ابدأ

حلول Ultralytics: تسخير YOLO26 لحل مشكلات العالم الحقيقي

حلول Ultralytics تطبيقات جاهزة للاستخدام لنماذج Ultralytics YOLO، تعالج مشكلات شائعة في الرؤية الحاسوبية مثل عدّ الكائنات وإنشاء الخرائط الحرارية وتقدير السرعة وإدارة الطوابير وتمويه الكائنات. وتغلّف معظم الحلول الكشف أو التتبّع أو تقدير الوضعية ضمن فئة قابلة للتهيئة، يمكنك تشغيلها من Python أو واجهة سطر الأوامر yolo solutions.

صورة مصغرة لحلول Ultralytics



شاهد: كيفية تشغيل حلول Ultralytics من سطر الأوامر (CLI) | Ultralytics YOLO26 🚀

الحلول#

يتضمن كل حل أدناه دليلًا مخصصًا:

  • التحليلات: أنشئ مخططات خطية وشريطية ودائرية ومخططات مساحية من عمليات اكتشاف YOLO26 لتحليل الاتجاهات بمرور الوقت.
  • حساب المسافة: احسب المسافات بين الكائنات باستخدام مراكز مربعات الإحاطة في YOLO26 للتحليل المكاني.
  • الخرائط الحرارية: اجمع عمليات اكتشاف YOLO26 في طبقة خريطة حرارية توضح مواضع ظهور الكائنات أو حركتها الأكثر تكرارًا.
  • تجزئة المثيلات مع تتبّع الكائنات: اجمع بين تجزئة المثيلات وتتبع الكائنات باستخدام YOLO26 لمتابعة حدود الكائنات عبر إطارات الفيديو.
  • الاستدلال المباشر باستخدام Streamlit: نفّذ اكتشاف الكائنات في الوقت الفعلي باستخدام YOLO26 عبر متصفح الويب ومن خلال واجهة Streamlit.
  • تمويه الكائنات: طبّق تمويه الكائنات باستخدام YOLO26 لحماية الخصوصية عند معالجة الصور ومقاطع الفيديو.
  • عدّ الكائنات: عُدّ الكائنات التي تعبر خطًا أو تدخل منطقة في مقاطع الفيديو والبث المباشر باستخدام YOLO26.
  • عدّ الكائنات في المناطق: عُدّ الكائنات داخل مناطق متعددة يحددها المستخدم باستخدام YOLO26.
  • قصّ الكائنات: اقتطع الكائنات المكتشفة من الصور ومقاطع الفيديو باستخدام YOLO26 واحفظ كل كائن كصورة منفصلة.
  • OCR: اكتشف نصوص المشاهد والمستندات وتعرّف عليها ورتّبها بأي زاوية باستخدام كواشف YOLO26-Text والتعرّف عبر PP-OCRv6، أو اقرأ الكورية والسيريلية والعربية وغيرها من أنظمة الكتابة باستخدام نماذج اللغات في PP-OCRv5.
  • إدارة مواقف السيارات: راقب أماكن وقوف السيارات المشغولة والمتاحة باستخدام YOLO26.
  • إدارة الطوابير: عدّ الأشخاص المنتظرين في منطقة الطابور باستخدام YOLO26 لمراقبة أطوال الطوابير.
  • نظام الإنذار الأمني: أنشئ نظام إنذار أمني باستخدام YOLO26 يرسل تنبيهًا عبر البريد الإلكتروني عند بلوغ عدد الكائنات المكتشفة حدًا معينًا.
  • البحث عن التشابه: استرجع الصور باستخدام استعلامات باللغة الطبيعية مثل «شخص يحمل حقيبة» أو «مركبات متحركة»، وذلك بدمج تضمينات OpenAI CLIP مع البحث عن التشابه باستخدام جيب التمام.
  • تقدير السرعة: قدّر سرعة الكائنات باستخدام YOLO26 وتتبع الكائنات لتطبيقات مثل مراقبة حركة المرور.
  • تتبّع الكائنات داخل منطقة: تتبّع الكائنات داخل منطقة محددة من إطار الفيديو فقط باستخدام YOLO26.
  • رؤية العين ورسم خرائط الكائنات: اربط الكائنات المكتشفة بنقطة مراقبة ثابتة، لمحاكاة تركيز العين البشرية على كائنات محددة.
  • مراقبة التمارين: عُدّ تكرارات التمارين وتتبّع مراحلها في الوقت الفعلي باستخدام تقدير الوضعية في YOLO26.

