تقدير السرعة باستخدام Ultralytics YOLO26 🚀#
ما هو تقدير السرعة؟#
Speed estimation هو عملية حساب معدل حركة الكائن ضمن سياق محدد، وغالباً ما يُستخدم في تطبيقات computer vision. باستخدام Ultralytics YOLO26، يمكنك الآن حساب سرعة الكائنات باستخدام object tracking إلى جانب بيانات المسافة والوقت، وهو أمر بالغ الأهمية لمهام مثل مراقبة حركة المرور وال1مراقبة. تؤثر دقة تقدير السرعة بشكل مباشر على كفاءة وموثوقية التطبيقات المختلفة، مما يجعلها مكوناً أساسياً في تطوير الأنظمة الذكية وعمليات اتخاذ القرار في الوقت الفعلي.
Watch: Speed Estimation using Ultralytics YOLO26
للحصول على رؤى أعمق حول تقدير السرعة، راجع منشور المدونة الخاص بنا: Ultralytics YOLO for Speed Estimation in Computer Vision Projects
مزايا تقدير السرعة#
- التحكم الفعال 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 self-driving cars، يضمن تقدير السرعة الموثوق ملاحة آمنة ودقيقة للمركبة.
- تعزيز أمن المراقبة: يساعد تقدير السرعة في تحليلات المراقبة على تحديد السلوكيات غير المعتادة أو التهديدات المحتملة، مما يحسن فعالية التدابير الأمنية.
تطبيقات العالم الحقيقي#
| النقل | النقل |
|---|---|
 |  |
| تقدير السرعة على الطريق باستخدام Ultralytics YOLO26 | تقدير السرعة على الجسر باستخدام Ultralytics YOLO26 |
السرعة هي تقدير
السرعة ستكون تقريبية وقد لا تكون دقيقة تماماً. بالإضافة إلى ذلك، قد يختلف التقدير بناءً على مواصفات الكاميرا والعوامل ذات الصلة.
تقدير السرعة باستخدام YOLO26#
يتتبع حل SpeedEstimator كل كائن عبر الإطارات ويحول إزاحة البكسل الخاصة به إلى سرعة باستخدام معدل إطارات الفيديو (fps) ومقياس العالم الحقيقي (meter_per_pixel). قم بتعديل meter_per_pixel ليناسب إعدادات الكاميرا الخاصة بك واستخدم max_speed لتثبيت القيم المتطرفة من المسارات المزعجة.
# 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=0.05وسائط SpeedEstimator#
إليك جدول يحتوي على وسائط SpeedEstimator:
| الوسيط | 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 | أقصى عدد من النقاط التاريخية لتتبع كل كائن لحسابات السرعة/الاتجاه. |
meter_per_pixel | float | 0.05 | عامل القياس المستخدم لتحويل المسافة بالبكسل إلى وحدات واقعية. |
max_speed | int | 120 | حد السرعة الأقصى في التراكبات المرئية (يستخدم في التنبيهات). |
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. |
يسمح حل SpeedEstimator باستخدام معلمات track:
| الوسيط | 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؛ 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. |
بالإضافة إلى ذلك، يتم دعم خيارات 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. |
الأسئلة الشائعة#
يجمع تقدير سرعة الكائنات باستخدام Ultralytics YOLO26 بين object detection والتتبع. يكتشف النموذج الكائنات في كل إطار، ويتتبعها عبر الإطارات، ويحول المسافة المققطوعة بين الإطارات إلى سرعة باستخدام معدل الإطارات ومقياس
meter_per_pixel. يقوم Python example above بتشغيل خط الأنابيب الكامل هذا — مرر الفيديو الخاص بك وقم بضبطmeter_per_pixelليناسب الكاميرا الخاصة بك. لمزيد من الخلفية، راجع official blog post الخاص بنا.يوفر استخدام Ultralytics YOLO26 لتقدير السرعة مزايا كبيرة في إدارة حركة المرور:
- تعزيز السلامة: تقدير سرعات المركبات بدقة لاكتشاف السرعة الزائدة وتحسين سلامة الطرق.
- المراقبة في الوقت الفعلي: الاستفادة من قدرة YOLO26 على كشف الأجسام في الوقت الفعلي لمراقبة تدفق حركة المرور والازدحام بفعالية.
- قابلية التوسع: نشر النموذج على إعدادات الأجهزة المختلفة، من edge devices إلى الخوادم، مما يضمن حلولاً مرنة وقابلة للتوسع لتطبيقات واسعة النطاق.
لمزيد من التطبيقات، راجع advantages of speed estimation.
نعم، يمكن دمج YOLO26 مع أطر عمل الذكاء الاصطناعي الأخرى مثل TensorFlow و PyTorch. توفر Ultralytics الدعم لتصدير نماذج YOLO26 إلى تنسيقات مختلفة مثل ONNX، وTensorRT، وCoreML، مما يضمن التوافق السلس مع أطر عمل تعلم الآلة الأخرى.
لتصدير نموذج YOLO26 إلى تنسيق ONNX:
yolo export model=yolo26n.pt format=onnxتعرف على المزيد حول تصدير النماذج في guide on export الخاص بنا.
تعتمد accuracy لتقدير السرعة باستخدام Ultralytics YOLO26 على عدة عوامل، بما في ذلك جودة تتبع الكائنات، ودقة ومعدل إطارات الفيديو، والمتغيرات البيئية. في حين أن مقدر السرعة يوفر تقديرات موثوقة، فقد لا يكون دقيقاً بنسبة 100% بسبب الاختلافات في سرعة معالجة الإطارات وحجب الكائنات.
ملاحظة: ضع دائماً في اعتبارك هامش الخطأ وقم بالتحقق من صحة التقديرات مقابل بيانات الحقيقة الأرضية (ground truth) متى كان ذلك ممكناً.
لمزيد من نصائح تحسين الدقة، تحقق من Arguments
SpeedEstimatorsection.