Ultralytics YOLO27:
Get Started

اكتشاف الأجسام التفاعلي: Gradio وUltralytics YOLO26#

مقدمة إلى اكتشاف الأجسام التفاعلي#

توفر واجهة Gradio هذه طريقة سهلة وتفاعلية لتنفيذ اكتشاف الأجسام باستخدام نموذج Ultralytics YOLO26. يمكن للمستخدمين تحميل الصور وضبط معلمات مثل عتبة الثقة وعتبة التقاطع على الاتحاد (IoU) للحصول على نتائج اكتشاف فورية.



شاهد: نشر Ultralytics YOLO26 في المتصفح باستخدام Gradio | دليل تعليمي كامل | الذكاء الاصطناعي للرؤية 🌐

لماذا تستخدم Gradio لاكتشاف الأجسام؟#

  • واجهة سهلة الاستخدام: توفر Gradio منصة مباشرة تتيح للمستخدمين تحميل الصور وعرض نتائج الاكتشاف دون الحاجة إلى كتابة أي شيفرة.
  • ضبط فوري: يمكن ضبط المعلمات مثل عتبات الثقة وIoU أثناء التشغيل، ما يتيح الحصول على ملاحظات فورية وتحسين نتائج الاكتشاف.
  • إتاحة واسعة: يمكن لأي شخص الوصول إلى واجهة Gradio على الويب، ما يجعلها أداة ممتازة للعروض التوضيحية والأغراض التعليمية والتجارب السريعة.

Gradio YOLO detection interface

كيفية تثبيت Gradio#

pip install gradio

كيفية استخدام الواجهة#

  1. تحميل صورة: انقر على «تحميل صورة» لاختيار ملف صورة لاكتشاف الأجسام.
  2. ضبط المعلمات:
    • عتبة الثقة: شريط تمرير لتحديد الحد الأدنى لمستوى الثقة اللازم لاكتشاف الأجسام.
    • عتبة IoU: شريط تمرير لتحديد عتبة IoU للتمييز بين الأجسام المختلفة.
  3. عرض النتائج: ستُعرض الصورة المعالجة مع الأجسام المكتشفة وتسمياتها.

أمثلة على حالات الاستخدام#

  • الصورة النموذجية 1: اكتشاف الحافلات باستخدام العتبات الافتراضية.
  • الصورة النموذجية 2: الاكتشاف في صورة رياضية باستخدام العتبات الافتراضية.

مثال على الاستخدام#

يقدم هذا القسم شيفرة Python المستخدمة لإنشاء واجهة Gradio لاكتشاف الأجسام باستخدام Ultralytics YOLO26. ويمكن تكييف المثال لمهام التصنيف وتقسيم الأجسام وتقدير الوضعية وغيرها من مهام YOLO، وذلك بتحميل نقطة تحقق النموذج المناسبة.

import gradio as gr
from PIL import 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()

شرح المعلمات#

اسم المعلمةالنوعالوصف
imgImageالصورة التي سيُنفذ عليها اكتشاف الأجسام.
conf_thresholdfloatعتبة الثقة لاكتشاف الأجسام.
iou_thresholdfloatعتبة التقاطع على الاتحاد لفصل الأجسام.

مكونات واجهة Gradio#

المكوّنالوصف
إدخال الصورةلتحميل الصورة المراد إجراء الاكتشاف عليها.
أشرطة التمريرلضبط عتبتي الثقة وIoU.
إخراج الصورةلعرض نتائج الاكتشاف.

الأسئلة الشائعة#

  • لاستخدام Gradio مع Ultralytics YOLO26 لاكتشاف الأجسام، يمكنك اتباع الخطوات التالية:

    1. تثبيت Gradio: استخدم الأمر pip install gradio.
    2. إنشاء الواجهة: اكتب نص Python لتهيئة واجهة Gradio. يمكنك الرجوع إلى مثال الشيفرة الوارد في الوثائق لمعرفة التفاصيل.
    3. التحميل والضبط: حمّل صورتك واضبط عتبتي الثقة وIoU في واجهة Gradio للحصول على نتائج فورية لاكتشاف الأجسام.

