نظرة عامة على مجموعات بيانات التتبع متعدد الكائنات

يعد التتبع متعدد الكائنات مكونًا مهمًا في تحليلات الفيديو التي تحدد الكائنات وتحتفظ بمعرفات فريدة لكل كائن تم اكتشافه عبر إطارات الفيديو. يوفر Ultralytics YOLO قدرات تتبع قوية يمكن تطبيقها في مجالات مختلفة بما في ذلك المراقبة والتحليلات الرياضية ومراقبة حركة المرور.

تنسيق مجموعة البيانات (قريباً)

لا يحتاج كاشف الأجسام المتعددة إلى تدريب مستقل ويدعم مباشرةً نماذج الكشف أو التجزئة أو الوضعيات المدربة مسبقًا. سيأتي دعم تدريب أجهزة التعقب وحدها قريبًا.

أجهزة التتبع المتوفرة

يدعم Ultralytics YOLO خوارزميات التتبع التالية:

• بوت-سورت - الاستخدام botsort.yaml لتمكين هذا المتعقب (افتراضي)
• بايت تراك - الاستخدام bytetrack.yaml لتمكين هذا المتتبع

الاستخدام

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

المسارات المستمرة بين الإطارات

للتتبع المستمر عبر إطارات الفيديو، يمكنك استخدام persist=True المعلمة:

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.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 التتبع متعدد الكائنات مع Ultralytics YOLO ؟

لاستخدام التتبع متعدد الكائنات مع Ultralytics YOLO ، يمكنك البدء باستخدام الأمثلة Python أو CLI المتوفرة. إليك كيفية البدء:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

تقوم هذه الأوامر بتحميل نموذج YOLO11 واستخدامه لتتبع الأجسام في مصدر فيديو معين بثقة محددة (conf) و تقاطع فوق الاتحاد (iou) العتبات. لمزيد من التفاصيل، يرجى الرجوع إلى وثائق وضع المسار.

ما هي الميزات القادمة لأجهزة تتبع التدريب في Ultralytics ؟

Ultralytics تعمل باستمرار على تحسين نماذج الذكاء الاصطناعي الخاصة بها. ستتيح إحدى الميزات القادمة تدريب أجهزة التتبع المستقلة. حتى ذلك الحين، يستفيد كاشف الأجسام المتعددة من نماذج الكشف أو التجزئة أو الوضعيات المُدرَّبة مسبقًا للتتبع دون الحاجة إلى تدريب مستقل. ابق على اطلاع دائم من خلال متابعة مدونتنا أو الاطلاع على الميزات القادمة.

لماذا يجب استخدام Ultralytics YOLO لتتبع الأجسام المتعددة؟

Ultralytics YOLO هو نموذج متطور للكشف عن الأجسام معروف بأدائه في الوقت الحقيقي ودقته العالية. يوفر استخدام YOLO لتتبع الأجسام المتعددة العديد من المزايا:

• تتبع في الوقت الحقيقي: تحقيق تتبع فعال وعالي السرعة مثالي للبيئات الديناميكية.
• المرونة مع النماذج المدربة مسبقًا: لا حاجة إلى التدريب من الصفر؛ ما عليك سوى استخدام نماذج الكشف أو التجزئة أو نماذج الوضعية المدربة مسبقًا.
• سهولة الاستخدام: التكامل البسيط لواجهة برمجة التطبيقات مع كل من Python و CLI يجعل إعداد خطوط أنابيب التتبع أمراً سهلاً ومباشراً.
• التوثيق الشامل والدعم المجتمعي: Ultralytics يوفر وثائق شاملة ومنتدى مجتمعي نشط لاستكشاف المشكلات وإصلاحها وتحسين نماذج التتبع الخاصة بك.

للمزيد من التفاصيل حول إعداد واستخدام YOLO للتتبع، تفضل بزيارة دليل استخدام المسار الخاص بنا.

هل يمكنني استخدام مجموعات بيانات مخصصة للتتبع متعدد الكائنات مع Ultralytics YOLO ؟

نعم، يمكنك استخدام مجموعات بيانات مخصصة للتتبع متعدد الكائنات باستخدام Ultralytics YOLO . بينما يعد دعم تدريب المتعقب المستقل ميزة قادمة، يمكنك بالفعل استخدام النماذج المدربة مسبقًا على مجموعات البيانات المخصصة الخاصة بك. قم بإعداد مجموعات البيانات الخاصة بك بالصيغة المناسبة المتوافقة مع YOLO واتبع الوثائق لدمجها.

كيف يمكنني تفسير نتائج نموذج التتبع Ultralytics YOLO ؟

بعد تشغيل مهمة تعقب باستخدام Ultralytics YOLO ، تتضمن النتائج نقاط بيانات مختلفة مثل معرّفات الكائنات المتعقبة، ومربعاتها المحدودة، ودرجات الثقة. فيما يلي لمحة موجزة عن كيفية تفسير هذه النتائج:

• المعرفات المتعقبة: يتم تعيين معرف فريد لكل كائن مما يساعد في تتبعه عبر الإطارات.
• المربعات المحددة: تشير إلى موقع الأجسام المتعقبة داخل الإطار.
• درجات الثقة: تعكس هذه الدرجات ثقة النموذج في اكتشاف الجسم المتعقب.

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

كيف يمكنني تخصيص تكوين المتعقب؟

يمكنك تخصيص المتعقب من خلال إنشاء نسخة معدلة من ملف تكوين المتعقب. انسخ ملف تكوين المتعقب الموجود من ultralytics وعدّل المعلمات حسب الحاجة، وحدد هذا الملف عند تشغيل المتعقب:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 0 يوم

التعليقات