مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO26
يدعم Ultralytics YOLO26 عدة مهام في الرؤية الحاسوبية: اكتشاف الكائنات، والتقسيم، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB. لكل مهمة هدف وحالة استخدام مختلفان، لذا يمكنك معالجة مجموعة من مسائل الرؤية الحاسوبية باستخدام إطار عمل واحد.
للاطلاع على الدعم المخطط له لـ YOLO27، راجع معاينة YOLO27. سيصدر YOLO27 قريبًا، وهو غير متاح بعد؛ يستخدم هذا الدليل نماذج YOLO26 المُصدرة.
شاهد: استكشف مهام Ultralytics YOLO26: اكتشاف الكائنات، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB.
الكشف#
اكتشاف الكائنات هو المهمة الأساسية التي يدعمها YOLO26. ويتضمن تحديد الكائنات في صورة أو إطار فيديو ورسم مربعات إحاطة حولها. تُصنّف الكائنات المكتشفة ضمن فئات مختلفة بناءً على سماتها. يكتشف YOLO26 كائنات متعددة في صورة أو إطار فيديو واحد بسرعة تكفي للتطبيقات الآنية مثل أنظمة المراقبة والمركبات ذاتية القيادة.
تقسيم المثيلات#
تتجاوز تجزئة المثيلات اكتشاف الكائنات، إذ تنتج أقنعة على مستوى البكسل لكل كائن. وتفيد هذه الدقة في تطبيقات مثل التصوير الطبي والتحليل الزراعي ومراقبة الجودة في التصنيع.
التجزئة الدلالية#
تُسند التجزئة الدلالية تسمية فئة إلى كل بكسل في الصورة، فتنتج خريطة فئات كثيفة للمشهد بأكمله. وعلى خلاف تجزئة المثيلات، لا تميّز التجزئة الدلالية بين الكائنات الفردية من الفئة نفسها. وهذا يجعلها مناسبة تمامًا لـالقيادة الذاتية وتحليل المشاهد ورسم خرائط الغطاء الأرضي، حيث يكون فهم التوزيع المكاني الكامل أهم من تحديد الكائنات الفردية.
تقدير العمق#
يتنبأ تقدير العمق أحادي العين بخريطة عمق لكل بكسل، بوحدة المتر، انطلاقًا من صورة RGB واحدة. ويكون الناتج خريطة كثيفة من القيم العشرية متوافقة مع الصورة المدخلة، ما يجعلها مناسبة لإعادة بناء المشاهد ثلاثية الأبعاد، وتنقل الروبوتات، وتطبيقات AR/VR التي تتطلب استنتاج التوزيع المكاني من كاميرا واحدة.
التصنيف#
يتضمن تصنيف الصور تصنيف الصور بأكملها استنادًا إلى محتواها. وتفيد هذه المهمة في تطبيقات مثل تصنيف المنتجات في التجارة الإلكترونية، والإشراف على المحتوى، ومراقبة الحياة البرية.
تقدير الوضعية#
يكتشف تقدير الوضعية نقاطًا مفتاحية محددة في الصور أو إطارات الفيديو لتتبع الحركات أو تقدير الوضعيات. ويمكن أن تمثل هذه النقاط مفاصل بشرية أو سمات الوجه أو نقاط اهتمام مهمة أخرى. تكتشف نماذج الوضعية في YOLO26 النقاط المفتاحية في الوقت الفعلي، ما يجعلها مفيدة في تطبيقات اللياقة البدنية وتحليلات الرياضة والتفاعل بين الإنسان والحاسوب.
OBB#
يعزز اكتشاف المربعات المحيطة الموجّهة (OBB) اكتشاف الكائنات التقليدي بإضافة زاوية اتجاه لتحسين تحديد مواقع الكائنات المدارة. وتكتسب هذه الإمكانية أهمية خاصة في تحليل الصور الجوية ومعالجة المستندات والتطبيقات الصناعية، حيث تظهر الكائنات بزوايا مختلفة. تُدرَّب نماذج YOLO26 OBB مسبقًا على مجموعة بيانات الصور الجوية DOTAv1.
