كيفية الاستخدام Ultralytics YOLO11 لتجزئة المثيل

الرؤية الحاسوبية، وهو مجال في الذكاء الاصطناعي يساعد الآلات على تفسير المعلومات البصرية وفهمها، ويتيح مهام مثل تجزئة المثيل. يمكن استخدام تجزئة المثيل لتحليل صورة أو إطار فيديو لتمييز الحدود الدقيقة لكل كائن مميز في الصورة، حتى في حالة وجود عدة كائنات من نفس النوع. بفضل المستوى العالي من الدقة، فإن تجزئة النماذج لها مجموعة واسعة من التطبيقات، بدءاً من مساعدة السيارات ذاتية القيادة على اكتشاف العوائق على الطريق إلى تحديد الأورام في عمليات المسح الطبي.

على مر السنين، تطور تقسيم الأمثلة بشكل كبير. وقد تم تقديم تطور حديث خلال الحدث السنوي الهجين Ultralytics، YOLO Vision 2024 (YV24)، في شكل Ultralytics YOLO11 النموذج. يدعم النموذج الجديد مهام الرؤية الحاسوبية نفسها (بما في ذلك تجزئة النماذج) مثل نموذج Ultralytics YOLOv8 النموذج، بحيث يمكن للمستخدمين المطلعين على الإصدارات السابقة اعتماد النموذج الجديد بسلاسة.

‍

في هذه المقالة، سنستكشف تجزئة المثيل وكيف تختلف عن مهام الرؤية الحاسوبية الأخرى مثل التجزئة الدلالية، بالإضافة إلى مناقشة بعض تطبيقاتها. سنستعرض أيضًا كيف يمكنك استخدام نموذج تجزئة المثيل YOLO11 باستخدام الحزمةUltralytics Python ومنصة Ultralytics HUB. لنبدأ!

ما هو تجزئة المثيل؟

يمكن استخدام تجزئة المثيل لتحديد الكائنات في الصورة وتحديدها على مستوى البكسل. عادةً ما تتضمن العملية أولاً اكتشاف الأجسام ورسم مربعات محددة حولها. بعد ذلك، تقوم خوارزمية التجزئة بتصنيف كل بكسل داخل المربع المحدد لإنشاء قناع دقيق لكل كائن.

يختلف تجزئة المثيل أيضًا عن مهام مثل التجزئة الدلالية والتجزئة الشاملة. يقوم التجزئة الدلالية بتسمية كل بكسل بناءً على الفئة العامة للكائن دون تمييز الحالات الفردية. من ناحية أخرى، يجمع التجزئة الشاملة بين كل من التجزئة المثالية والدلالية من خلال تسمية كل بكسل بفئة ومعرف مثيل على حد سواء، وتحديد الكائنات الفردية داخل كل فئة.

‍

يمكن تطبيق إمكانيات تجزئة المثيل في سيناريوهات مختلفة قد تتطلب نماذج مختلفة. على سبيل المثال، قد يكون النموذج خفيف الوزن مثاليًا للمعالجة في الوقت الفعلي في تطبيقات الأجهزة المحمولة، بينما يمكن استخدام نموذج أكثر تعقيدًا للمهام عالية الدقة مثل مراقبة الجودة في التصنيع.

مثل النماذج السابقة، يأتي نموذج YOLO11 يأتي نموذج تجزئة المثيل أيضًا بعدة أشكال مختلفة حسب احتياجاتك. تتضمن هذه الاختلافات YOLO11n-seg (نانو)، و YOLO11s-seg (صغير)، و YOLO11m-seg (متوسط)، و YOLO11l-seg (كبير)، و YOLO11x-seg (كبير جدًا). تختلف هذه النماذج من حيث حجمها وسرعة معالجتها ودقتها ومقدار الطاقة الحاسوبية التي تتطلبها. بناءً على متطلباتك المحددة، يمكنك اختيار الطراز الذي يناسب تطبيقك بشكل أفضل.

تطبيقات تجزئة المثيل لـ YOLO11

تفتح إمكانات تجزئة النماذج المتقدمة في YOLO11 مجموعة من التطبيقات في مختلف الصناعات. دعنا نلقي نظرة فاحصة على بعض هذه التطبيقات.

