افهم كيف يمكن لموقع Ultralytics YOLO11 تحسين اكتشاف الأجسام باستخدام الصناديق المحدودة الموجهة (OBB) وما هي التطبيقات المثالية لمهمة الرؤية الحاسوبية هذه.
UltralyticsYOLO Vision 2024 (YV24)، وهو الحدث السنوي الهجين السنوي الذي يركز على مناقشة أحدث الإنجازات في مجال الذكاء الاصطناعي والرؤية الحاسوبية. كانت هذه مناسبة مثالية لتقديم أحدث طرازاتنا, Ultralytics YOLO11. يدعم هذا النموذج نفس مهام الرؤية الحاسوبية مثل Ultralytics YOLOv8مما يجعل التحول إلى النموذج الجديد سهلاً للمستخدمين.
لنفترض أنك كنت تستخدم YOLOv8 للكشف عن الأجسام في المربعات المحدودة الموجهة (OBB) لاكتشاف الأجسام من زوايا مختلفة. يمكنك الآن التحول إلى YOLO11 مع إجراء بعض التغييرات الطفيفة على التعليمات البرمجية الخاصة بك والاستفادة من التحسينات التي يوفرهاYOLO11 والتي تتراوح بين زيادة الدقة والكفاءة وسرعة المعالجة. إذا لم تكن قد استخدمت نماذج مثل YOLO11 ، فإن اكتشاف OBB هو مثال رائع على كيفية تطبيق YOLO11 في مجموعة من الصناعات، مما يوفر حلولاً عملية تحدث تأثيرًا حقيقيًا.
في هذه المقالة، سنلقي نظرة على ماهية اكتشاف كائن OBB، وأين يمكن تطبيقه، وكيفية استخدام YOLO11 للكشف عن OBB. سنستعرض أيضًا كيف يمكن لميزات YOLO11 الجديدة تحسين هذه العمليات وكيفية تشغيل الاستدلالات وتدريب النماذج المخصصة لتحقيق أقصى استفادة من إمكانيات اكتشاف الـ OBB.
يأخذ اكتشاف الأجسام OBB الكشف عن الأجسام التقليدية خطوة إلى الأمام من خلال اكتشاف الأجسام في زوايا مختلفة. على عكس المربعات المحيطية العادية التي تظل بمحاذاة محاور الصورة، تدور المربعات المحيطية OBBs لتلائم اتجاه الكائن. يمكن استخدام الكشف عن الأجسام OBB لتحليل الصور الجوية أو صور الأقمار الصناعية حيث لا تكون الأجسام مستقيمة دائمًا. في صناعات مثل التخطيط الحضري والطاقة والنقل، يمكن أن تشكل القدرة على الكشف الدقيق عن الأجسام ذات الزوايا مثل المباني أو المركبات أو البنية التحتية أساس تطبيقات الرؤية الحاسوبية ذات الفوائد الملموسة.
YOLO11 يدعم اكتشاف OBB وتم تدريبه على مجموعة بيانات DOTA v1.0 لاكتشاف الأجسام مثل الطائرات والسفن وصهاريج التخزين من مناظير مختلفة.YOLO11 يأتي في عدة نماذج مختلفة لتناسب الاحتياجات المختلفة، بما في ذلك YOLO11n-obb (نانو)، و YOLO11s-obb (صغير)، و YOLO11m-obb (متوسط)، و YOLO11l-obb (كبير)، و YOLO11x-obb (كبير جدًا). يقدم كل نموذج حجمًا مختلفًا، مع مستويات مختلفة من السرعة والدقة والقدرة الحسابية. يمكن للمستخدمين اختيار الطراز الذي يوفر التوازن الصحيح بين السرعة والدقة لتطبيقاتهم.
YOLO11قدرات الكشف عن الأجسام، وخاصةً دعمه للمربعات المحدودة الموجهة، مما يحقق دقة أكبر في مختلف الصناعات. بعد ذلك، سنلقي نظرة على بعض الأمثلة على كيفية استخدام YOLO11 والكشف عن المربعات المحدودة الموجهة في مواقف العالم الحقيقي لجعل العمليات أكثر كفاءة ودقة وأسهل في الإدارة في مختلف المجالات.