وسائط الحلول#

المعاملالنوعالافتراضيالوصف
modelstrNoneمسار ملف نموذج Ultralytics YOLO.
regionlist أو dictNoneالنقاط التي تحدد منطقة الاهتمام، سواء أكانت قائمة من الصفوف (x, y) أم قاموسًا يربط أسماء المناطق بقوائم النقاط لمناطق متعددة (في RegionCounter فقط). عندما يكون None، تستخدم الحلول التي تتطلب منطقة إعدادًا افتراضيًا محددًا مسبقًا.
show_inboolTrueعلم للتحكم في عرض أعداد الدخول على بث الفيديو.
show_outboolTrueعلم للتحكم في عرض أعداد الخروج على بث الفيديو.
analytics_typestr'line'نوع المخطط، مثل line أو bar أو area أو pie.
colormapintcv2.COLORMAP_DEEPGREENخريطة الألوان المستخدمة للخريطة الحرارية.
line_widthint2سماكة الخط للصناديق والنقاط المفتاحية والعدادات التي يرسمها الحل.
verboseboolTrueيفعّل سجل الحل لكل إطار، ويشمل شكل المدخل وعدد الفئات وسرعة المعالجة. يظل استدعاء التتبع نفسه صامتًا دائمًا.
json_filestrNoneمسار ملف JSON الذي يحتوي على جميع بيانات إحداثيات مواقف السيارات.
up_anglefloat145.0عتبة زاوية وضعية «الأعلى».
kptslist[int][6, 8, 10]قائمة بثلاثة فهارس للنقاط المفتاحية تُستخدم لمراقبة التمارين. وتتوافق هذه النقاط المفتاحية مع مفاصل الجسم أو أجزائه، مثل الكتفين والمرفقين والمعصمين، في تمارين مثل الضغط والعقلة والقرفصاء وتمارين البطن.
down_anglefloat90.0عتبة زاوية وضعية «الأسفل».
blur_ratiofloat0.5يضبط نسبة شدة التمويه، ضمن النطاق 0.1 - 1.0.
crop_dirstr'cropped-detections'اسم الدليل الذي تُحفظ فيه الاكتشافات المقصوصة.
recordsint5إجمالي عدد الاكتشافات اللازم لإطلاق رسالة بريد إلكتروني مع نظام إنذار أمني.
vision_pointtuple[int, int](20, 20)النقطة التي ستتتبع منها الرؤية الأجسام وترسم المسارات باستخدام حل VisionEye.
sourcestrNoneمسار مصدر الإدخال (فيديو، RTSP، وما إلى ذلك). لا يمكن استخدامه إلا مع واجهة سطر الأوامر (CLI) الخاصة بـ Solutions.
figsizetuple[float, float](12.8, 7.2)حجم الشكل بالبوصة لمخططات Analytics؛ يعرض (12.8, 7.2) إطارًا بدقة 1280×720.
fpsfloat30.0عدد الإطارات في الثانية المستخدم لحساب السرعة.
max_histint5الحد الأقصى لعدد النقاط التاريخية التي تُتتبع لكل جسم لحساب السرعة والاتجاه.
meter_per_pixelfloat0.05عامل القياس المستخدم لتحويل المسافة بالبكسل إلى وحدات العالم الحقيقي.
max_speedint120السرعة القصوى بالكيلومتر في الساعة؛ تُحدّ السرعات المقدّرة الأعلى بهذه القيمة.
datastr'images'مسار دليل الصور المستخدم للبحث عن الصور المتشابهة.
imgszint640حجم صورة الإدخال لاستدلال النموذج.
recognizerstr أو Callable'paddleocr'الواجهة الخلفية للتعرّف على النصوص: 'paddleocr' ‏(PP-OCRv6 على ONNX Runtime)، أو 'tensorrt' ‏(PP-OCRv6 كمحرّك TensorRT بدقة FP16 على وحدات معالجة الرسومات NVIDIA)، أو اسم نموذج لغة PaddleOCR مثل 'korean_PP-OCRv5_mobile_rec'، أو دالة قابلة للاستدعاء تقبل قصاصة BGR وتُرجع (text, confidence).
وسائط التتبع