استخدام YOLO11 التقسيم في صناعة النفط والغاز

يتضمن استخراج النفط والغاز إدارة التقلبات العالية للغاية في الضغط. تساعد تقنيات مثل حرق الغاز على حرق الغاز الطبيعي الذي يتم إنتاجه أثناء استخراج النفط. وهي ضرورية لأسباب تتعلق بالسلامة. على سبيل المثال، في استخراج النفط الخام، قد يؤدي الارتفاع المفاجئ أو الكبير في الضغط إلى حدوث انفجار. وعلى الرغم من أن الحوادث الصناعية في قطاع تصنيع النفط والغاز غير شائعة، إلا أنها قد تؤدي إلى حرائق شديدة يصعب احتواؤها والسيطرة عليها. ويساعد حرق الغاز المشغلين على خفض ضغط المعدات بأمان وإدارة التقلبات الكبيرة وغير المتوقعة في الضغط عن طريق حرق الغاز الزائد.

يمكن لأنظمة الذكاء الاصطناعي تحسين عملية الرصد هذه، ويمكن الحد من مخاطر الحوادث باستخدام نظام مراقبة حرق الغاز المشتعل القائم على التجزئة. كما أن مراقبة اشتعال الغاز مهم أيضًا لأسباب بيئية، حيث يمكن أن يؤثر اشتعال الغاز بكثرة على البيئة بشكل سلبي. 

Ultralytics YOLO11 يمكن استخدام نماذجالتجزئة المماثلة لرصد كمية الحريق والدخان الناجم عن التوهج. يمكن حساب مساحة البكسل للتوهج والدخان المكتشفة والمجزأة للتوهج والدخان. وباستخدام هذه المعلومات، يمكن للمشغلين الحصول على رؤى في الوقت الحقيقي حول التوهج والدخان الناجمين عن الاحتراق، مما يساعدهم على منع الحوادث والآثار البيئية السلبية. 

‍

تجزئة المثيل مع YOLO11 لإدارة النفايات البلاستيكية 

يمكن للعمال في مرافق إدارة النفايات وإعادة التدوير استخدام الأنظمة القائمة على التجزئة YOLO11 لتحديد مواد النفايات البلاستيكية. YOLO11 يمكن دمجها مع أنظمة الفرز الآلية لتحديد مواد النفايات المختلفة بدقة، مثل الورق المقوى والبلاستيك (ليتم معالجتها بشكل منفصل). ويكتسب هذا الأمر أهمية خاصة بالنظر إلى أنه من بين 7 مليارات طن من النفايات البلاستيكية المتولدة على مستوى العالم، لا يتم إعادة تدوير سوى 10% منها فقط.

إن أتمتة تحديد وفرز النفايات البلاستيكية يقلل بشكل كبير من الوقت اللازم مقارنة بالطرق التقليدية، حيث يقوم العمال بفرز المواد يدويًا. ويمكن حتى لنماذج الرؤية الحاسوبية أن تقوم بتجزئة المواد البلاستيكية اللينة مثل الأغلفة والأكياس، والتي تمثل تحديًا خاصًا لأنها غالبًا ما تتشا بك. YOLO11 يم كن أيضًا تدريب نماذج بشكل مخصص لتجزئة أنواع مختلفة من البلاستيك. سنتعرف على المزيد حول كيفية تدريب نموذج YOLO11 حسب الطلب في الأقسام التالية.

‍

YOLO11 التقسيم في المركبات ذاتية القيادة

من حالات الاستخدام الأخرى المثيرة للاهتمام لتجزئة المثيل في السيارات ذاتية القيادة. YOLO11 تمكن السيارات ذاتية القيادة من تحسين سلامة الركاب وسلامة الآخرين على الطريق من خلال التعرف بدقة على الأجسام على مستوى البكسل. يمكن لنظام الكاميرا المدمج في السيارة التقاط صور للأجسام المحيطة وتحليلها باستخدام YOLO11 وتجزئة النماذج. يتم تجزئة كل جسم (المشاة وإشارات المرور والمركبات الأخرى وغيرها) داخل الصورة، ويتم إعطاؤه تصنيفاً. هذا المستوى من الدقة يمنح السيارات ذاتية القيادة القدرة على تحديد كل جسم من حولها. 

‍

تجربة تجزئة المثيل باستخدام النموذج YOLO11

والآن بعد أن استكشفنا تجزئة النماذج وناقشنا بعض تطبيقاتها، دعنا نرى كيف يمكنك تجربتها باستخدام نموذج Ultralytics YOLO11 . 