إذا كنت قد أُعجبت من قبل بتصميم وتخطيط مدينة ما، فذلك بفضل العمل التفصيلي للتخطيط الحضري ومراقبة البنية التحتية. يتمثل أحد الجوانب العديدة لمراقبة البنية التحتية في تحديد وإدارة الهياكل المهمة مثل صهاريج التخزين وخطوط الأنابيب والمواقع الصناعية. YOLO11 يمكن أن يساعد مخططو المدن في تحليل الصور الجوية لاكتشاف هذه المكونات المهمة بسرعة ودقة.
يُعدّ الكشف عن الأجسام في المربع المحدود الموجه مفيدًا بشكل خاص هنا لأنه يتيح الكشف عن الأجسام التي يتم عرضها من زوايا مختلفة (غالبًا ما يكون هذا هو الحال مع الصور الجوية). الدقة أمر حيوي هنا لتتبع المناطق الصناعية، وإدارة التأثيرات البيئية، وضمان صيانة البنية التحتية بشكل صحيح. يجعل OBB عملية الكشف أكثر موثوقية، مما يساعد المخططين على اتخاذ قرارات مستنيرة بشأن نمو المدينة وسلامتها واستدامتها. باستخدام YOLO11 ، يمكن أن يساعد المخططين على مراقبة وإدارة البنية التحتية التي تحافظ على سير المدن بسلاسة.
مع ازدياد شعبية الطاقة المتجددة والابتكارات مثل مزارع الطاقة الشمسية، أصبحت عمليات الفحص المنتظمة أكثر أهمية. يجب فحص الألواح الشمسية للتأكد من أنها تعمل بكفاءة. فمع مرور الوقت، يمكن لأشياء مثل التشققات أو تراكم الأوساخ أو اختلال المحاذاة أن تقلل من أدائها. تساعد عمليات الفحص الروتينية على اكتشاف هذه المشاكل في وقت مبكر، بحيث يمكن إجراء الصيانة للحفاظ على عملها بسلاسة.
على سبيل المثال، يمكن فحص الألواح الشمسية بحثًا عن الأضرار باستخدام طائرات بدون طيار مدمجة مع الذكاء الاصطناعي على الحافة YOLO11. يضفي تحليل الصور على الحافة مزيدًا من الدقة والكفاءة على عملية الفحص. نظرًا لحركة الطائرة بدون طيار ومنظورها، قد تلتقط لقطات المراقبة في كثير من الأحيان الألواح الشمسية من زوايا مختلفة. في هذه الحالات، يمكن أن يساعد الكشف عن الـ OBB من YOLO11الطائرات بدون طيار في تحديد الألواح الشمسية بدقة.
تتعامل الموانئ والمرافئ مع مئات السفن كل أسبوع، ويمكن أن تكون إدارة مثل هذا الأسطول الكبير أمرًا صعبًا. هناك عنصر إضافي من الصعوبة عند تحليل السفن في الصور الجوية؛ فغالبًا ما تظهر السفن بزوايا مختلفة. هذا هو المكان الذي يكون فيه دعمYOLO11لاكتشاف الـ OBB مفيدًا.
يتيح اكتشاف OBB للنموذج إمكانية اكتشاف السفن في زوايا مختلفة بدقة أكبر من الصناديق المستطيلة القياسية. من خلال استخدام YOLO11 مع OBB، يمكن لشركات الشحن تحديد موقع أسطولها وحالته بسهولة أكبر، وتتبع التفاصيل المهمة مثل تحركات الأسطول ولوجستيات سلسلة التوريد. تساعد هذه الحلول التي تدعم الرؤية في تحسين المسارات وتقليل التأخير وتحسين إدارة الأسطول بشكل عام عبر طرق الشحن.
إذا كنت مطور ذكاء اصطناعي تتطلع إلى استخدام YOLO11 لاكتشاف OBB، فهناك خياران سهلان للبدء. إذا كنت مرتاحًا في العمل مع التعليمات البرمجية، فإن حزمةUltralytics Python هي خيار رائع. أما إذا كنت تفضل حلاً سهل الاستخدام وبدون تعليمات برمجية مع إمكانيات التدريب السحابي، فإن Ultralytics HUB هي منصة داخلية مصممة خصيصاً لذلك. لمزيد من التفاصيل يمكنك إلقاء نظرة على دليلنا حول التدريب والنشر Ultralytics YOLO11 باستخدام Ultralytics HUB.
والآن بعد أن رأينا أمثلة على الأماكن التي يمكن فيها تطبيق دعم OBB من YOLO11، دعنا نستكشف حزمة Ultralytics Python ونرى كيف يمكنك تشغيل الاستدلالات وتدريب نماذج مخصصة باستخدامها.
