ترخيص YOLO
Ultralytics YOLO

تقسيم الصور باستخدام Ultralytics YOLO في المشاهد الكثيفة: 1,000 قناع

في Ultralytics 8.4.213، يتنبأ YOLO26n-seg بـ 1,000 قناع ويلخصها على صورة اصطناعية بدقة 1080p خلال 56.4 ms على RTX PRO 6000، بعد أن كان ذلك يستغرق 821.2 ms.

Glenn JocherGlenn Jocher11 دقيقة قراءة
منظر علوي لرصيف مرسى، تظهر عليه أقنعة المثيلات من YOLO26x-seg فوق 74 قاربًا، بجانب بطاقة تقارن زمن التنبؤ بـ 1,000 قناع على صورة اصطناعية بدقة 1080p: ‏56.4 ms في Ultralytics 8.4.213 و821.2 ms في 8.4.212

يسرّع إصدار Ultralytics 8.4.213، الصادر في 14 نوفمبر 2026، تقسيم الصور باستخدام YOLO في المشاهد الكثيفة عبر فك تكدسات الأقنعة الكبيرة داخل مربعات الكشف. إذا كنت تقسّم صور الرفوف أو الطرود أو الحشود أو الصور الجوية، فربما بلغت النقطة التي يعثر عندها نموذج التقسيم على الأجسام، لكن خطوة الأقنعة اللاحقة تنفد فيها الموارد الزمنية أو الذاكرة؛ ويدفع هذا الإصدار تلك النقطة إلى مدى أبعد بكثير. في معيارنا على صورة اصطناعية بدقة 1080p ومقسمة إلى مربعات بكثافة، أعاد YOLO26n-seg ‏1,000 قناع مثيل كامل الدقة (retina_masks=True)، مع التنبؤ وملخص النتائج، في 56.4 ms وباستخدام 321 MiB من ذاكرة GPU القصوى على RTX PRO 6000، بعد أن كان ذلك يستغرق 821.2 ms ويستهلك 4,291 MiB في 8.4.212.

لم يتغير النموذج نفسه. ما تغير هو طريقة تحويل تقسيم YOLO لمخرجات النموذج إلى أقنعة: أصبح فك ترميز مجموعات الأقنعة الكبيرة يجري داخل مربع كل كائن بدلًا من إجرائه على الإطار بأكمله. في منصة Ultralytics، يعرض تبويب Predict وواجهة API ما يصل إلى 1,000 نتيجة لكل صورة. يشرح هذا المقال سبب ارتفاع تكلفة المشاهد الكثيفة، وما الذي يفعله 8.4.213 على نحو مختلف، والنتائج المقاسة، وكيفية تشغيل تنبؤات تتضمن 1,000 قناع بنفسك.

كانت المشاهد الكثيفة تستهلك موارد لمعالجة وحدات البكسل الواقعة خارج كل مربع#

يمنح تقسيم الكائنات إلى مثيلات كل كائن قناعه الخاص، وهو ما تحتاج إليه لقياس المساحة، أو قص الكائنات، أو تمييز العناصر المتلامسة بعضها عن بعض. يتنبأ نموذج YOLO للتقسيم بمجموعة صغيرة من الأقنعة النموذجية المشتركة، إلى جانب بضعة معاملات لكل كشف، ثم تدمج المعالجة اللاحقة هذه العناصر لتكوين قناع لكل كائن.

حتى الآن، كانت هذه الخطوة تنشئ كل قناع بحجم الإطار: بحجم الاستدلال للنموذج افتراضيًا، أو بحجم الصورة الأصلية باستخدام retina_masks=True أو تقسيم الصورة إلى مربعات. بالنسبة إلى N كائنات على إطار أبعاده H x W، كانت تخصص مجموعة بحجم N x H x W وتقصها وتفلترها وتمسحها، رغم أن كل قناع يساوي صفرًا في كل موضع خارج مربع الإحاطة الخاص به. في مشهد كثيف بدقة 1080p، تعادل المساحة الإجمالية لـ 1,000 مربع، مع احتساب التداخلات، نحو ضعفي مساحة الإطار، لكن المجموعة كانت تعادل 1,000 ضعف مساحة الإطار. كانت التكلفة تزداد مع max_det وحجم الصورة، بدلًا من أن ترتبط بعدد المربعات في الصورة.

