تنبؤ النموذج باستخدام Ultralytics YOLO

مقدمة

في عالم تعلم الآلة والرؤية الحاسوبية، تسمى عملية فهم البيانات المرئية غالبًا بالاستدلال أو التنبؤ. يوفر Ultralytics YOLO26 ميزة قوية تُعرف باسم وضع التنبؤ (predict mode)، وهي مصممة خصيصًا للاستدلال عالي الأداء وفائق السرعة عبر مجموعة واسعة من مصادر البيانات.

التطبيقات الواقعية

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

لماذا تستخدم Ultralytics YOLO للاستدلال؟

إليك سبب وجوب النظر في وضع التنبؤ الخاص بـ YOLO26 لاحتياجات الاستدلال المتنوعة الخاصة بك:

• تعدد الاستخدامات: القدرة على تشغيل الاستدلال على الصور ومقاطع الفيديو وحتى البث المباشر.
• الأداء: هندسة معمارية مصممة للمعالجة الفورية عالية السرعة دون التضحية بـ الدقة.
• سهولة الاستخدام: واجهات Python و CLI بديهية للنشر والاختبار السريع.
• قابلية تخصيص عالية: إعدادات ومعاملات متنوعة لضبط سلوك استدلال النموذج وفقًا لمتطلباتك المحددة.
• جاهز للإنتاج: نشر النماذج كنقاط نهاية API على منصة Ultralytics مع ميزات القياس التلقائي والمراقبة، أو تشغيل الاستدلال محليًا.

الميزات الرئيسية لوضع التنبؤ

تم تصميم وضع التنبؤ في YOLO26 ليكون قويًا ومتعدد الاستخدامات، ويتميز بـ:

• توافق متعدد مع مصادر البيانات: سواء كانت بياناتك على شكل صور فردية، أو مجموعة من الصور، أو ملفات فيديو، أو تدفقات فيديو في الوقت الفعلي، فإن وضع التنبؤ يوفر لك التغطية الكاملة.
• وضع البث (Streaming Mode): استخدم ميزة البث لإنشاء مولد (generator) فعال في استخدام الذاكرة لكائنات Results. قم بتمكين هذا عن طريق ضبط stream=True في طريقة استدعاء أداة التنبؤ.
• معالجة الدفعات (Batch Processing): معالجة صور متعددة أو إطارات فيديو في دفعة واحدة، مما يقلل بشكل أكبر من إجمالي وقت الاستدلال.
• سهولة التكامل: تكامل بسهولة مع خطوط أنابيب البيانات الحالية ومكونات البرامج الأخرى، بفضل واجهة API المرنة الخاصة به.

تُرجع نماذج Ultralytics YOLO إما قائمة Python من كائنات Results أو مولدًا فعالاً للذاكرة 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

مصادر الاستدلال

يمكن لـ YOLO26 معالجة أنواع مختلفة من مصادر الإدخال للاستدلال، كما هو موضح في الجدول أدناه. تشمل المصادر الصور الثابتة، وتدفقات الفيديو، وتنسيقات البيانات المختلفة. يشير الجدول أيضًا إلى ما إذا كان يمكن استخدام كل مصدر في وضع البث باستخدام الوسيط stream=True ✅. يعتبر وضع البث مفيدًا لمعالجة مقاطع الفيديو أو البث المباشر لأنه ينشئ مولدًا 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

وسائط الاستنتاج

model.predict() تقبل وسائط متعددة يمكن تمريرها في وقت الاستنتاج لتجاوز الإعدادات الافتراضية:

الشكل الثابت مقابل المستطيل الأدنى (rect)

افتراضياً، يستخدم التنبؤ rect=True، الذي يُمكّن حشو المستطيل الأدنى عند الإمكان. 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 تكون جميع الصور في الدفعة بنفس الشكل ويدعمها الخلفية (PyTorch .pt أو ONNX / Triton ديناميكي). بخلاف ذلك، يتم حشو الصور إلى هدف imgsz الكامل.

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

عدد صحيح مقابل صف imgsz

• يصبح العدد الصحيح imgsz=640 هدفاً مربعاً (640, 640) بعد تقريب الخطوة.
• يحدد الصف 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 عدداً صحيحاً واحداً فقط كـ imgsz (يتم تحويل قائمة [h, w] إلى القيمة الأكبر). يقبل التنبؤ والتصدير إما عدداً صحيحاً أو صف (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:

تنسيقات الصور والفيديو

يدعم YOLO26 تنسيقات صور وفيديو متنوعة، كما هو محدد في ultralytics/data/utils.py. انظر الجداول أدناه لمعرفة اللواحق الصالحة وأمثلة أوامر التنبؤ.

الصور

يحتوي الجدول أدناه على تنسيقات صور Ultralytics الصالحة.

مقاطع الفيديو

يحتوي الجدول أدناه على تنسيقات فيديو Ultralytics الصالحة.

العمل مع النتائج

ستعيد 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

تحتوي كائنات Results على السمات التالية:

تحتوي كائنات Results على الطرق التالية:

لمزيد من التفاصيل، راجع توثيق فئة Results.

