تتبّع أجسام متعددة باستخدام Ultralytics YOLO#

يُعد تتبّع الأجسام في مجال تحليلات الفيديو مهمة أساسية، لا تقتصر على تحديد مواقع الأجسام وفئاتها داخل الإطار، بل تشمل أيضًا الاحتفاظ بمعرّف فريد لكل جسم مكتشف مع تقدّم الفيديو. وتتنوع تطبيقاته بلا حدود، من المراقبة والأمن إلى تحليلات الرياضة في الزمن الفعلي.

اطّلع على معاينة YOLO27 غير المُصدرة لمعرفة دعم التتبّع المخطط له.

لماذا تختار Ultralytics YOLO لتتبّع الأجسام؟#

تتوافق مخرجات متتبّعات Ultralytics مع كشف الأجسام القياسي، مع إضافة معرّفات الأجسام. وهذا يسهّل تتبّع الأجسام في تدفقات الفيديو وإجراء التحليلات اللاحقة. إليك أسبابًا تدعوك إلى استخدام Ultralytics YOLO لتلبية احتياجاتك في تتبّع الأجسام:

• الكفاءة: معالجة تدفقات الفيديو في الزمن الفعلي دون المساس بـالدقة.
• المرونة: يدعم خوارزميات تتبّع وإعدادات متعددة.
• سهولة الاستخدام: واجهة API بسيطة بلغة Python وخيارات CLI تتيح التكامل والنشر بسرعة.
• قابلية التخصيص: سهولة الاستخدام مع نماذج YOLO المدرّبة تدريبًا مخصصًا، ما يتيح دمجها في التطبيقات المتخصصة.

تطبيقات واقعية#

البدء السريع#

شغّل التتبّع على فيديو باستخدام المتتبّع TrackTrack الافتراضي. للتبديل إلى متتبّع آخر، غيّر وسيطة tracker.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# ⁨المتتبّع الافتراضي (TrackTrack)⁩
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)

# ⁨التبديل إلى ByteTrack⁩
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

لتشغيل المتتبّع على تدفقات الفيديو، استخدم نموذجًا مدرّبًا من نوع Detect أو Segment أو Pose أو OBB، مثل YOLO26n أو YOLO26n-seg أو YOLO26n-pose أو YOLO26n-obb. يمكنك تدريب نماذج مخصصة محليًا أو باستخدام التدريب السحابي على منصة Ultralytics.

from ultralytics import YOLO

# ⁨تحميل نموذج رسمي أو مخصص⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج Detect رسمي⁩
model = YOLO("yolo26n-seg.pt")  # ⁨تحميل نموذج Segment رسمي⁩
model = YOLO("yolo26n-pose.pt")  # ⁨تحميل نموذج Pose رسمي⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مدرّب تدريبًا مخصصًا⁩

# ⁨تنفيذ التتبّع باستخدام النموذج⁩
results = model.track("https://youtu.be/LNwODJXcvt4", show=True)  # ⁨التتبّع باستخدام المتتبّع الافتراضي⁩
results = model.track("https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")  # ⁨باستخدام ByteTrack⁩

المتتبّعات المدعومة#

يأتي Ultralytics YOLO مزودًا بستة متتبّعات مدمجة. فعِّل أحدها بتمرير ملف إعداد YAML الخاص به إلى الوسيطة tracker.

أي متتبّع ينبغي أن أستخدم؟#

استخدم هذا المخطط لاختيار نقطة بداية؛ ويُستخدم tracktrack.yaml عند عدم تمرير tracker:

1. هل تحتاج إلى أسرع خط أساس وأبسطه؟ → ByteTrack (من دون ReID أو تعويض لحركة الكاميرا، وبأقل حمل إضافي).
2. هل تتعامل مع لقطات بكاميرا محمولة أو طائرة مسيّرة أو كاميرا متحركة؟ → BoT-SORT (يضيف تعويض حركة الكاميرا وخيار ReID).
3. هل توجد حركة غير خطية (رياضة أو رقص أو انعطافات مفاجئة) ولا تحتاج إلى ReID؟ → OC-SORT (تصحيحات مرتكزة على الرصد من دون كلفة المظهر).
4. هل تعمل على مشاهد مزدحمة بكاميرا متحركة، حيث تكون تبديلات المعرّفات المشكلة الرئيسية؟ → Deep OC-SORT أو TrackTrack (يدعم كلاهما المطابقة الاختيارية للمظهر؛ ويضيف TrackTrack أيضًا الإقران متعدد الإشارات وكبح المعرّفات المكررة).
5. هل يحدث تداخل جزئي متكرر في الزمن الفعلي، من دون ميزانية لـ ReID؟ → FastTracker (نسخة من ByteTrack تراعي الحجب وتستخدم التراجع في كالمان).