منظر جوي لمرسى مزدحم، تظهر فيه أقنعة مثيلات YOLO26x-seg فوق القوارب الراسية

أعاد YOLO26x-seg عدد 127 قناعًا للقوارب في صورة المرسى هذه، مع عرضها بعد الاقتصاص (imgsz=1920، conf=0.25، max_det=1000، retina_masks=True). الصورة: Unsplash.

لهذا السبب، لم يكن رفع max_det عن قيمته الافتراضية البالغة 300 عمليًا في مهام التقسيم، ولذا قد تستنفد الصور الكبيرة ذات المثيلات الكثيرة الذاكرة. فالأرفف المكتظة في متاجر التجزئة مثل SKU-110K، وأكوام الطرود، والإطارات الجوية هي بالضبط المشاهد التي تحتاج فيها إلى إمكانية معالجة أكثر من 300 كائن.

يفك Ultralytics 8.4.213 ترميز مجموعات الأقنعة الكبيرة داخل كل مربع#

يقوم المسار الجديد، الوارد في PR #27197، باستيفاء قيم لوغيت الأقنعة النموذجية عند وحدات البكسل الموجودة داخل كل مربع فقط. ويستخدم أخذ عينات ثنائي الخطية قابلًا للفصل، وهو أسلوب أخذ العينات نفسه الذي يستخدمه الاستيفاء في PyTorch، كما يجمع المربعات المتقاربة في الحجم ضمن دفعات. أما في المجموعات الكبيرة، فأصبحت تكلفة فك الترميز تتناسب مع المساحة الإجمالية للمربعات.

ثمة ثلاث تفاصيل مهمة في الاستخدام العملي:

  • يُفعّل المسار عند تجاوز حجم ثابت لمجموعة الأقنعة. يستخدم متنبئ التقسيم الأقنعة المحلية للمربعات عندما تتجاوز المجموعة الكثيفة 33,554,432 بكسلًا على CUDA، أو 4,194,304 بكسل على CPU والأجهزة الأخرى. أما المجموعات الأصغر فتبقى على المسار الكثيف الحالي، الذي يضاهي السرعة أو يتفوق عليها عند وجود عدد قليل من الأقنعة.
  • في هذا المسار، تُستخرج الحدود مباشرةً من الأقنعة المحلية للمربعات. يتتبع masks.xy وmasks.xyn المضلعات لكل مربع، لذا لا تنشئ summary() وto_json() وsave_txt المجموعة الكاملة.
  • تنسيق المخرجات لم يتغير. يظل masks.data يعيد موترًا كثيفًا بأبعاد N x H x W. وفي المسار المحلي للمربعات، يُنشأ الموتر عند أول قراءة له.

ما زالت قراءة الموتر الكثيف تتطلب تخصيص ذاكرته، لكن قياسات PR أظهرت انخفاضًا في هذه التكلفة: على GPU، انخفضت قراءة masks.data لـ 300 قناع بدقة 1080p باستخدام retina_masks=True من 14.1 ms و1,366 MiB إلى 9.1 ms و795 MiB.

انخفض زمن معالجة 1,000 قناع بدقة 1080p على GPU من 821.2 ms إلى 56.4 ms#

تقيس PR أداء YOLO26n-seg عند تشغيل model.predict(...) كاملًا مع result.summary() (المربعات والمضلعات)، وتعرض وسيط القياسات في التشغيلات الدافئة، مع عملية واحدة لكل صف. المشاهد الكثيفة عبارة عن صورة اصطناعية مقسمة إلى مربعات عند conf=0.01 وimgsz=1280؛ أما المشهد النموذجي فهو bus.jpg القياسي بالإعدادات الافتراضية، ويتضمن 5 أقنعة. تشير «قبل» إلى الإصدار 8.4.212. تقيس هذه الأرقام عمليات تنبؤ وتلخيص تهيمن عليها المعالجة اللاحقة، ولا تمثل مقياسًا عامًا لسرعة الاستدلال.

