Link to this sectionحلول Ultralytics: سخر YOLO26 لحل المشكلات الواقعية#
توفر حلول Ultralytics تطبيقات متطورة لنماذج YOLO، وتقدم حلولاً واقعية مثل عد الكائنات، وطمسها، وأنظمة الأمان، مما يعزز الكفاءة والدقة في مختلف الصناعات. اكتشف قدرات YOLO26 للتطبيقات العملية والمؤثرة.
Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀
Link to this sectionالحلول#
إليك قائمة منتقاة 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 للتحليلات الوصفية والتنبؤية والتوجيهية.
- حساب المسافة: احسب المسافات بين الكائنات باستخدام مراكز صندوق التحديد في YOLO26، وهو أمر ضروري للتحليل المكاني.
- الخرائط الحرارية: استخدم خرائط كشف الحرارة لتصور كثافة البيانات عبر مصفوفة، مما يوفر رؤى واضحة في مهام الرؤية الحاسوبية.
- تقسيم المثيلات مع تتبع الكائنات: نفذ تقسيم المثيلات وتتبع الكائنات باستخدام YOLO26 لتحقيق حدود دقيقة للكائنات ومراقبة مستمرة.
- الاستدلال المباشر مع Streamlit: استفد من قدرات YOLO26 لـ كشف الكائنات في الوقت الفعلي مباشرة عبر متصفح الويب الخاص بك باستخدام واجهة Streamlit سهلة الاستخدام.
- طمس الكائنات: طبق طمس الكائنات باستخدام YOLO26 لحماية الخصوصية في معالجة الصور والفيديو.
- عد الكائنات: تعلم كيفية إجراء عد الكائنات في الوقت الفعلي باستخدام YOLO26. اكتسب الخبرة لعد الكائنات بدقة في بث الفيديو المباشر.
- عد الكائنات في المناطق: قم بعد الكائنات في مناطق محددة باستخدام YOLO26 للكشف الدقيق في مناطق متنوعة.
- اقتصاص الكائنات: أتقن اقتصاص الكائنات باستخدام YOLO26 لاستخراج الكائنات بدقة من الصور ومقاطع الفيديو.
- إدارة مواقف السيارات: نظم ووجه تدفق المركبات في مناطق وقوف السيارات باستخدام YOLO26، لتحسين استخدام المساحة وتجربة المستخدم.
- إدارة طوابير الانتظار: نفذ أنظمة فعالة لإدارة الطوابير لتقليل أوقات الانتظار وتحسين الإنتاجية باستخدام YOLO26.
- نظام إنذار أمني: أنشئ نظام إنذار أمني باستخدام YOLO26 يقوم بإطلاق تنبيهات عند اكتشاف كائنات جديدة. خصص النظام ليلائم احتياجاتك المحددة.
- 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 في حالة حركة."
- تقدير السرعة: قدّر سرعة الكائنات باستخدام YOLO26 وتقنيات تتبع الكائنات، وهو أمر بالغ الأهمية لتطبيقات مثل المركبات ذاتية القيادة ومراقبة حركة المرور.
- تتبع الكائنات في منطقة: تعلم كيفية تتبع الكائنات داخل مناطق محددة من إطارات الفيديو باستخدام YOLO26 للمراقبة الدقيقة والفعالة.
- تعيين رؤية الكائنات بـ VisionEye: طوّر أنظمة تحاكي تركيز العين البشرية على كائنات معينة، مما يعزز قدرة الحاسوب على تمييز وتحديد أولويات التفاصيل.
- مراقبة التمارين الرياضية: اكتشف كيفية مراقبة التمارين باستخدام YOLO26. تعلم كيفية تتبع وتحليل روتينات اللياقة البدنية المختلفة في الوقت الفعلي.