هناك طريقتان للقيام بذلك: يمكنك إما استخدام الحزمة Ultralytics Python أو الحزمة Ultralytics HUB. سنستكشف كلا الطريقتين، بدءًا من الحزمة Python .

تشغيل الاستدلالات باستخدام YOLO11

يتضمن تشغيل الاستدلال استخدام النموذج لتحليل البيانات الجديدة التي لم يسبق رؤيتها. لتشغيل الاستدلال باستخدام نموذج تجزئة المثيل YOLO11 من خلال التعليمات البرمجية، نحتاج إلى تثبيت الحزمةUltralytics Python باستخدام pip أو conda أو docker. في حالة مواجهة أي مشاكل أثناء التثبيت، يمكنك الرجوع إلى دليل المشكلات الشائعة للمساعدة في استكشاف الأخطاء وإصلاحها. بمجرد تثبيت الحزمة، يمكنك تشغيل الكود الموضح أدناه لتحميل نموذج تجزئة المثيل YOLO11 وتشغيل التنبؤات على صورة.

‍

تدريب نموذج YOLO11 مخصص

باستخدام نفس إعداد الكود، يمكنك أيضًا تدريب نموذج YOLO11 مخصص. من خلال الضبط الدقيق لنموذج YOLO11 ، يمكنك إنشاء نسخة مخصصة من النموذج تلبي متطلبات مشروعك المحددة بشكل أفضل. على سبيل المثال، يمكن لبائعي التجزئة استخدام نموذج مخصص لتقسيم الميزات البدنية للعميل بدقة للتوصية بالملابس التي تناسبه بشكل صحيح. يُظهر مقتطف الكود أدناه كيفية تحميل وتدريب نموذج YOLO11 لتجزئة نموذج على سبيل المثال. يمكنك البدء من تكوين YAML أو نموذج مدرب مسبقًا، ونقل الأوزان، والتدريب على مجموعة بيانات مثل COCO لتحقيق تجزئة فعالة. 

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

بمجرد الانتهاء، يمكنك إجراء استنتاجات باستخدام النموذج المخصص لتطبيقاتك المحددة. باستخدام خيار التصدير، يمكنك أيضاً تصدير نموذجك المخصص إلى تنسيق مختلف.

YOLO11 تجزئة المثيل على Ultralytics HUB

والآن بعد أن استكشفنا تشغيل الاستدلالات والتدريب المخصص لنموذج تجزئة YOLO11 مثيل من خلال التعليمات البرمجية، دعونا نلقي نظرة على بديل بدون تعليمات برمجية: Ultralytics HUB. Ultralytics HUB هو عبارة عن منصة بديهية للذكاء الاصطناعي Vision AI تعمل على تبسيط عملية تدريب ونشر نماذج YOLO ، بما في ذلك نماذج تجزئة النماذج YOLO11 . 

لتشغيل الاستدلال على الصور، كل ما عليك فعله هو؛ إنشاء حساب، والانتقال إلى قسم "النماذج"، واختيار متغير نموذج التجزئة YOLO11 الذي تختاره. يمكنك تحميل صورة وعرض نتائج التنبؤ في قسم المعاينة، كما هو موضح أدناه.

‍

الماخذ الرئيسية

YOLO11 يوفر إمكانات تجزئة مثيل موثوقة تفتح عالماً من الإمكانيات في مختلف الصناعات. بدءًا من تعزيز السلامة في المركبات ذاتية القيادة ومراقبة احتراق الغاز في قطاع النفط والغاز إلى أتمتة فرز النفايات في مرافق إعادة التدوير، فإن الدقة على مستوى البكسل في YOLO11تجعلها مثالية لمهام التجزئة المعقدة. 

وبفضل خيارات التدريب المخصص من خلال حزمة Ultralytics Python والإعداد بدون رمز عبر Ultralytics HUB، يمكن للمستخدمين دمج YOLO11 بسلاسة في تدفقات العمل الخاصة بهم. وسواء للتطبيقات الصناعية أو الرعاية الصحية أو البيع بالتجزئة أو المراقبة البيئية، فإن YOLO11 يوفر المرونة والدقة لتلبية احتياجات التجزئة المتنوعة.

لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في السيارات ذاتية القيادة والزراعة على صفحات الحلول الخاصة بنا. 🚀