تقدير السرعة باستخدام Ultralytics YOLO26#
ما المقصود بتقدير السرعة؟#
تقدير السرعة هو عملية حساب معدل حركة جسم ما ضمن سياق محدد، ويُستخدم غالبًا في تطبيقات الرؤية الحاسوبية. باستخدام Ultralytics YOLO26، يمكنك الآن حساب سرعة الأجسام بالاستعانة بـتتبّع الأجسام إلى جانب بيانات المسافة والزمن، وهو أمر بالغ الأهمية لمهام مثل مراقبة حركة المرور والمراقبة الأمنية. وتؤثر دقة تقدير السرعة مباشرةً في كفاءة مختلف التطبيقات وموثوقيتها، ما يجعلها مكوّنًا أساسيًا في تطوير الأنظمة الذكية وعمليات اتخاذ القرار في الوقت الفعلي.
Watch: Speed Estimation using Ultralytics YOLO26
للاطّلاع على رؤى أعمق حول تقدير السرعة، راجع منشور مدونتنا: Ultralytics YOLO لتقدير السرعة في مشاريع الرؤية الحاسوبية
مزايا تقدير السرعة#
- التحكم الفعّال في حركة المرور: يساعد تقدير السرعة الدقيق في إدارة تدفق حركة المرور، وتعزيز السلامة، وتقليل الازدحام على الطرق.
- الملاحة الذاتية الدقيقة: في الأنظمة الذاتية مثل السيارات ذاتية القيادة، يضمن تقدير السرعة الموثوق ملاحة المركبات بأمان ودقة.
- تعزيز أمن المراقبة: يساعد تقدير السرعة في تحليلات المراقبة على تحديد السلوكيات غير المعتادة أو التهديدات المحتملة، ما يحسّن فعالية التدابير الأمنية.
التطبيقات الواقعية#
| النقل | النقل |
|---|---|
 |  |
| تقدير السرعة على الطريق باستخدام Ultralytics YOLO26 | تقدير السرعة على الجسر باستخدام Ultralytics YOLO26 |
السرعة تقديرية
ستكون السرعة تقديرية وقد لا تكون دقيقة تمامًا. بالإضافة إلى ذلك، قد يختلف التقدير باختلاف مواصفات الكاميرا والعوامل ذات الصلة.
تقدير السرعة باستخدام YOLO26#
يتتبّع الحل SpeedEstimator كل جسم عبر الإطارات، ويحوّل إزاحته بالبكسل إلى سرعة باستخدام معدل إطارات الفيديو (fps) ومقياس واقعي (meter_per_pixel). اضبط meter_per_pixel بما يتناسب مع إعداد الكاميرا لديك، واستخدم max_speed للحد من القيم الشاذة الناتجة عن مسارات التتبّع المشوشة.
# Run a speed example
yolo solutions speed show=True
# Pass a source video
yolo solutions speed source="path/to/video.mp4"
# Adjust meter per pixel value based on camera configuration
yolo solutions speed meter_per_pixel=0.05وسيطات SpeedEstimator#
إليك جدولًا بوسيطات SpeedEstimator:
| الوسيطة | النوع | الافتراضي | الوصف |
|---|---|---|---|
model | str | None | المسار إلى ملف نموذج Ultralytics YOLO. |
fps | float | 30.0 | عدد الإطارات في الثانية المستخدم لحسابات السرعة. |
max_hist | int | 5 | الحد الأقصى للنقاط التاريخية التي ينبغي تتبعها لكل كائن لحسابات السرعة والاتجاه. |
meter_per_pixel | float | 0.05 | عامل القياس المستخدم لتحويل مسافة البكسل إلى وحدات العالم الحقيقي. |
max_speed | int | 120 | الحد الأقصى للسرعة في التراكبات المرئية (المستخدم في التنبيهات). |
line_width | int | 2 | سُمك الخط للصناديق والنقاط الرئيسية والأعداد التي يرسمها الحل. |
verbose | bool | True | يمكّن سجل الحل لكل إطار، والذي يتضمن شكل الإدخال وأعداد الفئات وسرعة المعالجة. ويظل استدعاء التتبع نفسه صامتًا دائمًا. |
يتيح الحل SpeedEstimator استخدام معلمات track:
| الوسيطة | النوع | الافتراضي | الوصف |
|---|---|---|---|
tracker | str | 'botsort.yaml' | يحدد خوارزمية التتبع المراد استخدامها. الخيارات المضمنة: botsort.yaml وbytetrack.yaml وocsort.yaml وdeepocsort.yaml وfasttrack.yaml وtracktrack.yaml. |
