Link to this sectionالكشف التفاعلي عن الأجسام: Gradio و Ultralytics YOLO26 🚀#

Link to this sectionمقدمة إلى الكشف التفاعلي عن الأجسام#

توفر واجهة Gradio هذه طريقة سهلة وتفاعلية لإجراء الكشف عن الأجسام باستخدام نموذج Ultralytics YOLO26. يمكن للمستخدمين تحميل الصور وضبط المعلمات مثل عتبة الثقة وعتبة تقاطع الاتحاد (IoU) للحصول على نتائج كشف في الوقت الفعلي.

Link to this sectionلماذا نستخدم Gradio للكشف عن الأجسام؟#

• واجهة سهلة الاستخدام: توفر Gradio منصة مباشرة للمستخدمين لتحميل الصور وتصور نتائج الكشف دون الحاجة إلى أي برمجة.
• تعديلات في الوقت الفعلي: يمكن تعديل المعلمات مثل عتبة الثقة وعتبة IoU أثناء التشغيل، مما يسمح بتقديم ملاحظات فورية وتحسين نتائج الكشف.
• إمكانية وصول واسعة: يمكن لأي شخص الوصول إلى واجهة الويب Gradio، مما يجعلها أداة ممتازة للعروض التوضيحية والأغراض التعليمية والتجارب السريعة.

Link to this sectionكيفية تثبيت Gradio#

pip install gradio

Link to this sectionكيفية استخدام الواجهة#

1. تحميل الصورة: انقر على 'تحميل الصورة' لاختيار ملف صورة للكشف عن الأجسام.
2. ضبط المعلمات:
   • عتبة الثقة: شريط تمرير لضبط الحد الأدنى لمستوى الثقة للكشف عن الأجسام.
   • عتبة IoU: شريط تمرير لضبط عتبة IoU للتمييز بين الأجسام المختلفة.
3. عرض النتائج: سيتم عرض الصورة المعالجة مع الأجسام المكتشفة وتسمياتها.

Link to this sectionأمثلة على حالات الاستخدام#

• صورة نموذجية 1: كشف الحافلات بالعتبات الافتراضية.
• صورة نموذجية 2: الكشف في صورة رياضية بالعتبات الافتراضية.

Link to this sectionمثال على الاستخدام#

يوفر هذا القسم كود Python المستخدم لإنشاء واجهة Gradio للكشف عن الأجسام باستخدام Ultralytics YOLO26. يمكن تكييف العينة للتصنيف، وتجزئة المثيلات، وتحديد وضعية الجسم، ومهام YOLO الأخرى عن طريق تحميل نقطة فحص النموذج المقابلة.

import gradio as gr
import PIL.Image as Image

from ultralytics import ASSETS, YOLO

model = YOLO("yolo26n.pt")

def predict_image(img, conf_threshold, iou_threshold):
    """Predicts objects in an image using a YOLO26 model with adjustable confidence and IoU thresholds."""
    results = model.predict(
        source=img,
        conf=conf_threshold,
        iou=iou_threshold,
        show_labels=True,
        show_conf=True,
        imgsz=640,
    )

    for r in results:
        im_array = r.plot()
        im = Image.fromarray(im_array[..., ::-1])

    return im

iface = gr.Interface(
    fn=predict_image,
    inputs=[
        gr.Image(type="pil", label="Upload Image"),
        gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
        gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
    ],
    outputs=gr.Image(type="pil", label="Result"),
    title="Ultralytics Gradio",
    description="Upload images for inference. The Ultralytics YOLO26n model is used by default.",
    examples=[
        [ASSETS / "bus.jpg", 0.25, 0.45],
        [ASSETS / "zidane.jpg", 0.25, 0.45],
    ],
)

if __name__ == "__main__":
    iface.launch()

Link to this sectionتفسير المعلمات#

Link to this sectionمكونات واجهة Gradio#

Link to this sectionالأسئلة الشائعة (FAQ)#

Link to this sectionكيف أستخدم Gradio مع Ultralytics YOLO26 للكشف عن الأجسام؟#

لاستخدام Gradio مع Ultralytics YOLO26 للكشف عن الأجسام، يمكنك اتباع هذه الخطوات:

1. تثبيت Gradio: استخدم الأمر pip install gradio.
2. إنشاء واجهة: اكتب نصًا برمجيًا بلغة Python لتهيئة واجهة Gradio. يمكنك الرجوع إلى مثال الكود المقدم في التوثيق للحصول على التفاصيل.
3. التحميل والضبط: قم بتحميل صورتك واضبط عتبات الثقة و IoU على واجهة Gradio للحصول على نتائج كشف عن الأجسام في الوقت الفعلي.

