نظرة عامة على مجموعات بيانات تتبع الأجسام المتعددة

يعد تتبع الأجسام المتعددة مكوناً حيوياً في تحليلات الفيديو، حيث يقوم بتحديد الأجسام والحفاظ على معرفات فريدة (IDs) لكل جسم يتم اكتشافه عبر إطارات الفيديو. توفر Ultralytics YOLO قدرات تتبع قوية يمكن تطبيقها في مجالات متنوعة بما في ذلك المراقبة، وتحليلات الرياضة، ومراقبة حركة المرور.

تنسيق مجموعة البيانات (قريباً)

يعيد تتبع Ultralytics حالياً استخدام نماذج الكشف أو التجزئة أو الوضع دون الحاجة إلى تدريب خاص بالمتتبع. دعم تدريب المتتبع بشكل أصلي قيد التطوير النشط.

المتتبعات المتاحة

تدعم Ultralytics YOLO خوارزميات التتبع التالية:

• BoT-SORT - استخدم botsort.yaml لتمكين هذا المتتبع (الافتراضي)
• ByteTrack - استخدم bytetrack.yaml لتمكين هذا المتتبع

الاستخدام

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

استمرار التتبع بين الإطارات

للحصول على تتبع مستمر عبر إطارات الفيديو، يمكنك استخدام المعامل persist=True:

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

        # Visualize the results
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

الأسئلة الشائعة

كيف يمكنني استخدام تتبع الأجسام المتعددة مع Ultralytics YOLO؟

لاستخدام تتبع الأجسام المتعددة مع Ultralytics YOLO، يمكنك البدء باستخدام أمثلة Python أو CLI المقدمة. إليك كيفية البدء:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load the YOLO26 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

تقوم هذه الأوامر بتحميل نموذج YOLO26 واستخدامه لتتبع الأجسام في مصدر الفيديو المحدد مع عتبات ثقة (conf) وIntersection over Union (iou) محددة. لمزيد من التفاصيل، راجع توثيق وضع التتبع.

ما هي الميزات القادمة لتدريب المتتبعات في Ultralytics؟

تعمل Ultralytics باستمرار على تعزيز نماذج الذكاء الاصطناعي الخاصة بها. ستمكن ميزة قادمة من تدريب متتبعات مستقلة. وحتى ذلك الحين، يستفيد Detector الأجسام المتعددة من نماذج الكشف أو التجزئة أو Pose المدربة مسبقاً للتتبع دون الحاجة إلى تدريب مستقل. ابقَ على اطلاع من خلال متابعة مدونتنا أو التحقق من الميزات القادمة.

لماذا يجب أن أستخدم Ultralytics YOLO لتتبع الأجسام المتعددة؟

تعتبر Ultralytics YOLO نموذجاً متطوراً لـ object detection يشتهر بأدائه في الوقت الفعلي وaccuracy العالية. يوفر استخدام YOLO لتتبع الأجسام المتعددة العديد من المزايا:

• التتبع في الوقت الفعلي: تحقيق تتبع فعال وسريع السرعة ومثالي للبيئات الديناميكية.
• المرونة مع النماذج المدربة مسبقاً: لا حاجة للتدريب من الصفر؛ ببساطة استخدم نماذج الكشف أو التجزئة أو Pose المدربة مسبقاً.
• سهولة الاستخدام: تجعل تكامل API البسيط مع كل من Python وCLI إعداد خطوط أنابيب التتبع أمراً مباشراً.
• توثيق واسع ودعم مجتمعي: توفر Ultralytics توثيقاً شاملاً ومنتدى مجتمعياً نشطاً لاستكشاف المشكلات وإصلاحها وتعزيز نماذج التتبع الخاصة بك.

لمزيد من التفاصيل حول إعداد واستخدام YOLO للتتبع، تفضل بزيارة دليل استخدام التتبع.

هل يمكنني استخدام مجموعات بيانات مخصصة لتتبع الأجسام المتعددة مع Ultralytics YOLO؟

نعم، يمكنك استخدام مجموعات بيانات مخصصة لتتبع الأجسام المتعددة مع Ultralytics YOLO. بينما يعد دعم تدريب المتتبع المستقل ميزة قادمة، يمكنك بالفعل استخدام النماذج المدربة مسبقاً على مجموعات البيانات المخصصة الخاصة بك. قم بإعداد مجموعات البيانات الخاصة بك بالتنسيق المناسب المتوافق مع YOLO واتبع التوثيق لدمجها.

كيف يمكنني تفسير النتائج من نموذج تتبع Ultralytics YOLO؟

بعد تشغيل مهمة تتبع باستخدام Ultralytics YOLO، تتضمن النتائج نقاط بيانات مختلفة مثل معرفات الأجسام المتعقبة (IDs)، ومربعات الإحاطة الخاصة بها، ودرجات الثقة. إليك نظرة عامة موجزة حول كيفية تفسير هذه النتائج:

• معرفات التتبع (Tracked IDs): يتم تعيين معرف فريد لكل جسم، مما يساعد في تتبعه عبر الإطارات.
• مربعات الإحاطة (Bounding boxes): تشير هذه إلى موقع الأجسام المتعقبة داخل الإطار.
• درجات الثقة (Confidence scores): تعكس ثقة النموذج في اكتشاف الجسم المتعقب.

للحصول على إرشادات مفصلة حول تفسير هذه النتائج وتصورها، ارجع إلى دليل معالجة النتائج.

كيف يمكنني تخصيص تكوين المتتبع؟

يمكنك تخصيص المتتبع عن طريق إنشاء نسخة معدلة من ملف تكوين المتتبع. انسخ ملف تكوين متتبع موجود من ultralytics/cfg/trackers، وقم بتعديل المعلمات حسب الحاجة، وحدد هذا الملف عند تشغيل المتتبع:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")