حلول Ultralytics: استغل YOLO26 لحل المشكلات الواقعية

تقدم حلول Ultralytics تطبيقات متطورة لنماذج YOLO، موفرةً حلولاً واقعية مثل عد الكائنات، والتمويه، وأنظمة الأمن، مما يعزز الكفاءة والدقة في مختلف الصناعات. اكتشف قوة YOLO26 لتنفيذ حلول عملية ومؤثرة.

Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀

الحلول

إليك قائمتنا المختارة من حلول Ultralytics التي يمكن استخدامها لإنشاء مشاريع رؤية حاسوبية مذهلة.

التحليلات: قم بإجراء تحليل شامل للبيانات لاكتشاف الأنماط واتخاذ قرارات مستنيرة، مستفيداً من YOLO26 في التحليلات الوصفية والتنبؤية والتوجيهية.
حساب المسافة: احسب المسافات بين الكائنات باستخدام مراكز صناديق التحديد في YOLO26، وهو أمر ضروري للتحليل المكاني.
الخرائط الحرارية: استخدم خرائط حرارة الكشف لتصور كثافة البيانات عبر مصفوفة، مما يوفر رؤى واضحة في مهام الرؤية الحاسوبية.
تجزئة النسخ مع تتبع الكائنات: نفذ تجزئة النسخ وتتبع الكائنات باستخدام YOLO26 لتحقيق حدود دقيقة للكائنات ومراقبة مستمرة.
الاستنتاج المباشر مع Streamlit: استفد من قوة YOLO26 لـ كشف الكائنات في الوقت الفعلي مباشرة عبر متصفح الويب الخاص بك باستخدام واجهة Streamlit سهلة الاستخدام.
تمويه الكائنات: طبق تمويه الكائنات باستخدام YOLO26 لحماية الخصوصية في معالجة الصور والفيديو.
عد الكائنات: تعلم كيفية إجراء عد الكائنات في الوقت الفعلي باستخدام YOLO26. اكتسب الخبرة اللازمة لعد الكائنات بدقة في بث الفيديو المباشر.
عد الكائنات في المناطق: قم بعد الكائنات في مناطق محددة باستخدام YOLO26 للحصول على كشف دقيق في مجالات متنوعة.
قص الكائنات: أتقن قص الكائنات باستخدام YOLO26 للاستخراج الدقيق للكائنات من الصور ومقاطع الفيديو.
إدارة مواقف السيارات: نظم ووجه تدفق المركبات في مناطق وقوف السيارات باستخدام YOLO26، مما يحسن استغلال المساحة وتجربة المستخدم.
إدارة طوابير الانتظار: نفذ أنظمة فعالة لإدارة طوابير الانتظار لتقليل أوقات الانتظار وتحسين الإنتاجية باستخدام YOLO26.
نظام الإنذار الأمني: أنشئ نظام إنذار أمني باستخدام YOLO26 الذي يطلق تنبيهات عند اكتشاف كائنات جديدة. قم بتخصيص النظام ليناسب احتياجاتك الخاصة.
البحث عن التشابه: مكّن استرجاع الصور الذكي من خلال دمج تضمينات OpenAI CLIP مع Meta FAISS، مما يسمح باستعلامات باللغة الطبيعية مثل "شخص يحمل حقيبة" أو "مركبات متحركة."
تقدير السرعة: قدّر سرعة الكائنات باستخدام YOLO26 وتقنيات تتبع الكائنات، وهو أمر حيوي لتطبيقات مثل المركبات ذاتية القيادة ومراقبة المرور.
تتبع الكائنات في منطقة: تعلم كيفية تتبع الكائنات داخل مناطق محددة من إطارات الفيديو باستخدام YOLO26 للمراقبة الدقيقة والفعالة.
خرائط رؤية VisionEye للكائنات: طوّر أنظمة تحاكي تركيز العين البشرية على كائنات محددة، مما يعزز قدرة الحاسوب على تمييز التفاصيل وتحديد أولوياتها.
مراقبة التمارين الرياضية: اكتشف كيفية مراقبة التمارين باستخدام YOLO26. تعلم كيفية تتبع وتحليل روتين اللياقة البدنية المختلفة في الوقت الفعلي.