المشهد (GPU، RTX PRO 6000)الأقنعةretina_masks8.4.2128.4.213
نموذجي (bus.jpg)5خطأ4.3 ms، 59 MiB4.4 ms، 59 MiB
1920 x 1080300خطأ118.5 ms، 1,673 MiB16.3 ms، 174 MiB
1920 x 1080300صحيح248.7 ms، 1,366 MiB18.0 ms، 201 MiB
1920 x 10801,000صحيح821.2 ms، 4,291 MiB56.4 ms، 321 MiB
4000 x 3000300صحيح1,352.1 ms، 7,070 MiB26.5 ms، 172 MiB
4000 x 30001,000صحيح4,323.1 ms، 23,305 MiB130.7 ms، 258 MiB

الزمن وذروة ذاكرة GPU، باستخدام PyTorch 2.15.0 مع CUDA 13.2. المصدر: PR #27197.

لم تتغير الصورة النموذجية ذات الأقنعة الخمسة، كما هو مقصود. تظهر المكاسب عندما تكبر المجموعة القديمة، وتكون أكبر ما يمكن مع الأقنعة بدقة الصورة الأصلية، التي كانت الحالة الأعلى تكلفة سابقًا.

تحتاج الصور الكبيرة إلى جزء ضئيل من الذاكرة#

عند دقة 4000 x 3000 بكسل مع 1,000 قناع متنبأ به، بلغ استخدام المسار القديم ذروته عند 23,305 MiB من ذاكرة GPU. أما المسار الجديد فبلغت ذروته 258 MiB، وأتم المعالجة في 130.7 ms بدلًا من 4,323.1 ms. يتيح هذا الانخفاض توفير مزيد من ذاكرة GPU لبقية مسار المعالجة عند العمل بإطارات طائرات مسيرة أو أقمار صناعية أو فحص بدقة 12 ميغابكسل.

منظر جوي لموقف سيارات كبير، تظهر فيه أقنعة مثيلات YOLO26x-seg فوق السيارات المتوقفة

أعاد YOLO26x-seg عدد 222 قناعًا للسيارات في هذا الإطار الجوي (imgsz=1920، conf=0.15، max_det=1000، retina_masks=True). الصورة: Unsplash.

تزداد سرعة التنبؤ على CPU كثيرًا أيضًا#

على CPU بنظام Linux x86 مع 8 خيوط، تستهلك العملية نحو 840 MiB قبل إنشاء أي أقنعة. عند دقة 1080p مع 1,000 قناع بدقة الصورة الأصلية، انخفضت ذروة ذاكرة العملية من 5,217 MiB إلى 1,072 MiB، وانخفض الزمن كما هو موضح أدناه.

300 و1,000 قناع بدقة 1920 x 1080، و300 قناع بدقة 4000 x 3000 (12MP). YOLO26n-seg، التنبؤ مع التلخيص، الإصدار 8.4.212 قبل التغيير و8.4.213 بعده. المصدر: PR #27197.

