توقع النموذج باستخدام Ultralytics YOLO#

مقدمة#

في عالم machine learning وcomputer vision، تُعرف عملية فهم البيانات المرئية غالبًا باسم الاستدلال أو التنبؤ. توفر Ultralytics YOLO26 ميزة قوية تُعرف باسم predict mode، المصممة خصيصًا للاستدلال عالي الأداء في الوقت الفعلي عبر مجموعة واسعة من مصادر البيانات.

تطبيقات العالم الحقيقي#

لماذا 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 عالية السرعة في الوقت الفعلي دون التضحية بـaccuracy.
• 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 كـUltralytics Platform inference endpoints مع التقييم التلقائي للمقياس والمراقبة، أو قم بتشغيل الاستدلال محليًا.

الميزات 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 التدفق (Streaming Mode): استخدم ميزة التدفق لإنشاء مولد موفر للذاكرة لكائنات Results. قم بتفعيل ذلك عن طريق ضبط stream=True في طريقة استدعاء المُتنبئ. على عكس السلوك الافتراضي (stream=False)، الذي يُرجع قائمة تحتوي على جميع النتائج، فإن stream=True يُنتج النتائج واحدة تلو الأخرى، مما يجعله مفيدًا بشكل خاص لمقاطع الفيديو الطويلة والبث المباشر.
• 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 مولدًا موفرًا للذاكرة من كائنات 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. تتضمن المصادر صورًا ثابتة، وتدفقات فيديو، وتنسيقات بيانات مختلفة. يوضح الجدول أيضًا ما إذا كان يمكن استخدام كل مصدر في وضع التدفق مع الوسيطة stream=True ✅. يُعد وضع التدفق مفيدًا لمعالجة مقاطع الفيديو أو البث المباشر لأنه ينشئ مولدًا للنتائج بدلاً من تحميل كافة 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#

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

الشكل الثابت مقابل الحد الأدنى للمستطيل (rect)#

افتراضيًا، يستهلك predict rect=True، مما يتيح حشو minimum-rectangle عندما يكون ذلك ممكنًا. يتم تغيير حجم الصورة لتناسب داخل imgsz وحشوها فقط لأقرب مضاعف خطوة، لذلك قد يكون الموتر النهائي أصغر من imgsz. يتم استخدام حشو الحد الأدنى للمستطيل فقط عندما تكون جميع الصور في الدفعة لها نفس الشكل وكان النظام الخلفي يدعم ذلك (PyTorch .pt، أو ONNX الديناميكي / Triton). وإلا، تتم حشو الصور إلى هدف imgsz الكامل.

استخدم rect=False للحشو دائماً حتى هدف imgsz الكامل. يُنصح بذلك عندما تحتاج إلى حجم إدخال ثابت ليطابق النماذج المصدرة (ONNX، وTensorRT، وما إلى ذلك).

عدد صحيح مقابل صفيف imgsz

• يصبح integer imgsz=640 هدفًا مربعًا (640, 640) بعد تقريب الخطوة.
• يُحدد tuple imgsz=(384, 672) هدفًا مستطيلًا. مع rect=True وauto=True، يمكن أن يكون الموتر الفعلي أصغر من هذا الهدف.

التدريب مقابل التنبؤ/التصدير

يقبل التدريب عددًا صحيحًا واحدًا فقط imgsz (يتم فرض قائمة [h, w] لتكون القيمة الأكبر). يقبل Predict والتصدير إما عددًا صحيحًا أو (height, width) tuple.

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#

تدعم YOLO26 تنسيقات الصور والفيديو المختلفة، كما هو محدد في ultralytics/data/utils.py. راجع الجداول أدناه للحصول على اللاحقات الصالحة وأوامر التنبؤ النموذجية.

الصور#

يحتوي الجدول أدناه على تنسيقات صور Ultralytics الصالحة.

مقاطع الفيديو#

يحتوي الجدول أدناه على تنسيقات فيديو Ultralytics الصالحة.