وسائط الحلول

المعامل	النوع	الافتراضي	الوصف
`model`	`str`	`None`	مسار إلى ملف نموذج Ultralytics YOLO.
`region`	`list`	`'[(20, 400), (1260, 400)]'`	قائمة النقاط التي تحدد منطقة العد.
`show_in`	`bool`	`True`	علامة للتحكم في ما إذا كان سيتم عرض أعداد الدخول على دفق الفيديو.
`show_out`	`bool`	`True`	علامة للتحكم في ما إذا كان سيتم عرض أعداد الخروج على دفق الفيديو.
`analytics_type`	`str`	`'line'`	نوع الرسم البياني، مثل `line` أو `bar` أو `area` أو `pie`.
`colormap`	`int`	`cv2.COLORMAP_DEEPGREEN`	خريطة الألوان لاستخدامها في الخريطة الحرارية.
`json_file`	`str`	`None`	مسار ملف JSON الذي يحتوي على كافة بيانات إحداثيات موقف السيارات.
`up_angle`	`float`	`145.0`	عتبة الزاوية لوضعية 'الأعلى'.
`kpts`	`list[int]`	`'[6, 8, 10]'`	قائمة من ثلاثة مؤشرات للنقاط الرئيسية المستخدمة لمراقبة التمارين. تتوافق هذه النقاط الرئيسية مع مفاصل الجسم أو أجزائه، مثل الكتفين والمرفقين والمعصمين، لتمارين مثل الضغط، والعقلة، والقرفصاء، وتمارين البطن.
`down_angle`	`int`	`90`	عتبة الزاوية لوضعية 'الأسفل'.
`blur_ratio`	`float`	`0.5`	يضبط نسبة كثافة التمويه، بقيم في النطاق `0.1 - 1.0`.
`crop_dir`	`str`	`'cropped-detections'`	اسم الدليل لتخزين الاكتشافات المقصوصة.
`records`	`int`	`5`	إجمالي عدد الاكتشافات لتشغيل بريد إلكتروني مع نظام إنذار أمني.
`vision_point`	`tuple[int, int]`	`(20, 20)`	النقطة التي ستتتبع فيها الرؤية الكائنات وترسم المسارات باستخدام حل VisionEye.
`source`	`str`	`None`	مسار إلى مصدر الإدخال (فيديو، RTSP، إلخ). يمكن استخدامه فقط مع واجهة سطر أوامر الحلول (CLI).
`figsize`	`tuple[int, int]`	`(12.8, 7.2)`	حجم الشكل لمخططات التحليلات مثل الخرائط الحرارية أو الرسوم البيانية.
`fps`	`float`	`30.0`	الإطارات في الثانية المستخدمة لحسابات السرعة.
`max_hist`	`int`	`5`	أقصى عدد للنقاط التاريخية للتتبع لكل كائن لحسابات السرعة/الاتجاه.
`meter_per_pixel`	`float`	`0.05`	عامل القياس المستخدم لتحويل مسافة البكسل إلى وحدات واقعية.
`max_speed`	`int`	`120`	الحد الأقصى للسرعة في التراكبات المرئية (المستخدمة في التنبيهات).
`data`	`str`	`'images'`	مسار إلى دليل الصور المستخدم للبحث عن التشابه.

وسائط التتبع

تدعم الحلول أيضاً بعض الوسائط من track، بما في ذلك معاملات مثل conf، وline_width، وtracker، وmodel، وshow، وverbose، وclasses.

