Link to this sectionتوقع النموذج باستخدام Ultralytics YOLO#

Link to this sectionمقدمة#

في عالم تعلم الآلة ورؤية الحاسوب، غالباً ما تُسمى عملية فهم البيانات المرئية بالاستدلال أو التوقع. يوفر Ultralytics YOLO26 ميزة قوية تُعرف بـ وضع التوقع (predict mode)، وهي مصممة خصيصاً للاستدلال عالي الأداء وفائق السرعة عبر مجموعة واسعة من مصادر البيانات.

Link to this sectionتطبيقات العالم الحقيقي#

التصنيع	الرياضة	السلامة
كشف قطع غيار المركبات	كشف لاعبي كرة القدم	كشف سقوط الأشخاص

Link to this sectionلماذا تستخدم Ultralytics YOLO للاستدلال؟#

إليك الأسباب التي تجعلك تفكر في استخدام وضع التوقع في YOLO26 لتلبية احتياجات الاستدلال المختلفة لديك:

• تعدد الاستخدامات: القدرة على تشغيل الاستدلال على الصور، ومقاطع الفيديو، وحتى البث المباشر.
• الأداء: مصمم للمعالجة في الوقت الفعلي وعالية السرعة دون التضحية بـ الدقة.
• سهولة الاستخدام: واجهات Python وCLI بديهية للنشر والاختبار السريع.
• قابلية عالية للتخصيص: إعدادات ومعلمات متنوعة لضبط سلوك استدلال النموذج وفقاً لمتطلباتك المحددة.
• جاهز للإنتاج: انشر النماذج كنقاط نهاية REST API على منصة Ultralytics مع خاصية التوسع التلقائي والمراقبة، أو قم بتشغيل الاستدلال محلياً.

Link to this sectionالميزات الرئيسية لوضع التوقع#

صُمم وضع التوقع في YOLO26 ليكون قوياً ومتعدد الاستخدامات، حيث يتميز بـ:

• التوافق مع مصادر بيانات متعددة: سواء كانت بياناتك في شكل صور فردية، أو مجموعة من الصور، أو ملفات فيديو، أو بث فيديو في الوقت الفعلي، فإن وضع التوقع يلبي احتياجاتك.
• وضع البث: استخدم ميزة البث لإنشاء مولد فعال في استهلاك الذاكرة لكائنات Results. قم بتفعيل هذا عن طريق ضبط stream=True في طريقة استدعاء أداة التوقع.
• المعالجة بالدفعة (Batch Processing): عالج صوراً أو إطارات فيديو متعددة في دفعة واحدة، مما يقلل من وقت الاستدلال الإجمالي.
• سهولة التكامل: تكامل بسهولة مع مسارات بياناتك الحالية ومكونات البرامج الأخرى، بفضل الـ API المرن الخاص به.

تُرجع نماذج Ultralytics YOLO إما قائمة Python من كائنات Results أو مولداً فعالاً في استهلاك الذاكرة لكائنات Results عند تمرير stream=True إلى النموذج أثناء الاستدلال:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

Link to this sectionمصادر الاستدلال#

يمكن لـ YOLO26 معالجة أنواع مختلفة من مصادر الإدخال للاستدلال، كما هو موضح في الجدول أدناه. تشمل المصادر الصور الثابتة، وبث الفيديو، وتنسيقات البيانات المتنوعة. يشير الجدول أيضاً إلى ما إذا كان يمكن استخدام كل مصدر في وضع البث مع الوسيط stream=True ✅. يُعد وضع البث مفيداً لمعالجة مقاطع الفيديو أو البث المباشر لأنه ينشئ مولداً للنتائج بدلاً من تحميل جميع الإطارات في الذاكرة.

فيما يلي أمثلة برمجية لاستخدام كل نوع مصدر:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

Link to this sectionوسائط الاستنتاج#

يقبل model.predict() وسائط متعددة يمكن تمريرها في وقت الاستنتاج لتجاوز القيم الافتراضية:

Link to this sectionالشكل الثابت مقابل المستطيل الأدنى (rect)#

بشكل افتراضي، يستخدم التنبؤ rect=True، مما يتيح الحشو بـ المستطيل الأدنى (minimum-rectangle) كلما كان ذلك ممكناً. يتم تغيير حجم الصورة لتناسب imgsz ويتم حشوها فقط لأقرب مضاعف للخطوة (stride)، لذا قد يكون الموتر النهائي أصغر من imgsz. يتم استخدام حشو المستطيل الأدنى فقط عندما يكون لجميع الصور في الدفعة نفس الشكل ويدعمه النظام الأساسي (PyTorch .pt، أو ONNX ديناميكي / Triton). بخلاف ذلك، يتم حشو الصور إلى هدف imgsz الكامل.