التبديل بين المتتبّعات#

مرّر اسم ملف إعداد المتتبّع إلى tracker=. وتظل جميع أجزاء الشيفرة الأخرى كما هي.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.track(source="path/to/video.mp4", tracker="bytetrack.yaml")
results = model.track(source="path/to/video.mp4", tracker="ocsort.yaml")
results = model.track(source="path/to/video.mp4", tracker="tracktrack.yaml")

التهيئة#

وسيطات التتبّع#

يشترك إعداد التتبّع في خصائص مع وضع Predict، مثل conf وiou وshow. لمزيد من الإعدادات، راجع صفحة نموذج Predict.

from ultralytics import YOLO

# ⁨تهيئة معلمات التتبّع وتشغيل المتتبّع⁩
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

إعداد متتبّع مخصص#

تتيح لك Ultralytics أيضًا استخدام ملف إعداد متتبّع معدّل. للقيام بذلك، أنشئ نسخة من ملف إعداد متتبّع (مثل custom_tracker.yaml) من ultralytics/cfg/trackers، ثم عدّل أي إعدادات (باستثناء tracker_type) وفقًا لاحتياجاتك.

from ultralytics import YOLO

# ⁨تحميل النموذج وتشغيل المتتبّع باستخدام ملف إعداد مخصص⁩
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", tracker="custom_tracker.yaml")

وسيطات المتتبّع المشتركة#

المعلمات التالية شائعة في معظم ملفات YAML الخاصة بالمتتبّعات؛ ولا تظهر كل المعلمات في جميع ملفات الإعداد:

وسيطات خاصة بأداة التتبع#

توفّر كل خوارزمية عناصر تحكم إضافية إلى جانب المعلمات المشتركة. راجع الأقسام الخاصة بكل أداة تتبع أدناه للاطلاع على الأوصاف ونصائح الضبط، أو ارجع مباشرةً إلى ملفات الإعداد:

• botsort.yaml
• bytetrack.yaml
• ocsort.yaml
• deepocsort.yaml
• fasttrack.yaml
• tracktrack.yaml

تفعيل إعادة التعرّف (ReID)#

يكون ReID معطّلًا افتراضيًا لتقليل العبء الإضافي. فعّله بتعيين with_reid: True في ملف إعداد أداة التتبع.

خيارات نموذج ReID:

• model: auto — يستخدم ميزات كاشف YOLO الأصلي، مع عبء إضافي ضئيل. وهو مثالي عندما تحتاج إلى قدر من ReID دون تأثير كبير في الأداء. ويلجأ إلى yolo26n-cls.pt إذا لم يوفّر الكاشف ميزات متوافقة.
• نموذج ReID مخصص — وجّه model: إلى نقطة تحقق .pt أو نموذج تضمين مُصدّر متوافق، مثل .torchscript أو .onnx أو .engine، أو دليل نموذج OpenVINO. تُحمّل النماذج المُصدّرة عبر AutoBackend، ويجب أن تُخرج موتر تضمين مباشرةً.

تتوفر مُرمِّزات ONNX جاهزة للاستخدام لكل حجم من أحجام النماذج. عيّن model: إلى أحد هذه الأسماء، وسيُنزَّل الملف تلقائيًا عند تشغيل أداة التتبع لأول مرة (بالطريقة نفسها التي تُجلب بها أوزان YOLO)، دون الحاجة إلى تصدير أو تنزيل يدوي:

# In your tracker config (e.g. tracktrack.yaml)
with_reid: True
model: yolo26n-reid.onnx # downloaded on first use; swap n→s/m/l/x for a larger encoder

لتحقيق أداء أفضل باستخدام نموذج تصنيف منفصل، صدّره إلى واجهة خلفية أسرع مثل TensorRT:

from torch import nn

from ultralytics import YOLO

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

# ⁨إضافة طبقة تجميع متوسط⁩
head = model.model.model[-1]
pool = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(start_dim=1))
pool.f, pool.i = head.f, head.i
model.model.model[-1] = pool

# ⁨التصدير إلى TensorRT⁩
model.export(format="engine", quantize=16, dynamic=True, batch=32)

بعد التصدير، حدّد مسار نموذج TensorRT في إعداد أداة التتبع.

