Ultralytics الحلول: تسخير YOLO11 لحل مشاكل العالم الحقيقي

Ultralytics توفر الحلول تطبيقات متطورة لنماذج YOLO ، حيث تقدم حلولاً واقعية مثل عدّ الكائنات والتعتيم وأنظمة الأمان، مما يعزز الكفاءة والدقة في مختلف الصناعات. اكتشف قوة YOLO11 للتطبيقات العملية والمؤثرة.

شاهد: كيفية تشغيل Ultralytics Solutions من سطر الأوامر (CLI) | Ultralytics YOLO11 🚀

الحلول

فيما يلي قائمتنا المنسقة لحلول Ultralytics التي يمكن استخدامها لإنشاء مشاريع رؤية حاسوبية رائعة.

عد الكائنات: تعلم كيفية إجراء عد الكائنات في الوقت الفعلي باستخدام YOLO11. اكتسب الخبرة اللازمة لعد الكائنات بدقة في بث الفيديو المباشر.
اقتصاص الكائنات: إتقان اقتصاص الكائنات باستخدام YOLO11 لاستخراج الكائنات بدقة من الصور ومقاطع الفيديو.
طمس الكائنات: تطبيق تمويه الأجسام باستخدام YOLO11 لحماية الخصوصية في معالجة الصور والفيديو.
مراقبة التدريبات: اكتشف كيفية مراقبة التدريبات باستخدام YOLO11. تعلم كيفية تتبع وتحليل تمارين اللياقة البدنية المختلفة في الوقت الفعلي.
عد الكائنات في المناطق: عد الأجسام في مناطق محددة باستخدام YOLO11 للكشف الدقيق في مناطق متنوعة.
نظام إنذار أمني: أنشئ نظام إنذار أمني باستخدام YOLO11 الذي يُطلق تنبيهات عند اكتشاف أجسام جديدة. قم بتخصيص النظام ليناسب احتياجاتك الخاصة.
الخرائط الحرارية: استخدام الخرائط الحرارية للكشف لتصور كثافة البيانات عبر مصفوفة، مما يوفر رؤى واضحة في مهام الرؤية الحاسوبية.
تجزئة المثيل مع تتبع الكائنات: تنفيذ تجزئة المثيل وتتبع الكائنات باستخدام YOLO11 لتحقيق حدود دقيقة للكائنات ومراقبة مستمرة.
فيجنآي آي (VisionEye) لرسم خرائط الأجسام: تطوير أنظمة تحاكي تركيز العين البشرية على أشياء محددة، مما يعزز قدرة الكمبيوتر على تمييز التفاصيل وتحديد أولوياتها.
تقدير السرعة: تقدير سرعة الأجسام باستخدام تقنيات YOLO11 وتتبع الأجسام، وهو أمر بالغ الأهمية لتطبيقات مثل المركبات ذاتية القيادة ومراقبة حركة المرور.
حساب المسافات: احسب المسافات بين الأجسام باستخدام مركزيات المربعات المحدودة في YOLO11 وهي ضرورية للتحليل المكاني.
إدارة قوائم الانتظار: تنفيذ أنظمة فعالة لإدارة قوائم الانتظار بكفاءة لتقليل أوقات الانتظار وتحسين الإنتاجية باستخدام YOLO11.
إدارة مواقف السيارات: يمكنك تنظيم تدفق المركبات وتوجيهها في مناطق انتظار السيارات باستخدام YOLO11 مما يؤدي إلى تحسين استخدام المساحة وتجربة المستخدم.
التحليلات: إجراء تحليل شامل للبيانات لاكتشاف الأنماط واتخاذ قرارات مستنيرة، والاستفادة من YOLO11 للتحليلات الوصفية والتنبؤية والتوجيهية.
الاستدلال المباشر مع Streamlit: استفد من قوة YOLO11 لاكتشاف الكائنات في الوقت الفعلي مباشرةً من خلال متصفح الويب الخاص بك من خلال واجهة Streamlit سهلة الاستخدام.
تتبع الكائنات في المنطقة 🚀 جديد: تعرف على كيفية تتبع الكائنات داخل مناطق محددة من إطارات الفيديو باستخدام YOLO11 للمراقبة الدقيقة والفعالة.