استخدم rect=False للحشو دائماً إلى هدف imgsz الكامل. يوصى بهذا عندما تحتاج إلى حجم إدخال ثابت ليتطابق مع النماذج المُصدرة (ONNX، TensorRT، إلخ).

imgsz كرقم صحيح مقابل tuple

• يصبح الرقم الصحيح imgsz=640 هدفاً مربعاً (640, 640) بعد تقريب الخطوة (stride).
• يحدد الـ tuple imgsz=(384, 672) هدفاً مستطيلاً. مع rect=True و auto=True، يمكن أن يكون الموتر الفعلي أصغر من هذا الهدف.

التدريب مقابل التنبؤ/التصدير

يقبل التدريب رقماً صحيحاً واحداً فقط لـ imgsz (يتم تحويل قائمة [h, w] إلى القيمة الأكبر). يقبل التنبؤ والتصدير إما رقماً صحيحاً أو tuple من نوع (height, width).

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

وسائط الاستدلال:

وسائط التصور:

Link to this sectionتنسيقات الصور والفيديو#

تدعم YOLO26 تنسيقات صور وفيديو متنوعة، كما هو محدد في ultralytics/data/utils.py. انظر الجداول أدناه لمعرفة اللواحق الصالحة وأوامر التنبؤ النموذجية.

Link to this sectionالصور#

يحتوي الجدول أدناه على تنسيقات صور Ultralytics الصالحة.

Link to this sectionمقاطع الفيديو#

يحتوي الجدول أدناه على تنسيقات فيديو Ultralytics الصالحة.

Link to this sectionالعمل مع النتائج#

ستُرجع جميع استدعاءات predict() في Ultralytics قائمة من كائنات Results:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

تمتلك كائنات Results السمات التالية:

Link to this sectionالنتائج حسب المهمة#

يُرجع كل تنبؤ كائن Results واحداً لكل صورة أو إطار. الحقول المشتركة أعلاه متاحة دائماً، بينما تُخزن بيانات التنبؤ الخاصة بالمهمة في الحقول أدناه. تكون موترات (tensors) الإحداثيات، والثقة، والاحتمالية من نوع torch.float32 ما لم يتم استخدام دقة نصفية (half precision)، حينها تكون torch.float16. بعد استخدام result.numpy()، تصبح الموترات مصفوفات NumPy بأنواع بيانات NumPy مطابقة. أقنعة المثيلات هي موترات ثنائية من نوع torch.uint8، بينما تستخدم الأقنعة الدلالية (semantic masks) أصغر نوع بيانات صحيح عملي لمعرفات الفئات: torch.uint8 أو torch.int16 أو torch.int32، اعتماداً على عدد الفئات.

كائنات Results تمتلك الطرق التالية:

لمزيد من التفاصيل، راجع توثيق فئة Results.

Link to this sectionصناديق (Boxes)#

يمكن استخدام كائن Boxes للفهرسة، والمعالجة، وتحويل صناديق التحديد إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

فيما يلي جدول لطرق وخصائص فئة Boxes، بما في ذلك أسمائها، وأنواعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Boxes.

Link to this sectionالأقنعة (Masks)#

يمكن استخدام كائن Masks للفهرسة، والمعالجة، وتحويل الأقنعة إلى أجزاء (segments).

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

فيما يلي جدول لطرق وخصائص فئة Masks، بما في ذلك أسمائها، وأنواعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Masks.

Link to this sectionSemanticMask#

يخزن SemanticMask خريطة فئة كثيفة واحدة لنتائج التجزئة الدلالية. على عكس Masks، فإنه لا يحتوي على قناع ثنائي واحد لكل كائن ولا يوفر أدوات مساعدة للمضلعات.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem Semantic model
model = YOLO("yolo26n-sem.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

Link to this sectionالنقاط الرئيسية (Keypoints)#

يمكن استخدام كائن Keypoints للفهرسة، والمعالجة، وتطبيع الإحداثيات.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

فيما يلي جدول لطرق وخصائص فئة Keypoints، بما في ذلك أسمائها، وأنواعها، ووصفها:

لمزيد من التفاصيل، راجع وثائق فئة Keypoints.

Link to this sectionProbs#

يمكن استخدام كائن Probs للفهرسة، والحصول على مؤشرات top1 و top5 ودرجات التصنيف.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

إليك جدول يلخص الأساليب والخصائص لفئة Probs:

لمزيد من التفاصيل، راجع وثائق فئة Probs.

Link to this sectionOBB#

يمكن استخدام كائن OBB للفهرسة، والمعالجة، وتحويل صناديق الإحاطة الموجهة (oriented bounding boxes) إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

إليك جدول لأساليب وخصائص فئة OBB، بما في ذلك الاسم، والنوع، والوصف:

لمزيد من التفاصيل، راجع وثائق فئة OBB.