تفاصيل أدوات التتبع#

تصف الأقسام أدناه تصميم كل أداة تتبع ومعلماتها الخاصة ونصائح ضبطها.

BoT-SORT#

توسّع BoT-SORT (Aharon وآخرون، 2022) خوارزمية ByteTrack بإضافة تعويض حركة الكاميرا وإمكانية استخدام ReID:

• تعويض حركة الكاميرا (CMC): يُطبَّق تشوّه أفيني يُقدَّر في كل إطار (بتدفق بصري متفرق افتراضيًا؛ ويتوفر أيضًا ORB / ECC) على حالات Kalman قبل المطابقة باستخدام IoU.
• ReID اختياري: يمكن دمج تضمينات المظهر في مصفوفة الكلفة. يكون معطّلًا افتراضيًا؛ ويمكن تفعيله باستخدام with_reid: True.

الأنسب لـ: التتبع العام، ولا سيما باستخدام كاميرات متحركة. أضف ReID فقط عندما تؤدي الحشود المتشابهة المظهر إلى تبديل المعرّفات.

وسيطات خاصة بـ BoT-SORT:

نصائح الضبط:

• كاميرا ثابتة: عيّن gmc_method: none لتوفير بضعة مللي ثانية لكل إطار.
• حركة كاميرا كبيرة: أبقِ sparseOptFlow؛ فـecc أدق لكنه أبطأ.
• حشود متشابهة المظهر: فعّل with_reid: True وارفع appearance_thresh (مثلًا إلى 0.85+).

ByteTrack#

تُعدّ ByteTrack (Zhang وآخرون، ECCV 2022) خوارزميةً أساسية خفيفة الوزن. وهي تستخدم Kalman خطيًا مع IoU، وتعتمد مطابقةً من مرحلتين:

• المرحلة الأولى: مطابقة الاكتشافات ذات الدرجات العالية بالمسارات النشطة.
• المرحلة الثانية: إعادة محاولة مطابقة المسارات غير المطابقة بالاكتشافات ذات الدرجات المنخفضة لاستعادتها بعد احتجاب جزئي قصير.

لا يوجد نموذج للمظهر ولا تعويض لحركة الكاميرا.

الأنسب لـ: الكاميرات الثابتة أو شبه الثابتة، عندما تهيمن كلفة الكاشف على الأداء وتريد تقليل العبء الإضافي لأداة التتبع إلى أدنى حد.

وسيطات خاصة بـ ByteTrack: لا شيء سوى وسيطات أداة التتبع المشتركة.

نصائح الضبط:

• كاشف كثير الضوضاء: خفّض track_low_thresh لزيادة عدد المرشحين في المرحلة الثانية.
• كاشف عالي الاستدعاء: ارفع track_high_thresh لتقليل تفتت المعرّفات.
• وميض متكرر للمعرّفات: ارفع track_buffer كي تبقى المسارات التي فات رصدها لفترة وجيزة نشطة.

OC-SORT#

تُعدّ OC-SORT (Cao وآخرون، CVPR 2023) تطويرًا لخوارزمية SORT يتمحور حول الرصد. وتحافظ على تصميم SORT خفيف الوزن (من دون ميزات المظهر)، مع إضافة ثلاثة تصحيحات:

• إعادة التحديث المتمحورة حول الرصد (ORU): تعيد تشغيل مسار افتراضي بين آخر رصد والاكتشاف الحالي، وتعيد تنفيذ تحديث Kalman لإصلاح انجراف السرعة.
• الزخم المتمحور حول الرصد (OCM): يفرض عقوبة على الاكتشافات التي تتحرك في الاتجاه الخاطئ باستخدام حدّ لتوافق السرعة.
• الاسترداد المتمحور حول الرصد (OCR): يعيد فحص الاكتشافات غير المطابقة ومقارنتها بالمسارات المفقودة حديثًا، مستخدمًا آخر رصد بدلًا من الحالة المتوقعة.

الأنسب لـ: الحركة غير الخطية دون كلفة نموذج ReID.

وسيطات خاصة بـ OC-SORT:

نصائح الضبط:

• حركة غير خطية: ارفع inertia (مثلًا إلى 0.3-0.4).
• اكتشافات متفرقة: فعّل use_byte: True.
• احتجابات طويلة: ارفع track_buffer لزيادة عدد المسارات المفقودة التي يمكن لـ OCR إعادة ربطها.