المعامل	النوع	الافتراضي	الوصف
`tracker`	`str`	`'botsort.yaml'`	يحدد خوارزمية التتبع المراد استخدامها، على سبيل المثال، `bytetrack.yaml` أو `botsort.yaml`.
`conf`	`float`	`0.1`	يضبط عتبة الثقة للكشوف؛ القيم المنخفضة تسمح بتتبع المزيد من الكائنات ولكنها قد تتضمن نتائج إيجابية كاذبة.
`iou`	`float`	`0.7`	يضبط عتبة التقاطع فوق الاتحاد (IoU) لتصفية الكشوف المتداخلة.
`classes`	`list`	`None`	يصفي النتائج حسب فهرس الفئة. على سبيل المثال، `classes=[0, 2, 3]` يتتبع فقط الفئات المحددة.
`verbose`	`bool`	`True`	يتحكم في عرض نتائج التتبع، مما يوفر مخرجات مرئية للكائنات المتتبعة.
`device`	`str`	`None`	يحدد الجهاز للاستنتاج (على سبيل المثال، `cpu`، أو `cuda:0` أو `0`). يسمح للمستخدمين بالاختيار بين CPU، أو GPU محدد، أو أجهزة حوسبة أخرى لتنفيذ النموذج.

وسائط التصور

يمكنك استخدام show_conf، وshow_labels، والوسائط الأخرى المذكورة لتخصيص التصور.

المعامل	النوع	الافتراضي	الوصف
`show`	`bool`	`False`	إذا كانت القيمة `True`، يتم عرض الصور أو مقاطع الفيديو المشروحة في نافذة. مفيد للحصول على تعليقات مرئية فورية أثناء التطوير أو الاختبار.
`line_width`	`int or None`	`None`	يحدد عرض خط صناديق الإحاطة. إذا كانت القيمة `None`، يتم تعديل عرض الخط تلقائياً بناءً على حجم الصورة. يوفر تخصيصاً مرئياً للوضوح.
`show_conf`	`bool`	`True`	يعرض درجة الثقة لكل اكتشاف بجانب التسمية. يعطي نظرة ثاقبة حول يقين النموذج لكل اكتشاف.
`show_labels`	`bool`	`True`	يعرض تسميات لكل اكتشاف في المخرجات المرئية. يوفر فهماً فورياً للكائنات المكتشفة.

استخدام SolutionAnnotator

تستخدم جميع حلول Ultralytics فئة منفصلة هي SolutionAnnotator، التي توسع الفئة الرئيسية Annotator، ولديها الطرق التالية:

الطريقة	نوع الإرجاع	الوصف
`draw_region()`	`None`	يرسم منطقة باستخدام نقاط وألوان وسُمك محددة.
`queue_counts_display()`	`None`	يعرض أعداد طوابير الانتظار في المنطقة المحددة.
`display_analytics()`	`None`	يعرض إحصائيات عامة لإدارة مواقف السيارات.
`estimate_pose_angle()`	`float`	يحسب الزاوية بين ثلاث نقاط في وضعية كائن.
`draw_specific_points()`	`None`	يرسم نقاطاً رئيسية محددة على الصورة.
`plot_workout_information()`	`None`	يرسم مربع نص مصنفاً على الصورة.
`plot_angle_and_count_and_stage()`	`None`	يصور الزاوية، وعدد الخطوات، والمرحلة لمراقبة التمارين.
`plot_distance_and_line()`	`None`	يعرض المسافة بين المراكز ويربط بينها بخط.
`display_objects_labels()`	`None`	يعلّق صناديق التحديد بتسميات فئات الكائنات.
`sweep_annotator()`	`None`	تصور خط مسح رأسي وتسمية اختيارية.
`visioneye()`	`None`	يرسم ويربط مراكز الكائنات بنقطة "عين" مرئية.
`adaptive_label()`	`None`	يرسم تسمية بشكل خلفية دائري أو مستطيل في وسط صندوق تحديد.

العمل مع SolutionResults

Except Similarity Search, each Solution call returns a list of SolutionResults objects.

