تقدير السرعة باستخدام Ultralytics YOLO26#
ما تقدير السرعة؟#
تقدير السرعة هو عملية حساب معدل حركة جسم ضمن سياق معين، وغالبًا ما يُستخدم في تطبيقات الرؤية الحاسوبية. باستخدام Ultralytics YOLO26، يمكنك الآن حساب سرعة الأجسام باستخدام تتبّع الأجسام إلى جانب بيانات المسافة والوقت، وهو أمر بالغ الأهمية لمهام مثل مراقبة حركة المرور والمراقبة الأمنية. تؤثر دقة تقدير السرعة مباشرةً في كفاءة التطبيقات المختلفة وموثوقيتها، ما يجعله عنصرًا أساسيًا في تطوير الأنظمة الذكية وعمليات اتخاذ القرار في الوقت الفعلي.
شاهد: تقدير السرعة باستخدام Ultralytics YOLO26
للاطلاع على معلومات أعمق حول تقدير السرعة، اقرأ منشور مدونتنا: Ultralytics YOLO لتقدير السرعة في مشاريع الرؤية الحاسوبية
مزايا تقدير السرعة#
- التحكم الفعّال في حركة المرور: يساعد تقدير السرعة الدقيق في إدارة انسياب حركة المرور، وتعزيز السلامة، والحد من الازدحام على الطرق.
- الملاحة الذاتية الدقيقة: في الأنظمة الذاتية مثل السيارات ذاتية القيادة، يضمن تقدير السرعة الموثوق تنقّل المركبات بأمان ودقة.
- تعزيز أمن المراقبة: يساعد تقدير السرعة في تحليلات المراقبة على تحديد السلوكيات غير المعتادة أو التهديدات المحتملة، مما يحسّن فعالية التدابير الأمنية.
تطبيقات في العالم الحقيقي#
| النقل والمواصلات | النقل والمواصلات |
|---|---|
 |  |
| تقدير السرعة على الطريق باستخدام Ultralytics YOLO26 | تقدير السرعة على الجسر باستخدام Ultralytics YOLO26 |
السرعة تقديرية
السرعة تقديرية وقد لا تكون دقيقة تمامًا. بالإضافة إلى ذلك، قد يختلف التقدير بحسب مواصفات الكاميرا والعوامل المرتبطة بها.
قدّر 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 ليتوافق مع إعداد الكاميرا، واستخدم max_speed لتقييد 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 بمعاملات SpeedEstimator:
| المعامل | النوع | الافتراضي | الوصف |
|---|---|---|---|
model | str | None | مسار ملف نموذج Ultralytics YOLO. |
fps | float | 30.0 | عدد الإطارات في الثانية المستخدم لحساب السرعة. |
max_hist | int | 5 | الحد الأقصى لعدد النقاط التاريخية التي تُتتبع لكل جسم لحساب السرعة والاتجاه. |
meter_per_pixel | float | 0.05 | عامل القياس المستخدم لتحويل المسافة بالبكسل إلى وحدات العالم الحقيقي. |
max_speed | int | 120 | السرعة القصوى بالكيلومتر في الساعة؛ تُحدّ السرعات المقدّرة الأعلى بهذه القيمة. |
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. |
يتيح الحل SpeedEstimator استخدام المعلمات 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. |
بالإضافة إلى ذلك، تتوفر خيارات التصور 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_labels | bool | True | يعرض تسميات كل اكتشاف في المخرجات المرئية، ما يتيح فهم الكائنات المكتشفة فورًا. |
الأسئلة الشائعة#
يجمع تقدير سرعة الأجسام باستخدام Ultralytics YOLO26 بين اكتشاف الأجسام والتتبّع. يكتشف النموذج الأجسام في كل إطار، ويتتبّعها عبر الإطارات، ثم يحوّل المسافة المقطوعة بين الإطارات إلى سرعة باستخدام معدل الإطارات ومقياس
meter_per_pixel. يشغّل مثال Python أعلاه خط المعالجة الكامل هذا — مرّر الفيديو واضبطmeter_per_pixelليتوافق مع الكاميرا. لمزيد من المعلومات، راجع منشور المدونة الرسمي.يوفر استخدام Ultralytics YOLO26 لتقدير السرعة مزايا كبيرة في إدارة حركة المرور:
- تعزيز السلامة: تقدير سرعات المركبات بدقة لاكتشاف تجاوز السرعة وتحسين السلامة على الطرق.
- المراقبة في الوقت الفعلي: استفد من قدرة YOLO26 على اكتشاف الأجسام في الوقت الفعلي لمراقبة تدفق حركة المرور والازدحام بفاعلية.
- قابلية التوسع: انشر النموذج على إعدادات أجهزة متنوعة، من الأجهزة الطرفية إلى الخوادم، لضمان حلول 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. توفر Ultralytics دعمًا لتصدير نماذج YOLO26 إلى تنسيقات متعددة مثل ONNX وTensorRT وCoreML، مما يضمن قابلية التشغيل البيني بسلاسة مع أطر عمل تعلم الآلة 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 يوفر تقديرات موثوقة، فقد لا تكون دقته 100% بسبب تفاوت سرعة معالجة الإطارات واحتجاب الأجسام.
ملاحظة: احرص دائمًا على مراعاة هامش الخطأ والتحقق من التقديرات باستخدام بيانات الحقيقة الأرضية كلما أمكن.
لمزيد من النصائح حول تحسين الدقة، راجع قسم المعلمات
SpeedEstimator.