ما الخطوة التالية؟#
هل اخترت مهمة؟ نسّق بياناتك بما يناسبها باستخدام دليل مجموعات البيانات، ثم درّب النموذج على صورك.
الأسئلة الشائعة#
يدعم Ultralytics YOLO26 مهام الرؤية الحاسوبية التالية:
- اكتشاف الأجسام: تحديد الأجسام في الصور أو إطارات الفيديو وتعيين مواقعها من خلال رسم مربعات إحاطة حولها.
- تجزئة المثيلات: إنشاء قناع على مستوى البكسل لكل جسم مكتشف، وهو مفيد لتطبيقات مثل التصوير الطبي.
- التجزئة الدلالية: إسناد تسمية فئة إلى كل بكسل في الصورة لفهم المشهد بكثافة.
- تقدير العمق: التنبؤ بخريطة عمق لكل بكسل، بوحدة المتر، انطلاقًا من صورة RGB واحدة.
- التصنيف: تصنيف الصور كاملةً استنادًا إلى محتواها.
- تقدير الوضعية: اكتشاف نقاط مفتاحية محددة في صورة أو إطار فيديو لتتبّع الحركات أو الوضعيات.
- اكتشاف الأجسام الموجّهة (OBB): اكتشاف الأجسام المُدارة بإضافة زاوية اتجاه لتحسين الدقة.
لاستخدام Ultralytics YOLO26 لاكتشاف الأجسام، اتبع الخطوات التالية:
- جهّز مجموعة بياناتك بالتنسيق المناسب.
- درّب نموذج YOLO26 باستخدام مهمة الاكتشاف.
- استخدم النموذج لإجراء التنبؤات من خلال إدخال صور جديدة أو إطارات فيديو.
مثالfrom ultralytics import YOLO # حمّل نموذج YOLO مُدرّبًا مسبقًا (وعدّل نوع النموذج حسب الحاجة) model = YOLO("yolo26n.pt") # تتوفر الإصدارات n وs وm وl وx # إجراء كشف الكائنات في صورة results = model.predict(source="image.jpg") # يمكن أيضًا استخدام فيديو أو دليل أو URL وما إلى ذلك # اعرض النتائج results[0].show() # اعرض نتائج الصورة الأولىللاطلاع على تعليمات أكثر تفصيلًا، راجع أمثلة الاكتشاف.
يوفّر استخدام YOLO26 لمهام التجزئة عدة مزايا:
- دقة عالية: توفّر مهمة التجزئة أقنعة دقيقة على مستوى البكسل.
- السرعة: جرى تحسين YOLO26 للتطبيقات الآنية، ما يتيح معالجة سريعة حتى للصور عالية الدقة.
- تطبيقات متعددة: يُعد مثاليًا للتصوير الطبي والقيادة الذاتية وغيرها من التطبيقات التي تتطلب تجزئة تفصيلية للصور.
تعرّف على مزيد من فوائد YOLO26 وحالات استخدامه في التجزئة ضمن قسم تجزئة الصور.
نعم. تكتشف نماذج الوضعية في YOLO26 النقاط المفتاحية، مثل مفاصل الإنسان، في الصور وإطارات الفيديو، وتصل بينها لتكوين وضعيات. ويفيد ذلك في تتبع الحركات ضمن تحليلات الرياضة والرعاية الصحية وتطبيقات التفاعل بين الإنسان والحاسوب.
لمزيد من التفاصيل ونصائح التنفيذ، تفضّل بزيارة أمثلة تقدير الوضعية.
يتنبأ اكتشاف الكائنات الموجّهة (OBB) باستخدام YOLO26 بمعلمة زاوية إضافية لكل مربع، لذا يحدد مواقع الكائنات المدارة بدقة أكبر من المربعات المحاذية للمحاور. وتفيد هذه الميزة التطبيقات التي تتطلب تحديدًا دقيقًا لمواقع الكائنات المدارة، مثل تحليل الصور الجوية وأتمتة المستودعات.
- مربعات أكثر إحكامًا: تحتوي المربعات المدارة على قدر أقل من الخلفية، ما يساعد على فصل الكائنات المتراصة بكثافة أو المائلة.
