التنبؤ باستخدام النماذج مع Ultralytics YOLO#

مقدمة#

في عالم التعلّم الآلي والرؤية الحاسوبية، تُسمّى عملية استخلاص المعنى من البيانات المرئية غالبًا الاستدلال أو التنبؤ. يوفّر Ultralytics YOLO26 ميزة فعّالة تُعرف باسم وضع predict، وهي مصممة للاستدلال عالي الأداء وفي الوقت الفعلي عبر مجموعة واسعة من مصادر البيانات.

اطّلع على معاينة YOLO27 غير المُصدرة للتعرّف على أمثلة الاستدلال المخطط لها.

تطبيقات واقعية#

لماذا تستخدم Ultralytics YOLO للاستدلال؟#

إليك أسبابًا تدعوك إلى التفكير في استخدام وضع التنبؤ في YOLO26 لتلبية احتياجاتك المختلفة للاستدلال:

• تعدد الاستخدامات: يمكنه إجراء الاستدلال على الصور ومقاطع الفيديو وحتى البث المباشر.
• الأداء: صُمم لمعالجة البيانات بسرعة عالية وفي الوقت الفعلي دون التضحية بـ الدقة.
• سهولة الاستخدام: واجهتا Python وCLI بديهيتان للتطوير والاختبار بسرعة.
• قابلية عالية للتخصيص: تتوفر إعدادات ومعلمات متنوعة لضبط سلوك استدلال النموذج وفقًا لمتطلباتك المحددة.
• جاهز للإنتاج: انشر النماذج على هيئة نقاط نهاية للاستدلال في منصة Ultralytics مع التوسع التلقائي والمراقبة، أو أجرِ الاستدلال محليًا.

الميزات الرئيسية لوضع التنبؤ#

صُمم وضع التنبؤ في YOLO26 ليكون قويًا ومتعدد الاستخدامات، ويتميز بما يلي:

• التوافق مع مصادر بيانات متعددة: سواء كانت بياناتك صورًا منفردة أو مجموعة صور أو ملفات فيديو أو بث فيديو مباشر، فإن وضع التنبؤ يلبي احتياجاتك.
• وضع البث: استخدم ميزة البث لإنشاء مولّد موفّر للذاكرة لكائنات Results. فعّل هذه الميزة بتعيين stream=True في طريقة الاستدعاء الخاصة بالمُتنبئ. وعلى عكس السلوك الافتراضي (stream=False)، الذي يعيد قائمة تضم جميع النتائج، فإن stream=True يُصدر النتائج واحدة تلو الأخرى، ما يجعله مفيدًا على نحو خاص لمقاطع الفيديو الطويلة والبث المباشر.
• المعالجة الدفعية: عالج عدة صور أو إطارات فيديو في دفعة واحدة، مما يقلل إجمالي وقت الاستدلال أكثر.
• سهولة التكامل: تكامل بسهولة مع مسارات البيانات الحالية ومكونات البرامج الأخرى بفضل واجهة API المرنة.

تعيد نماذج Ultralytics YOLO إما قائمة Python من كائنات Results أو مولّدًا موفّرًا للذاكرة من كائنات Results عند تمرير stream=True إلى النموذج أثناء الاستدلال:

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨نموذج YOLO26n مُدرّب مسبقًا⁩

# ⁨إجراء استدلال دفعِي على قائمة من الصور⁩
results = model(["image1.jpg", "image2.jpg"])  # ⁨إرجاع قائمة من كائنات Results⁩

# ⁨معالجة قائمة النتائج⁩
for result in results:
    boxes = result.boxes  # ⁨كائن Boxes لمخرجات مربعات الإحاطة⁩
    masks = result.masks  # ⁨كائن Masks لمخرجات أقنعة التجزئة⁩
    keypoints = result.keypoints  # ⁨كائن Keypoints لمخرجات تقدير الوضعية⁩
    probs = result.probs  # ⁨كائن Probs لمخرجات التصنيف⁩
    obb = result.obb  # ⁨كائن الصناديق الموجّهة لمخرجات OBB⁩
    result.show()  # ⁨العرض على الشاشة⁩
    result.save(filename="result.jpg")  # ⁨الحفظ على القرص⁩

