Ultralytics YOLO27:

الكشف التفاعلي عن الكائنات: Gradio و Ultralytics YOLO26#

مقدمة إلى اكتشاف الأجسام التفاعلي#

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



Watch: Deploy Ultralytics YOLO26 in a Browser with Gradio | Complete Tutorial | Vision AI 🌐

لماذا استخدام Gradio لاكتشاف الأجسام؟#

  • واجهة سهلة الاستخدام: يوفر Gradio منصة مباشرة للمستخدمين لتحميل الصور وعرض نتائج الاكتشاف من دون الحاجة إلى كتابة أي تعليمات برمجية.
  • تعديلات في الوقت الفعلي: يمكن ضبط معلمات مثل عتبات الثقة وIoU أثناء التشغيل، مما يتيح الحصول على ملاحظات فورية وتحسين نتائج الاكتشاف.
  • إمكانية وصول واسعة: يمكن لأي شخص الوصول إلى واجهة Gradio على الويب، مما 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 «Upload Image» لاختيار ملف صورة لاكتشاف الأجسام.
  2. ضبط المعلمات:
    • عتبة الثقة: شريط تمرير لتعيين الحد الأدنى لمستوى الثقة المطلوب لاكتشاف الأجسام.
    • عتبة IoU: شريط تمرير لتعيين عتبة IoU للتمييز بين الأجسام المختلفة.
  3. عرض النتائج: ستُعرض الصورة المعالجة مع الأجسام المكتشفة وتسمياتها.

أمثلة على حالات الاستخدام#

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

مثال على الاستخدام#

يوفر هذا القسم تعليمات Python البرمجية المستخدمة لإنشاء واجهة Gradio لاكتشاف الأجسام باستخدام Ultralytics YOLO26. ويمكن تكييف العينة للتصنيف وتقسيم المثيلات والوضعيات ومهام YOLO الأخرى من خلال تحميل نقطة التحقق الخاصة بالنموذج المقابل.

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 سيُجرى عليها اكتشاف الأجسام.
conf_thresholdfloatعتبة الثقة لاكتشاف الأجسام.
iou_thresholdfloatعتبة التقاطع على الاتحاد لفصل الأجسام.

مكوّنات واجهة Gradio#

المكوّنالوصف
إدخال الصورةلتحميل الصورة المراد اكتشاف الأجسام فيها.
أشرطة التمريرلضبط عتبات 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 برمجيًا لتهيئة واجهة Gradio. ويمكنك الرجوع إلى مثال التعليمات البرمجية المتوفر في الوثائق للحصول على التفاصيل.
    3. التحميل والضبط: حمّل صورتك واضبط عتبات الثقة وIoU في واجهة Gradio للحصول على نتائج اكتشاف الأجسام في الوقت الفعلي.

    إليك مقتطفًا برمجيًا مختصرًا 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() 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()

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

    • واجهة سهلة الاستخدام: يوفر Gradio واجهة بديهية للمستخدمين لتحميل الصور وعرض نتائج الاكتشاف من دون الحاجة إلى أي جهد برمجي.
    • تعديلات في الوقت الفعلي: يمكنك ضبط معلمات الاكتشاف، مثل عتبات الثقة وIoU، ديناميكيًا ومشاهدة تأثيراتها فورًا.
    • إمكانية الوصول: يمكن لأي شخص الوصول إلى واجهة الويب، مما يجعلها مفيدة للتجارب السريعة والأغراض التعليمية والعروض التوضيحية.

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

  • نعم، يمكن استخدام Gradio وUltralytics YOLO26 معًا بفاعلية لأغراض تعليمية. وتسهل واجهة Gradio البديهية على الويب تفاعل الطلاب والمعلمين مع نماذج التعلم العميق المتقدمة مثل Ultralytics YOLO26 من دون الحاجة إلى مهارات برمجة متقدمة. ويُعد هذا الإعداد مثاليًا لعرض المفاهيم الأساسية في اكتشاف الأجسام والرؤية الحاسوبية، إذ يوفر Gradio ملاحظات مرئية فورية تساعد على فهم تأثير المعلمات المختلفة في أداء الاكتشاف.

  • في واجهة Gradio الخاصة بـYOLO26، يمكنك ضبط عتبات الثقة وIoU باستخدام أشرطة التمرير المتوفرة. وتساعد هذه العتبات في التحكم في دقة التنبؤ وفصل الأجسام:

    • عتبة الثقة: تحدد الحد الأدنى لمستوى الثقة المطلوب لاكتشاف الأجسام. حرّك شريط التمرير لزيادة مستوى الثقة المطلوبة أو خفضه.
    • عتبة IoU: تعيّن 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 لتطوير تطبيقات أولية لاكتشاف الأجسام 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-jocher16RIRizwanMunawar4RAraimbekovm1AMambitious-octopus1IVIvorZhu3311

التعليقات