تمرر الحلول وسائط الاستدلال والتتبع التالية إلى model.track().

المعاملالنوعالافتراضيالوصف
trackerstr'tracktrack.yaml'يحدد خوارزمية التتبع المطلوب استخدامها. الخيارات المضمنة: botsort.yaml، bytetrack.yaml، ocsort.yaml، deepocsort.yaml، fasttrack.yaml، tracktrack.yaml.
conffloat0.25يضبط عتبة الثقة للكشوفات؛ إذ تسمح القيم الأقل بتتبع مزيد من الكائنات، لكنها قد تتضمن إيجابيات كاذبة.
ioufloat0.5يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الكشوفات المتداخلة.
classeslistNoneيصفّي النتائج حسب فهرس الفئة. على سبيل المثال، لا يتتبع classes=[0, 2, 3] إلا الفئات المحددة.
devicestrNoneيحدد الجهاز المستخدم للاستدلال (مثل cpu أو cuda:0 أو 0). ويتيح للمستخدمين الاختيار بين CPU أو GPU محددة أو أجهزة حوسبة أخرى لتنفيذ النموذج.
imgszint or tuple640حجم صورة الاستدلال المستهدف: عدد صحيح لصورة مربعة، أو زوج (height, width). تُعدّل الأبعاد وفقًا لخطوة النموذج.
max_detint300الحد الأقصى لعدد الكشوفات التي يُحتفظ بها لكل إطار قبل التتبع، ما يحد من عدد الكائنات التي يعالجها الحل في المشاهد الكثيفة.
quantizeint or strNoneدقة الاستدلال: 16 (FP16) أو 32/unset (FP32) لنماذج PyTorch وTorchScript خارج CPU؛ أما التنسيقات الأخرى فتستخدم الدقة التي يحددها الملف الاصطناعي وبيئة التشغيل. يحل هذا الوسيط محل الوسيطة half المهملة.
وسائط التصور

يمكنك استخدام show_conf وshow_labels وغيرها من الوسائط المذكورة لتخصيص التصور.

المعاملالنوعالافتراضيالوصف
showboolFalseإذا كان True، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. يفيد ذلك في الحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار.
show_confboolTrueيعرض درجة الثقة لكل اكتشاف بجوار التسمية، ما يوضح مدى يقين النموذج بشأن كل اكتشاف.
show_labelsboolTrueيعرض تسميات كل اكتشاف في المخرجات المرئية، ما يتيح فهم الكائنات المكتشفة فورًا.

استخدام SolutionAnnotator#

تستخدم جميع حلول Ultralytics الفئة SolutionAnnotator، التي توسّع الفئة الرئيسية Annotator وتوفر الطرق التالية:

الطريقةنوع القيمة المُعادةالوصف
draw_region()Noneيرسم منطقة باستخدام النقاط والألوان والسُمك المحددة.
queue_counts_display()Noneيعرض أعداد الطوابير في المنطقة المحددة.
display_analytics()Noneيعرض الإحصاءات الإجمالية لإدارة مواقف السيارات.
estimate_pose_angle()floatيحسب الزاوية بين ثلاث نقاط في وضعية كائن.
draw_specific_kpts()np.ndarrayيرسم نقاطًا مفتاحية محددة على الصورة.
plot_workout_information()intيرسم مربع نص ذي تسمية على الصورة.
plot_angle_and_count_and_stage()Noneيعرض الزاوية وعدد الخطوات والمرحلة لمراقبة التمارين.
plot_distance_and_line()Noneيعرض المسافة بين المراكز ويربط بينها بخط.
display_objects_labels()Noneيضيف تسميات فئات الكائنات إلى الصناديق المحيطة.
sweep_annotator()Noneيعرض خط مسح عموديًا، مع تسمية اختيارية.
visioneye()Noneيرسم خريطة لمراكز الكائنات ويربطها بنقطة «عين» مرئية.
adaptive_label()Noneيرسم تسمية بخلفية دائرية أو مستطيلة في مركز صندوق محيط.

العمل مع SolutionResults#

تعيد جميع الحلول، باستثناء البحث عن التشابه، كائن SolutionResults عند استدعائها.

  • في عدّ 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,  # ⁨# اعرض الناتج⁩
    region=region_points,  # ⁨# مرر نقاط المنطقة⁩
    model="yolo26n.pt",  # ⁨# model="yolo26n-obb.pt" لعدّ الكائنات باستخدام نموذج OBB.⁩
    # ⁨# classes=[0, 2],  # عدّ فئات محددة، مثل person وcar باستخدام نموذج COCO مدرّب مسبقًا.⁩
    # ⁨# tracker="botsort.yaml"  # اختر أدوات التتبع، مثل "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

تتضمن كائنات SolutionResults السمات التالية:

السمةالنوعالوصف
plot_imnp.ndarrayصورة تتضمن تراكبات مرئية، مثل الأعداد أو تأثيرات التمويه أو التحسينات الخاصة بالحل.
in_countintإجمالي عدد الكائنات التي اكتُشفت أثناء دخولها المنطقة المحددة في تدفق الفيديو.
out_countintإجمالي عدد الكائنات التي اكتُشفت أثناء خروجها من المنطقة المحددة في تدفق الفيديو.
classwise_countdict[str, dict[str, int] | int]الأعداد حسب الفئة: {"IN": int, "OUT": int} في ObjectCounter وHeatmap، أو int في Analytics.
queue_countintعدد الكائنات الموجودة حاليًا ضمن طابور أو منطقة انتظار محددة مسبقًا (مناسب لإدارة الطوابير).
workout_countlist[int]عدد تكرارات التمرين لكل مسار في AI Gym (عنصر واحد لكل فرد يجري تتبعه حاليًا).
workout_anglelist[float]زوايا التمرين لكل مسار في AI Gym (عنصر واحد لكل فرد يجري تتبعه حاليًا).
workout_stagelist[str]مرحلة التمرين الحالية لكل مسار في AI Gym (عنصر واحد لكل فرد يجري تتبعه حاليًا).
pixels_distancefloatالمسافة بالبكسل بين كائنين أو نقطتين، مثل مربعات الإحاطة (مناسبة لحساب المسافة).
available_slotsintعدد الأماكن الشاغرة في منطقة خاضعة للمراقبة (مناسب لإدارة مواقف السيارات).
filled_slotsintعدد الأماكن المشغولة في منطقة خاضعة للمراقبة (مناسب لإدارة مواقف السيارات).
email_sentboolيشير إلى ما إذا كان قد أُرسل بريد إلكتروني للإشعار أو التنبيه بنجاح (مناسب لنظام الإنذار الأمني).
total_tracksintإجمالي عدد مسارات الكائنات الفريدة التي رُصدت أثناء تحليل الفيديو.
region_countsdict[str, int]أعداد الكائنات داخل المناطق أو النطاقات التي يحددها المستخدم.
speed_dictdict[int, int]قاموس بسرعات الكائنات المقدّرة لكل مسار، بوحدة كم/ساعة، من SpeedEstimator، وهو مفيد لتحليل السرعة.
total_crop_objectsintإجمالي عدد صور الكائنات المقصوصة التي أنشأها حل ObjectCropper.
speeddict[str, float]قاموس يحتوي على مقاييس الأداء الخاصة بالتتبع ومعالجة الحلول.

