ما الفرق بين تجزئة المثيلات وتتبع الكائنات في Ultralytics YOLO26؟

تقوم تجزئة المثيلات بتحديد وتخطيط الكائنات الفردية داخل الصورة، مما يمنح كل كائن تسمية وقناعاً فريدين. يوسع تتبع الكائنات ذلك من خلال تعيين معرفات ثابتة للكائنات عبر إطارات الفيديو، مما يسهل التتبع المستمر لنفس الكائنات بمرور الوقت. عند دمجهما، كما هو الحال في تنفيذ YOLO26، تحصل على قدرات قوية لتحليل حركة وسلوك الكائنات في مقاطع الفيديو مع الحفاظ على معلومات دقيقة عن الحدود.

لماذا يجب أن أستخدم Ultralytics YOLO26 لتجزئة المثيلات والتتبع بدلاً من نماذج أخرى مثل Mask R-CNN أو Faster R-CNN؟

يقدم Ultralytics YOLO26 أداءً في الوقت الفعلي، ودقة فائقة، وسهولة في الاستخدام مقارنة بالنماذج الأخرى مثل Mask R-CNN أو Faster R-CNN. يعالج YOLO26 الصور في تمريرة واحدة (كشف أحادي المرحلة)، مما يجعله أسرع بكثير مع الحفاظ على دقة عالية. كما يوفر تكاملاً سلساً مع منصة Ultralytics، مما يتيح للمستخدمين إدارة النماذج ومجموعات البيانات وخطوط أنابيب التدريب بكفاءة. بالنسبة للتطبيقات التي تتطلب السرعة والدقة معاً، يوفر YOLO26 التوازن الأمثل.

هل هناك أي مجموعات بيانات مقدمة من Ultralytics مناسبة لتدريب نماذج YOLO26 لتجزئة المثيلات والتتبع؟

نعم، يقدم Ultralytics عدة مجموعات بيانات مناسبة لتدريب نماذج YOLO26 لتجزئة المثيلات، بما في ذلك COCO-Seg وCOCO8-Seg (مجموعة فرعية أصغر للاختبار السريع) وPackage-Seg وCrack-Seg. تأتي مجموعات البيانات هذه مصحوبة بتعليقات توضيحية على مستوى البكسل اللازمة لمهام تجزئة المثيلات. بالنسبة للتطبيقات الأكثر تخصيصاً، يمكنك أيضاً إنشاء مجموعات بيانات مخصصة تتبع تنسيق Ultralytics. يمكن العثور على معلومات مجموعة البيانات الكاملة وتعليمات الاستخدام في وثائق مجموعات بيانات Ultralytics.

تجزئة المثيلات والتتبع باستخدام Ultralytics YOLO26 🚀#

ما هي تجزئة المثيلات؟#

تجزئة المثيلات هي مهمة رؤية حاسوبية تتضمن تحديد وتحديد الخطوط العريضة للكائنات الفردية في الصورة على مستوى البكسل. على عكس التجزئة الدلالية التي تصنف البكسلات حسب الفئة فقط، تقوم تجزئة المثيلات بتسمية كل مثيل كائنات وتحديد حدوده بدقة فريدة، مما يجعلها بالغة الأهمية للتطبيقات التي تتطلب فهماً مكانياً مفصلاً مثل التصوير الطبي، والقيادة الذاتية، والأتمتة الصناعية.

يوفر Ultralytics YOLO26 قدرات قوية لتجزئة المثيلات تتيح الكشف الدقيق عن حدود الكائنات مع الحفاظ على السرعة والكفاءة التي تشتهر بها نماذج YOLO.

هناك نوعان من تتبع تجزئة المثيلات المتاح في حزمة Ultralytics:

تجزئة المثيلات مع كائنات الفئة: يتم تعيين لون فريد لكل كائن فئة للفصل البصري الواضح.
تجزئة المثيلات مع تتبع الكائنات: يتم تمثيل كل مسار بلون مميز، مما يسهل التعرف عليه وتتبعه عبر إطارات الفيديو.

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

عينات#

تقسيم المثيلات	تجزئة المثيلات + تتبع الكائنات

تجزئة مثيلات Ultralytics 😍	تجزئة مثيلات Ultralytics مع تتبع الكائنات 🔥

التجزئة والتتبع باستخدام YOLO26#

يقوم حل InstanceSegmentation بتشغيل نموذج تجزئة YOLO26 على كل إطار، ويرسم أقنعة لكل كائن، ويلون كل مثيل على حدة ليتسنى لك تتبع الكائنات الفردية عبر الفيديو. قم بتحميل نموذج -seg، ثم قم بتشغيله على المصدر الخاص بك باستخدام واجهة برمجة التطبيقات Python أو واجهة سطر الأوامر CLI.

