تشغيل نماذج اكتشاف الكائنات والتقسيم من Ultralytics في بضعة أسطر من التعليمات البرمجية

مرحبًا بكم في منشور مدونة آخر سنغوص فيه في إمكانيات نماذج Ultralytics' YOLOv5 و YOLOv8 عندما يتعلق الأمر بـ object detection و segmentation. سنستكشف كيفية دمج هذه النماذج سهلة الاستخدام في مشاريعك بfrom سطرين برمجية قليلة. سواء كنت مبتدئًا أو مطورًا ذو خبرة، سترى كيف تدعم Ultralytics various models والهندسيات المعمارية، بما في ذلك إصدارات YOLO المختلفة والنماذج القائمة على Transformer.

في video الخاص به، يأخذنا Nicolai Nielsen خلال عملية إعداد واستخدام نماذج مختلفة داخل إطار عمل Ultralytics. دعونا نفصلها خطوة بخطوة ونرى كيف يمكنك البدء في استخدام هذه الأدوات الرائعة.

البدء باستخدام نماذج Ultralytics#

تقدم Ultralytics إطار عمل شامل يدعم نماذج كشف الكائنات والتجزئة متعددة. يتضمن ذلك نماذج YOLO الشائعة، بدءًا من YOLOv3 وصولاً إلى أحدث YOLOv8، بالإضافة إلى نماذج YOLO-NAS و SAM. تم تصميم هذه النماذج للتعامل مع مجموعة متنوعة من المهام مثل detection في الوقت الفعلي، و segmentation، و pose estimation.

للبدء، تفضل بزيارة Ultralytics documentation page. هنا، يمكنك العثور على معلومات مفصلة حول كل نموذج، بما في ذلك ميزاته الرئيسية والهندسة المعمارية وكيفية استخدامها في نصوص Python البرمجية الخاصة بك.

إعداد بيئة العمل الخاصة بك#

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

pip install ultralytics

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

الميزات الرئيسية لنموذج Ultralytics YOLOv8#

يأتي نموذج Ultralytics YOLOv8 بالعديد من التحسينات مقارنة بالإصدارات السابقة. فقد تم تصممميمه ليكون أسرع وأكثر دقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي. تتضمن بعض الميزات الرئيسية:

• سرعة ودقة محسنتان
• أوزان مدربة مسبقًا لمهام متعددة
• دعم الكشف عن الأشياء، والتجزئة، والتصنيف
• معمارية نموذج محسنة لأداء أفضل

تشغيل نموذج Ultralytics YOLOv8 باستخدام Python#

إليك كيف يمكنك البدء في استخدام نموذج Ultralytics YOLOv8 في بأسطر قليلة من الكود:

from ultralytics import YOLO

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

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

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

الكشف المباشر عبر كاميرا الويب#

هل تريد رؤية نموذج Ultralytics YOLOv8 قيد العمل على بث كاميرا ويب مباشر؟ إليك كيف يمكنك القيام بذلك:

from ultralytics import YOLO

# Load a pretrained Ultralytics 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)

سيقوم هذا البرنامج النصي بتشغيل كاميرا الويب الخاصة بك وتطبيق نموذج Ultralytics YOLOv8 لاكتشاف الكائنات في الوقت الفعلي.

الشكل 1. Nicolai Nielsen يوضح كيفية تشغيل نماذج كشف الكائنات والتجزئة من Ultralytics.

استكشاف نماذج أخرى#

لا تتوقف Ultralytics عند YOLOv8 فقط. فهي تدعم أيضًا other models مختلفة مثل YOLOv5 و YOLO-NAS والنماذج القائمة على Transformer للكشف في الوقت الفعلي. لكل نموذج نقاط قوته وحالات استخدامه الخاصة.

نماذج Transformer وكيفية تشغيلها#

نموذج RT-DETR الذي طورته Baidu وتدعمه Ultralytics، هو كاشف للأشياء متطور يعتمد على بنية شاملة (end-to-end)، ويوفر أداءً في الوقت الفعلي ودقة عالية. يستخدم العمود الفقري القائم على الشبكات التلافيفية (conv-based backbone) ومشفرًا هجينًا فعالاً من أجل السرعة في الوقت الفعلي، كما يتفوق على CUDA مع TensorRT، ويدعم التعديل المرن لسرعة الاستنتاج.

إليك 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 Segment Anything#

تقدم Ultralytics أيضًا نماذج لمهام التجزئة، مثل MobileSAM و FastSAM. صُممت هذه النماذج لتجزئة كل شيء في الصورة، مما يوفر رؤى مفصلة حول المشهد.

تشغيل FastSAM#

تم تحسين FastSAM للتجزئة في الوقت الفعلي، وإليك 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 تجزئة سريعة ودقيقة.

الأداء والمقارنات#

إحدى الميزات الرائعة لإطار عمل Ultralytics هي القدرة على مقارنة النماذج المختلفة جنبًا إلى جنب. يمكنك بسهولة تحديد النموذج الذي يعمل بشكل أفضل لتطبيقك الخاص من خلال النظر إلى مقاييس الأداء مثل سرعة الاستنتاج ومتوسط الدقة (mAP).

النتائج الرئيسية#

تجعل Ultralytics من السهل جدًا تشغيل نماذج الكشف عن الأشياء والتجزئة في بضعة أسطر فقط من الكود. سواء كنت تعمل على تطبيقات الوقت الفعلي أو تحتاج إلى نماذج عالية الدقة، فإن لدى Ultralytics الحل المناسب لك. تأكد من متابعة البرنامج التعليمي الكامل لـ Nicolai Nielsen على قناة Ultralytics على YouTube لمزيد من المعلومات والأمثلة المتعمقة.

ترقبوا المزيد من الدروس والتحديثات من community التابع لـ Ultralytics!