Ultralytics YOLO27:

التحليلات باستخدام Ultralytics YOLO26#

تحوّل التحليلات باستخدام Ultralytics YOLO26 نتائج اكتشاف الأجسام والتتبّع إلى مخططات آنية، بحيث يمكنك متابعة تغيّر أعداد الأجسام عبر إطارات الفيديو إطارًا تلو الآخر. يغطي هذا الدليل أربعة أنواع من تصوير البيانات — المخططات الخطية، والمخططات الشريطية، والمخططات الدائرية، والمخططات المساحية — ويوضح كيفية التبديل بينها باستخدام أمثلة مشتركة بلغة Python وواجهة CLI.



Watch: How to generate Analytical Graphs using Ultralytics | Line Graphs, Bar Plots, Area and Pie Charts

عينات مرئية#

مخطط خطيمخطط شريطيمخطط دائري
مخطط خطي لتحليلات YOLO لتتبّع الأجساممخطط شريطي لتحليلات YOLO لأعداد الاكتشافاتمخطط دائري لتحليلات YOLO لتوزيع الفئات

لماذا نُصوّر بيانات الاكتشاف؟#

  • تُعد المخططات الخطية مثالية لتتبّع التغيّرات خلال الفترات القصيرة والطويلة، ولمقارنة التغيّرات بين مجموعات متعددة خلال الفترة نفسها.
  • تُناسب المخططات الشريطية مقارنة الكميات عبر فئات مختلفة وإظهار العلاقات بين فئة وقيمتها العددية.
  • تُعد المخططات الدائرية فعّالة لتوضيح النسب بين الفئات وإظهار أجزاء الكل.
  • تملأ المخططات المساحية المخطط الخطي، مما يجعل قراءة أعداد الأجسام لكل فئة بمرور الوقت أسهل بنظرة سريعة.

إنشاء مخططات التحليلات#

مرّر الفيديو إلى الحل Analytics وحدد مخططًا باستخدام analytics_type. يُجري الحل الاكتشاف والتتبّع على كل إطار، ويعرض مخططًا بدقة 1280×720 (افتراضيًا) يمكنك كتابته مباشرةً في فيديو الإخراج. 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 يوضّح وسيطات التحليلات:

الوسيطةالنوعالافتراضيالوصف
modelstrNoneالمسار إلى ملف نموذج Ultralytics YOLO.
analytics_typestr'line'نوع الرسم البياني، أي line أو bar أو area أو pie.
line_widthint2سُمك الخط للصناديق والنقاط الرئيسية والأعداد التي يرسمها الحل.
verboseboolTrueيمكّن سجل الحل لكل إطار، والذي يتضمن شكل الإدخال وأعداد الفئات وسرعة المعالجة. ويظل استدعاء التتبع نفسه صامتًا دائمًا.

يمكنك أيضًا الاستفادة من وسيطات track المختلفة في الحل Analytics.

الوسيطةالنوعالافتراضيالوصف
trackerstr'botsort.yaml'يحدد خوارزمية التتبع المراد استخدامها. الخيارات المضمنة: botsort.yaml وbytetrack.yaml وocsort.yaml وdeepocsort.yaml وfasttrack.yaml وtracktrack.yaml.
conffloat0.25يضبط عتبة الثقة للاكتشافات؛ إذ تتيح القيم الأقل تتبع مزيد من الكائنات، لكنها قد تتضمن إيجابيات كاذبة.
ioufloat0.7يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الاكتشافات المتداخلة.
classeslistNoneيصفّي النتائج حسب فهرس الفئة. على سبيل المثال، لا يتتبع classes=[0, 2, 3] سوى الفئات المحددة.
devicestrNoneيحدد الجهاز المستخدم للاستدلال (مثل cpu أو cuda:0 أو 0). ويتيح للمستخدمين الاختيار بين CPU أو GPU محدد أو أجهزة حوسبة أخرى لتنفيذ النموذج.
imgszint or tuple640حجم صورة الاستدلال المستهدفة: عدد صحيح لشكل مربع أو زوج (height, width). يتم ضبط الأشكال لتتناسب مع خطوة النموذج.
max_detint300الحد الأقصى لعدد الاكتشافات المحتفظ بها لكل إطار قبل التتبع، مما يحد من الكائنات التي يعالجها الحل في المشاهد المزدحمة.
quantizeint or strNoneدقة الاستدلال: 16 (FP16) أو 32/غير محدد (FP32) لنموذجي PyTorch وTorchScript؛ بينما تحسب التنسيقات الأخرى بالدقة التي تحددها ملفاتها ومحيط تشغيلها. يحل محل علامة half المهملة.