حجج الحلول

الجدال	النوع	افتراضي	الوصف
`model`	`str`	`None`	المسار إلى ملف نموذج Ultralytics YOLO Model File.
`region`	`list`	`[(20, 400), (1260, 400)]`	قائمة النقاط التي تحدد منطقة العد.
`show_in`	`bool`	`True`	علامة للتحكم في ما إذا كان سيتم عرض التعداد الداخلي على دفق الفيديو أم لا.
`show_out`	`bool`	`True`	علامة للتحكم في ما إذا كان سيتم عرض الأعداد الخارجة على دفق الفيديو.
`analytics_type`	`str`	`line`	نوع الرسم البياني، أي, `line`, `bar`, `area`أو `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	خريطة ملونة لاستخدامها في الخريطة الحرارية.
`json_file`	`str`	`None`	المسار إلى ملف JSON الذي يحتوي على جميع بيانات إحداثيات مواقف السيارات.
`up_angle`	`float`	`145.0`	عتبة الزاوية للوضعية "لأعلى".
`kpts`	`list[int, int, int]`	`[6, 8, 10]`	قائمة بالنقاط الرئيسية المستخدمة لمراقبة التدريبات. تتوافق نقاط المفتاح هذه مع مفاصل أو أجزاء الجسم، مثل الكتفين والمرفقين والمعصمين، لتمارين مثل تمارين الضغط والسحب والقرفصاء وتمارين البطن.
`down_angle`	`float`	`90.0`	عتبة الزاوية للوضعية "لأسفل".
`blur_ratio`	`float`	`0.5`	يضبط النسبة المئوية لشدة التمويه، مع قيم في النطاق `0.1 - 1.0`.
`crop_dir`	`str`	`"cropped-detections"`	اسم الدليل لتخزين الاكتشافات التي تم اقتصاصها.
`records`	`int`	`5`	إجمالي عدد الاكتشافات لتشغيل بريد إلكتروني مع نظام الإنذار الأمني.
`vision_point`	`tuple[int, int]`	`(50, 50)`	النقطة التي ستقوم فيها الرؤية بتتبع الأجسام ورسم المسارات باستخدام حل VisionEye.
`tracker`	`str`	`'botsort.yaml'`	يحدد خوارزمية التتبع المراد استخدامها، على سبيل المثال, `bytetrack.yaml` أو `botsort.yaml`.
`conf`	`float`	`0.3`	تعيين عتبة الثقة للاكتشافات؛ تسمح القيم المنخفضة بتتبع المزيد من الكائنات ولكنها قد تتضمن نتائج إيجابية كاذبة.
`iou`	`float`	`0.5`	تعيين عتبة التقاطع على الاتحاد (IoU) لتصفية الاكتشافات المتداخلة.
`classes`	`list`	`None`	تصفية النتائج حسب فهرس الفئة. على سبيل المثال, `classes=[0, 2, 3]` يتتبع الفئات المحددة فقط.
`verbose`	`bool`	`True`	يتحكم في عرض نتائج التتبع، مما يوفر إخراجًا مرئيًا للأجسام المتعقبة.
`device`	`str`	`None`	يحدد جهاز الاستدلال (على سبيل المثال, `cpu`, `cuda:0` أو `0`). يسمح للمستخدمين بالاختيار بين CPU ، أو جهاز GPU معين، أو أجهزة حوسبة أخرى لتنفيذ النموذج.
`show`	`bool`	`False`	إذا كان `True`يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. مفيد للتعليقات المرئية الفورية أثناء التطوير أو الاختبار.
`line_width`	`None or int`	`None`	يحدد عرض خط المربعات المحدودة. إذا كان `None`، يتم ضبط عرض الخط تلقائيًا بناءً على حجم الصورة. يوفر تخصيصاً مرئياً للوضوح.