- تطبيقات متعددة الاستخدامات: مفيد لمهام التحليل الجغرافي المكاني والروبوتات وغيرها.
اطّلع على قسم اكتشاف الأجسام الموجّهة لمزيد من التفاصيل والأمثلة.
التعليقات15
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
adhinajay
I quantized a YOLOv8 model. Now I want to fine tune it, so how can I convert the ONNX file back to a .pt file?
DukeZacharia
Yes, you can utilize Explainable AI (XAI) with YOLOv9 or YOLOv11,
even though these versions are unofficial or experimental extensions beyond YOLOv8.
YOLO is fundamentally a convolutional neural network (CNN),
which means that many XAI techniques applicable to CNNs or object detection models can be adapted for use with these versions.
On Thu, 12 Jun 2025 at 17:27, Md Saimul Haque Shanto < @.***> wrote:
Can I use XAI with YOLOv11 or YOLOv9 ? If so, how can I apply it to an object detection task?
— Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/16241#discussioncomment-13443327, or unsubscribe https://github.com/notifications/unsubscribe-auth/AGZSZVZYSGD2CDV75M5O7KD3DE2XNAVCNFSM6AAAAABOCSRMJGVHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTGNBUGMZTENY . You are receiving this because you were mentioned.Message ID: @.*** com>
Saimul-Shanto
Can I use XAI with YOLOv11 or YOLOv9 ? If so, how can I apply it to an object detection task?
AashishThakur1321
how can I provide different object ids in videos to same types of objects like there are 5 persons in a video frame, then how to provide different ids to these persons such that it tracks these objects with same id throughout the videos
Glenn JocherUltralytics(تم التعديل)@AashishThakur1321 to track multiple persons with unique IDs in videos using YOLO, utilize the built-in tracking mode with
tracker=botsort.yamlortracker=bytetrack.yamlconfiguration. Example CLI command:
yolo track model=yolo26n.pt source=video.mp4
This automatically assigns unique IDs to each person and maintains them across frames. For customization, see our tracking documentation.
DukeZacharia
Good, Afternoon, does Yolo work for Human Action Detection in realtime?
Glenn JocherUltralytics@DukeZacharia good afternoon! YOLO can be used for real-time human action detection through pose estimation. For more details, please explore the pose estimation section in the Ultralytics documentation.
1
NasserAlqeifi
Hi there! Could anyone point me to the papers for YOLOv8 and YOLOv11 Instance Segmentation? Thank you!
Glenn JocherUltralytics(تم التعديل)@NasserAlqeifi hello! Ultralytics has not published formal research papers for YOLOv8 and YOLO11. YOLO26 does have a paper, see the YOLO26 docs. For detailed information on segmentation, please refer to the Ultralytics documentation. If you have further questions, feel free to ask!
1NasserAlqeifi
Hi @glenn-jocher ,
Thank you for the information! I'm a master's student currently using the YOLOv8 Instance Segmentation model for my thesis. I've also tried using YOLOv11 and noticed that the documentation mentions it utilizes a variant of the U-Net architecture for segmentation.
I would love to know more about how segmentation and object detection work in YOLOv11, as well as the key differences between YOLOv8 and YOLOv11 in these tasks. Any additional insights would be greatly appreciated!
Thank you!
Glenn JocherUltralytics(تم التعديل)Thank you for your interest! Instance segmentation in YOLOv8 and YOLO11 is not based on U-Net. It uses the YOLO detection head with an additional prototype-mask branch that produces the masks. For more details, please refer to the segmentation docs; for new projects we recommend YOLO26.
hrbjoern
Would be nice to have examples for tracking, too ...
Glenn JocherUltralytics@hrbjoern thank you for your suggestion! We currently have tracking examples in our documentation. You can explore them for more insights on implementing tracking with YOLOv8.
hrbjoern
OK, thanks. I just figured that since it's mentioned in the beginning of the page (photo), it should also be explained ...
Glenn JocherUltralyticsYes sorry for the confusion. We've placed the Tracking docs under Modes rather than Tasks here: https://docs.ultralytics.com/modes/track/
1