مصادر الاستدلال#

يمكن لـ YOLO26 معالجة أنواع مختلفة من مصادر الإدخال للاستدلال، كما هو موضح في الجدول أدناه. وتشمل المصادر الصور الثابتة وتدفقات الفيديو وتنسيقات بيانات متنوعة. ويوضح الجدول أيضًا إمكانية استخدام كل مصدر في وضع البث مع الوسيط stream=True ✅. يفيد وضع البث في معالجة مقاطع الفيديو أو البث المباشر، إذ ينشئ مولّدًا للنتائج بدلًا من تحميل جميع الإطارات إلى الذاكرة.

فيما يلي أمثلة برمجية لاستخدام كل نوع من المصادر:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مُدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تحديد مسار ملف الصورة⁩
source = "path/to/image.jpg"

# ⁨إجراء الاستدلال على المصدر⁩
results = model(source)  # ⁨قائمة من كائنات Results⁩

وسيطات الاستدلال#

يقبل model.predict() عدة وسيطات يمكن تمريرها وقت الاستدلال لتجاوز القيم الافتراضية:

الحجم الثابت مقابل المستطيل الأدنى (rect)#

افتراضيًا، يستخدم predict rect=True، ما يتيح الحشو إلى المستطيل الأدنى متى أمكن. تُغيّر أبعاد الصورة لتناسب imgsz، ثم تُحشى حتى أقرب مضاعف لخطوة النموذج فقط، لذا قد يكون الموتر النهائي أصغر من imgsz. ولا يُستخدم الحشو إلى المستطيل الأدنى إلا عندما تكون أبعاد جميع الصور في الدفعة متطابقة وتدعمه الواجهة الخلفية (PyTorch .pt، أو تصدير بأبعاد ديناميكية مثل ONNX الديناميكي). وإلا، فتُحشى الصور إلى الهدف ذي الأبعاد الكاملة imgsz.

استخدم rect=False للحشو دائمًا إلى الهدف ذي الأبعاد الكاملة imgsz. ويُنصح بهذا الخيار عندما تحتاج إلى حجم إدخال ثابت يتوافق مع النماذج المُصدّرة (ONNX أو TensorRT، وما إلى ذلك).

عدد صحيح مقابل صف imgsz

• تُحوّل قيمة imgsz=640 الصحيحة إلى هدف مربع (640, 640) بعد تقريبها إلى مضاعف خطوة النموذج.
• تحدد قيمة imgsz=(384, 672) الصفّية هدفًا مستطيلًا. مع rect=True، قد يكون الموتر الفعلي أصغر من هذا الهدف.

التدريب مقابل predict/export

لا يقبل التدريب سوى قيمة imgsz صحيحة واحدة (وتُحوّل قائمة [h, w] إلى أكبر قيمة فيها). أما predict وexport فيقبلان عددًا صحيحًا أو صفًا (height, width).

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مُدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل الاستدلال على 'bus.jpg' باستخدام الوسيطات⁩
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 متنوعة للصور والفيديو، وفقًا لما هو محدد في ultralytics/data/utils.py. راجع الجداول أدناه للاطلاع على اللواحق الصالحة وأمثلة على أوامر predict.

الصور#

يحتوي الجدول أدناه على تنسيقات الصور الصالحة في Ultralytics.

مقاطع الفيديو#

يحتوي الجدول أدناه على تنسيقات الفيديو الصالحة في Ultralytics.

