قصّ العناصر باستخدام Ultralytics YOLO26#
ما المقصود بقصّ العناصر؟#
يتضمن قصّ العناصر باستخدام Ultralytics YOLO26 عزل عناصر محددة مكتشفة في صورة أو مقطع فيديو واستخراجها. وتُستخدم إمكانات نموذج YOLO26 لتحديد العناصر ورسم حدودها بدقة، ما يتيح قصّها بدقة لإجراء مزيد من التحليل أو المعالجة.
شاهد: اقتصاص الكائنات باستخدام Ultralytics YOLO
مزايا قصّ العناصر#
- تحليل مركّز: يتيح YOLO26 قصّ عناصر محددة، ما يسمح بفحص العناصر الفردية في المشهد أو معالجتها بعمق.
- تقليل حجم البيانات: يساعد قصّ العناصر على تقليل حجم البيانات عبر استخراج العناصر ذات الصلة فقط، ما يسهّل التخزين والنقل والمهام الحاسوبية اللاحقة.
- دقة محسّنة: يضمن كشف العناصر ودقته في YOLO26 احتفاظ العناصر المقصوصة بعلاقاتها المكانية، والحفاظ على سلامة المعلومات المرئية لإجراء تحليل مفصل.
المرئيات#
| أمتعة المطار |
|---|
 |
| قصّ حقائب السفر على سير ناقل في المطار باستخدام Ultralytics YOLO26 |
قصّ العناصر باستخدام YOLO26#
مرّر مقطع الفيديو إلى حل ObjectCropper، وسيكتشف العناصر في كل إطار ويحفظ كل عملية كشف في صورة منفصلة. قصّر القصّ على classes محددة، وارفع conf للاحتفاظ بعمليات الكشف عالية الثقة فقط، وحدد crop_dir لاختيار مكان حفظ الصور المقصوصة.
# Crop the objects
yolo solutions crop
# Pass a source video
yolo solutions crop source="path/to/video.mp4"
# Crop specific classes
yolo solutions crop classes="[0, 2]"وسيطات ObjectCropper#
إليك جدولًا بمعاملات ObjectCropper:
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
model | str | None | مسار ملف نموذج Ultralytics YOLO. |
crop_dir | str | 'cropped-detections' | اسم الدليل الذي تُحفظ فيه الاكتشافات المقصوصة. |
verbose | bool | True | يفعّل سجل الحل لكل إطار، ويشمل شكل المدخل وعدد الفئات وسرعة المعالجة. يظل استدعاء التتبع نفسه صامتًا دائمًا. |
يشغّل ObjectCropper predict بدلًا من track، لذا فهو يدعم معلمات الاستدلال التالية باستثناء tracker:
| 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/غير محدد (FP32) لنماذج PyTorch وTorchScript؛ أما التنسيقات الأخرى فتحسب بالدقة التي يحددها الملف الاصطناعي وبيئة التشغيل. يحل هذا الوسيط محل العلامة half التي أُهمل استخدامها. |
الأسئلة الشائعة#
يتضمن قصّ العناصر باستخدام Ultralytics YOLO26 عزل عناصر محددة واستخراجها من صورة أو مقطع فيديو استنادًا إلى إمكانات الكشف في YOLO26. تتيح هذه العملية إجراء تحليل مركّز وتقليل حجم البيانات وتحسين الدقة، وذلك بالاستفادة من YOLO26 لتحديد العناصر بدقة عالية وقصّها وفقًا لذلك. للاطلاع على شرح تعليمي مفصل، راجع مثال قصّ العناصر.
تتميّز Ultralytics YOLO26 بدقتها وسرعتها وسهولة استخدامها. فهي تتيح كشف العناصر وقصّها بدقة وتفصيل، وهو أمر ضروري لـالتحليل المركّز والتطبيقات التي تتطلب سلامة عالية للبيانات. كما يتكامل YOLO26 بسلاسة مع أدوات مثل OpenVINO وTensorRT لعمليات النشر التي تتطلب إمكانات آنية وتحسينًا على أجهزة متنوعة. تعرّف على المزايا في دليل تصدير النماذج.
يمكنك تقليل حجم البيانات بدرجة كبيرة، وتحسين كفاءة التخزين والمعالجة، باستخدام Ultralytics YOLO26 لقصّ العناصر ذات الصلة فقط من صورك أو مقاطع الفيديو. تتضمن هذه العملية تدريب النموذج على كشف عناصر محددة، ثم استخدام النتائج لقصّ هذه الأجزاء وحفظها فقط. لمزيد من المعلومات حول الاستفادة من إمكانات Ultralytics YOLO26، راجع دليل البدء السريع.
نعم، يمكن لـ Ultralytics YOLO26 معالجة تدفقات الفيديو في الوقت الفعلي لكشف العناصر وقصّها ديناميكيًا. تجعل إمكانات الاستدلال عالية السرعة النموذج مثاليًا للتطبيقات الآنية، مثل المراقبة وتحليل الرياضة وأنظمة الفحص الآلي. اطّلع على أوضاع التتبّع والتنبؤ لفهم كيفية تنفيذ المعالجة الآنية.
جرى تحسين Ultralytics YOLO26 للعمل على بيئتي CPU وGPU، لكن يُوصى باستخدام GPU مخصص (مثل NVIDIA Tesla أو سلسلة RTX) لتحقيق أفضل أداء، ولا سيما للاستدلال الآني أو عالي الحجم. للنشر على الأجهزة محدودة الموارد، فكّر في استخدام CoreML لنظام iOS أو LiteRT لنظام Android. ويمكنك العثور على مزيد من التفاصيل حول الأجهزة والتنسيقات المدعومة ضمن خيارات نشر النماذج.