مع نماذج OBB، يستخدم OCR الصندوق الموجّه المتوقع بواسطة Kalman، إذ لا يُحتفَظ بسجل لآخر رصد للصناديق الموجّهة.

Deep OC-SORT#

تضيف Deep OC-SORT معلومات المظهر وتعويض حركة الكاميرا إلى OC-SORT:

• مطابقة المظهر: تُقيَّد مسافة جيب التمام بين التضمينات بالتداخل، وتُدمج مع كلفة الحركة.
• متوسط أسي متحرك ديناميكي للمظهر (EMA): تُحدَّث تضمينات المسارات باستخدام EMA، ويتكيف عامل التنعيم مع ثقة الاكتشاف.
• تعويض حركة الكاميرا: تُحوَّل حالات Kalman بين الإطارات باستخدام التدفق البصري المتفرق أو ORB أو ECC.

الأنسب لـ: المشاهد المزدحمة أو المصوّرة بكاميرات متحركة، حيث يشيع تبديل المعرّفات بين أجسام مختلفة بصريًا لكنها متقاربة مكانيًا.

وسيطات خاصة بـ Deep OC-SORT:

نصائح الضبط:

• تبديل المعرّفات في الحشود: ارفع appearance_thresh (مثلًا إلى 0.92-0.95) وارفع alpha_fixed_emb كي تتكيف التضمينات ببطء أكبر.
• كاميرا متحركة: عيّن gmc_method: sparseOptFlow (يستخدم Deep OC-SORT افتراضيًا none).
• زمن استجابة أقل: أبقِ with_reid: False (القيمة الافتراضية) للحركة وCMC فقط؛ وفعّل ReID فقط عندما تكون أخطاء تبديل المعرّفات هي السائدة.

FastTracker#

تُعدّ FastTracker نسخةً من ByteTrack تراعي الاحتجاب ولا تستخدم نموذجًا للمظهر:

• اكتشاف الاحتجاب: يحدّد المسارات على أنها محتجبة عندما تتجاوز تغطية المسارات النشطة الأخرى occ_cover_thresh.
• التراجع عن حالة Kalman عند الاحتجاب: يعيد حالة Kalman إلى إطار سابق للاحتجاب، باستخدام سجل محفوظ في مخزن دائري.
• تخفيف الحركة وتوسيع نطاق البحث: تُخفَّف السرعة ويُكبَّر الصندوق المتوقع bbox أثناء الاحتجاب.
• كبح Init-IoU: يمنع إنشاء مسارات جديدة فوق المسارات النشطة.

الأنسب لـ: مسارات عمل الكشف الفوري فقط التي تشهد تداخلًا متكررًا بين الأهداف (الحشود والطوابير والرياضة).

وسيطات خاصة بـ FastTracker:

نصائح الضبط:

• حالات الاحتجاب الجزئي المتكررة: خفّض occ_cover_thresh (مثلًا، إلى 0.5-0.6).
• معرّفات مكررة قرب مناطق التداخل: خفّض init_iou_suppress (مثلًا، إلى 0.5).
• حالات الاحتجاب الطويلة: ارفع occ_reappear_window وtrack_buffer معًا.
• الأهداف سريعة الحركة: ارفع dampen_motion_occ (ليقترب من 1.0)؛ ولا ترفع enlarge_bbox_occ إلا عندما يؤدي توسيع نطاق البحث إلى تحسين الاستعادة.

TrackTrack#

TrackTrack (Shim et al., CVPR 2025) هو أداة التتبّع الافتراضية. ويحلل كل مسار من منظوره، مستخدمًا الإسناد التكراري متعدد الإشارات:

• الإسناد القائم على منظور المسار (TPA): يجمع بين HMIoU ومسافة ReID الجيبية الاختيارية ومسافة إسقاط الثقة ومسافة زاوية الزاوية. ويُحل الإسناد تكراريًا باستخدام عتبة مرنة.
• التهيئة الواعية بالمسار (TAI): تمنع إنشاء مسارات مكررة قبل إنشاء معرّف جديد.

الأنسب لـ: المشاهد المكتظة التي يتكرر فيها الاحتجاب وتشكّل فيها المعرّفات المكررة مشكلة.