بالنسبة لعد الكائنات، تتضمن النتائج in_count، وout_count، وclasswise_count.

SolutionResults

import cv2

from ultralytics import solutions

im0 = cv2.imread("path/to/img")

region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo26n.pt",  # model="yolo26n-obb.pt" for object counting with OBB model.
    # classes=[0, 2],  # count specific classes i.e. person and car with COCO pretrained model.
    # tracker="botsort.yaml"  # Choose trackers i.e "bytetrack.yaml"
)
results = counter(im0)
print(results.in_count)  # display in_counts
print(results.out_count)  # display out_counts
print(results.classwise_count)  # display classwise_count

كائنات SolutionResults لها السمات التالية:

السمة	النوع	الوصف
`plot_im`	`np.ndarray`	صورة مع تراكبات مرئية مثل الأعداد، أو تأثيرات التمويه، أو تحسينات خاصة بالحل.
`in_count`	`int`	إجمالي عدد الكائنات التي تم اكتشاف دخولها إلى المنطقة المحددة في بث الفيديو.
`out_count`	`int`	إجمالي عدد الكائنات التي تم اكتشاف خروجها من المنطقة المحددة في بث الفيديو.
`classwise_count`	`Dict[str, int]`	قاموس يسجل أعداد الكائنات الداخلة/الخارجة حسب الفئة للتحليلات المتقدمة.
`queue_count`	`int`	عدد الكائنات الموجودة حالياً داخل طابور محدد مسبقاً أو منطقة انتظار (مناسبة لإدارة طوابير الانتظار).
`workout_count`	`int`	إجمالي عدد تكرارات التمرين المكتملة أثناء تتبع التمارين.
`workout_angle`	`float`	زاوية المفصل أو الوضعية المحسوبة أثناء التمرين لتقييم الأداء.
`workout_stage`	`str`	مرحلة التمرين الحالية أو مرحلة الحركة (على سبيل المثال، 'up' أو 'down').
`pixels_distance`	`float`	المسافة المستندة إلى البيكسل بين كائنين أو نقطتين، على سبيل المثال صناديق التحديد. (مناسبة لحساب المسافة).
`available_slots`	`int`	عدد الأماكن غير المشغولة في منطقة مراقبة (مناسبة لإدارة مواقف السيارات).
`filled_slots`	`int`	عدد الأماكن المشغولة في منطقة مراقبة. (مناسبة لإدارة مواقف السيارات)
`email_sent`	`bool`	يشير إلى ما إذا كان قد تم إرسال بريد إلكتروني للإشعار أو التنبيه بنجاح (مناسب للإنذار الأمني).
`total_tracks`	`int`	إجمالي عدد مسارات الكائنات الفريدة التي تمت ملاحظتها أثناء تحليل الفيديو.
`region_counts`	`Dict[str, int]`	أعداد الكائنات داخل المناطق أو النطاقات المحددة من قبل المستخدم.
`speed_dict`	`Dict[str, float]`	قاموس خاص بالمسار لسرعات الكائنات المحسوبة، مفيد لتحليل السرعة.
`total_crop_objects`	`int`	إجمالي عدد صور الكائنات المقصوصة التي تم إنشاؤها بواسطة حل ObjectCropper.
`speed`	`Dict[str, float]`	قاموس يحتوي على مقاييس الأداء للتتبع ومعالجة الحلول.

لمزيد من التفاصيل، يرجى الرجوع إلى توثيق فئة SolutionResults.