تعقب الحجج

تدعم الحلول أيضًا بعض الحجج من track، بما في ذلك معلمات مثل conf, line_width, tracker, model, show, verbose و classes.

الجدال	النوع	افتراضي	الوصف
`tracker`	`str`	`'botsort.yaml'`	يحدد خوارزمية التتبع المراد استخدامها، على سبيل المثال, `bytetrack.yaml` أو `botsort.yaml`.
`conf`	`float`	`0.3`	تعيين عتبة الثقة للاكتشافات؛ تسمح القيم المنخفضة بتتبع المزيد من الكائنات ولكنها قد تتضمن نتائج إيجابية كاذبة.
`iou`	`float`	`0.5`	يضبط عتبة التقاطع على الاتحاد (IoU) لتصفية الاكتشافات المتداخلة.
`classes`	`list`	`None`	تصفية النتائج حسب فهرس الفئة. على سبيل المثال, `classes=[0, 2, 3]` يتتبع الفئات المحددة فقط.
`verbose`	`bool`	`True`	يتحكم في عرض نتائج التتبع، مما يوفر إخراجًا مرئيًا للأجسام المتعقبة.
`device`	`str`	`None`	يحدد جهاز الاستدلال (على سبيل المثال, `cpu`, `cuda:0` أو `0`). يسمح للمستخدمين بالاختيار بين CPU ، أو جهاز GPU معين، أو أجهزة حوسبة أخرى لتنفيذ النموذج.

استخدام SolutionAnnotator

تستخدم جميع حلول Ultralytics فئة منفصلة SolutionAnnotator، الذي يوسع الرئيسي Annotator صنف، ولديها الطرق التالية:

الطريقة	نوع الإرجاع	الوصف
`draw_region()`	`None`	يرسم منطقة باستخدام نقاط وألوان وسمك محددين.
`queue_counts_display()`	`None`	يعرض عدد قوائم الانتظار في المنطقة المحددة.
`display_analytics()`	`None`	يعرض الإحصائيات الإجمالية لإدارة مواقف السيارات.
`estimate_pose_angle()`	`float`	حساب الزاوية بين ثلاث نقاط في وضعية الجسم.
`draw_specific_points()`	`None`	يرسم نقاط أساسية محددة على الصورة.
`plot_workout_information()`	`None`	يرسم مربع نص معنون على الصورة.
`plot_angle_and_count_and_stage()`	`None`	تصور الزاوية وعدد الخطوات والمرحلة لمراقبة التمرين.
`plot_distance_and_line()`	`None`	يعرض المسافة بين الوسطين ويربط بينهما بخط.
`display_objects_labels()`	`None`	يعلق المربعات المحدودة بتسميات فئات الكائنات.
`seg_bbox()`	`None`	يرسم ملامح للكائنات المجزأة ويضع عليها تسميات اختيارية.
`sweep_annotator()`	`None`	تصور خط مسح رأسي وتسمية اختيارية.
`visioneye()`	`None`	رسم الخرائط وربط مراكز الأجسام بنقطة "عين" مرئية.
`circle_label()`	`None`	يرسم تسمية دائرية في مكان المربع المحيط.
`text_label()`	`None`	يرسم تسمية مستطيلة في مكان المربع المحيط.

العمل مع SolutionResults

تقوم جميع مكالمات الحلول بإرجاع قائمة SolutionResults الكائنات التي تحتوي على معلومات شاملة عن الحلول.

بالنسبة لعد الكائنات، تتضمن النتائج ما يلي incounts, outcountsو classwise_counts.

نتائج الحل

counter = solutions.ObjectCounter(
    show=True,  # display the output
    region=region_points,  # pass region points
    model="yolo11n.pt",  # model="yolo11n-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.count(im0)
print(results.in_counts)  # display in_counts
print(results.out_counts)  # display out_counts

لمزيد من التفاصيل، يرجى الرجوع إلى SolutionResults وثائق الفصل.

