Ultralytics YOLO27:
Get Started

التحليلات باستخدام Ultralytics YOLO26#

تحوّل التحليلات باستخدام Ultralytics YOLO26 نتائج اكتشاف الكائنات وتتبعها إلى مخططات آنية، لتتمكن من متابعة تغيّر أعداد الكائنات في إطارات الفيديو تباعًا. يغطي هذا الدليل أربعة أنواع من تصور البيانات — المخططات الخطية، ومخططات الأعمدة، والمخططات الدائرية، والمخططات المساحية — ويوضح كيفية التبديل بينها باستخدام أمثلة مشتركة لـ Python وCLI.



شاهد: كيفية إنشاء رسوم بيانية تحليلية باستخدام Ultralytics | الرسوم الخطية والعمودية والمخططات المساحية والدائرية

نماذج مرئية#

مخطط خطيمخطط أعمدةمخطط دائري
مخطط خطي لتحليلات YOLO لتتبع الكائناتمخطط أعمدة لتحليلات YOLO لأعداد الاكتشافاتمخطط دائري لتحليلات YOLO لتوزيع الفئات

لماذا نتصور بيانات الاكتشاف؟#

  • تُعد المخططات الخطية مثالية لتتبع التغيّرات على المديين القصير والطويل، ولمقارنة التغيّرات بين مجموعات متعددة خلال الفترة نفسها.
  • تناسب مخططات الأعمدة مقارنة الكميات بين الفئات المختلفة وإظهار العلاقات بين الفئة وقيمتها العددية.
  • تُعد المخططات الدائرية فعالة في توضيح النسب بين الفئات وعرض الأجزاء من الكل.
  • تملأ المخططات المساحية المساحة أسفل المخطط الخطي، ما يسهّل قراءة أعداد الكائنات لكل فئة بمرور الوقت بنظرة سريعة.

إنشاء المخططات التحليلية#

مرّر الفيديو إلى حل Analytics وحدد مخططًا باستخدام analytics_type. ينفّذ الحل الاكتشاف والتتبع في كل إطار، ويعرض مخططًا بأبعاد 1280×720 (افتراضيًا) يمكنك كتابته مباشرةً في فيديو ناتج. بدّل بين "line" و"bar" و"pie" و"area" باستخدام وسيطة واحدة.

التحليلات باستخدام Ultralytics YOLO
yolo solutions analytics show=True

# Pass the source
yolo solutions analytics source="path/to/video.mp4"

# Generate the pie chart
yolo solutions analytics analytics_type="pie" show=True

# Generate the bar plots
yolo solutions analytics analytics_type="bar" show=True

# Generate the area plots
yolo solutions analytics analytics_type="area" show=True

وسيطات Analytics#

إليك جدولًا يوضح وسيطات Analytics:

المعاملالنوعالافتراضيالوصف
modelstrNoneمسار ملف نموذج Ultralytics YOLO.
analytics_typestr'line'نوع المخطط، مثل line أو bar أو area أو pie.
figsizetuple[float, float](12.8, 7.2)حجم الشكل بالبوصة لمخططات Analytics؛ يعرض (12.8, 7.2) إطارًا بدقة 1280×720.
line_widthint2سماكة الخط للصناديق والنقاط المفتاحية والعدادات التي يرسمها الحل.
verboseboolTrueيفعّل سجل الحل لكل إطار، ويشمل شكل المدخل وعدد الفئات وسرعة المعالجة. يظل استدعاء التتبع نفسه صامتًا دائمًا.

يمكنك أيضًا الاستفادة من وسيطات track المختلفة في حل Analytics.

المعاملالنوعالافتراضيالوصف
trackerstr'tracktrack.yaml'يحدد خوارزمية التتبع المطلوب استخدامها. الخيارات المضمنة: botsort.yaml، bytetrack.yaml، ocsort.yaml، deepocsort.yaml، fasttrack.yaml، tracktrack.yaml.
conffloat0.25يضبط عتبة الثقة للكشوفات؛ إذ تسمح القيم الأقل بتتبع مزيد من الكائنات، لكنها قد تتضمن إيجابيات كاذبة.
ioufloat0.7يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الكشوفات المتداخلة.
classeslistNoneيصفّي النتائج حسب فهرس الفئة. على سبيل المثال، لا يتتبع classes=[0, 2, 3] إلا الفئات المحددة.
devicestrNoneيحدد الجهاز المستخدم للاستدلال (مثل cpu أو cuda:0 أو 0). ويتيح للمستخدمين الاختيار بين CPU أو GPU محددة أو أجهزة حوسبة أخرى لتنفيذ النموذج.
imgszint or tuple640حجم صورة الاستدلال المستهدف: عدد صحيح لصورة مربعة، أو زوج (height, width). تُعدّل الأبعاد وفقًا لخطوة النموذج.
max_detint300الحد الأقصى لعدد الكشوفات التي يُحتفظ بها لكل إطار قبل التتبع، ما يحد من عدد الكائنات التي يعالجها الحل في المشاهد الكثيفة.
quantizeint or strNoneدقة الاستدلال: 16 (FP16) أو 32/unset (FP32) لنماذج PyTorch وTorchScript خارج CPU؛ أما التنسيقات الأخرى فتستخدم الدقة التي يحددها الملف الاصطناعي وبيئة التشغيل. يحل هذا الوسيط محل الوسيطة half المهملة.

