Object Detection
استكشف أساسيات كشف الكائنات. تعلم كيف يقوم Ultralytics YOLO26 بتحديد وتحديد مواقع الكائنات في الوقت الفعلي بسرعة ودقة لا تضاهى.
يعد كشف الأجسام تقنية محورية في مجال رؤية الحاسوب (CV) التي تسمح لأنظمة الحاسوب بتحديد وتعيين مواقع عناصر محددة ضمن البيانات المرئية. وخلافاً لمهام تصنيف الصور الأبسط، التي تعين تسمية واحدة للصورة بأكملها، يوفر كشف الأجسام فهماً دقيقاً من خلال التنبؤ في آن واحد بفئة الجسم (مثل "شخص"، "سيارة"، "كلب") وموقعه المكاني. يتم تمثيل هذا الموقع عادةً بواسطة مربع إحاطة مستطيل يحيط بالجسم، مصحوباً بـ درجة ثقة تشير إلى مدى يقين النموذج. هذه القدرة المزدوجة—التعرف وتحديد الموقع—تعمل كركيزة حسية لتطبيقات الذكاء الاصطناعي (AI) الحديثة، مما يمكن الآلات من التفاعل بشكل هادف مع بيئتها.
Link to this sectionآليات الكشف#
تعتمد الكواشف الحديثة بشكل كبير على بنيات التعلم العميق (DL)، وتحديداً الشبكات العصبية التلافيفية (CNNs)، لاستخراج ميزات معقدة من صور الإدخال. تبدأ العملية بـ مرحلة التدريب، حيث يتعلم النموذج التعرف على الأنماط باستخدام مجموعات بيانات ضخمة ومصنفة مثل مجموعة بيانات COCO. خلال هذه المرحلة، تعمل الخوارزمية على تحسين أوزان النموذج لتقليل أخطاء التنبؤ.
When the model is deployed for inference, it scans new images to propose potential objects. Advanced algorithms then apply Non-Maximum Suppression (NMS) to filter out duplicate detections, ensuring that each distinct entity is highlighted only once. The accuracy of these predictions is often evaluated using the Intersection over Union (IoU) metric, which measures the overlap between the predicted box and the ground truth. Recent advancements have led to end-to-end architectures like YOLO26, which streamline this pipeline for exceptional speed and real-time inference capabilities on edge devices.
Link to this sectionتمييز المصطلحات الرئيسية#
من الضروري التمييز بين كشف الأجسام والمفاهيم ذات الصلة لاختيار الأداة المناسبة للمشروع:
- كشف الأجسام مقابل تصنيف الصور: بينما تجيب تصنيف الصور على سؤال "ما الموجود في هذه الصورة؟"، يجيب كشف الأجسام على سؤال "ماذا يوجد وأين؟".
- كشف الأجسام مقابل تجزئة الأنسجة: يرسم الكشف مربعاً حول عنصر ما. في المقابل، تحدد تجزئة الأنسجة الخطوط العريضة الدقيقة (القناع) لكل جسم على مستوى البكسل.
- كشف الأجسام مقابل تتبع الأجسام: يجد الكشف الأجسام في إطار واحد. يربط تتبع الأجسام هذه الكشوفات عبر تسلسل فيديو لمراقبة الحركة بمرور الوقت.
Link to this sectionتطبيقات العالم الحقيقي#
تدفع تعددية استخدامات كشف الأجسام الابتكار عبر الصناعات الرئيسية. في قطاع السيارات، يعتمد الذكاء الاصطناعي في المركبات ذاتية القيادة بشكل أساسي على نماذج الكشف لتحديد المشاة وإشارات المرور والمركبات الأخرى بشكل فوري للتنقل بأمان. من خلال معالجة تغذيات الفيديو من الكاميرات الموجودة على متن المركبة، تتخذ هذه الأنظمة قرارات في أجزاء من الثانية تمنع الحوادث.
حالة استخدام بارزة أخرى توجد في الذكاء الاصطناعي في قطاع التجزئة. تستخدم أنظمة الدفع الآلي وروبوتات إدارة المخزون الذكية كشف الأجسام لمسح الأرفف، والتعرف على المنتجات، واكتشاف نقص المخزون أو العناصر الموضوعة في غير مكانها. تعمل هذه الأتمتة على تبسيط سلاسل التوريد وتحسين تجربة العملاء من خلال ضمان توفر المنتجات دائماً.
Link to this sectionتنفيذ كشف الأجسام#
Developers can easily implement detection workflows using the ultralytics Python package. The following example demonstrates how to load a pre-trained YOLO26 model and perform inference on an image.
from ultralytics import YOLO
# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")
# Run inference on an image from a URL
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results with bounding boxes
results[0].show()بالنسبة للفرق التي تتطلع إلى توسيع نطاق عملياتها، توفر منصة Ultralytics بيئة شاملة لتعليق البيانات، وتدريب النماذج المخصصة في السحابة، ونشرها بتنسيقات متنوعة مثل ONNX أو TensorRT. إن استخدام مثل هذه المنصات يبسط دورة حياة MLOps، مما يسمح للمهندسين بالتركيز على تحسين تطبيقاتهم بدلاً من إدارة البنية التحتية.