بالإضافة إلى ذلك، تُدعَم وسيطات التصوير التالية:

الوسيطةالنوعالافتراضيالوصف
showboolFalseإذا كانت قيمة True، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. ويفيد ذلك في الحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار.

الخلاصة#

يُعد فهم توقيت استخدام أنواع التصوير المختلفة وكيفيته أمرًا بالغ الأهمية لتحليل البيانات بفعالية. فالمخططات الخطية والشريطية والدائرية أدوات أساسية يمكن أن تساعدك على عرض قصة بياناتك بوضوح وفعالية أكبر. يوفّر حل التحليلات Ultralytics YOLO26 طريقة مبسطة لإنشاء هذه التصويرات من نتائج اكتشاف الأجسام والتتبّع، مما يسهّل استخراج رؤى مفيدة من بياناتك المرئية.

الأسئلة الشائعة#

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

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

    استخدم مثال Python أعلاه كنقطة بداية — فهو ينفّذ بالفعل حلقة الإطارات الكاملة، والمخطط الخطي هو analytics_type الافتراضي.

  • يوفّر استخدام Ultralytics YOLO26 لإنشاء المخططات الشريطية فوائد عديدة:

    1. تصوير البيانات في الوقت الفعلي: دمج نتائج اكتشاف الأجسام بسلاسة في مخططات شريطية لتحديثات ديناميكية.
    2. سهولة الاستخدام: تجعل API والوظائف البسيطة تنفيذ البيانات وتصويرها أمرًا مباشرًا.
    3. التخصيص: خصّص العناوين والتسميات والألوان وغير ذلك لتلبية متطلباتك الخاصة.
    4. الكفاءة: معالجة كميات كبيرة من البيانات بكفاءة وتحديث المخططات في الوقت الفعلي أثناء معالجة الفيديو.

    لإنشاء مخطط شريطي، عيّن analytics_type="bar" في مثال Python أعلاه — وتبقى بقية حلقة الإطارات مطابقة. راجع قسم العينات المرئية للاطلاع على معاينة.

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

    1. التكامل مع اكتشاف الأجسام: دمج نتائج اكتشاف الأجسام مباشرةً في المخططات الدائرية للحصول على رؤى فورية.
    2. واجهة API سهلة الاستخدام: سهلة الإعداد والاستخدام مع الحد الأدنى من التعليمات البرمجية.
    3. قابلية التخصيص: خيارات تخصيص متنوعة للألوان والتسميات وغير ذلك.
    4. التحديثات في الوقت الفعلي: معالجة البيانات وتصويرها في الوقت الفعلي، وهو أمر مثالي لمشاريع تحليلات الفيديو.

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

  • نعم. التتبّع مضمّن في الحل Analytics: فهو يتتبّع أجسامًا متعددة في الوقت الفعلي ويحدّث المخطط من بيانات الأجسام المتتبَّعة في كل إطار، لذا تعكس المخططات الخطية والشريطية والدائرية والمساحية الأعداد المباشرة. وهذا بالضبط ما تفعله حلقة الإطارات في مثال Python أعلاه. لمعرفة المزيد عن وظيفة التتبّع الأساسية، راجع قسم التتبّع.

  • يتميّز Ultralytics YOLO26 عن حلول اكتشاف الأجسام الأخرى مثل OpenCV وTensorFlow لعدة أسباب:

    1. دقة متقدمة: يوفّر YOLO26 دقة فائقة في مهام اكتشاف الأجسام وتقسيم المثيلات والتقسيم الدلالي والتصنيف.
    2. سهولة الاستخدام: تتيح API سهلة الاستخدام التنفيذ والتكامل بسرعة دون الحاجة إلى كتابة تعليمات برمجية واسعة.
    3. الأداء في الوقت الفعلي: مُحسّن للاستدلال عالي السرعة، مما يجعله مناسبًا للتطبيقات الآنية.
    4. تطبيقات متنوعة: يدعم التتبّع متعدد الأجسام، وتدريب النماذج المخصصة، والتصدير إلى تنسيقات مختلفة مثل ONNX وTensorRT وCoreML.
    5. توثيق شامل: توثيق موسّع وموارد مدونة لإرشاد المستخدمين خلال كل خطوة.

    لمزيد من المقارنات وحالات الاستخدام التفصيلية، استكشف مدونة Ultralytics.

المساهمون
GLglenn-jocher11RIRizwanMunawar9RAraimbekovm6MAMatthewNoyce2LAlakshanthad1IVIvorZhu3311

التعليقات