لمزيد من التفاصيل، راجع وثائق الفئة SolutionResults.

استخدام الحلول عبر CLI#

معلومات الأمر

يمكن تشغيل معظم الحلول مباشرةً من واجهة سطر الأوامر.

الصياغة

yolo SOLUTIONS SOLUTION_NAME ARGS
  • SOLUTIONS كلمة أساسية مطلوبة.
  • SOLUTION_NAME هو أحد الخيارات التالية: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking'].
  • ARGS (اختيارية) هي أزواج مخصّصة من 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#

نرحّب بمساهمات المجتمع. إذا كنت قد طوّرت حلًا باستخدام Ultralytics YOLO ولم يُغطَّ هنا، ففكّر في مشاركته على هيئة دليل ليستفيد منه المستخدمون الآخرون.

الأسئلة الشائعة#

  • يقوم Ultralytics YOLO26 بعدّ الكائنات في الوقت الفعلي عبر الجمع بين الكشف والتتبّع، بحيث يُعَدّ كل كائن مرة واحدة عند عبوره خطًا أو دخوله منطقة. لإعداد YOLO26 لتحليل بث الفيديو المباشر، ثبّت ultralytics وحمّل نموذجًا ومرّر إطارات الفيديو إلى solutions.ObjectCounter.

  • يضيف Ultralytics YOLO26 اكتشاف الكائنات والتنبيه في الوقت الفعلي إلى أنظمة الأمن القائمة على الكاميرات. وباستخدام حل نظام الإنذار الأمني، يرسل YOLO26 تنبيهًا عبر البريد الإلكتروني عندما يبلغ عدد الكائنات المكتشفة في منطقة المراقبة حدًا معينًا.

  • يقوم Ultralytics YOLO26 بعدّ الأشخاص وتتبعهم داخل منطقة الطابور، ما يوفر أطوال الطوابير مباشرةً ويساعد على تقليل أوقات الانتظار والتخطيط لتوزيع الموظفين.

  • نعم. تتتبّع نماذج تقدير الوضعية في Ultralytics YOLO26 النقاط المفتاحية للجسم في الوقت الفعلي، لذا يمكن لحل مراقبة التمارين قياس زوايا المفاصل وعدّ التكرارات والإبلاغ عن مرحلة التمرين الحالية.

  • يمكن لـ Ultralytics YOLO26 إنشاء خرائط حرارية توضح مواضع ظهور الكائنات أو حركتها الأكثر تكرارًا في المشهد، مع إبراز المناطق ذات النشاط المرتفع. وتساعدك تصورات البيانات هذه على فهم أنماط حركة المرور والاتجاهات بمرور الوقت.

التعليقات23

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

    1. Glenn JocherUltralytics(تم التعديل)

      @ZHIYUAN816 you don't need to set anything: the warning has no effect on training or metrics, only on how many items are drawn on the plotted validation images (optional, for visual review). In current versions that limit follows the max_det argument (default 300).

  1. ZHIYUAN816GitHub

    WARNING ⚠️ Limiting validation plots to first 50 items per image for speed... WARNING ⚠️ Limiting validation plots to first 50 items per image for speed... how to solve this problem bro?

    1. Glenn JocherUltralytics(تم التعديل)

      @ZHIYUAN816 this is not an error but a warning that the plotted prediction images are limited to a maximum number of items per image. It does not affect training. In current versions the limit follows max_det (default 300).

    1. RizwanMunawarGitHub

      @smc0927 Hi! I’m not entirely sure I understand your question. Could you please clarify a bit?

      Generally, the counting process is designed to occur only once for each track ID. Once an object is counted, it won't be counted again, even if it crosses the same region or line multiple times.

    2. smc0927GitHub

      ok,I want to print out the coordinates of the target, but that's not what I want because it's going to be printed multiple times over a period of time. I want it to be output only once, is there a way to achieve this?