تطابق الأقنعة الإصدار 8.4.212، مع فروق طفيفة عند الحواف في أحد الأوضاع#

لا تكون فائدة المسار الأسرع حقيقية إلا إذا أعاد النتيجة نفسها. قارنت PR الإصدار 8.4.213 بالإصدار 8.4.212 في 96 تنبؤًا، باستخدام YOLO26n-seg وYOLO11n-seg على صورتين بستة أحجام، وconf بقيمتي 0.25 و0.01، وكلا وضعي الأقنعة، مع فرض استخدام المسار المحلي للمربعات:

  • الأقنعة الافتراضية (retina_masks=False): المربعات والأقنعة والمضلعات متطابقة؛ لم يختلف أي من أصل 7.6 مليون بكسل في الأقنعة.
  • الأقنعة بدقة الصورة الأصلية (retina_masks=True): تكون متطابقة عندما يجري الكود القديم الاستيفاء مرة واحدة. أما مع أشكال الصور الأخرى، فيختلف 0.07% من بكسلات الأقنعة (18,105 من أصل 24.8 مليونًا)، وتقع جميعها عند حواف الأقنعة، لأن الكود القديم كان يجري الاستيفاء مرتين في تلك الحالات، بينما يأخذ الكود الجديد عينة من الأقنعة النموذجية مرة واحدة عند الإحداثيات الدقيقة.
  • Apple MPS: الأقنعة والمربعات والمضلعات متطابقة في مشهد كثيف بدقة 1080p يتضمن 179 قناعًا، في كلا وضعي الأقنعة.

كيفية تقسيم 1,000 كائن في كل صورة باستخدام Python#

حدّث الحزمة باستخدام pip install -U ultralytics (الإصدار 8.4.213 أو أحدث)، ثم ارفع max_det عن قيمته الافتراضية البالغة 300. أما بقية الشيفرة فتبقى كما هي.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")  # ⁨فئات COCO؛ حمّل نموذجك المدرّب لتصنيف الأرفف أو الطرود⁩
results = model.predict("crowd.jpg", imgsz=1280, conf=0.25, max_det=1000, retina_masks=True)

r = results[0]
print(len(r.boxes), "objects")
if r.masks is not None:
    polygons = r.masks.xy  # ⁨مصفوفة واحدة بالشكل (P, 2) لكل كائن، بإحداثيات بكسلات الصورة الأصلية⁩
rows = r.summary()  # ⁨المربعات والمضلعات⁩

max_det حد أقصى، وليس هدفًا: فما يزال عدد الكائنات الناتجة يعتمد على النموذج والصورة وعتبة الثقة. للاستفادة القصوى من هذا التغيير:

  1. اقرأ الحدود كلما أمكنك ذلك. يُستخرج masks.xy (بالبكسل) وmasks.xyn (مطبّعًا) من الأقنعة المحلية للمربعات في مسار المجموعات الكبيرة، وكذلك to_json() وsave_txt. يسرد مرجع Results جميع السمات.
  2. اقرأ masks.data لإجراء العمليات الحسابية مباشرةً على وحدات البكسل. يكون حساب المساحات والتداخلات أبسط على الموتر الكثيف؛ ويمكن أيضًا إنشاء القصاصات من حدود masks.xy. يوضح درسنا في الأكاديمية حول استخدام الأقنعة في الشيفرة متى تستخدم كل عرض، كما يشرح دليل عزل الكائنات إنشاء القصاصات من الحدود.
  3. استخدم retina_masks=True عندما تحتاج إلى أقنعة بدقة الصورة الأصلية. في معيار GPU الذي يتضمن 300 قناع بدقة 1080p، تبلغ تكلفته الآن 18.0 ms، مقابل 16.3 ms للأقنعة الافتراضية. للتعامل مع الكائنات الصغيرة في الإطارات الكبيرة جدًا، اطّلع على مقالتنا عن اكتشاف الكائنات الصغيرة باستخدام تقسيم الصورة إلى مربعات ودليل تقسيم الصور عالية الدقة إلى مربعات. يعيد التنبؤ على الصور المقسمة إلى مربعات أقنعة بحجم الصورة الأصلية، لذا يظل تشغيل الصور المقسمة يتطلب ذاكرة تتناسب مع حجم الصورة الأصلية.
  4. اضبط conf وiou للمشاهد المكتظة. يؤدي رفع max_det إلى الإبقاء على مزيد من الكشوف التي تجتاز أصلًا conf؛ أما خفض conf فيسمح بقبول الكشوف الأقل ثقة. تتناول إعدادات predict الخيارات conf وiou وmax_det، ويشرح دليلنا عن عتبة NMS IoU كيفية التعامل مع الكائنات المتلامسة.