بالإضافة إلى ذلك، تُدعَم وسيطات التصور التالية:

المعاملالنوعالافتراضيالوصف
showboolFalseإذا كان True، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. يفيد ذلك في الحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار.

الخلاصة#

يُعد فهم توقيت استخدام أنواع التصور المختلفة وكيفيته أمرًا بالغ الأهمية لتحليل البيانات بفاعلية. فالمخططات الخطية ومخططات الأعمدة والمخططات الدائرية أدوات أساسية تساعدك على عرض قصة بياناتك بوضوح وفاعلية أكبر. يوفّر حل Analytics في Ultralytics YOLO26 طريقة مبسطة لإنشاء هذه التصورات من نتائج اكتشاف الكائنات وتتبعها، ما يسهّل استخلاص رؤى مفيدة من بياناتك المرئية.

الأسئلة الشائعة#

  • لإنشاء مخطط خطي باستخدام Ultralytics YOLO26 Analytics، اتبع الخطوات التالية:

    1. حمّل نموذج YOLO26 وافتح ملف الفيديو.
    2. هيّئ الفئة Analytics باستخدام analytics_type="line".
    3. كرّر العملية على إطارات الفيديو، مع استدعاء الحل في كل إطار لتحديث المخطط الخطي ببيانات مثل أعداد الكائنات.
    4. اكتب results.plot_im إلى فيديو ناتج لحفظ المخطط.

    استخدم مثال Python أعلاه نقطةَ انطلاق — فهو ينفّذ بالفعل حلقة الإطارات كاملةً، والمخطط الخطي هو analytics_type الافتراضي.

  • يوفر استخدام Ultralytics YOLO26 لإنشاء مخططات الأعمدة عدة فوائد:

    1. تصور البيانات في الوقت الفعلي: ادمج نتائج اكتشاف الكائنات بسلاسة في مخططات الأعمدة لتحديثها ديناميكيًا.
    2. سهولة الاستخدام: تتيح واجهة API والدوال البسيطة تنفيذ العملية وتصوير البيانات بسهولة.
    3. التخصيص: خصّص العناوين والتسميات والألوان وغير ذلك لتلبية متطلباتك المحددة.
    4. الكفاءة: عالج كميات كبيرة من البيانات بكفاءة وحدّث المخططات في الوقت الفعلي أثناء معالجة الفيديو.

    لإنشاء مخطط أعمدة، اضبط analytics_type="bar" في مثال Python أعلاه — فبقية حلقة الإطارات مطابقة. راجع قسم النماذج المرئية للاطلاع على معاينة.

  • يُعد Ultralytics YOLO26 خيارًا ممتازًا لإنشاء المخططات الدائرية للأسباب التالية:

    1. التكامل مع اكتشاف الكائنات: ادمج نتائج اكتشاف الكائنات مباشرةً في المخططات الدائرية للحصول على رؤى فورية.
    2. واجهة API سهلة الاستخدام: سهلة الإعداد والاستخدام، ولا تتطلب سوى قدر ضئيل من التعليمات البرمجية.
    3. قابلية التخصيص: تتوفر خيارات تخصيص متعددة للألوان والتسميات وغير ذلك.
    4. التحديثات في الوقت الفعلي: عالج البيانات وصوّرها في الوقت الفعلي، وهو أمر مثالي لمشروعات تحليل الفيديو.

    لإنشاء مخطط دائري، اضبط analytics_type="pie" في مثال Python أعلاه. لمزيد من المعلومات، راجع قسم النماذج المرئية في الدليل.

  • نعم. التتبع مضمّن في حل Analytics: فهو يتتبع كائنات متعددة في الوقت الفعلي ويحدّث المخطط من بيانات الكائنات المتتبَّعة كل 30 إطارًا، لذا تعكس المخططات الخطية ومخططات الأعمدة والمخططات الدائرية والمخططات المساحية الأعداد المباشرة. وهذا بالضبط ما تفعله حلقة الإطارات في مثال Python أعلاه. لمعرفة المزيد عن وظيفة التتبع الأساسية، راجع قسم التتبع.

  • يتمايز Ultralytics YOLO26 عن حلول اكتشاف الكائنات الأخرى مثل OpenCV وTensorFlow لعدة أسباب:

    1. دقة رائدة: يوفّر YOLO26 دقة فائقة في مهام اكتشاف الكائنات وتجزئة المثيلات والتجزئة الدلالية والتصنيف.
    2. سهولة الاستخدام: تتيح واجهة API سهلة الاستخدام التنفيذ والتكامل بسرعة من دون الحاجة إلى كتابة قدر كبير من التعليمات البرمجية.
    3. الأداء في الوقت الفعلي: مُحسّن للاستدلال عالي السرعة، ما يجعله مناسبًا للتطبيقات الفورية.
    4. تطبيقات متنوعة: يدعم تتبع كائنات متعددة وتدريب نماذج مخصصة والتصدير إلى تنسيقات مختلفة مثل ONNX وTensorRT وCoreML.
    5. وثائق شاملة: تتوفر وثائق وموارد مدونة وافرة لإرشاد المستخدمين في كل خطوة.

    لمزيد من المقارنات وحالات الاستخدام التفصيلية، استكشف مدونة Ultralytics.

المساهمون
GLglenn-jocher12RIRizwanMunawar9RAraimbekovm6MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

التعليقات