    3. RizwanMunawarGitHub

      @smc0927 Yes it's possible. You can simply iterate over the detection results. BTW, this discussion is more related to Ultralytics solutions, while your question is related to prediction :)

      Sample Code

      from ultralytics import YOLO
      model = YOLO("yolo11n.pt")
      results = model.predict("path/to/im0")
      
      if results[0].boxes.id is not None:
            boxes = results[0].boxes.xyxy.cpu()
            track_ids = results[0].boxes.id.int().cpu().tolist()
            clss = results[0].boxes.cls.cpu().tolist()
      
            for box, cls in enumerate(boxes, clss):
                # Here you can add the logic to display single-time details of the object

      Thanks :)

  2. hodat2608GitHub

    Hi everyone, hi @glenn-jocher, I want to install pycuda on my windows 10 using python 3.12, but I still can't do it. It's hard to find any documentation or tutorials like that, @glenn-jocher or anyone can send me a link or tutorial to install pycuda? Please help me. Thanks first

  3. maxexplorerGitHub

    Hi there,

    After updating Ultralytics and using YOLO11, will the YOLOv8 models still work in this virtual environment?

    Thank you in advance for your help and the great work you’re doing!

    1. Glenn JocherUltralytics

      @maxexplorer yes, YOLOv8 models will continue to work in your virtual environment after updating to YOLO11. If you have further questions, feel free to ask!

  4. yosifsaabGitHub

    hi i have error during using the google colab for classification two classes images by yolov8n
    results = model.train(data=DATA_DIR, epochs=1, imgsz=64)

    1. Glenn JocherUltralytics

      @yosifsaab it seems you're encountering an error with YOLOv8n in Google Colab. Please ensure your DATA_DIR is correctly set and that your dataset is properly formatted. If the issue persists, check the Colab notebook for any specific error messages that might provide more details. For further assistance, you can refer to the Ultralytics documentation.

  5. NkosiyazimelaniGitHub

    Hi guys, how do i update the nc that my model can detect without having to train with old and new objects. i have updated my .YAML file but the model is still detecting the old number of objects(20 instead of 46). i have been told to look on the model itself and change the output number of class to the new updated on but there is nothing of that sort in the model file( best.pt). please help.

    1. Glenn JocherUltralytics(تم التعديل)

      @Nkosiyazimelani the number of classes (nc) is part of the trained model's detection head, so editing the .yaml file after training doesn't change what best.pt predicts. You need to train again with a dataset YAML that has all 46 classes. You don't have to start from scratch, you can fine-tune from your existing weights, and the layers whose shapes depend on the class count are reinitialized automatically:

      from ultralytics import YOLO
      
      model = YOLO("best.pt")
      model.train(data="your_46_class_dataset.yaml", epochs=100)

      Make sure your dataset contains labeled examples of both the old and the new classes, otherwise the model will forget the old ones.

    1. Glenn JocherUltralytics

      @nounotabe to specify the device for running YOLOv8, you can use the device argument. For example, to use the second GPU (cuda:1), you can set device='cuda:1'. This can be done in both the CLI and Python API. If you encounter any issues, please ensure you are using the latest version of the package. For more detailed guidance, you can refer to our documentation at https://docs.ultralytics.com.

    2. cobaltautomationdevGitHub

      lasted version of ultralytics. solutions not works in Windows10, but works in Google Colab. What's wrong with it? How to settle it? from ultralytics import solutions,YOLO , Couldn't import solutions in my windows10.

    3. Glenn JocherUltralytics

      It seems like there might be an issue with the solutions module on Windows 10. Please ensure you are using the latest version of the Ultralytics package. If the issue persists, try reinstalling the package or running the code in a different environment. For further assistance, you can refer to our documentation at https://docs.ultralytics.com/solutions/.

    4. cobaltautomationdevGitHub

      Just updated to v8.2.78 today ,uninstall and reinstall the latest version. and now it works on Windows10 . it seems there something changed in solutions init.py . this file caused import error in previous version. I noticed that in version 8.2.0, file init.py is blank. now add some code in it.