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

مرحبًا بكم في تدوينة أخرى نتعمق فيها في قدرات نماذج Ultralytics' YOLOv5 و YOLOv8 عندما يتعلق الأمر بـ الكشف عن الأشياء و التجزئة. سوف نستكشف كيفية دمج هذه النماذج سهلة الاستخدام في مشاريعك باستخدام بضعة أسطر فقط من الكود. سواء كنت مبتدئًا أو مطورًا ذا خبرة، ستكتشف كيف تدعم Ultralytics مجموعة متنوعة من النماذج والمعماريات، بما في ذلك إصدارات YOLO المختلفة والنماذج القائمة على Transformer.

في الفيديو الخاص به، يشرح لنا Nicolai Nielsen عملية إعداد واستخدام نماذج متنوعة داخل إطار عمل Ultralytics. دعنا نحلل العملية خطوة بخطوة ونرى كيف يمكنك البدء باستخدام هذه الأدوات الرائعة.

Link to this sectionالبدء باستخدام نماذج Ultralytics#

تقدم Ultralytics إطار عمل شامل يدعم نماذج متعددة للكشف عن الأشياء والتجزئة. وهذا يشمل نماذج YOLO الشهيرة، بدءًا من YOLOv3 وصولاً إلى أحدث إصدار YOLOv8، بالإضافة إلى نماذج YOLO-NAS و SAM. صُممت هذه النماذج للتعامل مع مجموعة متنوعة من المهام مثل الكشف في الوقت الفعلي، و التجزئة، و تقدير الوضعية.

للبدء، قم بزيارة صفحة توثيق Ultralytics. هنا، يمكنك العثور على معلومات تفصيلية حول كل نموذج، بما في ذلك ميزاته الرئيسية ومعمارياته وكيفية استخدامها في برامج Python الخاصة بك.

Link to this sectionإعداد 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 YOLOv8 كمثال.

Link to this sectionالميزات الرئيسية لـ YOLOv8#

يأتي YOLOv8 مع العديد من التحسينات مقارنةً بالإصدارات السابقة. لقد صُمم ليكون أسرع وأكثر دقة، مما يجعله مثاليًا للتطبيقات التي تعمل في الوقت الفعلي. تشمل الميزات الرئيسية ما يلي:

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

Link to this sectionتشغيل YOLOv8 باستخدام Python#

إليك كيفية البدء باستخدام YOLOv8 في بضعة أسطر فقط من الكود:

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 قمت للتو بتشغيل نموذج YOLOv8 على صورة. هذه البساطة هي ما يجعل نماذج Ultralytics قوية للغاية وسهلة الاستخدام.

Link to this sectionالكشف المباشر عبر كاميرا الويب#

هل ترغب في رؤية YOLOv8 يعمل على بث مباشر لكاميرا الويب؟ إليك 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)

سيقوم هذا البرنامج النصي بفتح كاميرا الويب الخاصة بك وتطبيق نموذج YOLOv8 للكشف عن الأشياء في الوقت الفعلي.

الشكل 1. Nicolai Nielsen يوضح كيفية تشغيل نماذج Ultralytics للكشف عن الأشياء والتجزئة.

Link to this sectionاستكشاف نماذج أخرى#

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

Link to this sectionنماذج 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")

Link to this sectionنماذج 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.

Link to this sectionتشغيل 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.

Link to this sectionالأداء 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).

Link to this sectionالنتائج 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 مجتمع Ultralytics!