استخدام الحلول عبر CLI

معلومات الأوامر

يمكن استخدام معظم الحلول مباشرةً من خلال واجهة سطر الأوامر، بما في ذلك:

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

بناء الجملة

yolo SOLUTIONS SOLUTION_NAME ARGS

الحلول كلمة أساسية مطلوبة.
اسم_الحل هو واحد من: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (اختياري) مخصصة arg=value أزواج، مثل show_in=Trueلتجاوز الإعدادات الافتراضية.

yolo solutions count show=True # for object counting

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

ساهم في حلولنا

نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبًا معينًا من جوانب Ultralytics YOLO لم تتم تغطيته بعد في حلولنا، فنحن نشجعك على مشاركة خبرتك. تعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولاً وسهولة في الاستخدام.

للبدء، يُرجى قراءة دليل المساهمة للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتك!

دعونا نعمل معًا لجعل النظام البيئي Ultralytics YOLO أكثر قوة وتنوعًا 🙏!

الأسئلة الشائعة

كيف يمكنني استخدام Ultralytics YOLO لعد الكائنات في الوقت الحقيقي؟

Ultralytics YOLO11 يمكن استخدامه لعدّ الكائنات في الوقت الفعلي من خلال الاستفادة من إمكانيات اكتشاف الكائنات المتقدمة. يمكنك اتباع دليلنا التفصيلي حول عد الكائنات لإعداد YOLO11 لتحليل دفق الفيديو المباشر. ما عليك سوى تثبيت YOLO11 ، وتحميل النموذج الخاص بك، ومعالجة إطارات الفيديو لحساب الكائنات ديناميكيًا.

ما هي فوائد استخدام Ultralytics YOLO لأنظمة الأمان؟

Ultralytics YOLO11 يعزز أنظمة الأمن من خلال توفير آليات الكشف عن الأجسام في الوقت الحقيقي وآليات التنبيه. من خلال استخدام YOLO11 ، يمكنك إنشاء نظام إنذار أمني يطلق تنبيهات عند اكتشاف أجسام جديدة في منطقة المراقبة. تعرّف على كيفية إعداد نظام إنذار أمني باستخدام YOLO11 للمراقبة الأمنية القوية.

كيف يمكن لموقع Ultralytics YOLO تحسين أنظمة إدارة قوائم الانتظار؟

Ultralytics YOLO11 تحسين أنظمة إدارة طوابير الانتظار بشكل كبير من خلال إحصاء وتتبع الأشخاص في طوابير الانتظار بدقة، مما يساعد على تقليل أوقات الانتظار وتحسين كفاءة الخدمة. اتبع دليلنا التفصيلي حول إدارة قوائم الانتظار لمعرفة كيفية تنفيذ YOLO11 للمراقبة والتحليل الفعال لقوائم الانتظار.

هل يمكن استخدام Ultralytics YOLO لمراقبة التمارين الرياضية؟

نعم، يمكن استخدام Ultralytics YOLO11 بفعالية في مراقبة التدريبات من خلال تتبع وتحليل تمارين اللياقة البدنية الروتينية في الوقت الفعلي. وهذا يسمح بإجراء تقييم دقيق لشكل التمرين والأداء. استكشف دليلنا الخاص بمراقبة التدريبات لمعرفة كيفية إعداد نظام مراقبة التمارين الرياضية المدعوم بالذكاء الاصطناعي باستخدام YOLO11.

كيف يساعد Ultralytics YOLO في إنشاء خرائط حرارية لتصور البيانات؟

Ultralytics YOLO11 توليد خرائط حرارية لتصور كثافة البيانات عبر منطقة معينة، مما يسلط الضوء على المناطق ذات النشاط أو الاهتمام العالي. هذه الميزة مفيدة بشكل خاص في فهم الأنماط والاتجاهات في مهام الرؤية الحاسوبية المختلفة. تعرف على المزيد حول إنشاء واستخدام خرائط الحرارة مع YOLO11 لتحليل البيانات وتصورها بشكل شامل.

📅 تم إنشاؤها قبل 9 أشهر ✏️ تم التحديث منذ 1 يوم