الشيك الأخضر
تم نسخ الرابط إلى الحافظة

استخراج المخرجات من Ultralytics YOLOv8

اكتشف كيفية تحسين مشاريع الرؤية الحاسوبية الخاصة بك باستخدام Ultralytics YOLOv8 . يهدف هذا الدليل إلى تغطية جميع الأمور YOLOv8 من الإعداد إلى استخراج النتائج والتنفيذ العملي.

في مجال الرؤية الحاسوبية المتغير باستمرار, Ultralytics YOLOv8 يبرز كنموذج من الدرجة الأولى لمهام مثل اكتشاف الأجسام وتجزئتها وتتبعها. سواءً كنت مطورًا متمرسًا أو مبتدئًا في مجال الذكاء الاصطناعي، فإن فهم كيفية استخراج المخرجات من YOLOv8 بفعالية يمكن أن يعزز مشاريعك بشكل كبير. يتعمق منشور المدونة هذا في الخطوات العملية لاستخراج النتائج من نموذج YOLOv8 واستخدامها.

الإعداد YOLOv8

قبل الغوص في استخراج النتائج، من المهم أن يكون لديك نموذج YOLOv8 الخاص بك قيد التشغيل. إذا كنت جديدًا يمكنك مشاهدة مقاطع الفيديو السابقة حيث نغطي أساسيات إعداد واستخدام نماذج YOLO لمختلف مهام الرؤية الحاسوبية. للبدء في استخراج النتائج، تأكد من تكوين نموذجك بشكل صحيح:

  1. تهيئة النموذج: قم بتهيئة نموذج YOLOv8 بشكل مناسب، مع التأكد من اختيار تكوين النموذج المناسب الذي يناسب احتياجاتك الخاصة، سواء كان ذلك لاكتشاف الأجسام أو المهام الأكثر تعقيدًا مثل تقدير الوضع.
  2. تشغيل الاستدلال: أدخل بياناتك من خلال النموذج لإجراء الاستدلال. ستنشئ هذه العملية كائن نتائج، وهو مفتاحك للوصول إلى جميع بيانات الكشف.

فهم كائن النتائج

كائن النتائج في YOLOv8 هو منجم ذهب من المعلومات. فهو يحتوي على جميع بيانات الكشف التي تحتاجها لمتابعة مشروعك، بما في ذلك:

  • مربعات الحدود: الاستخدام results.boxes للوصول إلى إحداثيات الأجسام المكتشفة.
  • الأقنعة والنقاط الرئيسية: الوصول إلى أقنعة التجزئة والنقاط الرئيسية لتقدير الوضعية باستخدام results.masks و results.keypoints على التوالي.
  • احتمالات الفئة: results.probabilities توفر احتمالية كل فئة مكتشفة، وهي مفيدة لتصفية الاكتشافات بناءً على درجات الثقة.

استخراج البيانات للاستخدام المخصص

لاستخدام هذه المخرجات في تطبيقاتك، اتبع الخطوات التالية:

  1. تحويل البيانات للمعالجة: إذا كنت تقوم بتشغيل نموذجك على GPU ، قم بتحويل المخرجات إلى تنسيق CPU باستخدام .cpu() لمزيد من المعالجة.
  2. الوصول إلى إحداثيات الصندوق المحيط: استرجاع إحداثيات المربع المحدود ومعالجتها مباشرةً من كائن النتائج. يتضمن ذلك الوصول إلى الإحداثيات الطبيعية أو سمات محددة مثل العرض والارتفاع.
  3. التعامل مع التصنيفات: استخراج أفضل التصنيفات للاستفادة من معرّفات الفئات ودرجات الثقة بفعالية.

التطبيق العملي في البرمجة

بالانتقال من النظرية إلى التطبيق العملي، يوضح نيكولاي نيلسن كيفية تنفيذ هذه المفاهيم ضمن برنامج نصي مخصص Python باستخدام كود Visual Studio Code. يتضمن البرنامج النصي:

  • إعداد فئة الكشف: قم بتهيئة وتكوين نموذج YOLOv8 الخاص بك ضمن بنية فئة، وإعداده لإدخال البيانات المباشرة.
  • استخراج النتائج: قم بتشغيل الكشف واستخراج المربعات المحدودة والأقنعة والتصنيفات مباشرةً من كائن النتائج.
  • استخدام المخرجات: قم بتحويل النتائج إلى تنسيقات قابلة للاستخدام مثل JSON أو CSV، أو استخدمها مباشرةً لرسم مربعات محددة على الصور أو تدفقات الفيديو.

التصور وما بعده

في حين أن استخراج البيانات الأولية أمر بالغ الأهمية، إلا أن تصور هذه الاكتشافات يمكن أن يوفر رؤى فورية حول أداء النموذج:

  • رسم المستطيلات: استخدم بيانات المربع المحدود لرسم مستطيلات حول الأجسام المكتشفة في مخرجات الصور أو الفيديو.
  • التخطيط المباشر: استخدم وظائف التخطيط المدمجة في YOLOv8لتصور الاكتشافات مباشرةً دون الحاجة إلى ترميز إضافي.

توسيع مجموعة أدوات الذكاء الاصطناعي الخاصة بك مع YOLOv8

لا يؤدي إتقان استخراج المخرجات YOLOv8 إلى تعزيز قدرات مشروعك فحسب، بل يعمق أيضًا فهمك لأنظمة اكتشاف الأجسام.

باتباع الخطوات يمكنك الاستفادة من القوة الكاملة لموقع YOLOv8 لتخصيص عمليات الكشف وفقًا لاحتياجاتك الخاصة، سواء في تطوير تطبيقات متقدمة تعتمد على الذكاء الاصطناعي أو إجراء تحليل قوي للبيانات.

ترقبوا المزيد من البرامج التعليمية التي ستساعدك على الاستفادة من YOLOv8 وتقنيات الذكاء الاصطناعي الأخرى إلى أقصى إمكاناتها. حوّل معرفتك النظرية إلى مهارات عملية، وحوّل مشاريع الرؤية الحاسوبية الخاصة بك إلى واقع ملموس بدقة وكفاءة. انضم إلى مجتمعنا لتبقى على اطلاع بأحدث التطورات بالإضافة إلى الاطلاع على مستنداتنا لمعرفة المزيد! 

شاهد الفيديو كاملاً هنا

شعار الفيسبوكشعار تويترشعار لينكد إنرمز نسخ الرابط

اقرأ المزيد في هذه الفئة

دعونا نبني المستقبل
من الذكاء الاصطناعي معا!

ابدأ رحلتك مع مستقبل التعلم الآلي