تجزئة المثيلات باستخدام Ultralytics YOLO

# Instance segmentation using Ultralytics YOLO26
yolo solutions isegment show=True

# Pass a source video
yolo solutions isegment source="path/to/video.mp4"

# Monitor the specific classes
yolo solutions isegment classes="[0, 5]"

وسائط `InstanceSegmentation`#

إليك جدول يحتوي على وسائط InstanceSegmentation:

الوسيط	النوع	الافتراضي	الوصف
`model`	`str`	`None`	المسار إلى ملف نموذج Ultralytics YOLO.
`line_width`	`int`	`2`	سمك الخط للمربعات والنقاط الرئيسية والعدادات التي ترسمها الحلول.
`verbose`	`bool`	`True`	يمكّن سجل الحلول لكل إطار لشكل الإدخال، وعدد الفئات، وسرعة المعالجة. استدعاء التتبع بحد ذاته صامت دائماً.

يمكنك أيضاً الاستفادة من وسائط track داخل حل InstanceSegmentation:

الوسيط	النوع	الافتراضي	الوصف
`tracker`	`str`	`'botsort.yaml'`	يحدد خوارزمية التتبع المراد استخدامها. الخيارات المضمنة: `botsort.yaml`، و`bytetrack.yaml`، و`ocsort.yaml`، و`deepocsort.yaml`، و`fasttrack.yaml`، و`tracktrack.yaml`.
`conf`	`float`	`0.25`	يضبط عتبة الثقة للاكتشافات؛ تسمح القيم المنخفضة بتتبع المزيد من الكائنات ولكنها قد تتضمن إيجابيات كاذبة.
`iou`	`float`	`0.7`	يحدد عتبة Intersection over Union (IoU) لتصفية عمليات الكشف المتداخلة.
`classes`	`list`	`None`	يقوم بتصفية النتائج حسب الفهرس الفئة. على سبيل المثال، يقوم `classes=[0, 2, 3]` بتتبع الفئات المحددة فقط.
`device`	`str`	`None`	يحدد الجهاز للاستدلال (مثل `cpu` أو `cuda:0` أو `0`). يسمح للمستخدمين بالاختيار بين وحدة المعالجة المركزية (CPU)، أو وحدة معالجة رسومية (GPU) محددة، أو أجهزة الحوسبة الأخرى لتنفيذ النموذج.

علاوة على ذلك، تتوفر وسائط التصور التالية:

الوسيط	النوع	الافتراضي	الوصف
`show`	`bool`	`False`	إذا كان `True`، يعرض الصور أو الفيديوهات المشروحة في نافذة. مفيد للحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار.
`show_conf`	`bool`	`True`	يعرض درجة الثقة لكل اكتشاف بجانب التصنيف. يوفر رؤية حول مدى يقين النموذج في كل اكتشاف.
`show_labels`	`bool`	`True`	يعرض تصنيفات كل اكتشاف في المخرجات المرئية. يوفر فهماً فورياً للكائنات المكتشفة.
`show_boxes`	`bool`	`True`	يرسم صناديق الإحاطة حول الكائنات المكتشفة. ضروري للتحديد البصري وموقع الكائنات في الصور أو إطارات الفيديو.

تطبيقات تجزئة المثيلات#

تتمتع تجزئة المثيلات باستخدام YOLO26 بالعديد من التطبيقات الواقعية عبر مختلف الصناعات:

إدارة النفايات وإعادة التدوير#

يمكن استخدام YOLO26 في مرافق إدارة النفايات لتحديد وفرز أنواع مختلفة من المواد. يمكن للنموذج تجزئة نفايات البلاستيك، والكرتون، والمعادن، وغيرها من المواد القابلة لإعادة التدوير بدقة عالية، مما يتيح أنظمة الفرز الآلية لمعالجة النفايات بكفاءة أكبر. وهذا أمر ذو قيمة خاصة بالنظر إلى أن حوالي 10% فقط من أصل 7 مليارات طن من النفايات البلاستيكية المنتجة عالمياً تتم إعادة تدويرها.