Link to this sectionوسائط الحلول#
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
model | str | None | المسار إلى ملف نموذج Ultralytics YOLO. |
region | list | '[(20, 400), (1260, 400)]' | قائمة النقاط التي تحدد منطقة العد. |
show_in | bool | True | علامة للتحكم في عرض عدد الكائنات الداخلة في بث الفيديو. |
show_out | bool | True | علامة للتحكم في عرض عدد الكائنات الخارجة في بث الفيديو. |
analytics_type | str | 'line' | نوع الرسم البياني، أي line أو bar أو area أو pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | خريطة الألوان 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 لوضعية 'للأعلى'. |
kpts | list[int] | '[6, 8, 10]' | قائمة من ثلاثة فهارس نقاط مفصلية تستخدم لمراقبة التمارين. تتوافق هذه النقاط مع مفاصل الجسم أو أجزائه، مثل الكتفين والمرفقين والمعصمين، لتمارين مثل الضغط، العقلة، القرفصاء، وتمارين البطن. |
down_angle | int | 90 | عتبة الزاوية لوضعية 'للأسفل'. |
blur_ratio | float | 0.5 | يعدل نسبة كثافة الطمس، مع قيم في النطاق 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | اسم الدليل لتخزين الاكتشافات المقتطعة. |
records | int | 5 | إجمالي عدد الاكتشافات لإطلاق رسالة بريد إلكتروني مع نظام الإنذار الأمني. |
vision_point | tuple[int, int] | (20, 20) | النقطة التي ستتتبع فيها الرؤية الكائنات وترسم المسارات باستخدام حل VisionEye. |
source | str | None | المسار إلى مصدر الإدخال (فيديو، RTSP، إلخ). يمكن استخدامه فقط مع واجهة سطر الأوامر (CLI) للحلول. |
figsize | tuple[int, int] | (12.8, 7.2) | حجم الشكل لرسوم التحليلات البيانية مثل الخرائط الحرارية أو الرسوم البيانية. |
fps | float | 30.0 | عدد الإطارات في الثانية المستخدم لحسابات السرعة. |
max_hist | int | 5 | أقصى عدد من النقاط التاريخية لتتبع كل كائن لحسابات السرعة/الاتجاه. |
meter_per_pixel | float | 0.05 | عامل القياس المستخدم لتحويل المسافة بالبكسل إلى وحدات واقعية. |
max_speed | int | 120 | حد السرعة الأقصى في التراكبات المرئية (يستخدم في التنبيهات). |
data | str | 'images' | المسار إلى دليل الصور المستخدم للبحث عن التشابه. |
imgsz | int | 640 | حجم صورة الإدخال لاستدلال النموذج. |
تدعم الحلول أيضاً بعض الوسائط من track، بما في ذلك معاملات مثل conf و line_width و tracker و model و show و verbose و classes.
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
tracker | str | 'botsort.yaml' | يحدد خوارزمية التتبع المطلوب استخدامها. الخيارات المدمجة هي: botsort.yaml و bytetrack.yaml و ocsort.yaml و deepocsort.yaml و fasttrack.yaml و tracktrack.yaml. |
conf | float | 0.1 | يضبط عتبة الثقة للاكتشافات؛ تسمح القيم المنخفضة بتتبع المزيد من الكائنات ولكنها قد تتضمن إيجابيات كاذبة. |
iou | float | 0.7 | يضبط عتبة تقاطع الاتحاد (IoU) لتصفية الاكتشافات المتداخلة. |
classes | list | None | يصفي 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 مخرجاً مرئياً للكائنات المتعقبة. |
device | str | None | يحدد الجهاز للاستدلال (على سبيل المثال، cpu أو cuda:0 أو 0). يسمح للمستخدمين بالاختيار بين وحدة المعالجة المركزية، أو وحدة معالجة رسومات محددة، أو أجهزة حوسبة أخرى لتنفيذ النموذج. |
يمكنك استخدام show_conf و show_labels وغيرها من الوسائط المذكورة لتخصيص التصور.
| الوسيط | النوع | الافتراضي | الوصف |
|---|---|---|---|
show | bool | False | إذا كان True، فإنه يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. مفيد للحصول على ملاحظات مرئية فورية أثناء التطوير أو الاختبار. |
line_width | int or None | None | يحدد عرض خط صناديق التحديد. إذا كان None، يتم تعديل عرض الخط تلقائياً بناءً على حجم الصورة. يوفر تخصيصاً مرئياً للوضوح. |
show_conf | bool | True | يعرض درجة الثقة لكل اكتشاف بجانب التصنيف. يوفر رؤية حول مدى يقين النموذج في كل اكتشاف. |
show_labels | bool | True | يعرض تصنيفات كل اكتشاف في المخرجات المرئية. يوفر فهماً فورياً للكائنات المكتشفة. |
Link to this sectionاستخدام SolutionAnnotator#
تستخدم جميع Ultralytics Solutions فئة منفصلة تسمى SolutionAnnotator، والتي توسع الفئة الرئيسية Annotator، وتمتلك الطرق التالية:
| الطريقة (Method) | نوع الإرجاع | الوصف |
|---|---|---|
draw_region() | None | يرسم منطقة باستخدام نقاط وألوان وسماكة محددة. |
queue_counts_display() | None | يعرض تعداد الطابور في المنطقة المحددة. |
display_analytics() | None | يعرض إحصائيات عامة لإدارة مواقف السيارات. |
estimate_pose_angle() | float | يحسب الزاوية بين ثلاث نقاط في وضعية الكائن. |
draw_specific_kpts() | np.ndarray | يرسم نقاطاً رئيسية محددة على الصورة. |
plot_workout_information() | int | يرسم مربع نص مصنفاً على الصورة. |
plot_angle_and_count_and_stage() | None | يصور الزاوية وعدد الخطوات والمرحلة لمراقبة التمرين. |
plot_distance_and_line() | None | يعرض المسافة بين مراكز الكتل ويربط بينها بخط. |
display_objects_labels() | None | يضع تعليقات توضيحية على مربعات الإحاطة باستخدام تصنيفات فئة الكائن. |
sweep_annotator() | None | يقوم بتمثيل خط مسح عمودي وتسمية اختيارية. |
visioneye() | None | يرسم ويصل مراكز الكتل للكائنات بنقطة "عين" مرئية. |
adaptive_label() | None | يرسم تسمية خلفية دائرية أو مستطيلة في مركز صندوق الإحاطة (bounding box). |
Link to this sectionالعمل باستخدام SolutionResults#
باستثناء Similarity Search، ترجع كل استدعاءات الحلول قائمة من كائنات SolutionResults.
