التنبؤ بالنموذج مع Ultralytics YOLO

مقدمة

في عالم التعلّم الآلي والرؤية الحاسوبية، يُطلق على عملية استخلاص المعنى من البيانات المرئية اسم "الاستدلال" أو "التنبؤ". Ultralytics YOLO11 يوفر ميزة قوية تُعرف باسم وضع التنبؤ المصمم خصيصًا للاستدلال عالي الأداء في الوقت الحقيقي على مجموعة كبيرة من مصادر البيانات.

شاهد: كيفية استخراج النواتج من Ultralytics YOLO نموذج للمشاريع المخصصة.

التطبيقات الواقعية

التصنيع	الرياضة	السلامة
الكشف عن قطع غيار المركبات	اكتشاف لاعب كرة القدم	الكشف عن سقوط الأشخاص

لماذا نستخدم Ultralytics YOLO للاستدلال؟

فيما يلي الأسباب التي تجعلك تفكر في وضع التنبؤ YOLO11 لاحتياجاتك الاستدلالية المختلفة:

• متعدد الاستخدامات: قادرة على إجراء استنتاجات على الصور ومقاطع الفيديو وحتى البث المباشر.
• الأداء: مصممة للمعالجة في الوقت الحقيقي وبسرعة عالية دون التضحية بالدقة.
• سهولة الاستخدام: واجهات بديهية Python و CLI للنشر والاختبار السريع.
• قابل للتخصيص بدرجة كبيرة: إعدادات ومعلمات مختلفة لضبط سلوك الاستدلال في النموذج وفقًا لمتطلباتك الخاصة.

الميزات الرئيسية لوضع التنبؤ

YOLO11صُمِّم وضع التنبؤ ليكون قوياً ومتعدد الاستخدامات، حيث يتميز بما يلي

• توافق مصادر البيانات المتعددة: سواء كانت بياناتك في شكل صور فردية أو مجموعة من الصور أو ملفات فيديو أو تدفقات فيديو في الوقت الفعلي، فإن وضع التنبؤ سيغطيك.
• وضع البث: استخدم ميزة التدفق لتوليد مولد فعال للذاكرة من Results الكائنات. قم بتمكين ذلك عن طريق تعيين stream=True في طريقة استدعاء المتنبئ.
• معالجة الدُفعات: القدرة على معالجة عدة صور أو إطارات فيديو في دفعة واحدة، مما يزيد من سرعة وقت الاستدلال.
• سهولة التكامل: تتكامل بسهولة مع خطوط أنابيب البيانات الحالية ومكونات البرامج الأخرى، وذلك بفضل واجهة برمجة التطبيقات المرنة.

Ultralytics YOLO تُرجع النماذج إما قائمة Python من Results كائنات، أو مولد Python فعال للذاكرة من Results الكائنات عندما stream=True إلى النموذج أثناء الاستدلال:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n 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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

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

# Process results generator
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

YOLO11 معالجة أنواع مختلفة من مصادر الإدخال للاستدلال، كما هو موضح في الجدول أدناه. تتضمن المصادر الصور الثابتة وتدفق الفيديو وتنسيقات البيانات المختلفة. يشير الجدول أيضًا إلى ما إذا كان يمكن استخدام كل مصدر في وضع التدفق باستخدام الوسيطة stream=True ✅. يعد 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 YOLO11n model
model = YOLO("yolo11n.pt")

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

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

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define current screenshot as source
source = "screen"

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

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define remote image or video URL
source = "https://ultralytics.com/images/bus.jpg"

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

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Open an image using PIL
source = Image.open("path/to/image.jpg")

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

import cv2

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Read an image using OpenCV
source = cv2.imread("path/to/image.jpg")

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

import numpy as np

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype="uint8")

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

import torch

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

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

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a path to a CSV file with images, URLs, videos and directories
source = "path/to/file.csv"

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

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to video file
source = "path/to/video.mp4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define path to directory containing images and videos for inference
source = "path/to/dir"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define a glob search for all JPG files in a directory
source = "path/to/dir/*.jpg"

# OR define a recursive glob search for all JPG files including subdirectories
source = "path/to/dir/**/*.jpg"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Define source as YouTube video URL
source = "https://youtu.be/LNwODJXcvt4"

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Single stream with batch-size 1 inference
source = "rtsp://example.com/media.mp4"  # RTSP, RTMP, TCP, or IP streaming address

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Multiple streams with batched inference (e.g., batch-size 8 for 8 streams)
source = "path/to/list.streams"  # *.streams text file with one streaming address per line

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

rtsp://example.com/media1.mp4
rtsp://example.com/media2.mp4
rtmp://example2.com/live
tcp://192.168.1.100:554
...