إليك مقتطف كود بسيط كمرجع:

import gradio as gr

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

def predict_image(img, conf_threshold, iou_threshold):
    results = model.predict(
        source=img,
        conf=conf_threshold,
        iou=iou_threshold,
        show_labels=True,
        show_conf=True,
    )
    return results[0].plot() if results else None

iface = gr.Interface(
    fn=predict_image,
    inputs=[
        gr.Image(type="pil", label="Upload Image"),
        gr.Slider(minimum=0, maximum=1, value=0.25, label="Confidence threshold"),
        gr.Slider(minimum=0, maximum=1, value=0.45, label="IoU threshold"),
    ],
    outputs=gr.Image(type="pil", label="Result"),
    title="Ultralytics Gradio YOLO26",
    description="Upload images for YOLO26 object detection.",
)
iface.launch()

Link to this sectionما هي فوائد استخدام Gradio للكشف عن الأجسام باستخدام Ultralytics YOLO26؟#

يوفر استخدام Gradio للكشف عن الأجسام باستخدام Ultralytics YOLO26 العديد من الفوائد:

• واجهة سهلة الاستخدام: توفر Gradio واجهة بديهية للمستخدمين لتحميل الصور وتصور نتائج الكشف دون أي مجهود برمجي.
• تعديلات في الوقت الفعلي: يمكنك ضبط معلمات الكشف ديناميكيًا مثل عتبات الثقة و IoU ورؤية التأثيرات على الفور.
• إمكانية الوصول: واجهة الويب متاحة لأي شخص، مما يجعلها مفيدة للتجارب السريعة والأغراض التعليمية والعروض التوضيحية.

لمزيد من التفاصيل، يمكنك قراءة منشور المدونة هذا حول الذكاء الاصطناعي في الأشعة الذي يعرض تقنيات تصور تفاعلية مشابهة.

Link to this sectionهل يمكنني استخدام Gradio و Ultralytics YOLO26 معًا لأغراض تعليمية؟#

نعم، يمكن استخدام Gradio و Ultralytics YOLO26 معًا لأغراض تعليمية بفعالية. تجعل واجهة الويب البديهية الخاصة بـ Gradio من السهل على الطلاب والمعلمين التفاعل مع نماذج التعلم العميق المتطورة مثل Ultralytics YOLO26 دون الحاجة إلى مهارات برمجة متقدمة. هذا الإعداد مثالي لتوضيح المفاهيم الأساسية في الكشف عن الأجسام والرؤية الحاسوبية، حيث توفر Gradio ملاحظات مرئية فورية تساعد في فهم تأثير المعلمات المختلفة على أداء الكشف.

Link to this sectionكيف يمكنني ضبط عتبات الثقة و IoU في واجهة Gradio لنموذج YOLO26؟#

في واجهة Gradio لنموذج YOLO26، يمكنك ضبط عتبات الثقة و IoU باستخدام أشرطة التمرير المقدمة. تساعد هذه العتبات في التحكم في دقة التنبؤ وفصل الأجسام:

• عتبة الثقة: تحدد الحد الأدنى لمستوى الثقة للكشف عن الأجسام. قم بتحريك الشريط لزيادة أو تقليل الثقة المطلوبة.
• عتبة IoU: تحدد عتبة تقاطع الاتحاد للتمييز بين الأجسام المتداخلة. اضبط هذه القيمة لتحسين فصل الأجسام.

لمزيد من المعلومات حول هذه المعلمات، تفضل بزيارة قسم تفسير المعلمات.

Link to this sectionما هي بعض التطبيقات العملية لاستخدام Ultralytics YOLO26 مع Gradio؟#

تشمل التطبيقات العملية للجمع بين Ultralytics YOLO26 و Gradio ما يلي:

• عروض الكشف عن الأجسام في الوقت الفعلي: مثالية لعرض كيفية عمل الكشف عن الأجسام في الوقت الفعلي.
• أدوات تعليمية: مفيدة في البيئات الأكاديمية لتدريس مفاهيم الكشف عن الأجسام والرؤية الحاسوبية.
• تطوير النماذج الأولية: فعالة لتطوير واختبار تطبيقات الكشف عن الأجسام الأولية بسرعة.
• المجتمع والتعاون: تسهيل مشاركة النماذج مع المجتمع للحصول على التعليقات والتعاون.

للحصول على أمثلة لحالات استخدام مشابهة، تحقق من مدونة Ultralytics حول مراقبة سلوك الحيوان التي توضح كيف يمكن للتصور التفاعلي أن يعزز جهود الحفاظ على الحياة البرية.