Link to this sectionرسم النتائج#

يسهل أسلوب plot() في كائنات Results تصور التنبؤات من خلال تركيب الكائنات المكتشفة (مثل صناديق الإحاطة، والأقنعة، والنقاط الرئيسية، والاحتمالات) فوق الصورة الأصلية. يقوم هذا الأسلوب بإرجاع الصورة المعنونة كمصفوفة NumPy، مما يسمح بعرضها أو حفظها بسهولة.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

Link to this sectionمعاملات أسلوب plot()#

يدعم أسلوب plot() وسائط متنوعة لتخصيص المخرجات:

Link to this sectionالاستدلال الآمن خيطياً#

يعد ضمان سلامة الخيوط (thread safety) أثناء الاستدلال أمراً بالغ الأهمية عند تشغيل نماذج YOLO متعددة بالتوازي عبر خيوط مختلفة. يضمن الاستدلال الآمن للخيوط أن تكون تنبؤات كل خيط معزولة ولا تتداخل مع بعضها البعض، مما يتجنب ظروف السباق (race conditions) ويضمن مخرجات متسقة وموثوقة.

عند استخدام نماذج YOLO في تطبيق متعدد الخيوط، من المهم إنشاء كائنات نموذج منفصلة لكل خيط أو استخدام تخزين محلي للخيط لمنع التعارضات:

from threading import Thread

from ultralytics import YOLO

def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results

# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

للحصول على نظرة متعمقة حول الاستدلال الآمن للخيوط مع نماذج YOLO وتعليمات خطوة بخطوة، يرجى الرجوع إلى دليل استدلال YOLO الآمن للخيوط. سيوفر لك هذا الدليل جميع المعلومات اللازمة لتجنب العقبات الشائعة والتأكد من تشغيل الاستدلال متعدد الخيوط بسلاسة.

Link to this sectionحلقة for لمصدر البث (Streaming Source)#

إليك نص Python يستخدم OpenCV (cv2) و YOLO لتشغيل الاستدلال على إطارات الفيديو. يفترض هذا النص أنك قمت بالفعل بتثبيت الحزم الضرورية (opencv-python و ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

سيقوم هذا النص بتشغيل التنبؤات على كل إطار من الفيديو، وتصور النتائج، وعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على 'q'.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو Ultralytics YOLO ووضع التنبؤ (predict mode) الخاص به للاستدلال في الوقت الفعلي؟#

Ultralytics YOLO هو نموذج متطور للاستدلال في الوقت الفعلي في مجالات كشف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، والتصنيف. يسمح وضع التنبؤ للمستخدمين بإجراء استدلال عالي السرعة على مصادر بيانات متنوعة مثل الصور، ومقاطع الفيديو، والبث المباشر. صُمم هذا الوضع للأداء وتعدد الاستخدامات، كما يوفر أوضاع المعالجة بالدفعة (batch) والبث. لمزيد من التفاصيل حول ميزاته، تحقق من وضع التنبؤ في Ultralytics YOLO.

Link to this sectionكيف يمكنني تشغيل الاستدلال باستخدام Ultralytics YOLO على مصادر بيانات مختلفة؟#

يمكن لـ Ultralytics YOLO معالجة مجموعة واسعة من مصادر البيانات، بما في ذلك الصور الفردية، ومقاطع الفيديو، والمجلدات، وعناوين URL، والبث. يمكنك تحديد مصدر البيانات في استدعاء model.predict(). على سبيل المثال، استخدم 'image.jpg' لصورة محلية أو 'https://ultralytics.com/images/bus.jpg' لرابط URL. تحقق من الأمثلة التفصيلية لمختلف مصادر الاستدلال في الوثائق.

Link to this sectionكيف يمكنني تحسين سرعة استدلال YOLO واستخدام الذاكرة؟#

لتحسين سرعة الاستدلال وإدارة الذاكرة بكفاءة، يمكنك استخدام وضع البث عن طريق ضبط stream=True في أسلوب استدعاء أداة التنبؤ. ينشئ وضع البث مولداً موفراً للذاكرة من كائنات Results بدلاً من تحميل جميع الإطارات في الذاكرة. لمعالجة مقاطع فيديو طويلة أو مجموعات بيانات كبيرة، يعد وضع البث مفيداً بشكل خاص. اعرف المزيد عن وضع البث.

Link to this sectionما هي وسائط الاستدلال التي يدعمها Ultralytics YOLO؟#

يدعم أسلوب model.predict() في YOLO وسائط متنوعة مثل conf، و iou، و imgsz، و device، والمزيد. تسمح لك هذه الوسائط بتخصيص عملية الاستدلال، وضبط معلمات مثل عتبات الثقة، وحجم الصورة، والجهاز المستخدم للحساب. يمكن العثور على أوصاف تفصيلية لهذه الوسائط في قسم وسائط الاستدلال.

Link to this sectionكيف يمكنني تصور وحفظ نتائج تنبؤات YOLO؟#

بعد تشغيل الاستدلال باستخدام YOLO، تحتوي كائنات Results على أساليب لعرض وحفظ الصور المعنونة. يمكنك استخدام أساليب مثل result.show() و result.save(filename="result.jpg") لتصور النتائج وحفظها. يتم إنشاء أي مجلدات رئيسية مفقودة في مسار اسم الملف تلقائياً (على سبيل المثال، result.save("path/to/result.jpg")). للحصول على قائمة شاملة بهذه الأساليب، ارجع إلى قسم العمل مع النتائج.