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on the source
results = model(source=0, stream=True)  # generator of Results objects

حجج الاستدلال

model.predict() يقبل العديد من الوسيطات التي يمكن تمريرها في وقت الاستدلال لتجاوز الإعدادات الافتراضية:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5)

الحجج الاستدلالية:

حجج التصور:

تنسيقات الصور والفيديو

YOLO11 يدعم العديد من تنسيقات الصور والفيديو، كما هو محدد في ultralytics/data/utils .py. انظر الجداول أدناه للاطلاع على اللواحق الصالحة وأمثلة على الأوامر المتوقعة.

الصور

يحتوي الجدول أدناه على تنسيقات صور Ultralytics صالحة.

مقاطع الفيديو

يحتوي الجدول أدناه على تنسيقات فيديو Ultralytics صالحة.

العمل بالنتائج

الكل Ultralytics predict() ستُعيد المكالمات قائمة ب Results الأشياء:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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

Results الكائنات لها السمات التالية:

Results الكائنات لها الطرق التالية:

لمزيد من التفاصيل انظر Results وثائق الفصل.

الصناديق

Boxes لفهرسة المربعات المحدودة ومعالجتها وتحويلها إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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 لـ Boxes طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Boxes وثائق الفصل.

الأقنعة

Masks يمكن استخدام الكائن لفهرسة الأقنعة ومعالجتها وتحويلها إلى مقاطع.

from ultralytics import YOLO

# Load a pretrained YOLO11n-seg Segment model
model = YOLO("yolo11n-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 لـ Masks طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Masks وثائق الفصل.

النقاط الرئيسية

Keypoints يمكن استخدام الكائن لفهرسة الإحداثيات ومعالجتها وتطبيعها.

from ultralytics import YOLO

# Load a pretrained YOLO11n-pose Pose model
model = YOLO("yolo11n-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 لـ Keypoints طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر Keypoints وثائق الفصل.

البروبس

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

from ultralytics import YOLO

# Load a pretrained YOLO11n-cls Classify model
model = YOLO("yolo11n-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 الطرق والخصائص الخاصة ب Probs الفصل:

لمزيد من التفاصيل انظر Probs وثائق الفصل.

OBB

OBB لفهرسة ومعالجة وتحويل المربعات المحدودة الموجهة إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n-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 لـ OBB طرق وخصائص الفئة، بما في ذلك اسمها ونوعها ووصفها:

لمزيد من التفاصيل انظر OBB وثائق الفصل.

تخطيط النتائج

إن plot() طريقة في Results يسهّل تصوّر التنبؤات من خلال تراكب الكائنات المكتشفة (مثل المربعات المحدودة والأقنعة والنقاط الرئيسية والاحتمالات) على الصورة الأصلية. تقوم هذه الطريقة بإرجاع الصورة المشروحة كمصفوفة NumPy، مما يسمح بعرضها أو حفظها بسهولة.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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")

plot() معلمات الطريقة

إن plot() وسيطات مختلفة لتخصيص الإخراج:

الاستدلال الآمن الخيطي

يعد ضمان سلامة الخيط أثناء الاستدلال أمرًا بالغ الأهمية عند تشغيل عدة نماذج YOLO بالتوازي عبر خيوط مختلفة. يضمن الاستدلال الآمن للخيوط أن تكون تنبؤات كل خيط معزولة ولا تتداخل مع بعضها البعض، مما يؤدي إلى تجنب حالات السباق وضمان مخرجات متسقة وموثوقة.