أولاً، لاستخدام YOLO11 مع Python ، ستحتاج إلى تثبيت الحزمة Ultralytics . اعتمادًا على تفضيلاتك، يمكنك اختيار تثبيتها باستخدام pip أو conda أو Docker. للحصول على إرشادات خطوة بخطوة، يمكنك الرجوع إلى دليل التثبيتUltralytics . إذا واجهت أي تحديات أثناء التثبيت، يقدم دليل المشكلات الشائعة الخاص بنا نصائح مفيدة لاستكشاف الأخطاء وإصلاحها.
بمجرد تثبيت الحزمة Ultralytics ، يصبح العمل مع YOLO11 بسيطًا للغاية. يشير تشغيل الاستدلال إلى عملية استخدام نموذج مُدرَّب لإجراء تنبؤات على صور جديدة - مثل اكتشاف الأجسام باستخدام OBB في الوقت الفعلي. وهو يختلف عن تدريب النموذج، وهو عندما تقوم بتعليم النموذج للتعرف على كائنات جديدة أو تحسين أدائه في مهام محددة. يُستخدم الاستدلال عندما تريد تطبيق النموذج على بيانات غير مرئية.
يرشدك المثال أدناه إلى كيفية تحميل نموذج واستخدامه للتنبؤ بالمربعات المحدودة الموجهة على صورة. للحصول على أمثلة أكثر تفصيلاً ونصائح استخدام متقدمة، تأكد من مراجعة وثائقUltralytics الرسمية للحصول على أفضل الممارسات والمزيد من الإرشادات.
إن تدريب نموذج YOLO11 يعني أنه يمكنك ضبط أدائه على مجموعات بيانات ومهام محددة، مثل اكتشاف الأجسام في الصندوق المحدود الموجه. بينما يمكن استخدام النماذج المدربة مسبقًا مثل YOLO11 للكشف العام عن الأجسام، فإن تدريب نموذج مخصص أمر ضروري عندما تحتاج إلى نموذج للكشف عن أجسام فريدة أو تحسين الأداء على مجموعة بيانات محددة.
في المقتطف البرمجي أدناه، نغطي خطوات تدريب نموذج YOLO11 للكشف عن سداسي البروم ثنائي الفينيل متعدد البروم.
أولاً، تتم تهيئة النموذج باستخدام أوزان خاصة بـ YOLO11 OBB مدرّبة مسبقًا (yolo11n-obb.pt). بعد ذلك، يتم استخدام دالة تدريب لتدريب النموذج على مجموعة بيانات مخصصة، مع معلمات مثل ملف تكوين مجموعة البيانات، وعدد دورات التدريب، وحجم صورة التدريب، والأجهزة التي سيتم تشغيل التدريب عليها (على سبيل المثال، CPU أو GPU). بعد التدريب، يتم التحقق من صحة أداء النموذج للتحقق من صحة المقاييس مثل الدقة والخسارة.
باستخدام النموذج المدرّب، يمكنك تشغيل استنتاجات على صور جديدة لاكتشاف الأجسام ذات سداسي البروم ثنائي الفينيل OBB وتصورها. أيضًا، يمكن تحويل النموذج المدرّب إلى صيغ مثل ONNX للنشر باستخدام ميزة التصدير.
Ultralytics YOLO11 يرتقي باكتشاف الأجسام إلى المستوى التالي من خلال دعمه للمربعات المحدودة الموجهة. من خلال القدرة على اكتشاف الأجسام من زوايا مختلفة، يمكن استخدام YOLO11 في تطبيقات مختلفة في مختلف الصناعات. على سبيل المثال، فهو مناسب تمامًا لقطاعات مثل التخطيط الحضري والطاقة والشحن، حيث تكون الدقة ضرورية لمهام مثل فحص الألواح الشمسية أو مراقبة الأسطول. بفضل الأداء الأسرع والدقة المحسّنة، يمكن أن يساعد YOLO11 مطوري الذكاء الاصطناعي على حل تحديات العالم الحقيقي.
مع انتشار استخدام الذكاء الاصطناعي على نطاق واسع ودمجه في حياتنا اليومية، ستشكل نماذج مثل YOLO11 مستقبل حلول الذكاء الاصطناعي.
للتعرف على إمكانات Vision AI، انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا. نحن نقود الابتكار من خلال إعادة ابتكار قطاعات مثل الرعاية الصحية والسيارات ذاتية القيادة.
