استكشف الواقع المدمج (MR) وكيف يدمج بين العالمين المادي والرقمي. تعرف على كيفية قيام Ultralytics بتعزيز الواقع المدمج من خلال الكشف عن الكائنات وتقسيمها في الوقت الفعلي.
الواقع المدمج (MR)، المعروف أيضًا باسم الواقع المختلط، يصف التقارب بين العالم المادي و المحتوى الرقمي الذي تم إنشاؤه بواسطة الكمبيوتر. على عكس البيئات الافتراضية أو المعززة بشكل صارم، يخلق الواقع المدمج مساحة سلسة حيث تتعايش الكائنات المادية والرقمية وتتفاعل في الوقت الفعلي. تعتمد هذه التكنولوجيا بشكل كبير على الرؤية الحاسوبية المتقدمة والحوسبة المكانية لتخطيط بيئة العالم الحقيقي بدقة، مما يسمح بتثبيت العناصر الرقمية على الأسطح المادية والاستجابة للتغيرات المادية. من خلال الاستفادة من أجهزة الاستشعار والكاميرات وخوارزميات التعلم العميق، يمكن لأنظمة الواقع المدمج فهم العمق والهندسة والإضاءة، مما يخلق تجارب غامرة تبدو ملموسة ومتجذرة في المحيط الفعلي للمستخدم.
يرتبط تطور الواقع المدمج ارتباطًا وثيقًا بالتقدم في مجال الذكاء الاصطناعي. لكي ينجح دمج العالمين الرقمي والمادي، يجب أن يتمتع النظام بفهم متطور للبيئة. وهنا تصبح مهام الإدراك البصري بالغة الأهمية. تسمح تقنيات مثل اكتشاف الأجسام للنظام بالتعرف على الأثاث أو الأشخاص، بينما تتيح تقنية SLAM (التحديد المتزامن للموقع ورسم الخرائط) للجهاز track بالنسبة لتلك الأجسام.
تستخدم تطبيقات الواقع المعزز الحديثة نماذج التعلم العميق لمعالجة البيانات الحسية المعقدة على الفور. على سبيل المثال، يتم استخدام تقدير الوضع track حركات track للتحكم بالإيماءات، مما يلغي الحاجة إلى أجهزة التحكم المادية. علاوة على ذلك، تساعد التجزئة الدلالية النظام على التمييز بين الأرضية والجدار والطاولة، مما يضمن أن الشخصية الرقمية تمشي على الأرضية بدلاً من الطيران عبر الطاولة.
الواقع المدمج يغير الصناعات من خلال تحسين الإنتاجية والتدريب بواسطة محاكاة غامرة.
من المهم التمييز بين الواقع المدمج والمفاهيم ذات الصلة في نطاق "XR" (الواقع الممتد):
لبناء مكون أساسي لنظام الواقع المختلط، مثل اكتشاف الأسطح أو الأشياء لتثبيت المحتوى الرقمي، غالبًا ما يستخدم المطورون نماذج اكتشاف عالية السرعة. نموذج Ultralytics مناسب بشكل خاص لهذا الغرض نظرًا لزمن الاستجابة المنخفض والدقة العالية، وهما عاملان أساسيان للحفاظ على وهم الواقع.
يوضح المثال التالي كيفية إجراء تقسيم المثيلات على دفق فيديو. في سياق MR، يمكن أن يحدد هذا القناع على مستوى البكسل المنطقة "القابلة للمشي" لشخصية رقمية.
from ultralytics import YOLO
# Load the YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")
# Predict on a video source to identify physical objects and their boundaries
# This data helps anchor digital assets to real-world objects
results = model.predict(source="room_scan.mp4", show=True, stream=True)
for result in results:
# Process masks to determine occlusion or physics interactions
if result.masks:
print(f"Detected {len(result.masks)} physical segments for interaction.")
مع خفة الأجهزة وتحسن قدرات الحوسبة المتطورة ، من المتوقع أن تصبح MR منتشرة في كل مكان. من المرجح أن يتيح دمج الذكاء الاصطناعي التوليدي لبيئات الواقع المختلط أن تملأ نفسها ديناميكيًا، مما يؤدي إلى إنشاء توائم رقمية للمساحات الواقعية تلقائيًا. باستخدام أدوات مثل Ultralytics يمكن للمطورين تدريب النماذج المخصصة بسهولة على التعرف على كائنات معينة داخل هذه البيئات المدمجة، مما يوسع حدود طريقة تفاعلنا مع المعلومات في الفضاء ثلاثي الأبعاد.
.webp)