تمويه الأجسام باستخدام Ultralytics YOLO26#
ما تمويه الأجسام؟#
يتضمن تمويه الأجسام باستخدام Ultralytics YOLO26 تطبيق تأثير تمويه على أجسام محددة جرى اكتشافها في صورة أو مقطع فيديو. ويمكن تحقيق ذلك باستخدام إمكانات نموذج YOLO26 لتحديد الأجسام داخل مشهد معين ومعالجتها.
شاهد: كيفية تدريب نموذج لاكتشاف الوجوه باستخدام منصة Ultralytics وتمويه الوجوه | Ultralytics YOLO26 🚀
مزايا تمويه الأجسام#
- حماية الخصوصية: يُعد تمويه الأجسام أداة فعّالة لحماية الخصوصية، إذ يحجب المعلومات الحساسة أو المحددة للهوية الشخصية في الصور أو مقاطع الفيديو.
- التركيز الانتقائي: يتيح YOLO26 التمويه الانتقائي، ما يمكّن المستخدمين من استهداف أجسام محددة وتحقيق التوازن بين الخصوصية والاحتفاظ بالمعلومات المرئية ذات الصلة.
- المعالجة في الوقت الفعلي: تتيح كفاءة YOLO26 تمويه الأجسام في الوقت الفعلي، ما يجعله مناسبًا للتطبيقات التي تتطلب تحسينات فورية للخصوصية في البيئات الديناميكية.
- الامتثال التنظيمي: يساعد المؤسسات على الامتثال للوائح حماية البيانات مثل GDPR، وذلك بإخفاء هوية المعلومات التي تكشف الهوية في المحتوى المرئي.
- إدارة المحتوى: مفيد لتمويه المحتوى غير اللائق أو الحساس على منصات الوسائط، مع الحفاظ على السياق العام.
تمويه الأجسام باستخدام YOLO26#
مرّر الفيديو إلى الحل ObjectBlurrer، وسيكتشف الأجسام في كل إطار ويطبّق تمويهًا متوسطًا (مستطيليًا) على كل اكتشاف. تحكّم في شدة التأثير باستخدام blur_ratio (من 0.1 إلى 1.0)، واقصر التمويه على قيم classes محددة — مثل الأشخاص والسيارات فقط.
# Blur the objects
yolo solutions blur show=True
# Pass a source video
yolo solutions blur source="path/to/video.mp4"
# Blur the specific classes
yolo solutions blur classes="[0, 5]"وسيطات ObjectBlurrer#
إليك جدولًا بمعاملات ObjectBlurrer:
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
model | str | None | مسار ملف نموذج Ultralytics YOLO. |
blur_ratio | float | 0.5 | يضبط نسبة شدة التمويه، ضمن النطاق 0.1 - 1.0. |
line_width | int | 2 | سماكة الخط للصناديق والنقاط المفتاحية والعدادات التي يرسمها الحل. |
verbose | bool | True | يفعّل سجل الحل لكل إطار، ويشمل شكل المدخل وعدد الفئات وسرعة المعالجة. يظل استدعاء التتبع نفسه صامتًا دائمًا. |
يدعم الحل ObjectBlurrer أيضًا مجموعة من الوسائط track:
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | يحدد خوارزمية التتبع المطلوب استخدامها. الخيارات المضمنة: botsort.yaml، bytetrack.yaml، ocsort.yaml، deepocsort.yaml، fasttrack.yaml، tracktrack.yaml. |
conf | float | 0.25 | يضبط عتبة الثقة للكشوفات؛ إذ تسمح القيم الأقل بتتبع مزيد من الكائنات، لكنها قد تتضمن إيجابيات كاذبة. |
iou | float | 0.7 | يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الكشوفات المتداخلة. |
classes | list | None | يصفّي النتائج حسب فهرس الفئة. على سبيل المثال، لا يتتبع classes=[0, 2, 3] إلا الفئات المحددة. |
device | str | None | يحدد الجهاز المستخدم للاستدلال (مثل cpu أو cuda:0 أو 0). ويتيح للمستخدمين الاختيار بين CPU أو GPU محددة أو أجهزة حوسبة أخرى لتنفيذ النموذج. |
imgsz | int or tuple | 640 | حجم صورة الاستدلال المستهدف: عدد صحيح لصورة مربعة، أو زوج (height, width). تُعدّل الأبعاد وفقًا لخطوة النموذج. |
max_det | int | 300 | الحد الأقصى لعدد الكشوفات التي يُحتفظ بها لكل إطار قبل التتبع، ما يحد من عدد الكائنات التي يعالجها الحل في المشاهد الكثيفة. |
quantize | int or str | None | دقة 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. |
علاوة على ذلك، يمكن استخدام وسائط التصوير المرئي التالية:
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
show | bool | False | إذا كان True، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. يفيد ذلك في الحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار. |
show_conf | bool | True | يعرض درجة الثقة لكل اكتشاف بجوار التسمية، ما يوضح مدى يقين النموذج بشأن كل اكتشاف. |
show_labels | bool | True | يعرض تسميات كل اكتشاف في المخرجات المرئية، ما يتيح فهم الكائنات المكتشفة فورًا. |
تطبيقات واقعية#
حماية الخصوصية في المراقبة#
يمكن لكاميرات الأمن وأنظمة المراقبة استخدام YOLO26 لتمويه الوجوه أو لوحات ترخيص المركبات أو غيرها من المعلومات التي تكشف الهوية تلقائيًا، مع الاستمرار في تسجيل الأنشطة المهمة. ويساعد ذلك على الحفاظ على الأمن مع احترام حقوق الخصوصية في الأماكن العامة.