conf | float | 0.25 | يضبط عتبة الثقة للاكتشافات؛ إذ تتيح القيم الأقل تتبع مزيد من الكائنات، لكنها قد تتضمن إيجابيات كاذبة. |
iou | float | 0.7 | يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الاكتشافات المتداخلة. |
classes | list | None | يصفّي النتائج حسب فهرس الفئة. على سبيل المثال، لا يتتبع classes=[0, 2, 3] سوى الفئات المحددة. |
device | str | None | يحدد الجهاز المستخدم للاستدلال (مثل cpu أو cuda:0 أو 0). ويتيح للمستخدمين الاختيار بين CPU أو GPU محدد أو أجهزة حوسبة أخرى لتنفيذ النموذج. |
imgsz | int or tuple | 640 | حجم صورة الاستدلال المستهدفة: عدد صحيح لشكل مربع أو زوج (height, width). يتم ضبط الأشكال لتتناسب مع خطوة النموذج. |
max_det | int | 300 | الحد الأقصى لعدد الاكتشافات المحتفظ بها لكل إطار قبل التتبع، مما يحد من الكائنات التي يعالجها الحل في المشاهد المزدحمة. |
quantize | int or str | None | دقة 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 خيارات التصوير المرئي التالية:
| الوسيطة | النوع | الافتراضي | الوصف |
|---|---|---|---|
show | bool | False | إذا كانت قيمة True، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. ويفيد ذلك في الحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار. |
show_conf | bool | True | يعرض درجة الثقة لكل كشف إلى جانب التسمية. ويوفر لمحة عن مدى يقين النموذج بشأن كل كشف. |
show_labels | bool | True | يعرض تسميات كل كشف في المخرجات المرئية. ويوفر فهمًا فوريًا للكائنات المكتشفة. |
الأسئلة الشائعة#
يجمع تقدير سرعة الأجسام باستخدام Ultralytics YOLO26 بين اكتشاف الأجسام والتتبّع. يكتشف النموذج الأجسام في كل إطار، ويتتبّعها عبر الإطارات، ويحوّل المسافة المقطوعة بين الإطارات إلى سرعة باستخدام معدل الإطارات ومقياس
meter_per_pixel. يشغّل مثال Python أعلاه خط الأنابيب الكامل هذا — مرّر الفيديو واضبطmeter_per_pixelبما يتناسب مع الكاميرا لديك. لمزيد من المعلومات التمهيدية، راجع منشور المدونة الرسمي.يوفّر استخدام Ultralytics YOLO26 لتقدير السرعة مزايا مهمة في إدارة حركة المرور:
- تعزيز السلامة: تقدير سرعات المركبات بدقة لاكتشاف السرعة الزائدة وتحسين السلامة على الطرق.
- المراقبة في الوقت الفعلي: الاستفادة من قدرة YOLO26 على اكتشاف الأجسام في الوقت الفعلي لمراقبة تدفق حركة المرور والازدحام بفاعلية.
- قابلية التوسع: نشر النموذج على إعدادات متنوعة من الأجهزة، بدءًا من أجهزة الحافة ووصولًا إلى الخوادم، بما يضمن حلولًا مرنة وقابلة للتوسع للتطبيقات واسعة النطاق.
لمزيد من التطبيقات، راجع مزايا تقدير السرعة.
نعم، يمكن دمج YOLO26 مع أطر عمل أخرى للذكاء الاصطناعي مثل TensorFlow وPyTorch. توفّر Ultralytics دعمًا لتصدير نماذج YOLO26 إلى تنسيقات متنوعة مثل ONNX وTensorRT وCoreML، ما يضمن قابلية تشغيل بينية سلسة مع أطر عمل ML الأخرى.
لتصدير نموذج YOLO26 إلى تنسيق ONNX:
yolo export model=yolo26n.pt format=onnxتعرّف على المزيد حول تصدير النماذج في دليل التصدير.
تعتمد دقة تقدير السرعة باستخدام Ultralytics YOLO26 على عدة عوامل، منها جودة تتبّع الأجسام، ودقة الفيديو ومعدل إطاراته، والمتغيرات البيئية. ورغم أن مقدّر السرعة يوفّر تقديرات موثوقة، فقد لا يكون دقيقًا بنسبة 100% بسبب التباين في سرعة معالجة الإطارات واحتجاب الأجسام.
ملاحظة: احرص دائمًا على مراعاة هامش الخطأ والتحقق من صحة التقديرات باستخدام بيانات الحقيقة الأرضية متى أمكن.
للحصول على نصائح إضافية لتحسين الدقة، راجع قسم الوسيط
SpeedEstimator.