اقتصاص الكائنات باستخدام Ultralytics YOLO11

ما هو اقتصاص الكائن؟

اقتصاص الكائنات باستخدام Ultralytics YOLO11 يتضمن عزل واستخراج كائنات محددة مكتشفة من صورة أو فيديو. يتم استخدام إمكانيات نموذج YOLO11 لتحديد الأجسام وتحديدها بدقة، مما يتيح الاقتصاص الدقيق لإجراء مزيد من التحليل أو المعالجة.

شاهد: اقتصاص الكائنات باستخدام Ultralytics YOLO

مزايا اقتصاص الكائنات؟

• التحليل المُركّز: YOLO11 يسهّل التحليل المُركّز: اقتصاص العناصر المستهدفة، مما يسمح بفحص أو معالجة متعمقة للعناصر الفردية داخل المشهد.
• تقليل حجم البيانات: من خلال استخراج الكائنات ذات الصلة فقط، يساعد اقتصاص الكائنات في تقليل حجم البيانات، مما يجعلها فعالة للتخزين أو النقل أو المهام الحسابية اللاحقة.
• دقة محسّنة: تضمن دقة الكشف عن الأجسام في YOLO11 أن تحافظ الأجسام التي تم اقتصاصها على علاقاتها المكانية، مما يحافظ على سلامة المعلومات المرئية للتحليل التفصيلي.

المرئيات

أمتعة المطار
اقتصاص الحقائب في الحزام الناقل بالمطار باستخدام Ultralytics YOLO11

import os

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n.pt")
names = model.names

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

crop_dir_name = "ultralytics_crop"
if not os.path.exists(crop_dir_name):
    os.mkdir(crop_dir_name)

# Video writer
video_writer = cv2.VideoWriter("object_cropping_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

idx = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0, show=False)
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    annotator = Annotator(im0, line_width=2, example=names)

    if boxes is not None:
        for box, cls in zip(boxes, clss):
            idx += 1
            annotator.box_label(box, color=colors(int(cls), True), label=names[int(cls)])

            crop_obj = im0[int(box[1]) : int(box[3]), int(box[0]) : int(box[2])]

            cv2.imwrite(os.path.join(crop_dir_name, str(idx) + ".png"), crop_obj)

    cv2.imshow("ultralytics", im0)
    video_writer.write(im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

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

الحجج model.predict

الأسئلة الشائعة

ما هو اقتصاص الكائنات في Ultralytics YOLO11 وكيف يعمل؟

اقتصاص الكائنات باستخدام Ultralytics YOLO11 يتضمن عزل واستخراج كائنات محددة من صورة أو مقطع فيديو استنادًا إلى قدرات الكشف YOLO11. تسمح هذه العملية بإجراء تحليل مركّز وتقليل حجم البيانات وتعزيز الدقة من خلال الاستفادة من YOLO11 لتحديد الأجسام بدقة عالية واقتصاصها وفقًا لذلك. للحصول على برنامج تعليمي متعمق، راجع مثال اقتصاص الكائنات.

لماذا يجب استخدام Ultralytics YOLO11 لاقتصاص الكائنات بدلاً من الحلول الأخرى؟

Ultralytics YOLO11 نظرًا لدقته وسرعته وسهولة استخدامه. فهو يسمح باكتشاف الكائنات واقتصاصها بشكل مفصّل ودقيق، وهو أمر ضروري للتحليل المركّز والتطبيقات التي تحتاج إلى تكامل عالٍ للبيانات. وعلاوةً على ذلك، يتكامل YOLO11 بسلاسة مع أدوات مثل OpenVINO و TensorRT لعمليات النشر التي تتطلب قدرات في الوقت الفعلي والتحسين على أجهزة متنوعة. استكشف الفوائد في الدليل الخاص بتصدير النماذج.

كيف يمكنني تقليل حجم بيانات مجموعة البيانات الخاصة بي باستخدام اقتصاص الكائنات؟

من خلال استخدام Ultralytics YOLO11 لاقتصاص الكائنات ذات الصلة فقط من الصور أو مقاطع الفيديو الخاصة بك، يمكنك تقليل حجم البيانات بشكل كبير، مما يجعلها أكثر كفاءة للتخزين والمعالجة. تتضمن هذه العملية تدريب النموذج على اكتشاف كائنات محددة ثم استخدام النتائج لاقتصاص هذه الأجزاء وحفظها فقط. لمزيد من المعلومات حول استغلال إمكانيات Ultralytics YOLO11 ، تفضل بزيارة دليل البدء السريع.

هل يمكنني استخدام Ultralytics YOLO11 لتحليل الفيديو في الوقت الفعلي واقتصاص الأجسام؟

نعم، يمكن للنموذج Ultralytics YOLO11 معالجة موجزات الفيديو في الوقت الفعلي لاكتشاف الأجسام واقتصاصها ديناميكيًا. إن قدرات الاستدلال عالية السرعة التي يتمتع بها النموذج تجعله مثاليًا للتطبيقات في الوقت الفعلي مثل المراقبة والتحليل الرياضي وأنظمة الفحص الآلي. تحقق من أوضاع التتبع والتنبؤ لفهم كيفية تنفيذ المعالجة في الوقت الفعلي.

ما هي متطلبات الأجهزة اللازمة لتشغيل YOLO11 بكفاءة في اقتصاص الكائنات؟

Ultralytics YOLO11 تم تحسينه لكلٍ من بيئات CPU و GPU ، ولكن لتحقيق الأداء الأمثل، خاصةً للاستدلال في الوقت الحقيقي أو الاستدلال بكميات كبيرة، يوصى باستخدام GPU مخصص (على سبيل المثال، NVIDIA تسلا، سلسلة RTX). للنشر على الأجهزة خفيفة الوزن، فكر في استخدام CoreML لـ iOS أو TFLite لـ Android. يمكن العثور على مزيد من التفاصيل حول الأجهزة والتنسيقات المدعومة في خيارات نشر النموذج لدينا.

📅 تم الإنشاء منذ 11 شهرًا ✏️ تم التحديث منذ 2 أشهر

التعليقات