إخفاء هوية البيانات الصحية#
في التصوير الطبي، غالبًا ما تظهر معلومات المرضى في الصور أو لقطات الفحص. يستطيع YOLO26 اكتشاف هذه المعلومات وتمويهها للامتثال للوائح مثل HIPAA عند مشاركة البيانات الطبية لأغراض البحث أو التعليم.
تنقيح المستندات#
عند مشاركة مستندات تحتوي على معلومات حساسة، يستطيع YOLO26 اكتشاف عناصر محددة مثل التوقيعات أو أرقام الحسابات أو التفاصيل الشخصية وتمويهها تلقائيًا، ما يسهّل عملية التنقيح مع الحفاظ على سلامة المستند.
الوسائط وإنشاء المحتوى#
يمكن لمنشئي المحتوى استخدام YOLO26 لتمويه شعارات العلامات التجارية أو المواد المحمية بحقوق الطبع والنشر أو المحتوى غير اللائق في مقاطع الفيديو والصور، ما يساعد على تجنب المشكلات القانونية مع الحفاظ على جودة المحتوى الإجمالية.
الأسئلة الشائعة#
يتضمن تمويه الأجسام باستخدام Ultralytics YOLO26 اكتشاف أجسام محددة في الصور أو مقاطع الفيديو وتطبيق تأثير التمويه عليها تلقائيًا. وتعزز هذه التقنية الخصوصية عبر حجب المعلومات الحساسة مع الاحتفاظ بالبيانات المرئية ذات الصلة. تجعل إمكانات المعالجة في الوقت الفعلي لدى YOLO26 منه خيارًا مناسبًا للتطبيقات التي تتطلب حماية فورية للخصوصية وتعديلات انتقائية للتركيز.
استخدم مثال Python أعلاه، الذي يشغّل اكتشاف الأجسام باستخدام YOLO26 ويموّه كل اكتشاف في كل إطار. اضبط
blur_ratio(مثل0.5لشدة تمويه تبلغ 50٪) للتحكم في التأثير، ومرّرclassesلتمويه أنواع محددة من الأجسام فقط.يقدم Ultralytics YOLO26 عدة مزايا لتمويه الأجسام:
- حماية الخصوصية: حجب المعلومات الحساسة أو المحددة للهوية بفعالية.
- التركيز الانتقائي: استهداف أجسام محددة لتمويهها مع الحفاظ على المحتوى المرئي الأساسي.
- المعالجة في الوقت الفعلي: تنفيذ تمويه الأجسام بكفاءة في البيئات الديناميكية، بما يناسب تحسينات الخصوصية الفورية.
- شدة قابلة للتخصيص: ضبط نسبة التمويه لتحقيق التوازن بين متطلبات الخصوصية والسياق المرئي.
- تمويه مخصص للفئات: اختيار أنواع معينة من الأجسام لتمويهها، مع إبقاء الأنواع الأخرى ظاهرة.
لمعرفة المزيد عن التطبيقات التفصيلية، راجع قسم مزايا تمويه الأجسام.
نعم، يمكن إعداد Ultralytics YOLO26 لاكتشاف الوجوه في مقاطع الفيديو وتمويهها لحماية الخصوصية. ويمكن معالجة نتائج الاكتشاف باستخدام OpenCV لتطبيق تأثير التمويه، بعد تدريب نموذج على التعرّف على الوجوه تحديدًا أو استخدام نموذج مدرّب مسبقًا لهذا الغرض. راجع دليلنا حول اكتشاف الأجسام باستخدام YOLO26، وعدّل الشفرة لاستهداف اكتشاف الوجوه.
يتفوق Ultralytics YOLO26 عادةً على نماذج مثل Faster R-CNN من حيث السرعة، ما يجعله أنسب للتطبيقات التي تعمل في الوقت الفعلي. وعلى الرغم من أن كلا النموذجين يوفّران اكتشافًا دقيقًا، فإن بنية YOLO26 محسّنة للاستدلال السريع، وهو أمر بالغ الأهمية لمهام مثل تمويه الأجسام في الوقت الفعلي. تعرّف على المزيد عن الفروق التقنية ومقاييس الأداء في وثائق YOLO26.