يُطبّق هذا التغيير في المعالجة اللاحقة باستخدام Python، لذا ينطبق على نموذج PyTorch وعلى النماذج المصدّرة التي تُشغّل عبر واجهة predict من Ultralytics. اختبرت PR النموذجين YOLO26n-seg وYOLO11n-seg، وتُستخدم المعالجة اللاحقة نفسها مع جميع نماذج التقسيم YOLO26 وYOLO11، بدءًا من YOLO26n-seg ذي 2.7M من المعاملات بعد الدمج، وصولًا إلى YOLO26x-seg ذي 62.8M. لتدريب نموذج على بياناتك الكثيفة، اتبع دليلنا حول التدريب المخصص لـ YOLO26 لتقسيم الكائنات إلى مثيلات.

تعرض منصة Ultralytics الآن ما يصل إلى 1,000 نتيجة لكل صورة#

ينطبق الحد نفسه الآن في منصة Ultralytics. يعرض تبويب Predict في النموذج ما يصل إلى 1,000 نتيجة لكل صورة، وكذلك REST API الذي يقف وراءه. أما نماذج RT-DETR فتقتصر على 300، وهو عدد الاستعلامات في وحدة فك الترميز الخاصة بها.

لوحة نتائج تبويب Predict في منصة Ultralytics لنموذج YOLO26x-seg، تعرض 97 كشفًا لسيارات مع إحصاءات السرعة

تبويب Predict لنموذج YOLO26x-seg عند حجم صورة 1280، يعرض 97 كشفًا لسيارات في الصورة الجوية أعلاه. تتناول وثائق الاستدلال في Platform اللوحة بالتفصيل.

صُممت لوحة النتائج لعرض القوائم الطويلة. عندما يتجاوز عدد النتائج 10، تعرض الصورة المربعات من دون تسميات حتى لا تحجب الكائنات، وتسمّي القائمة كل نتيجة، بينما تحتفظ الصورة المكبرة بالتسميات. مرّر المؤشر فوق صف لإبراز الكائن المقابل له، أو فوق كائن للعثور على صفه.

لتجربة ذلك على بياناتك، ابدأ باستخدام مجموعة بيانات تقسيم الطرود Package-Seg، ودرّب النموذج سحابيًا، ثم شغّل النتيجة في تبويب Predict أو عبر نقطة نهاية مخصصة.

مجموعة بيانات Package-Seg على منصة Ultralytics، تعرض طرودًا بأقنعة مضلعية

مجموعة بيانات Package-Seg على منصة Ultralytics، نقطة انطلاق جاهزة لتقسيم الطرود في قطاع الخدمات اللوجستية.

من ينبغي له الترقية#

قم بالترقية الآن إذا كنت تقسّم مشاهد مكتظة أو صورًا كبيرة: أرفف متاجر التجزئة، أو فرز الطرود، أو المسح الجوي وبالطائرات المسيّرة، أو المجهر الخلوي، أو أي حالة اضطررت فيها إلى تحديد max_det، أو خفض حجم الصورة، أو تقليل retina_masks لتجنب تجاوز سعة الذاكرة. يمكنك الآن إعادة النظر في هذه الحلول الالتفافية.

إذا بقيت مجموعات الأقنعة دون العتبة، فستظل تستخدم المسار الكثيف الحالي؛ لكن تجدر الإشارة إلى أن العتبة تحتسب عدد الكائنات مضروبًا في حجم الصورة، لذا قد تتجاوزها حتى بضعة أقنعة في صورة كبيرة جدًا. وإذا كان مسار المعالجة لديك يقرأ دائمًا masks.data، فسيظل ينشئ الموتر الكثيف؛ لكن اختبار PR الذي يتضمن 300 قناع بدقة 1080p على GPU استغرق وقتًا وذاكرة أقل من السابق. ولمراجعة حاجتك إلى أقنعة المثيلات أصلًا، اطّلع على التقسيم الدلالي مقابل تقسيم الكائنات إلى مثيلات.

