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 الأجسام: تعلم كيفية إجراء عد الأجسام في الوقت الفعلي باستخدام YOLO11. اكتسب الخبرة اللازمة لعد الأجسام بدقة في بث الفيديو المباشر.
اقتصاص الأجسام: إتقان اقتصاص الأجسام باستخدام YOLO11 لاستخراج دقيق للأجسام من الصور ومقاطع الفيديو.
تمويه الأجسام: قم بتطبيق 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 الأجسام في المناطق: عد الأجسام في مناطق معينة باستخدام YOLO11 للكشف الدقيق في مناطق متنوعة.
نظام إنذار أمني: أنشئ نظام إنذار أمني باستخدام YOLO11 يقوم بتشغيل التنبيهات عند اكتشاف كائنات جديدة. خصص النظام ليناسب احتياجاتك الخاصة.
الخرائط الحرارية: استخدم الخرائط الحرارية للكشف لتصور كثافة البيانات عبر مصفوفة، مما يوفر رؤى واضحة في مهام رؤية الكمبيوتر.
تجزئة المثيل مع تتبع الكائنات: قم بتنفيذ 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 الكائن باستخدام YOLO11 وتقنيات تتبع الكائنات، وهو أمر بالغ الأهمية لتطبيقات مثل المركبات ذاتية القيادة ومراقبة حركة المرور.
حساب المسافة: حساب المسافات بين الكائنات باستخدام مراكز المربع المحيط في YOLO11، وهو أمر ضروري للتحليل المكاني.
إدارة قائمة الانتظار: قم بتنفيذ أنظمة إدارة قائمة انتظار فعالة لتقليل أوقات الانتظار وتحسين الإنتاجية باستخدام YOLO11.
إدارة مواقف السيارات: تنظيم وتوجيه تدفق المركبات في مناطق وقوف السيارات باستخدام YOLO11، وتحسين استخدام المساحات 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 لـ الكشف عن الكائنات في الوقت الفعلي مباشرةً من خلال متصفح الويب الخاص بك باستخدام واجهة Streamlit سهلة الاستخدام.
تتبع الأجسام في المنطقة: تعرف على كيفية تتبع الأجسام داخل مناطق معينة من إطارات الفيديو باستخدام YOLO11 للمراقبة الدقيقة والفعالة.
البحث عن التشابه 🚀 جديد: قم بتمكين استرجاع الصور الذكي من خلال الجمع بين تضمينات OpenAI CLIP مع Meta FAISS، مما يسمح باستعلامات اللغة الطبيعية مثل "شخص يحمل حقيبة" أو "مركبات متحركة".

وسائط الحلول

الجدال	النوع	افتراضي	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 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، على سبيل المثال، `line`, `bar`, `area`أو `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	خريطة ملونة لاستخدامها في الخريطة الحرارية.
`json_file`	`str`	`None`	مسار 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، بقيم 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 إنذار أمني.
`vision_point`	`tuple[int, int]`	`(20, 20)`	النقطة التي ستتعقب فيها الرؤية الكائنات وترسم المسارات باستخدام VisionEye Solution.
`source`	`str`	`None`	مسار إلى المصدر المدخل (فيديو، RTSP، إلخ). يُستخدم فقط مع واجهة سطر الأوامر (CLI) الخاصة بالحلول.
`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`	الحد الأقصى للنقاط التاريخية التي يجب تتبعها لكل كائن لحساب السرعة/الاتجاه.
`meter_per_pixel`	`float`	`0.05`	عامل القياس المستخدم لتحويل مسافة البكسل إلى وحدات العالم الحقيقي.
`max_speed`	`int`	`120`	الحد الأقصى للسرعة في التراكبات المرئية (يستخدم في التنبيهات).
`data`	`str`	`'images'`	مسار إلى دليل الصور المستخدم للبحث عن التشابه.

تتبع 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.

وسائط التصور

يمكنك استخدام show_conf, show_labels، وغيرها من الوسائط المذكورة لتخصيص التصور.

الجدال	النوع	افتراضي	الوصف
`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.
`show_conf`	`bool`	`True`	يعرض درجة الثقة لكل اكتشاف إلى جانب التسمية. يعطي فكرة عن مدى يقين النموذج لكل اكتشاف.
`show_labels`	`bool`	`True`	يعرض تسميات لكل اكتشاف في الإخراج المرئي. يوفر فهماً فورياً للأجسام المكتشفة.

