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

مرحبًا بكم في تدوينة جديدة نستكشف فيها قدرات نموذجي Ultralytics' YOLOv5 وYOLOv8 في اكتشاف الكائنات والتجزئة. سنشرح كيفية دمج هذه النماذج سهلة الاستخدام في مشاريعكم باستخدام بضعة أسطر من التعليمات البرمجية فحسب. سواء أكنتم مبتدئين أم مطورين ذوي خبرة، فسترون كيف تدعم Ultralytics نماذج متنوعة وبنى مختلفة، تشمل إصدارات YOLO المتعددة والنماذج القائمة على Transformer.

يشرح Nicolai Nielsen في الفيديو خطوات إعداد نماذج مختلفة ضمن إطار عمل Ultralytics واستخدامها. فلنستعرض العملية خطوة بخطوة ونرى كيف يمكنكم البدء باستخدام هذه الأدوات المذهلة.

البدء باستخدام نماذج Ultralytics#

تقدم Ultralytics إطار عمل شاملًا يدعم نماذج متعددة لاكتشاف الكائنات وتجزيئها. ويشمل ذلك نماذج YOLO الشائعة، بدءًا من YOLOv3 وصولًا إلى أحدث إصدار YOLOv8، فضلًا عن نماذج YOLO-NAS وSAM. صُممت هذه النماذج لتنفيذ مجموعة متنوعة من المهام، مثل الكشف والتجزئة وتقدير الوضعيات في الوقت الفعلي.

للبدء، تفضل بزيارة صفحة وثائق Ultralytics. ستجد فيها معلومات مفصلة عن كل نموذج، بما في ذلك ميزاته الأساسية وبنيته وكيفية استخدامه في نصوص Python البرمجية.

إعداد بيئتك#

أولًا، تأكد من تثبيت Ultralytics. يمكنك إجراء ذلك بتشغيل:

pip install ultralytics

بعد إتمام ذلك، يمكنك البدء باستخدام هذه النماذج في مشاريعك. لنبدأ بنموذج Ultralytics YOLOv8 مثالًا.

الميزات الرئيسية لـ Ultralytics YOLOv8#

يتضمن Ultralytics YOLOv8 تحسينات عديدة مقارنة بأسلافه. وقد صُمم ليكون أسرع وأكثر دقة، ما يجعله مثاليًا للتطبيقات الآنية. ومن أبرز ميزاته:

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

تشغيل Ultralytics YOLOv8 باستخدام Python#

إليك كيفية البدء باستخدام Ultralytics YOLOv8 في بضعة أسطر من التعليمات البرمجية فحسب:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("path/to/image.jpg")

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

الكشف المباشر باستخدام كاميرا الويب#

هل تريد مشاهدة Ultralytics YOLOv8 أثناء العمل على بث مباشر من كاميرا الويب؟ إليك كيفية إجراء ذلك:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨تشغيل الاستدلال على بث كاميرا الويب (source=0) وعرض النتائج⁩
results = model.predict(source=0, show=True)

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

الشكل 1. يشرح Nicolai Nielsen كيفية تشغيل نماذج Ultralytics لاكتشاف الكائنات وتجزيئها.

استكشاف نماذج أخرى#

لا تقتصر Ultralytics على YOLOv8، بل تدعم أيضًا نماذج أخرى متنوعة مثل YOLOv5 وYOLO-NAS والنماذج القائمة على Transformer للكشف في الوقت الفعلي. ولكل نموذج نقاط قوة واستخدامات خاصة به.

نماذج Transformer وكيفية تشغيلها#

يُعد نموذج RT-DETR، الذي طورته Baidu وتدعمه Ultralytics، كاشفًا للكائنات متطورًا يعمل من البداية إلى النهاية، ويوفر أداءً آنيًا ودقة عالية. ويستخدم عمودًا فقريًا قائمًا على الالتفاف ومُرمّزًا هجينًا فعالًا لتحقيق السرعة في الوقت الفعلي، ويتفوق عند استخدامه مع CUDA وTensorRT، كما يدعم الضبط المرن لسرعة الاستدلال.

إليك كيفية تشغيل نموذج RT-DETR:

from ultralytics import RTDETR

# ⁨تحميل نموذج RT-DETR-l مدرّب مسبقًا على COCO⁩
model = RTDETR("rtdetr-l.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("path/to/image.jpg")

نماذج Segment Anything#

تقدم Ultralytics أيضًا نماذج لمهام التجزئة، مثل MobileSAM وFastSAM. صُممت هذه النماذج لتجزئة كل ما يظهر في الصورة، وتوفير رؤى مفصلة عن المشهد.

تشغيل FastSAM#

جرى تحسين FastSAM للتجزئة في الوقت الفعلي، وإليك كيفية تشغيله:

from ultralytics import FastSAM

# ⁨أنشئ نموذج FastSAM⁩
model = FastSAM("FastSAM-s.pt")  # ⁨أو FastSAM-x.pt⁩

# ⁨تشغيل الاستدلال على صورة⁩
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#

من أبرز ميزات إطار عمل Ultralytics إمكانية مقارنة النماذج المختلفة جنبًا إلى جنب. ويمكنك بسهولة تحديد النموذج الأنسب لتطبيقك المحدد من خلال الاطلاع على مقاييس الأداء، مثل سرعة الاستدلال ومتوسط الدقة المتوسطة (mAP).

أهم النقاط#

يجعل Ultralytics تشغيل نماذج اكتشاف الأجسام وتجزئتها سهلًا للغاية، إذ لا يتطلب الأمر سوى بضعة أسطر من التعليمات البرمجية. سواء كنت تعمل على تطبيقات آنية أو تحتاج إلى نماذج عالية الدقة، فإن Ultralytics يقدم لك الحل المناسب. احرص على مشاهدة البرنامج التعليمي الكامل الذي أعده Nicolai Nielsen على قناة Ultralytics على YouTube للاطلاع على معلومات وأمثلة أكثر تفصيلًا.

ترقّبوا المزيد من البرامج التعليمية والتحديثات من مجتمع Ultralytics!