التعامل مع النتائج#

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

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مُدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # ⁨استدلال على دفعات⁩

تتضمن كائنات Results السمات التالية:

النتائج حسب المهمة#

تعتمد الحقول التي تُملأ أدناه على مهمة النموذج — قارن بين الكشف، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، والوضعية، وOBB إذا لم تختر مهمة بعد. يُعيد كل تنبؤ كائن Results واحدًا لكل صورة أو إطار. تكون الحقول المشتركة المذكورة أعلاه متاحة دائمًا، بينما تُخزّن بيانات التنبؤ الخاصة بكل مهمة في الحقول أدناه. تكون موترات إحداثيات YOLO والثقة من النوع torch.float32؛ أما موترات الاحتمالات فمن النوع torch.float32 ما لم يُستخدم استدلال FP16 (quantize=16)، وعندها تكون من النوع torch.float16. بعد result.numpy()، تصبح الموترات مصفوفات NumPy بأنواع بيانات NumPy المطابقة. موترات أقنعة المثيلات ثنائية من النوع torch.uint8، بينما تستخدم الأقنعة الدلالية أصغر نوع بيانات صحيح عملي للفئات: torch.uint8 أو torch.int16 أو torch.int32، حسب عدد الفئات.

تتضمن الكائنات Results الطرق التالية:

لمزيد من التفاصيل، راجع وثائق الفئة Results.

الصناديق#

يمكن استخدام كائن Boxes لفهرسة صناديق الإحاطة ومعالجتها وتحويلها إلى تنسيقات مختلفة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مُدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.boxes)  # ⁨اطبع كائن Boxes الذي يحتوي على صناديق الإحاطة المكتشفة⁩

إليك جدولًا لطرق وخصائص الفئة Boxes، يتضمن الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق الفئة Boxes.

الأقنعة#

يمكن استخدام كائن Masks لفهرسة الأقنعة ومعالجتها وتحويلها إلى مقاطع.

from ultralytics import YOLO

# ⁨حمّل نموذج تقسيم YOLO26n-seg مُدرّبًا مسبقًا⁩
model = YOLO("yolo26n-seg.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.masks)  # ⁨اطبع كائن Masks الذي يحتوي على أقنعة المثيلات المكتشفة⁩

إليك جدولًا لطرق وخصائص الفئة Masks، يتضمن الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق الفئة Masks.

القناع الدلالي#

يخزّن SemanticMask خريطة فئات كثيفة واحدة لنتائج التجزئة الدلالية. وعلى خلاف Masks، لا يحتوي على قناع ثنائي لكل كائن، ولا يوفر أدوات مساعدة للمضلعات.

from ultralytics import YOLO

# ⁨حمّل نموذج دلالي YOLO26n-sem مُدرّبًا مسبقًا⁩
model = YOLO("yolo26n-sem.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.semantic_mask.data)  # ⁨اطبع خريطة معرّفات الفئات H × W⁩

النقاط المفتاحية#

يمكن استخدام كائن Keypoints لفهرسة الإحداثيات ومعالجتها وتطبيعها.

from ultralytics import YOLO

# ⁨حمّل نموذج وضعية YOLO26n-pose مُدرّبًا مسبقًا⁩
model = YOLO("yolo26n-pose.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.keypoints)  # ⁨اطبع كائن Keypoints الذي يحتوي على النقاط المفتاحية المكتشفة⁩

إليك جدولًا لطرق وخصائص الفئة Keypoints، يتضمن الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق الفئة Keypoints.

الاحتمالات#

يمكن استخدام كائن Probs للحصول على فهارس التصنيف ودرجاته top1 وtop5.

from ultralytics import YOLO

# ⁨حمّل نموذج تصنيف YOLO26n-cls مُدرّبًا مسبقًا⁩
model = YOLO("yolo26n-cls.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.probs)  # ⁨اطبع كائن Probs الذي يحتوي على احتمالات الفئات المكتشفة⁩

إليك جدولًا يلخّص طرق وخصائص الفئة Probs:

لمزيد من التفاصيل، راجع وثائق الفئة Probs.