الأسئلة الشائعة

  • تقسيم YOLO هو مهمة تقسيم الكائنات إلى مثيلات في Ultralytics YOLO: يعيد النموذج لكل كائن فئةً ومربعًا ودرجة ثقة وقناعًا بكسليًا. تتوفر نماذج YOLO26 للتقسيم بخمسة أحجام، من YOLO26n-seg إلى YOLO26x-seg، وهي مدرّبة مسبقًا على فئات COCO الثمانين وجاهزة لضبطها الدقيق على بياناتك.

  • يحدد max_det الحد الأقصى، وهو 300 افتراضيًا؛ كما يعتمد عدد النتائج على النموذج والصورة وعتبة الثقة. منذ الإصدار 8.4.213، أصبح اعتماد حد أقصى قدره 1,000 عمليًا لأعباء العمل المشابهة للاختبار المعياري: ففي صورة اصطناعية بدقة 1080p، تنبأ YOLO26n-seg بـ 1,000 قناع بدقة الصورة الأصلية ولخّصها في 56.4 ms، مع ذروة ذاكرة قدرها 321 MiB على RTX PRO 6000. تعرض منصة Ultralytics ما يصل إلى 1,000 نتيجة لكل صورة.

  • كانت الإصدارات السابقة تنشئ كل قناع بحجم الإطار، لذا كانت الذاكرة تزداد بنسبة عدد الكائنات إلى مساحة الإطار. في الاختبار الاصطناعي بدقة 4000 x 3000 مع 1,000 قناع بدقة الصورة الأصلية، بلغت ذروة الاستخدام 23,305 MiB من ذاكرة GPU. أما الإصدار 8.4.213 فيفك ترميز المجموعات الكبيرة داخل كل مربع، وبلغت ذروة استخدامه 258 MiB للحالة نفسها.

  • حدّث إلى ultralytics بالإصدار 8.4.213 أو أحدث؛ فلا حاجة إلى أي تغيير آخر في الشيفرة، لأن المسار المحلي للمربعات يُفعّل تلقائيًا مع مجموعات الأقنعة الكبيرة. يحتفظ masks.data بالتنسيق الكثيف نفسه، لذا ستواصل الشيفرة الحالية عملها؛ وتجنّب قراءة masks.xy أو استدعاء summary() إنشاء الموتر على هذا المسار.

  • يعيد retina_masks=True الأقنعة بدقة الصورة الأصلية بدلًا من حجم استدلال النموذج، ما يجعل القناع الكثيف متوافقًا مع الصورة الأصلية. عند استخدام 300 قناع في صورة اصطناعية بدقة 1080p، استغرق التنبؤ مع التلخيص باستخدام YOLO26n-seg على RTX PRO 6000 مدة 248.7 ms في الإصدار 8.4.212، و18.0 ms في الإصدار 8.4.213 مع تفعيل هذا الإعداد.

بقلم

Glenn Jocher
Glenn Jocher

المؤسس والرئيس التنفيذي · Ultralytics

غلين جوشر هو مؤسس Ultralytics ورئيسها التنفيذي، حيث يقود تطوير Ultralytics YOLO، نماذج الرؤية الحاسوبية الأكثر اعتمادًا في العالم. لا يقتصر عمله على بناء نماذج أسرع وأكثر دقة؛ بل يتمحور حول تمكين الناس في كل مكان من حل مشكلات مهمة باستخدام الذكاء الاصطناعي للرؤية.

التعليقات

اطرح سؤالًا، أو شارك نتائجك، أو ساعد شخصًا آخر.