استخدام SolutionAnnotator

تستخدم جميع حلول Ultralytics الفئة المنفصلة SolutionAnnotator، الذي يمتد إلى Annotator class، ولديه الطرق التالية:

الطريقة	نوع الإرجاع	الوصف
`draw_region()`	`None`	يرسم منطقة باستخدام نقاط وألوان وسماكة محددة.
`queue_counts_display()`	`None`	يعرض عدد الطوابير في المنطقة المحددة.
`display_analytics()`	`None`	يعرض الإحصائيات العامة لإدارة مواقف السيارات.
`estimate_pose_angle()`	`float`	لحساب الزاوية بين ثلاث نقاط في وضعية جسم.
`draw_specific_points()`	`None`	يرسم نقاطًا رئيسية محددة على الصورة.
`plot_workout_information()`	`None`	يرسم مربع نص مُعلّم على الصورة.
`plot_angle_and_count_and_stage()`	`None`	يصور الزاوية وعدد الخطوات والمرحلة لمراقبة التمرين.
`plot_distance_and_line()`	`None`	يعرض المسافة بين النقاط المركزية ويربطها بخط.
`display_objects_labels()`	`None`	يقوم بتحديد المربعات المحيطة مع تسميات فئة الكائن.
`seg_bbox()`	`None`	يرسم خطوطًا كفافية للأجسام المقسمة ويضع عليها تسميات اختيارية.
`visioneye()`	`None`	يرسم خرائط ويربط مراكز الكائنات بنقطة "عين" مرئية.
`circle_label()`	`None`	يرسم علامة دائرية في مكان مربع الإحاطة.
`text_label()`	`None`	يرسم علامة مستطيلة في مكان مربع الإحاطة.

العمل مع SolutionResults

باستثناء Similarity Search، ترجع كل استدعاءات Solution قائمة بـ SolutionResults كائن.

بالنسبة لعد الكائنات، تتضمن النتائج in_count, out_countو classwise_count.

نتائج الحل (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="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(im0)
print(results.in_count)  # display in_counts
print(results.out_count)  # display out_counts
print(results.classwise_count)  # display classwise_count

SolutionResults للكائن السمات التالية:

السمة	النوع	الوصف
`plot_im`	`np.ndarray`	صورة مع تراكبات مرئية مثل العد، وتأثيرات التمويه، أو تحسينات خاصة بالحل.
`in_count`	`int`	العدد الإجمالي للكائنات التي تم اكتشاف دخولها إلى المنطقة المحددة في بث الفيديو.
`out_count`	`int`	العدد الإجمالي للكائنات التي تم اكتشاف خروجها من المنطقة المحددة في بث الفيديو.
`classwise_count`	`Dict[str, int]`	قاموس يسجل عدد الكائنات الداخلة/الخارجة على مستوى الفئة لإجراء تحليلات متقدمة.
`queue_count`	`int`	عدد العناصر الموجودة حاليًا داخل قائمة انتظار محددة مسبقًا أو منطقة انتظار (مناسبة لإدارة قائمة الانتظار).
`workout_count`	`int`	إجمالي عدد تكرارات التمرين المكتملة أثناء تتبع التمارين.
`workout_angle`	`float`	زاوية المفصل أو الوضعية المحسوبة أثناء التمرين لتقييم الشكل.
`workout_stage`	`str`	مرحلة التمرين الحالية أو مرحلة الحركة (مثل 'أعلى' أو 'أسفل').
`pixels_distance`	`float`	المسافة المستندة إلى البكسل بين كائنين أو نقطتين، على سبيل المثال، مربعات الإحاطة. (مناسب لحساب المسافة).
`available_slots`	`int`	عدد الخانات غير المشغولة في منطقة مراقبة (مناسبة لإدارة مواقف السيارات).
`filled_slots`	`int`	عدد الخانات المشغولة في منطقة مراقبة (مناسبة لإدارة مواقف السيارات).
`email_sent`	`bool`	يشير إلى ما إذا تم إرسال بريد إلكتروني للإشعار 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]`	عدد الكائنات داخل مناطق أو نطاقات محددة من قبل المستخدم.
`speed_dict`	`Dict[str, float]`	قاموس مسارات يتضمن سرعات الكائنات المحسوبة، وهو مفيد لتحليل السرعة.
`total_crop_objects`	`int`	العدد الإجمالي لصور الكائنات التي تم اقتصاصها والتي تم إنشاؤها بواسطة حل ObjectCropper.
`speed`	`Dict[str, float]`	قاموس يحتوي على مقاييس الأداء لتتبع ومعالجة الحلول.

لمزيد من التفاصيل، راجع SolutionResults وثائق الفصل.

استخدام الحلول عبر CLI

معلومات الأوامر

يمكن استخدام معظم الحلول مباشرةً من خلال واجهة سطر الأوامر (command-line interface)، 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 منذ 1 سنة مضت ✏️ تم التحديث منذ 1 يوم