استخدام الحلول عبر CLI

معلومات الأمر

يمكن استخدام معظم الحلول مباشرة من خلال واجهة سطر الأوامر (CLI)، بما في ذلك:

Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference, Trackzone

الصيغة

yolo SOLUTIONS SOLUTION_NAME ARGS

SOLUTIONS هي كلمة أساسية مطلوبة.
SOLUTION_NAME هي واحدة من: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (اختيارية) هي أزواج مخصصة بصيغة arg=value، مثل show_in=True، لتجاوز الإعدادات الافتراضية.

yolo solutions count show=True # for object counting

yolo solutions count source="path/to/video.mp4" # specify video file path

ساهم في حلولنا

نرحب بالمساهمات من المجتمع! إذا كنت قد أتقنت جانبًا معينًا من Ultralytics YOLO ولم يتم تغطيته بعد في حلولنا، فإننا نشجعك على مشاركة خبرتك. تعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل توثيقنا أكثر شمولاً وسهولة في الاستخدام.

للبدء، يرجى قراءة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتكم!

دعونا نعمل معًا لجعل نظام Ultralytics YOLO أكثر قوة وتنوعًا 🙏!

الأسئلة الشائعة

كيف يمكنني استخدام Ultralytics YOLO لعد الكائنات في الوقت الفعلي؟

يمكن استخدام Ultralytics YOLO26 لعد الكائنات في الوقت الفعلي من خلال الاستفادة من قدرات اكتشاف الكائنات المتقدمة. يمكنك اتباع دليلنا المفصل حول عد الكائنات لإعداد YOLO26 لتحليل بث الفيديو المباشر. ما عليك سوى تثبيت YOLO26، وتحميل النموذج الخاص بك، ومعالجة إطارات الفيديو لعد الكائنات ديناميكيًا.

ما هي فوائد استخدام Ultralytics YOLO لأنظمة الأمن؟

يعمل Ultralytics YOLO26 على تعزيز أنظمة الأمن من خلال توفير اكتشاف الكائنات في الوقت الفعلي وآليات التنبيه. باستخدام YOLO26، يمكنك إنشاء نظام إنذار أمني يطلق تنبيهات عند اكتشاف كائنات جديدة في منطقة المراقبة. تعرف على كيفية إعداد نظام إنذار أمني باستخدام YOLO26 لمراقبة أمنية قوية.

كيف يمكن لـ Ultralytics YOLO تحسين أنظمة إدارة الطوابير؟

يمكن لـ Ultralytics YOLO26 تحسين أنظمة إدارة الطوابير بشكل كبير من خلال عد وتتبع الأشخاص في الطوابير بدقة، مما يساعد في تقليل أوقات الانتظار وتحسين كفاءة الخدمة. اتبع دليلنا المفصل حول إدارة الطوابير لمعرفة كيفية تنفيذ YOLO26 لمراقبة وتحليل الطوابير بفعالية.

هل يمكن استخدام Ultralytics YOLO لمراقبة التمارين الرياضية؟

نعم، يمكن استخدام Ultralytics YOLO26 بفعالية لمراقبة التمارين الرياضية من خلال تتبع وتحليل روتين اللياقة البدنية في الوقت الفعلي. وهذا يسمح بتقييم دقيق لشكل الأداء والتمارين. استكشف دليلنا حول مراقبة التمارين الرياضية لمعرفة كيفية إعداد نظام مراقبة تمارين مدعوم بالذكاء الاصطناعي باستخدام YOLO26.

كيف يساعد Ultralytics YOLO في إنشاء خرائط حرارية لـ تصور البيانات؟

يمكن لـ Ultralytics YOLO26 إنشاء خرائط حرارية لتصور كثافة البيانات عبر منطقة معينة، مع تسليط الضوء على مناطق النشاط العالي أو الاهتمام. تعتبر هذه الميزة مفيدة بشكل خاص في فهم الأنماط والاتجاهات في مهام الرؤية الحاسوبية المختلفة. تعرف على المزيد حول إنشاء واستخدام الخرائط الحرارية مع YOLO26 لتحليل وتصور البيانات بشكل شامل.

Contributors

RIRizwanMunawar¹⁴ GLglenn-jocher¹¹ RAraimbekovm¹RORonald Eddy Jr¹LALaughing-q¹

Created ٣٠ مايو ٢٠٢٤Updated الأسبوع الماضي