العمل مع النتائج#

ستقوم جميع استدعاءات predict() الخاصة بـ Ultralytics بإرجاع 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:

النتائج حسب المهمة#

تعتمد الحقول التي يتم ملؤها أدناه على مهمة نموذجك — compare detection, segmentation, semantic segmentation, depth estimation, classification, pose, and OBB إذا لم تكن قد اخترت واحدة بعد. يُرجع كل تنبؤ كائن Results واحدًا لكل صورة أو إطار. الحقول المشتركة أعلاه متاحة دائماً، بينما يتم تخزين بيانات التنبؤ الخاصة بالمهمة في الحقول أدناه. تكون موترات الإحداثيات، والثقة، والاحتمالات عبارة عن torch.float32 ما لم يتم استخدام الدقة النصفية، وعندها تصبح torch.float16. بعد result.numpy()، تصبح الموترات مصفوفات NumPy مع أنواع بيانات NumPy مطابقة. أقنعة المثيلات هي موترات ثنائية torch.uint8، بينما تستخدم الأقنعة الدلالية أصغر نوع بيانات صحيح عملي لمعرفات الفئات: torch.uint8، أو torch.int16، أو torch.int32، اعتمادًا على عدد الفئات.

تمتلك كائنات Results الطرق التالية:

لمزيد من التفاصيل، راجع توثيق فئة Results.

صناديق (Boxes)#

يمكن استخدام كائن Boxes للفهرسة، ومعالجة، 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 اسم كل منها، ونوعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Boxes.

الأقنعة (Masks)#

يمكن استخدام كائن Masks للفهرسة، ومعالجة، وتحويل الأقنعة إلى أجزاء.

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 اسم كل منها، ونوعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Masks.

SemanticMask#

يخزن SemanticMask خريطة فئة كثيفة واحدة لنتائج التجزئة الدلالية. على عكس Masks، فهي لا تحتوي على قناع ثنائي واحد لكل كائن ولا توفر مساعدات 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

النقاط 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

إليك جدول لطرق وخصائص فئة Keypoints، بما في ذلك اسم كل منها، ونوعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة Keypoints.

Probs#

يمكن استخدام كائن Probs للحصول على مؤشرات ودرجات التصنيف top1 وtop5.

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 تلخيصي للطرق والخصائص الخاصة بفئة Probs:

لمزيد من التفاصيل، راجع توثيق فئة Probs.

OBB#

يمكن استخدام كائن OBB للفهرسة، ومعالجة، وتحويل مربعات 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

إليك جدول لطرق وخصائص فئة OBB، بما في ذلك اسم كل منها، ونوعها، ووصفها:

لمزيد من التفاصيل، راجع توثيق فئة OBB.

رسم النتائج#

يسهل الأسلوب plot() في كائنات Results تصور التنبؤات عن طريق تراكب الكائنات المكتشفة (مثل مربعات الإحاطة، والأقنعة، والنقاط الرئيسية، والاحتمالات) على الصورة الأصلية. يُرجع هذا الأسلوب الصورة المعلقة كمصفوفة NumPy، مما يتيح عرضها 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 الأسلوب plot()#

يدعم الأسلوب plot() وسائط مختلفة لتخصيص الإخراج:

الاستدلال 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()

لإلقاء نظرة متعمقة على الاستدلال الآمن للترابط مع نماذج YOLO والتعليمات خطوة بخطوة، يُرجى الرجوع إلى YOLO Thread-Safe Inference Guide. سيوفر لك هذا الدليل جميع المعلومات اللازمة لتجنب الأخطاء الشائعة وضمان تشغيل الاستدلال متعدد الترابط بسلاسة.

حلقة مصدر التدفق for#

إليك برنامج نصي بلغة Python باستخدام OpenCV (cv2) وYOLO لتشغيل الاستدلال على إطارات الفيديو. يفترض هذا البرنامج النصي أنك قمت بالفعل بتثبيت الحزم اللازمة (opencv-python وultralytics).

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'.

ما هي الخطوة التالية#

هل أنت مستعد لتجاوز النموذج المدرب مسبقًا؟ Confirm your task fits your problem، وقم بتنسيق بياناتك الخاصة باستخدام Datasets guide، ثم train on it.

الأسئلة الشائعة#