تتبع الأجسام

يعد تتبع الكائنات مهمة أساسية في الرؤية الحاسوبية (CV) التي تتضمن تحديد وتتبع كائن متحرك واحد أو أكثر عبر سلسلة من إطارات الفيديو. على عكس اكتشاف الكائنات، الذي يحدد مواقع الكائنات في صورة واحدة، يضيف تتبع الكائنات بُعدًا زمنيًا عن طريق تعيين معرف فريد لكل كائن والحفاظ على هويته أثناء تحركه أو تغير مظهره أو حجبه مؤقتًا. تتيح هذه الإمكانية فهمًا أعمق لسلوك الكائن وتفاعلاته وأنماط حركته بمرور الوقت، مما يجعلها حجر الزاوية في العديد من تطبيقات تحليل الفيديو الديناميكية.

كيفية عمل تتبع الأجسام

تبدأ عملية تتبع الكائنات عادةً باستخدام نموذج اكتشاف الكائنات لتحديد الكائنات وتحديد موقعها في الإطار الأول من الفيديو. يتم تعيين معرف تتبع فريد لكل كائن تم اكتشافه. في الإطارات اللاحقة، تتوقع خوارزمية التتبع المواضع الجديدة لهذه الكائنات وتحاول مطابقتها مع الكائنات المكتشفة حديثًا. تعتمد هذه العملية على تقنيات مختلفة:

• توقع الحركة: تُستخدم خوارزميات مثل مرشح كالمان (KF) لتقدير موقع الكائن المستقبلي بناءً على حالاته السابقة (الموقع والسرعة). يساعد هذا في تضييق نطاق البحث عن الكائن في الإطار التالي.
• مطابقة المظهر: يتضمن ذلك استخراج ميزات مميزة من كائن، مثل المدرجات التكرارية للألوان أو التضمينات المستندة إلى التعلم العميق. تخلق هذه الميزات توقيعًا فريدًا يساعد في إعادة تحديد الكائن حتى بعد الانسداد أو التغييرات الكبيرة في المظهر.
• تجميع البيانات: هذه هي الخطوة الحاسمة لمطابقة المسارات الموجودة بالاكتشافات الجديدة. تتعامل الخوارزميات مثل الخوارزمية الهنغارية أو الطرق الأكثر تقدمًا مثل ByteTrack و BoT-SORT مع هذا التجميع، حتى في السيناريوهات المعقدة التي تحتوي على العديد من الكائنات.

تتبع الكائنات مقابل اكتشاف الكائنات

في حين أنها وثيقة الصلة، فإن تتبع الكائنات واكتشاف الكائنات يخدمان أغراضًا مختلفة.

• اكتشاف الكائنات: هذه هي عملية تحديد وتصنيف الكائنات داخل صورة واحدة أو إطار فيديو. الناتج عبارة عن مجموعة من المربعات المحيطة وتصنيفات الفئات و درجات الثقة لكل كائن. تجيب على السؤال، "ما هي الكائنات الموجودة في هذا الإطار؟"
• تتبع الكائنات: يبني هذا على اكتشاف الكائنات. يأخذ الاكتشافات من كل إطار ويربطها عبر تسلسل الفيديو بأكمله، مع تعيين معرف دائم لكل كائن. يجيب على السؤال، "إلى أين يتجه هذا الكائن المحدد؟"

باختصار، يمكنك التفكير في اكتشاف الكائنات على أنه التقاط لقطات، بينما يقوم تتبع الكائنات بإنشاء قصة مستمرة لرحلة كل كائن عبر الفيديو. تدمج نماذج Ultralytics YOLO بسلاسة بين الاثنين، مما يسمح للمستخدمين بأداء تتبع متعدد الكائنات بكفاءة عالية ودقة.

تطبيقات واقعية

يعد تتبع الكائنات تقنية تحويلية لها تطبيقات عديدة في مختلف الصناعات.