عند استخدام النماذج YOLO في تطبيق متعدد الخيوط، من المهم إنشاء كائنات نماذج منفصلة لكل خيط أو استخدام التخزين المحلي 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=("yolo11n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo11n.pt", "image2.jpg")).start()

لإلقاء نظرة متعمقة على الاستدلال الآمن الخيطي باستخدام نماذج YOLO وإرشادات خطوة بخطوة، يرجى الرجوع إلى دليل الاستدلال الآمن الخيطيYOLO . سيزودك هذا الدليل بجميع المعلومات اللازمة لتجنب المزالق الشائعة وضمان سير الاستدلال متعدد الخيوط بسلاسة.

مصدر البث for-الحلقة

إليك برنامج نصي Python باستخدام OpenCV (cv2) و YOLO لتشغيل الاستدلال على إطارات الفيديو. يفترض هذا البرنامج النصي أنك قمت بالفعل بتثبيت الحزم الضرورية (opencv-python و ultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.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 البرمجي بتشغيل تنبؤات على كل إطار من الفيديو، وتصور النتائج، وعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على 'q'.

الأسئلة الشائعة

ما هو Ultralytics YOLO ووضع التنبؤ الخاص به للاستدلال في الوقت الحقيقي؟

Ultralytics YOLO هو نموذج متطور لاكتشاف الأجسام وتجزئتها وتصنيفها في الوقت الفعلي. يسمح وضع التنبؤ الخاص به للمستخدمين بإجراء استنتاج عالي السرعة على مصادر بيانات مختلفة مثل الصور ومقاطع الفيديو والبث المباشر. تم تصميمه من أجل الأداء وتعدد الاستخدامات، كما أنه يوفر أيضًا أوضاع معالجة الدُفعات والبث المباشر. لمزيد من التفاصيل حول ميزاته، راجع وضع التنبؤUltralytics YOLO .

كيف يمكنني تشغيل الاستدلال باستخدام Ultralytics YOLO على مصادر بيانات مختلفة؟

Ultralytics YOLO معالجة مجموعة كبيرة من مصادر البيانات، بما في ذلك الصور الفردية، ومقاطع الفيديو، والدلائل، وعناوين URL، والتدفقات. يمكنك تحديد مصدر البيانات في model.predict() الاتصال. على سبيل المثال، استخدم 'image.jpg' لصورة محلية أو 'https://ultralytics.com/images/bus.jpg' لعنوان URL. راجع الأمثلة التفصيلية لمختلف مصادر الاستدلال في الوثائق.

كيف يمكنني تحسين سرعة الاستدلال YOLO واستخدام الذاكرة؟

لتحسين سرعة الاستدلال وإدارة الذاكرة بكفاءة، يمكنك استخدام وضع التدفق عن طريق تعيين stream=True في طريقة استدعاء المتنبئ. يُنشئ وضع التدفق مولدًا فعالاً للذاكرة لـ Results بدلاً من تحميل جميع الإطارات في الذاكرة. لمعالجة مقاطع الفيديو الطويلة أو مجموعات البيانات الكبيرة، يكون وضع التدفق مفيدًا بشكل خاص. تعرف على المزيد حول وضع البث.

ما هي الحجج الاستدلالية التي يدعمها Ultralytics YOLO ؟

إن model.predict() في YOLO يدعم وسائط مختلفة مثل conf, iou, imgsz, deviceوالمزيد. تسمح لك هذه الوسيطات بتخصيص عملية الاستدلال، وتعيين معلمات مثل عتبات الثقة، وحجم الصورة، والجهاز المستخدم في الحساب. يمكن العثور على وصف تفصيلي لهذه الوسيطات في حجج الاستدلال القسم.

كيف يمكنني تصور وحفظ نتائج التنبؤات YOLO ؟

بعد تشغيل الاستدلال باستخدام YOLO ، فإن Results على طرق لعرض الصور المشروحة وحفظها. يمكنك استخدام أساليب مثل result.show() و result.save(filename="result.jpg") لتصور النتائج وحفظها. للاطلاع على قائمة شاملة لهذه الطرق، ارجع إلى العمل بالنتائج القسم.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات