تشغيل نماذج Ultralytics لاكتشاف الأجسام وتقسيمها باستخدام بضعة أسطر من التعليمات البرمجية

مرحبًا بكم في تدوينة أخرى نغوص فيها في إمكانات نماذج Ultralytics' YOLOv5 وYOLOv8 عندما يتعلق الأمر بـاكتشاف الكائنات والتقسيم. سنستكشف كيفية دمج هذه النماذج سهلة الاستخدام في مشاريعكم باستخدام بضعة أسطر من التعليمات البرمجية فقط. سواء كنتم مبتدئين أم مطورين ذوي خبرة، سترون كيف تدعم Ultralytics نماذج متنوعة وبنى مختلفة، بما في ذلك إصدارات YOLO المتعددة والنماذج القائمة على Transformer.

في الفيديو، يصطحبنا Nicolai Nielsen خلال عملية إعداد نماذج متنوعة واستخدامها ضمن إطار عمل Ultralytics. لنفكك العملية خطوةً بخطوة ونرَ كيف يمكنكم البدء باستخدام هذه الأدوات المذهلة.

البدء باستخدام نماذج Ultralytics#

توفر Ultralytics إطار عمل شاملًا يدعم نماذج متعددة لاكتشاف الكائنات وتقسيمها. ويشمل ذلك نماذج YOLO الشائعة، بدءًا من YOLOv3 ووصولًا إلى أحدث إصدار YOLOv8، بالإضافة إلى نماذج YOLO-NAS وSAM. صُممت هذه النماذج للتعامل مع مجموعة متنوعة من المهام، مثل الاكتشاف في الوقت الفعلي، والتقسيم، وتقدير الوضعية.

للبدء، تفضلوا بزيارة صفحة توثيق Ultralytics. ستجدون هنا معلومات تفصيلية عن كل نموذج، بما في ذلك ميزاته الرئيسية وبنيته وكيفية استخدامه في نصوص Python البرمجية.

إعداد بيئتكم#

أولًا، تأكدوا من تثبيت Ultralytics. يمكنكم إجراء ذلك بتشغيل:

pip install ultralytics

بعد إتمام ذلك، يمكنكم البدء باستخدام هذه النماذج في مشاريعكم. لنبدأ بنموذج Ultralytics YOLOv8 كمثال.

الميزات الرئيسية في Ultralytics YOLOv8#

يأتي Ultralytics YOLOv8 مع العديد من التحسينات مقارنةً بأسلافه. وقد صُمم ليكون أسرع وأكثر دقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي. تشمل بعض الميزات الرئيسية ما يلي:

• تحسين السرعة والدقة
• أوزان مدرّبة مسبقًا لمهام متعددة
• دعم اكتشاف الكائنات والتقسيم والتصنيف
• بنية نموذج محسّنة لتحقيق أداء أفضل

تشغيل Ultralytics YOLOv8 في Python#

إليكم كيفية البدء باستخدام Ultralytics YOLOv8 في بضعة أسطر من التعليمات البرمجية فقط:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

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

الاكتشاف عبر كاميرا الويب المباشرة#

هل تريدون رؤية Ultralytics YOLOv8 أثناء العمل على بث مباشر من كاميرا الويب؟ إليكم كيفية القيام بذلك:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

سيفتح هذا النص البرمجي كاميرا الويب لديكم ويطبّق نموذج Ultralytics YOLOv8 لاكتشاف الكائنات في الوقت الفعلي.

الشكل 1. يوضح Nicolai Nielsen كيفية تشغيل نماذج Ultralytics لاكتشاف الكائنات وتقسيمها.

استكشاف نماذج أخرى#

لا تقتصر Ultralytics على YOLOv8 فحسب، بل تدعم أيضًا نماذج أخرى متنوعة، مثل YOLOv5 وYOLO-NAS والنماذج القائمة على Transformer للاكتشاف في الوقت الفعلي. ويتمتع كل نموذج بنقاط قوة وحالات استخدام خاصة به.

نماذج Transformer وكيفية تشغيلها#

نموذج RT-DETR، الذي طورته Baidu وتدعمه Ultralytics، هو كاشف متطور للكائنات من طرف إلى طرف، يوفر أداءً في الوقت الفعلي ودقة عالية. ويستخدم بنية أساسية قائمة على الالتفاف ومرمّزًا هجينًا فعالًا لتحقيق سرعة في الوقت الفعلي، ويتفوق عند استخدام CUDA مع TensorRT، كما يدعم ضبط سرعة الاستدلال بمرونة.

إليكم كيفية تشغيل نموذج RT-DETR:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

نماذج تقسيم أي شيء#

توفر Ultralytics أيضًا نماذج لمهام التقسيم، مثل MobileSAM وFastSAM. وقد صُممت هذه النماذج لتقسيم كل ما يظهر في الصورة، وتوفير رؤى تفصيلية حول المشهد.

تشغيل FastSAM#

جرى تحسين FastSAM للتقسيم في الوقت الفعلي، وإليكم كيفية تشغيله:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

هذا النموذج مثالي للتطبيقات التي تتطلب تقسيمًا سريعًا ودقيقًا.

الأداء والمقارنات#

من الميزات الرائعة في إطار عمل Ultralytics إمكانية مقارنة النماذج المختلفة جنبًا إلى جنب. ويمكنكم بسهولة تحديد النموذج الأنسب لتطبيقكم المحدد من خلال النظر في مقاييس الأداء، مثل سرعة الاستدلال ومتوسط الدقة (mAP).

أهم الاستنتاجات#

تجعل Ultralytics تشغيل نماذج اكتشاف الكائنات وتقسيمها أمرًا سهلًا للغاية، وذلك باستخدام بضعة أسطر من التعليمات البرمجية فقط. سواء كنتم تعملون على تطبيقات في الوقت الفعلي أم تحتاجون إلى نماذج عالية الدقة، فلدى Ultralytics حل مناسب لكم. احرصوا على مشاهدة البرنامج التعليمي الكامل الذي يقدمه Nicolai Nielsen على قناة Ultralytics في YouTube للحصول على مزيد من المعلومات والأمثلة المتعمقة.

ترقبوا المزيد من البرامج التعليمية والتحديثات من مجتمع Ultralytics!