OBB#

يمكن استخدام الكائن OBB لفهرسة مربعات الإحاطة الموجّهة ومعالجتها وتحويلها إلى تنسيقات مختلفة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مُدرّب مسبقًا⁩
model = YOLO("yolo26n-obb.pt")

# ⁨تشغيل الاستدلال على صورة⁩
results = model("https://ultralytics.com/images/boats.jpg")  # ⁨قائمة results⁩

# ⁨عرض النتائج⁩
for r in results:
    print(r.obb)  # ⁨اطبع كائن OBB الذي يحتوي على مربعات الإحاطة الموجّهة للكائنات المكتشفة⁩

إليك جدولًا لطرق وخصائص الفئة OBB، يتضمن الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق الفئة OBB.

رسم النتائج#

تتيح الطريقة plot() في كائنات Results تصور التنبؤات من خلال تراكب الكائنات المكتشفة (مثل مربعات الإحاطة والأقنعة والنقاط المفتاحية والاحتمالات) على الصورة الأصلية. وتعيد هذه الطريقة الصورة المشروحة على هيئة مصفوفة NumPy، ما يسهّل عرضها أو حفظها.

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 الطريقة plot()#

تدعم الطريقة plot() وسائط متنوعة لتخصيص المخرجات:

الاستدلال الآمن للخيوط#

يُعد ضمان أمان الخيوط أثناء الاستدلال أمرًا بالغ الأهمية عند تشغيل نماذج YOLO متعددة بالتوازي عبر خيوط مختلفة. يضمن الاستدلال الآمن للخيوط عزل تنبؤات كل خيط وعدم تداخلها، ما يمنع حالات التسابق 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 لتجنب 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)
    # ⁨معالجة النتائج⁩

# ⁨بدء خيوط يمتلك كل منها مثيل نموذج خاصًا به⁩
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

للاطلاع بعمق على الاستدلال الآمن للخيوط باستخدام نماذج YOLO والحصول على تعليمات خطوة بخطوة، يُرجى الرجوع إلى دليل الاستدلال الآمن للخيوط باستخدام YOLO. سيوفر هذا الدليل جميع المعلومات اللازمة لتجنب المشكلات الشائعة وضمان سير الاستدلال متعدد الخيوط بسلاسة.

حلقة for لمصدر البث#

فيما يلي برنامج Python النصي يستخدم OpenCV (cv2) وYOLO لإجراء الاستدلال على إطارات الفيديو. يفترض هذا البرنامج أنك ثبّت الحزم اللازمة مسبقًا (opencv-python وultralytics).

import cv2

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨افتح ملف الفيديو⁩
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# ⁨تكرار إطارات الفيديو⁩
while cap.isOpened():
    # ⁨قراءة إطار من الفيديو⁩
    success, frame = cap.read()

    if success:
        # ⁨إجراء استدلال YOLO على الإطار⁩
        results = model(frame)

        # ⁨تصور النتائج على الإطار⁩
        annotated_frame = results[0].plot()

        # ⁨عرض الإطار المشروح⁩
        cv2.imshow("YOLO Inference", annotated_frame)

        # ⁨إنهاء الحلقة إذا ضُغط على 'q'⁩
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # ⁨إنهاء الحلقة عند الوصول إلى نهاية الفيديو⁩
        break

# ⁨تحرير كائن التقاط الفيديو وإغلاق نافذة العرض⁩
cap.release()
cv2.destroyAllWindows()

ينفّذ هذا البرنامج تنبؤات على كل إطار من الفيديو، ويصور النتائج، ويعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على 'q'.

ما الخطوة التالية؟#

هل أنت مستعد لتجاوز استخدام نموذج مدرّب مسبقًا؟ تأكد من أن مهمتك تلائم مشكلتك، وهيّئ بياناتك باستخدام دليل مجموعات البيانات، ثم درّب النموذج عليها.

الأسئلة الشائعة#