تقسيم الصور باستخدام نماذج Ultralytics YOLOv8 المدرّبة مسبقًا في Python

في هذه المقالة، سنتناول تقسيم الأجسام باستخدام نموذج Ultralytics YOLOv8، ونشرح إعداد التقسيم وتشغيله في Python.

تمهيد الطريق لتجزئة الصور#

لنبدأ باستخدام Ultralytics YOLOv8. لا يتطلب تثبيت حزمة Ultralytics سوى أمر واحد، وبعد ذلك يمكنك الاستفادة من إمكانات التقسيم في النموذج.

يتقدم تقسيم المثيلات خطوة على اكتشاف الأجسام، إذ يحدد الأجسام الفردية داخل الصورة ويفصلها عن الخلفية.

يتكون الناتج من أقنعة أو حدود ترسم محيط كل جسم، مصحوبة بتسميات الفئات ودرجات الثقة. وتفيد هذه التقنية عندما تكون الأشكال الدقيقة للأجسام ضرورية، إذ توفر معلومات عن موقع الجسم وتفاصيل عن هيئته أيضًا.

يمكنك تشغيل التنبؤات من سطر الأوامر باستخدام بضعة أوامر بسيطة.

التجزئة المباشرة: بث الحياة في الصور#

لا يقتصر التقسيم على الصور الثابتة. إذ يمكنك أيضًا تشغيله في الوقت الفعلي على بث فيديو مباشر باستخدام برنامج Python قصير.

يمكنك تقسيم إطارات كاميرا الويب وعرض النتائج أثناء معالجتها باستخدام فئة YOLO مع OpenCV.

يقسّم النموذج في الفيديو الأجسام اليومية، من الكراسي إلى النباتات.

الشكل 1. يشرح Nicolai Nielsen النماذج المدربة مسبقًا لتجزئة COCO.

نوفر في Ultralytics أيضًا دعمًا للنماذج المدرّبة مسبقًا لتقسيم COCO، التي تشكل نقطة انطلاق جيدة للعديد من حالات الاستخدام. ويمكنك بعد ذلك ضبط هذه النماذج بدقة لتلبية احتياجاتك الخاصة.

ندعم مجموعة متنوعة من مجموعات البيانات، مثل تجزئة مثيلات قطع السيارات وتجزئة الشقوق وتجزئة العبوات الصناعية. وأصبح تدريب نماذج التجزئة على مجموعات البيانات هذه سهلًا باستخدام أمر واحد متاح في وثائقنا:

yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

ترقبوا المزيد#

في مقاطع الفيديو القادمة، سنتعمق أكثر في Ultralytics YOLOv8، مع تناول التدريب المخصص والاستدلال على مجموعات البيانات الخاصة بك.

نلتزم بتسهيل استخدام الذكاء الاصطناعي والتعلم الآلي، مقطعًا تلو الآخر.

شاهد الفيديو كاملًا على YouTube.