بالإصدارات السابقة. إنه مصمم ليكون أسرع وأكثر دقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي. تتضمن بعض الميزات الرئيسية ما يلي: 

• سرعة ودقة محسّنتان
• أوزان مُدرَّبة مسبقًا لمهام متعددة
• دعم الكشف عن الكائنات والتجزئة والتصنيف
• تحسين بنية النموذج لتحسين الأداء

تشغيل YOLOv8 في Python

إليك كيف يمكنك البدء بـ YOLOv8 في بضعة أسطر فقط من التعليمات البرمجية:

نسخ الكود

هذا كل شيء! لقد قمت للتو بتشغيل نموذج YOLOv8 على صورة. هذه البساطة هي ما يجعل نماذج Ultralytics قوية وسهلة الاستخدام.

الكشف المباشر عن طريق كاميرا الويب

هل تريد رؤية YOLOv8 أثناء العمل على بث مباشر لكاميرا الويب؟ إليك كيف يمكنك القيام بذلك:

بايثون

نسخ الكود

سيفتح هذا البرنامج النصي كاميرا الويب الخاصة بك ويطبق نموذج YOLOv8 لاكتشاف الكائنات في الوقت الفعلي.

استكشاف نماذج أخرى

لا تتوقف Ultralytics عند YOLOv8 فحسب. بل تدعم أيضًا نماذج أخرى متنوعة مثل YOLOv5 و YOLO-NAS والنماذج القائمة على المحولات للكشف في الوقت الفعلي. لكل نموذج نقاط قوته وحالات استخدامه الخاصة.

نماذج Transformer وكيفية تشغيلها

نموذج RT-DETR الذي طورته Baidu وتدعمه Ultralytics، هو أحدث كاشف للأجسام (object detector) شامل ومتكامل يوفر أداءً في الوقت الفعلي ودقة عالية. يستخدم هيكلًا أساسيًا (backbone) يعتمد على الشبكات الالتفافية (conv-based) ومشفرًا هجينًا فعالًا لسرعة في الوقت الفعلي، ويتفوق على CUDA مع TensorRT، ويدعم تعديل سرعة الاستدلال المرنة.

إليك كيفية تشغيل نموذج RT-DETR:

نسخ الكود

نماذج تقسيم أي شيء (Segment Anything Models)

تقدم Ultralytics أيضًا نماذج لمهام التجزئة، مثل MobileSAM وFastSAM. تم تصميم هذه النماذج لتقسيم كل شيء في الصورة، مما يوفر رؤى تفصيلية حول المشهد.

تشغيل FastSAM

تم تحسين FastSAM لتقسيم الوقت الفعلي، وإليك كيف يمكنك تشغيله:

نسخ الكود

هذا النموذج مثالي للتطبيقات التي تتطلب تجزئة سريعة ودقيقة.

الأداء والمقارنات

تتمثل إحدى الميزات الرائعة لإطار عمل Ultralytics في القدرة على مقارنة النماذج المختلفة جنبًا إلى جنب. يمكنك بسهولة تحديد النموذج الأفضل لتطبيقك المحدد من خلال النظر إلى مقاييس الأداء مثل سرعة الاستدلال ومتوسط الدقة (mAP).

النقاط الرئيسية

تجعل Ultralytics من السهل للغاية تشغيل نماذج اكتشاف الكائنات وتقسيمها ببضعة أسطر فقط من التعليمات البرمجية. سواء كنت تعمل على تطبيقات في الوقت الفعلي أو تحتاج إلى نماذج عالية الدقة، فإن Ultralytics لديها حل لك. تأكد من الاطلاع على البرنامج التعليمي الكامل لـ Nicolai Nielsen على قناة Ultralytics على YouTube للحصول على مزيد من المعلومات والأمثلة المتعمقة.

ترقبوا المزيد من الدروس والتحديثات من مجتمع Ultralytics!