- بالنسبة لتعداد الكائنات، تتضمن النتائج
in_countوout_countوclasswise_count.
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_countكائنات SolutionResults تمتلك السمات التالية:
| السمة (Attribute) | النوع | الوصف |
|---|---|---|
plot_im | np.ndarray | صورة مع تراكبات مرئية مثل التعدادات، تأثيرات التمويه، أو تحسينات خاصة بالحل. |
in_count | int | إجمالي عدد الكائنات المكتشفة التي تدخل المنطقة المحددة في بث الفيديو. |
out_count | int | إجمالي عدد الكائنات المكتشفة التي تغادر 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 (مناسب لإدارة الطوابير). |
workout_count | int | إجمالي عدد تكرارات التمرين المكتملة أثناء تتبع التمرين. |
workout_angle | float | زاوية المفصل أو الوضعية المحسوبة أثناء التمرين لتقييم الأداء. |
workout_stage | str | مرحلة التمرين الحالية أو مرحلة الحركة (مثال: 'up'، 'down'). |
pixels_distance | float | المسافة المستندة إلى البكسل بين كائنين أو نقطتين مثل مربعات الإحاطة. (مناسب لحساب المسافة). |
available_slots | int | عدد الأماكن الشاغرة في منطقة مراقبة (مناسب لإدارة المواقف). |
filled_slots | int | عدد الأماكن المشغولة في منطقة مراقبة. (مناسب لإدارة المواقف) |
email_sent | bool | يشير إلى ما إذا كان قد تم إرسال بريد إلكتروني للإخطار أو التنبيه بنجاح (مناسب لإنذار الأمان). |
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 التي يحددها المستخدم. |
speed_dict | Dict[str, float] | قاموس خاص بالمسارات 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 الحل. |
لمزيد من التفاصيل، راجع وثائق فئة SolutionResults class documentation.
Link to this sectionاستخدام الحلول عبر CLI#
يمكن استخدام معظم الحلول مباشرة عبر واجهة سطر الأوامر، 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 هو واحد من:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking']. - ARGS (اختياري) هي أزواج
arg=valueمخصصة، مثلshow_in=True، لتجاوز الإعدادات الافتراضية.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file pathLink to this sectionساهم في حلولنا#
نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانباً معيناً من Ultralytics YOLO ولم يتم تغطيته بعد في حلولنا، فنحن 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 للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتك!
دعونا نعمل معاً لجعل نظام Ultralytics YOLO أكثر قوة وتنوعاً 🙏!
Link to this sectionالأسئلة الشائعة#
Link to this sectionكيف يمكنني استخدام Ultralytics YOLO لتعداد الكائنات في الوقت الفعلي؟#
يمكن استخدام Ultralytics YOLO26 لتعداد الكائنات في الوقت الفعلي من خلال الاستفادة من قدراته المتقدمة في اكتشاف الكائنات. يمكنك اتباع دليلنا المفصل حول Object Counting لإعداد YOLO26 لتحليل بث الفيديو المباشر. ببساطة قم بتثبيت YOLO26، وقم بتحميل نموذجك، وقم بمعالجة إطارات الفيديو لتعداد الكائنات ديناميكياً.
Link to this sectionما هي فوائد استخدام Ultralytics YOLO لأنظمة الأمان؟#
يعزز Ultralytics YOLO26 أنظمة الأمان من خلال تقديم 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 Security Alarm System باستخدام YOLO26 لمراقبة أمنية قوية.
Link to this sectionكيف يمكن لـ Ultralytics YOLO تحسين أنظمة إدارة الطوابير؟#
يمكن لـ Ultralytics YOLO26 تحسين أنظمة إدارة الطوابير بشكل كبير من خلال حساب وتتبع الأشخاص بدقة في الطوابير، مما يساعد بالتالي في تقليل أوقات الانتظار وتحسين كفاءة الخدمة. اتبع دليلنا المفصل حول Queue Management لمعرفة كيفية تنفيذ YOLO26 لمراقبة وتحليل الطوابير بشكل فعال.
Link to this sectionهل يمكن استخدام Ultralytics YOLO لمراقبة التمارين؟#
نعم، يمكن استخدام Ultralytics YOLO26 بفعالية لمراقبة التمارين من خلال تتبع وتحليل روتين اللياقة البدنية في الوقت الفعلي. وهذا يسمح بالتقييم الدقيق لشكل التمرين والأداء. استكشف دليلنا حول Workouts Monitoring لمعرفة كيفية إعداد نظام مراقبة تمرين مدعوم بالذكاء الاصطناعي باستخدام YOLO26.
Link to this sectionكيف يساعد Ultralytics YOLO في إنشاء خرائط حرارية لـ data visualization؟#
يمكن لـ Ultralytics YOLO26 إنشاء خرائط حرارية لتصور كثافة البيانات عبر منطقة معينة، وتسليط 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 Heatmaps مع YOLO26 لتحليل وتصور البيانات بشكل شامل.