المركبات ذاتية القيادة#

في السيارات ذاتية القيادة، تساعد تجزئة المثيلات في تحديد وتتبع المشاة، والمركبات، وإشارات المرور، وعناصر الطريق الأخرى على مستوى البكسل. يُعد هذا الفهم الدقيق للبيئة أمراً بالغ الأهمية لاتخاذ قرارات الملاحة والسيطرة على السلامة. تجعل الأداء في الوقت الفعلي لـ YOLO26 مثالياً لهذه التطبيقات الحساسة للوقت.

التصوير الطبي#

يمكن لتجزئة المثيلات تحديد وتحديد الخطوط العريضة للأورام، أو الأعضاء، أو الهياكل الخلوية في عمليات المسح الطبي. تجعل قدرة YOLO26 على تحديد حدود الكائنات بدقة أمراً قيماً لـ التشخيص الطبي وتخطيط العلاج.

مراقبة مواقع البناء#

في مواقع البناء، يمكن لتجزئة المثيلات تتبع الآلات الثقيلة، والعمال، والمواد. يساعد هذا في ضمان السلامة من خلال مراقبة مواقع المعدات والكشف عن دخول العمال إلى المناطق الخطرة، مع تحسين سير العمل وتخصيص الموارد في الوقت ذاته.

الأسئلة الشائعة#

لتنفيذ تجزئة المثيلات باستخدام Ultralytics YOLO26، قم بتهيئة نموذج YOLO بإصدار تجزئة من YOLO26 ومعالجة إطارات الفيديو من خلاله. إليك مثال برمجي مبسط:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init InstanceSegmentation
isegment = solutions.InstanceSegmentation(
    show=True,  # display the output
    model="yolo26n-seg.pt",  # model="yolo26n-seg.pt" for object segmentation using YOLO26.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = isegment(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

تعرف على المزيد حول تجزئة المثيلات في دليل Ultralytics YOLO26.

تقوم تجزئة المثيلات بتحديد وتخطيط الكائنات الفردية داخل الصورة، مما يمنح كل كائن تسمية وقناعاً فريدين. يوسع تتبع الكائنات ذلك من خلال تعيين معرفات ثابتة للكائنات عبر إطارات الفيديو، مما يسهل التتبع المستمر لنفس الكائنات بمرور الوقت. عند دمجهما، كما هو الحال في تنفيذ YOLO26، تحصل على قدرات قوية لتحليل حركة وسلوك الكائنات في مقاطع الفيديو مع الحفاظ على معلومات دقيقة عن الحدود.
يقدم Ultralytics YOLO26 أداءً في الوقت الفعلي، ودقة فائقة، وسهولة في الاستخدام مقارنة بالنماذج الأخرى مثل Mask R-CNN أو Faster R-CNN. يعالج YOLO26 الصور في تمريرة واحدة (كشف أحادي المرحلة)، مما يجعله أسرع بكثير مع الحفاظ على دقة عالية. كما يوفر تكاملاً سلساً مع منصة Ultralytics، مما يتيح للمستخدمين إدارة النماذج ومجموعات البيانات وخطوط أنابيب التدريب بكفاءة. بالنسبة للتطبيقات التي تتطلب السرعة والدقة معاً، يوفر YOLO26 التوازن الأمثل.
نعم، يقدم Ultralytics عدة مجموعات بيانات مناسبة لتدريب نماذج YOLO26 لتجزئة المثيلات، بما في ذلك COCO-Seg وCOCO8-Seg (مجموعة فرعية أصغر للاختبار السريع) وPackage-Seg وCrack-Seg. تأتي مجموعات البيانات هذه مصحوبة بتعليقات توضيحية على مستوى البكسل اللازمة لمهام تجزئة المثيلات. بالنسبة للتطبيقات الأكثر تخصيصاً، يمكنك أيضاً إنشاء مجموعات بيانات مخصصة تتبع تنسيق Ultralytics. يمكن العثور على معلومات مجموعة البيانات الكاملة وتعليمات الاستخدام في وثائق مجموعات بيانات Ultralytics.

المساهمون

GLglenn-jocher¹⁷ RIRizwanMunawar⁸ RAraimbekovm⁶ MImiles-deans-ultralytics¹ PDpderrenger¹ LEleonnil¹ MAMatthewNoyce¹ IVIvorZhu331¹

تم الإنشاء 18 ديسمبر 2023تم التحديث قبل 5 أيام