    إليك مقتطف شيفرة موجزًا للرجوع إليه:

    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(pil=True)  # ⁨صورة RGB من PIL؛ تسترجع plot() مصفوفة BGR عند عدم تعيين pil=True⁩

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()

  • يوفر استخدام Gradio لاكتشاف الأجسام باستخدام Ultralytics YOLO26 عدة فوائد:

    • واجهة سهلة الاستخدام: توفر Gradio واجهة بديهية تتيح للمستخدمين تحميل الصور وعرض نتائج الاكتشاف دون أي جهد برمجي.
    • ضبط فوري: يمكنك ضبط معلمات الاكتشاف ديناميكيًا، مثل عتبتي الثقة وIoU، ومشاهدة التأثيرات فورًا.
    • إمكانية الوصول: يمكن لأي شخص استخدام واجهة الويب، ما يجعلها مفيدة للتجارب السريعة والأغراض التعليمية والعروض التوضيحية.

    لمزيد من التفاصيل، يمكنك قراءة مقال المدونة حول الذكاء الاصطناعي في علم الأشعة، الذي يعرض تقنيات مماثلة للتصور التفاعلي.

  • نعم، يمكن استخدام Gradio وUltralytics YOLO26 معًا بفاعلية للأغراض التعليمية. تسهّل واجهة Gradio البديهية على الويب تفاعل الطلاب والمعلمين مع نماذج التعلم العميق المتطورة مثل Ultralytics YOLO26 دون الحاجة إلى مهارات برمجية متقدمة. ويُعد هذا الإعداد مثاليًا لشرح المفاهيم الأساسية في اكتشاف الأجسام والرؤية الحاسوبية، إذ توفر Gradio ملاحظات مرئية فورية تساعد على فهم أثر المعلمات المختلفة في أداء الاكتشاف.

  • في واجهة Gradio الخاصة بـ YOLO26، يمكنك ضبط عتبتي الثقة وIoU باستخدام أشرطة التمرير المتاحة. تساعد هذه العتبات على التحكم في دقة التنبؤ وفصل الأجسام:

    • عتبة الثقة: تحدد الحد الأدنى لمستوى الثقة اللازم لاكتشاف الأجسام. حرّك شريط التمرير لزيادة مستوى الثقة المطلوب أو خفضه.
    • عتبة IoU: تحدد عتبة التقاطع على الاتحاد للتمييز بين الأجسام المتداخلة. اضبط هذه القيمة لتحسين فصل الأجسام.

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

  • تشمل التطبيقات العملية للجمع بين Ultralytics YOLO26 وGradio ما يلي:

    • عروض توضيحية لاكتشاف الأجسام في الوقت الفعلي: مثالية لعرض كيفية عمل اكتشاف الأجسام في الوقت الفعلي.
    • أدوات تعليمية: مفيدة في البيئات الأكاديمية لتدريس مفاهيم اكتشاف الأجسام والرؤية الحاسوبية.
    • تطوير النماذج الأولية: فعالة في تطوير تطبيقات اكتشاف الأجسام النموذجية واختبارها بسرعة.
    • المجتمع والتعاون: تسهّل مشاركة النماذج مع المجتمع للحصول على الملاحظات والتعاون.

    للاطلاع على أمثلة لحالات استخدام مماثلة، راجع مدونة Ultralytics حول مراقبة سلوك الحيوانات، التي توضح كيف يمكن للتصور التفاعلي تعزيز جهود الحفاظ على الحياة البرية.

المساهمون
GLglenn-jocher17RIRizwanMunawar4RAraimbekovm1AMambitious-octopus1IVIvorZhu3311

التعليقات