وسيطات خاصة بـ TrackTrack:

نصائح الضبط:

• المشاة في المشاهد المكتظة: خفّض tai_thr (مثلًا، إلى 0.45) للحد من إنشاء المسارات المكررة؛ وارفع track_buffer للتعامل مع حالات الاحتجاب الأطول.
• حركة الكاميرا السريعة: أبقِ gmc_method: sparseOptFlow مفعّلًا.
• الأجسام الصغيرة أو السريعة: ارفع angle_weight قليلًا، واخفض min_track_len.
• فعّل ReID عند الحاجة فقط: فهو يزيد تكلفة الاستدلال؛ وفي حالات الاحتجاب القصيرة، تكفي عادةً التكلفة الافتراضية متعددة الإشارات.

مع نماذج Segment وPose، يتجاوز TrackTrack استعادة الكشوف باستخدام NMS المتساهل، للحفاظ على محاذاة الأقنعة والنقاط المفتاحية مع الكشوف.

أمثلة Python#

حلقة تتبّع مستمرة#

فيما يلي برنامج Python نصي يستخدم OpenCV (cv2) وYOLO26 لتتبّع الأجسام في إطارات الفيديو. يفترض هذا البرنامج أن الحزم اللازمة (opencv-python وultralytics) مثبّتة مسبقًا. تخبر الوسيطة persist=True أداة التتبّع بأن الصورة أو الإطار الحالي هو التالي في التسلسل، وأن عليها توقّع وجود مسارات من الصورة السابقة في الصورة الحالية.

import cv2

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

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

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

    if success:
        # ⁨تشغيل تتبّع YOLO26 على الإطار، مع الاحتفاظ بالمسارات بين الإطارات⁩
        # ⁨واستخدام الواجهة الخلفية لأداة التتبّع BoT-SORT⁩
        results = model.track(frame, persist=True, tracker="botsort.yaml")

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

        # ⁨عرض الإطار المشروح⁩
        cv2.imshow("YOLO26 Tracking", 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()

يُرجى ملاحظة التغيير من model(frame) إلى model.track(frame)، الذي يفعّل تتبّع الأجسام بدلًا من الكشف البسيط. سيشغّل هذا البرنامج المعدّل أداة التتبّع على كل إطار من الفيديو، ويعرض النتائج مرئيًا في نافذة. يمكن إنهاء الحلقة بالضغط على 'q'.

رسم المسارات بمرور الوقت#

يمكن أن يوفّر عرض مسارات الأجسام عبر إطارات متتالية رؤى قيّمة حول أنماط الحركة وسلوك الأجسام المكتشفة في الفيديو. ومع Ultralytics YOLO26، تصبح عملية رسم هذه المسارات سلسة وفعّالة.

في المثال التالي، نوضّح كيفية استخدام إمكانات التتبّع في YOLO26 لرسم حركة الأجسام المكتشفة عبر إطارات فيديو متعددة. يفتح هذا البرنامج ملف فيديو، ويقرأه إطارًا تلو الآخر، ويستخدم نموذج YOLO لتحديد مختلف الأجسام وتتبّعها. وبالاحتفاظ بنقاط مركز صناديق الإحاطة المكتشفة وربطها، يمكننا رسم خطوط تمثّل المسارات التي سلكتها الأجسام المتتبَّعة.

from collections import defaultdict

import cv2
import numpy as np

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26⁩
model = YOLO("yolo26n.pt")

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

# ⁨تخزين سجل المسارات⁩
track_history = defaultdict(list)

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

    if success:
        # ⁨تشغيل تتبّع YOLO26 على الإطار، مع الاحتفاظ بالمسارات بين الإطارات⁩
        result = model.track(frame, persist=True)[0]

        # ⁨الحصول على الصناديق ومعرّفات المسارات⁩
        if result.boxes and result.boxes.is_track:
            boxes = result.boxes.xywh.cpu()
            track_ids = result.boxes.id.int().cpu().tolist()

            # ⁨عرض النتيجة مرئيًا على الإطار⁩
            frame = result.plot()

            # ⁨رسم المسارات⁩
            for box, track_id in zip(boxes, track_ids):
                x, y, w, h = box
                track = track_history[track_id]
                track.append((float(x), float(y)))  # ⁨نقطة المركز x وy⁩
                if len(track) > 30:  # ⁨الاحتفاظ بـ 30 مسارًا لمدة 30 إطارًا⁩
                    track.pop(0)

                # ⁨رسم خطوط التتبّع⁩
                points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
                cv2.polylines(frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)

        # ⁨عرض الإطار المشروح⁩
        cv2.imshow("YOLO26 Tracking", 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()

التتبّع متعدد الخيوط#

يتيح التتبّع متعدد الخيوط تشغيل تتبّع الأجسام على تدفقات فيديو متعددة في الوقت نفسه. وهذا مفيد خصوصًا عند التعامل مع عدة مدخلات فيديو، مثل تلك الواردة من كاميرات مراقبة متعددة، إذ يمكن للمعالجة المتزامنة أن تحسّن الكفاءة والأداء بدرجة كبيرة.