• المراقبة والأمن الذكيان (Smart Surveillance and Security): في مجال الأمن، يُستخدم تتبع الكائنات لمراقبة الأشخاص والمركبات في الوقت الفعلي. يمكن تكوين النظام ليتبع تلقائيًا شخصًا يدخل منطقة محظورة، أو لتتبع مركبة مشبوهة في ساحة انتظار، أو لعد عدد الأشخاص الذين يدخلون ويخرجون من مبنى. يتيح ذلك التنبيهات الآلية والتحليل الجنائي دون إشراف بشري مستمر. على سبيل المثال، يمكن إنشاء نظام إنذار أمني ليتم تشغيله عند تتبع شخص ينتقل إلى منطقة محددة مسبقًا بعد ساعات العمل.
• المركبات ذاتية القيادة: بالنسبة للسيارات ذاتية القيادة، يعد تتبع المركبات الأخرى والمشاة وراكبي الدراجات أمرًا بالغ الأهمية للتنقل الآمن. من خلال تتبع الكائنات المحيطة، يمكن للمركبة التنبؤ بمساراتها، وفهم نواياها (على سبيل المثال، أحد المشاة على وشك عبور الشارع)، واتخاذ قرارات مستنيرة لتجنب الاصطدامات. يوفر هذا التتبع المستمر فهمًا أكثر ثراءً للبيئة من مجرد اكتشاف الإطارات المفردة.
• تحليل البيانات الرياضية: يستخدم المدربون والمحللون تتبع الأجسام لمراقبة تحركات اللاعبين في الملعب. من خلال تتبع كل لاعب، يمكنهم تحليل التشكيلات وقياس مقاييس الأداء مثل المسافة المقطوعة والسرعة، وتطوير استراتيجيات أفضل للعبة. يمكن دمج ذلك مع تقدير الوضعية لتحليل أسلوب اللاعب بالتفصيل.
• تحليلات البيع بالتجزئة: يستخدم تجار التجزئة التتبع لفهم سلوك العملاء في المتاجر. من خلال تحليل أنماط حركة الأقدام، وأوقات التوقف في الممرات المختلفة، والتفاعلات مع المنتجات، يمكن للشركات تحسين تصميمات المتاجر وتحسين تجربة العملاء. يمكن أيضًا استخدام هذا في إدارة قائمة الانتظار لتقليل أوقات الانتظار عند الخروج.

الأدوات والتنفيذ

أصبح تطبيق حلول تتبع الكائنات القوية أسهل من أي وقت مضى باستخدام الأدوات والأطر الحديثة.

• المكتبات والأطر: توفر مكتبات مثل OpenCV أدوات أساسية لمعالجة الفيديو وتتضمن العديد من خوارزميات التتبع الكلاسيكية. تُستخدم أطر التعلم العميق الحديثة مثل PyTorch و TensorFlow لبناء نماذج الكشف القوية التي تعمل بمثابة العمود الفقري للتتبع.
• نماذج Ultralytics YOLO: تبسّط Ultralytics تنفيذ التتبع عالي الأداء. تأتي نماذج مثل YOLO11 مزودة بإمكانات تتبع مدمجة ومحسّنة للغاية يمكن تمكينها بأمر بسيط. يتيح هذا التكامل للمطورين الاستفادة من أحدث الاكتشافات لمهام مثل تتبع الكائنات و تجزئة المثيلات وتتبع الوضع. يمكنك البدء بسرعة باتباع دليل تتبع الكائنات YOLO11.
• المنصات الشاملة: لإدارة دورة حياة تعلم الآلة بأكملها، بدءًا من توصيف البيانات وحتى نشر النماذج، تقدم منصات مثل Ultralytics HUB مجموعة شاملة من الأدوات. يؤدي هذا إلى تبسيط عملية تدريب النماذج المخصصة ونشرها في بيئات الإنتاج.