استكشف الحلول

الرؤية الحاسوبية في الرياضة

الرؤية الحاسوبية في الرياضة

اكتشف كيف يعزّز Ultralytics YOLO الرؤية الحاسوبية الرياضية عبر تتبّع اللاعبين والكرة، وتحليلات الأداء، ورؤى التدريب، وإعادة تأهيل الرياضيين.
معرفة المزيد
الرؤية الحاسوبية للصور الجوية

الرؤية الحاسوبية للصور الجوية

حوّل صور الطائرات المسيّرة والصور الجوية إلى رؤى آنية للزراعة وتربية الأحياء المائية والحفاظ على البيئة والتحليل الجغرافي المكاني باستخدام Ultralytics YOLO.
معرفة المزيد
الرؤية الحاسوبية في قطاع الطيران والفضاء

الرؤية الحاسوبية في قطاع الطيران والفضاء

طبّق الرؤية الحاسوبية في مجال الطيران والفضاء باستخدام Ultralytics YOLO لفحص الطائرات، واكتشاف الأجسام الغريبة على المدارج (FOD)، والعمليات الأرضية في المطارات، واكتشاف عيوب المواد المركّبة.
معرفة المزيد
الرؤية الحاسوبية في مجال الأمن

الرؤية الحاسوبية في مجال الأمن

احمِ كل موقع باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري مراقبة المحيط، واكتشاف التهديدات، والتعرف على لوحات المركبات، والسلامة في مكان العمل.
معرفة المزيد
الرؤية الحاسوبية في الروبوتات

الرؤية الحاسوبية في الروبوتات

عزّز أداء الآلات الذكية باستخدام نماذج Ultralytics YOLO. يدعم الذكاء الاصطناعي البصري في الروبوتات الملاحة الذاتية والإدراك وتعقب الأجسام والتحكم الآني.
معرفة المزيد
الرؤية الحاسوبية في الخدمات اللوجستية

الرؤية الحاسوبية في الخدمات اللوجستية

بسّط العمليات اللوجستية باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري فحص الطرود وفرزها وتتبع المركبات ومراقبة سلامة المستودعات في الوقت الفعلي.
معرفة المزيد
الرؤية الحاسوبية في تجارة التجزئة

الرؤية الحاسوبية في تجارة التجزئة

أعِد تصور تجارة التجزئة باستخدام نماذج Ultralytics YOLO. يتيح الذكاء الاصطناعي البصري تتبع المخزون ومراقبة الرفوف وإدارة الطوابير واستخلاص رؤى أذكى عن العملاء.
معرفة المزيد
الرؤية الحاسوبية في الرعاية الصحية

الرؤية الحاسوبية في الرعاية الصحية

أنشئ حلولًا للرعاية الصحية باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي البصري في الرعاية الصحية سرعة التصوير الطبي، وكفاءة التشخيص، ومراقبة المرضى.
معرفة المزيد
الرؤية الحاسوبية في التصنيع

الرؤية الحاسوبية في التصنيع

حسّن التصنيع باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية مراقبة الجودة واكتشاف العيوب والالتزام بمعدات الوقاية الشخصية وأتمتة خطوط التجميع.
معرفة المزيد
الرؤية الحاسوبية في قطاع السيارات

الرؤية الحاسوبية في قطاع السيارات

طبّق الرؤية الحاسوبية في قطاع السيارات باستخدام نماذج Ultralytics YOLO. يعزز الذكاء الاصطناعي للرؤية سلامة الطرق ومساعدة السائق وأتمتة المركبات لإنشاء طرق أكثر ذكاءً.
معرفة المزيد
الرؤية الحاسوبية في الزراعة

الرؤية الحاسوبية في الزراعة

أدخل الذكاء الاصطناعي البصري إلى الزراعة الذكية باستخدام نماذج Ultralytics YOLO. عزّز مراقبة المحاصيل وتتبع الماشية والزراعة الدقيقة لزيادة الإنتاجية وتحسينها.
معرفة المزيد

لنبنِ مستقبل الذكاء الاصطناعي معًا!

ابدأ رحلتك نحو مستقبل تعلّم الآلة