Boxes

يمكن استخدام كائن Boxes للفهرسة، والمعالجة، وتحويل مربعات الإحاطة 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

إليك جدول لطرق وخصائص فئة Boxes، بما في ذلك أسماؤها ونوعها ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Boxes.

Masks

يمكن استخدام كائن Masks للفهرسة، والمعالجة، وتحويل الأقنعة إلى مقاطع.

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

إليك جدول لطرق وخصائص فئة Masks، بما في ذلك أسماؤها ونوعها ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Masks.

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 أسماؤها وأنواعها وأوصافها:

لمزيد من التفاصيل، راجع توثيق فئة Keypoints.

Probs

يمكن استخدام كائن Probs للفهرسة، والحصول على فهارس ودرجات top1 و top5 للتصنيف.

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

فيما يلي جدول يلخص طرق وخصائص فئة Probs:

لمزيد من التفاصيل، راجع توثيق فئة Probs.

OBB

يمكن استخدام كائن OBB للفهرسة، والمعالجة، وتحويل صناديق الإحاطة الموجهة 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

فيما يلي جدول لطرق وخصائص فئة OBB، بما في ذلك أسماؤها وأنواعها وأوصافها:

لمزيد من التفاصيل، راجع توثيق فئة OBB.

رسم النتائج

تسهل طريقة plot() في كائنات Results تصور التنبؤات من خلال وضع الكائنات المكتشفة (مثل صناديق الإحاطة، والأقنعة، والنقاط الرئيسية، والاحتمالات) فوق الصورة الأصلية. تُرجع هذه الطريقة الصورة المشروحة 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")

معلمات طريقة plot()

تدعم طريقة plot() وسائط متنوعة لتخصيص المخرجات:

الاستدلال الآمن للخيوط (Thread-Safe Inference)

يعد ضمان سلامة الخيوط أثناء الاستدلال أمراً بالغ الأهمية عند تشغيل نماذج YOLO متعددة بالتوازي عبر خيوط مختلفة. يضمن الاستدلال الآمن للخيوط أن تنبؤات كل خيط معزولة ولا تتداخل مع بعضها البعض، مما يمنع حالات سباق البيانات ويضمن مخرجات متسقة وموثوقة.

عند استخدام نماذج YOLO في تطبيق متعدد الخيوط، من المهم إنشاء كائنات نماذج 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 أن استدلالك متعدد الخيوط يعمل بسلاسة.

حلقة for لمصدر البث

إليك برنامج نصي بلغة Python يستخدم OpenCV (cv2) و YOLO لتشغيل الاستدلال على إطارات الفيديو. يفترض هذا البرنامج النصي أنك قمت بالفعل بتثبيت الحزم اللازمة (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 البرنامج النصي بتشغيل التنبؤات على كل إطار من الفيديو، وتصور النتائج، وعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على 'q'.

الأسئلة الشائعة

ما هو Ultralytics YOLO وما هو وضع التنبؤ الخاص به للاستدلال في الوقت الفعلي؟

يعد Ultralytics YOLO نموذجاً متطوراً لـ اكتشاف الكائنات، والتجزئة، والتصنيف في الوقت الفعلي. يسمح وضع التنبؤ للمستخدمين بإجراء استدلال عالي السرعة على مصادر بيانات متنوعة مثل الصور، ومقاطع الفيديو، والبث المباشر. صُمم النموذج للأداء وتعدد الاستخدامات، كما يوفر أوضاع معالجة الدفعات والبث. لمزيد من التفاصيل حول ميزاته، تحقق من وضع التنبؤ في Ultralytics YOLO.

كيف 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، والأدلة، 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' لعنوان URL. تحقق من الأمثلة التفصيلية لـ مصادر الاستدلال المختلفة في التوثيق.

كيف يمكنني تحسين سرعة استدلال YOLO واستخدام الذاكرة؟

لتحسين سرعة الاستدلال وإدارة الذاكرة بكفاءة، يمكنك استخدام وضع البث عن طريق تعيين stream=True في طريقة استدعاء أداة التنبؤ. يولد وضع البث مولداً موفراً للذاكرة لكائنات Results بدلاً من تحميل جميع الإطارات في الذاكرة. لمعالجة مقاطع الفيديو الطويلة أو مجموعات البيانات الكبيرة، يعد وضع البث مفيداً بشكل خاص. تعرف على المزيد حول وضع البث.

ما هي وسائط الاستدلال التي يدعمها Ultralytics YOLO؟

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

كيف يمكنني تصور وحفظ نتائج تنبؤات YOLO؟

بعد تشغيل الاستدلال باستخدام YOLO، تحتوي كائنات Results على طرق لعرض وحفظ الصور المشروحة. يمكنك استخدام طرق مثل result.show() و result.save(filename="result.jpg") لتصور النتائج وحفظها. يتم إنشاء أي أدلة أصل مفقودة في مسار اسم الملف تلقائياً (على سبيل المثال، result.save("path/to/result.jpg")). للحصول على قائمة شاملة بهذه الطرق، راجع قسم العمل مع النتائج.