تشغيل نماذج Ultralytics للكشف عن الكائنات وتجزئتها في بضعة أسطر من التعليمات البرمجية

الشروع في استخدام نماذج Ultralytics

Ultralytics إطار عمل شامل يدعم نماذج متعددة للكشف عن الأجسام وتجزئتها. ويشمل ذلك نماذج YOLO الشهيرة، بدءًا من نماذج YOLOv3 إلى أحدث YOLOv8 ، بالإضافة إلى نماذج YOLO-NAS و SAM . تم تصميم هذه النماذج للتعامل مع مجموعة متنوعة من المهام مثل الكشف في الوقت الحقيقي، والتجزئة، وتقدير الوضع.

للبدء، قم بزيارة صفحة التوثيقUltralytics . هنا، يمكنك العثور على معلومات مفصلة حول كل نموذج، بما في ذلك ميزاتها الرئيسية وبنيتها وكيفية استخدامها في نصوصك البرمجية Python .

إعداد البيئة المحيطة بك

أولاً، تأكد من تثبيت Ultralytics . يمكنك القيام بذلك عن طريق تشغيل:

bash

نسخ الرمز

1<pre style="width: 75%;">
2<code>
3pip install ultralytics
4</code>
5</pre>

بمجرد الانتهاء من ذلك، يمكنك البدء في استخدام هذه النماذج في مشاريعك. لنبدأ بالنموذج YOLOv8 كمثال.

الميزات الرئيسية لـ YOLOv8

YOLOv8 بالعديد من التحسينات عن سابقاتها. فهو مصمم ليكون أسرع وأكثر دقة، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي. تتضمن بعض الميزات الرئيسية ما يلي: 

• سرعة ودقة محسّنة
• أوزان مدربة مسبقاً لمهام متعددة
• دعم اكتشاف الأجسام وتجزئتها وتصنيفها
• بنية نموذج محسّنة لأداء أفضل

تشغيل YOLOv8 في Python

إليك كيفية البدء باستخدام YOLOv8 في بضعة أسطر من التعليمات البرمجية:

نسخ الرمز

<pre style="width: 75%;">
<code>
# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
results = model.predict('path/to/your/image.jpg')
results.show()
</code>
</pre>

‍

هذا كل شيء! لقد قمت للتو بتشغيل نموذج YOLOv8 على صورة. هذه البساطة هي ما يجعل نماذج Ultralytics قوية جداً وسهلة الاستخدام.

اكتشاف كاميرا الويب المباشرة

هل تريد أن ترى YOLOv8 أثناء العمل على بث مباشر عبر كاميرا الويب؟ إليك كيفية القيام بذلك:

python

نسخ الرمز

1<pre style="width: 75%;">
2<code>
3# Copy code
4import ultralytics
5model = ultralytics.YOLO('yolov8')
6# Open a live webcam feed
7cap = cv2.VideoCapture(0)
8while True:
9	ret, frame = cap.read()
10	if not ret:
11		break
12	results = model.predict(frame)
13	results.show()
14	if cv2.waitKey(1) & 0xFF == ord('q'):
15		break
16cap.release()
17cv2.destroyAllWindows()
18</code>
19</pre>

‍

سيقوم هذا البرنامج النصي بفتح كاميرا الويب الخاصة بك وتطبيق نموذج YOLOv8 لاكتشاف الأجسام في الوقت الفعلي.

استكشاف نماذج أخرى

Ultralytics لا تتوقف فقط عند YOLOv8. كما أنها تدعم نماذج أخرى مختلفة مثل YOLOv5 ، YOLO-NAS، والنماذج القائمة على المحولات للكشف في الوقت الحقيقي. لكل نموذج نقاط القوة وحالات الاستخدام الخاصة به.

نماذج المحولات وكيفية تشغيلها

يعد نموذج RT-DETR الذي طورته بايدو والمدعوم من Ultralytics ، كاشفًا متطورًا ومتكاملًا للأشياء يوفر أداءً في الوقت الفعلي ودقة عالية. وهو يستخدم عمودًا فقريًا قائمًا على التشفير ومشفّرًا هجينًا فعالاً للسرعة في الوقت الفعلي، ويتفوق على CUDA مع TensorRT ، ويدعم تعديل سرعة الاستدلال المرن.

إليك كيفية تشغيل نموذج RT-DETR :

نسخ الرمز

1<pre style="width: 75%;">
2<code>
3from Ultralytics import YOLO
4# Load a pretrained YOLOv8n model
5model = YOLO("rtdetr-l.pt")
6
7# Run inference on 'bus.jpg' with arguments
8model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)
9</code>
10</pre>

‍

الجري FastSAM

FastSAM مُحسَّن للتجزئة في الوقت الفعلي، وإليك كيفية تشغيله:

نسخ الرمز

1<pre style="width: 75%;">
2<code>
3import ultralytics
4model = ultralytics.SAM("FastSAM-s.pt")
5results = model.predict('path/to/your/image.jpg')
6results.show()
7</code>
8</pre>

‍

هذا النموذج مثالي للتطبيقات التي تتطلب تجزئة سريعة ودقيقة.

الأداء والمقارنات

إحدى الميزات الرائعة لإطار عمل Ultralytics هي القدرة على مقارنة النماذج المختلفة جنبًا إلى جنب. يمكنك بسهولة تحديد النموذج الذي يعمل بشكل أفضل لتطبيقك المحدد من خلال النظر إلى مقاييس الأداء مثل سرعة الاستدلال ومتوسط الدقة (mAP).

الوجبات الرئيسية

Ultralytics يجعل من السهل للغاية تشغيل نماذج الكشف عن الكائنات وتجزئتها ببضعة أسطر من التعليمات البرمجية. سواء كنت تعمل على تطبيقات في الوقت الحقيقي أو تحتاج إلى نماذج عالية الدقة، فإن Ultralytics لديه الحل المناسب لك. تأكد من الاطلاع على البرنامج التعليمي الكامل لنيكولاي نيلسن على قناة يوتيوب Ultralytics لمزيد من المعلومات المتعمقة والأمثلة.

ترقبوا المزيد من البرامج التعليمية والتحديثات منمجتمع Ultralytics !