يستخدم برنامج Python النصي المقدّم وحدة Python threading لتشغيل عدة مثيلات من أداة التتبّع بالتزامن. ويتولى كل خيط تشغيل أداة التتبّع على ملف فيديو واحد، بينما تعمل جميع الخيوط في الخلفية في الوقت نفسه.

لضمان تلقّي كل خيط للوسيطات الصحيحة (ملف الفيديو والنموذج المطلوب استخدامه وفهرس الملف)، نعرّف دالة run_tracker_in_thread تقبل هذه الوسيطات وتتضمن حلقة التتبّع الرئيسية. تقرأ هذه الدالة الفيديو إطارًا تلو الآخر، وتشغّل أداة التتبّع، وتحفظ النتائج المشروحة.

يُستخدم نموذجان مختلفان في هذا المثال: yolo26n.pt وyolo26n-seg.pt، ويتتبّع كل منهما الأجسام في ملف فيديو مختلف. وتُحدَّد ملفات الفيديو في SOURCES.

تعني الوسيطة daemon=True في threading.Thread أن هذه الخيوط ستُغلق فور انتهاء البرنامج الرئيسي. ثم نبدأ الخيوط باستخدام start()، ونستخدم join() لجعل الخيط الرئيسي ينتظر إلى أن ينتهي خيطا التتبّع.

أخيرًا، بعد أن تُكمل جميع الخيوط مهامها، تُغلق النوافذ التي تعرض النتائج باستخدام cv2.destroyAllWindows().

import threading

import cv2

from ultralytics import YOLO

# ⁨تعريف أسماء النماذج ومصادر الفيديو⁩
MODEL_NAMES = ["yolo26n.pt", "yolo26n-seg.pt"]
SOURCES = ["path/to/video.mp4", "0"]  # ⁨فيديو محلي، و0 لكاميرا الويب⁩

def run_tracker_in_thread(model_name, filename):
    """Run YOLO tracker in its own thread for concurrent processing.

    Args:
        model_name (str): Model checkpoint name or path loaded inside the thread.
        filename (str): The path to the video file or the identifier for the webcam/external camera source.
    """
    model = YOLO(model_name)
    results = model.track(filename, save=True, stream=True)
    for r in results:
        pass

# ⁨إنشاء خيوط أداة التتبّع وبدؤها باستخدام حلقة for⁩
tracker_threads = []
for video_file, model_name in zip(SOURCES, MODEL_NAMES):
    thread = threading.Thread(target=run_tracker_in_thread, args=(model_name, video_file), daemon=True)
    tracker_threads.append(thread)
    thread.start()

# ⁨انتظار انتهاء جميع خيوط أداة التتبّع⁩
for thread in tracker_threads:
    thread.join()

# ⁨تنظيف الموارد وإغلاق النوافذ⁩
cv2.destroyAllWindows()

يمكن توسيع هذا المثال بسهولة للتعامل مع مزيد من ملفات الفيديو والنماذج، وذلك بإنشاء مزيد من الخيوط واتباع المنهجية نفسها.

المساهمة بأدوات تتبّع جديدة#

هل لديك خبرة في تتبّع الأجسام المتعددة، وسبق لك تنفيذ خوارزمية تتبّع أو تكييفها باستخدام Ultralytics YOLO؟ ندعوك إلى المساهمة في قسم أدوات التتبّع لدينا ضمن ultralytics/cfg/trackers! فقد تكون تطبيقاتك وحلولك العملية قيّمة للغاية للمستخدمين العاملين على مهام التتبّع.

تساعد مساهمتك في هذا القسم على توسيع نطاق حلول التتبّع المتاحة ضمن إطار عمل Ultralytics YOLO، وإضافة مزيد من الوظائف والفائدة للمجتمع.

لبدء المساهمة، يُرجى الرجوع إلى دليل المساهمة للاطلاع على تعليمات شاملة حول إرسال طلب سحب (PR) 🛠️. نتطلع إلى رؤية ما ستقدّمه!

لنعمل معًا على تعزيز قدرات التتبّع في منظومة Ultralytics YOLO 🙏!

الأسئلة الشائعة#