نظرة عامة على مجموعات بيانات تتبع الأجسام المتعددة

يُعد تتبع الأجسام المتعددة مكونًا مهمًا في تحليلات الفيديو يحدد الأجسام ويحافظ على مُعرّفات فريدة لكل جسم يتم اكتشافه عبر إطارات الفيديو. يوفر Ultralytics YOLO قدرات تتبع قوية يمكن تطبيقها على مجالات مختلفة بما في ذلك المراقبة والتحليلات الرياضية ومراقبة حركة المرور.

تنسيق مجموعة البيانات (قريبًا)

لا يحتاج كاشف الأجسام المتعددة (Multi-Object Detector) إلى تدريب مستقل ويدعم مباشرةً نماذج الكشف والتجزئة أو الوضعية المدربة مسبقًا. دعم تدريب المتعقبات (trackers) وحده قادم قريبًا.

أدوات التتبع المتاحة

تدعم Ultralytics YOLO خوارزميات التتبع التالية:

• BoT-SORT - استخدم botsort.yaml لتمكين هذا المتعقب (افتراضي)
• ByteTrack - استخدم bytetrack.yaml لتمكين هذا المتعقب

الاستخدام

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

الاحتفاظ بالمسارات بين الإطارات

للتتبع المستمر عبر إطارات الفيديو، يمكنك استخدام persist=True المعلمة:

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

        # Visualize the results
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

الأسئلة الشائعة

كيف يمكنني استخدام تتبع الأجسام المتعددة مع Ultralytics YOLO؟

لاستخدام تتبع الأجسام المتعددة مع Ultralytics YOLO، يمكنك البدء باستخدام أمثلة Python أو CLI المتوفرة. إليك كيفية البدء:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # Load the YOLO11 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolo11n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

تحمّل هذه الأوامر نموذج YOLO11 وتستخدمه لتتبع الكائنات في مصدر الفيديو المحدد بثقة محددة (conf) و التقاطع على الاتحاد (iou) thresholds (العتبات). لمزيد من التفاصيل، راجع توثيق وضع التتبع.

ما هي الميزات القادمة لتدريب المتعقبات في Ultralytics؟

تعمل Ultralytics باستمرار على تحسين نماذج الذكاء الاصطناعي الخاصة بها. ستتيح ميزة قادمة تدريب أدوات التتبع المستقلة. حتى ذلك الحين، يستفيد كاشف الكائنات المتعددة من نماذج الكشف أو التقسيم أو الوضعية المدربة مسبقًا للتتبع دون الحاجة إلى تدريب مستقل. ابق على اطلاع دائم من خلال متابعة مدونتنا أو التحقق من الميزات القادمة.

لماذا يجب عليّ استخدام Ultralytics YOLO لتتبع الأجسام المتعددة؟

تُعد Ultralytics YOLO نموذجًا حديثًا للكشف عن الكائنات، وتشتهر بأدائها في الوقت الفعلي و دقتها العالية. يوفر استخدام YOLO لتتبع الكائنات المتعددة العديد من المزايا:

• تتبع في الوقت الفعلي: حقق تتبعًا فعالًا وعالي السرعة ومثاليًا للبيئات الديناميكية.
• المرونة مع النماذج المدربة مسبقًا: لا حاجة للتدريب من البداية؛ ما عليك سوى استخدام نماذج الكشف أو التقسيم أو تحديد الوضعية المدربة مسبقًا.
• سهولة الاستخدام: تكامل بسيط لواجهة برمجة التطبيقات مع كل من Python و CLI يجعل إعداد خطوط أنابيب التتبع أمرًا سهلاً.
• وثائق شاملة ودعم المجتمع: توفر Ultralytics وثائق شاملة ومنتدى مجتمع نشط لاستكشاف المشكلات وإصلاحها وتحسين نماذج التتبع الخاصة بك.

لمزيد من التفاصيل حول إعداد واستخدام YOLO للتتبع، قم بزيارة دليل استخدام التتبع الخاص بنا.

هل يمكنني استخدام مجموعات بيانات مخصصة لتتبع الأجسام المتعددة باستخدام Ultralytics YOLO؟

نعم، يمكنك استخدام مجموعات بيانات مخصصة لتتبع الأجسام المتعددة باستخدام Ultralytics YOLO. في حين أن دعم تدريب المتعقب المستقل هو ميزة قادمة، يمكنك بالفعل استخدام النماذج المدربة مسبقًا على مجموعات البيانات المخصصة الخاصة بك. قم بإعداد مجموعات البيانات الخاصة بك بالتنسيق المناسب المتوافق مع YOLO واتبع الوثائق لدمجها.

كيف يمكنني تفسير النتائج من نموذج التتبع Ultralytics YOLO؟

بعد تشغيل مهمة تتبع باستخدام Ultralytics YOLO، تتضمن النتائج نقاط بيانات مختلفة مثل معرفات الكائنات التي تم تتبعها، ومربعات الإحاطة الخاصة بها، ودرجات الثقة. فيما يلي نظرة عامة موجزة حول كيفية تفسير هذه النتائج:

• المعرفات التي تم تتبعها: يتم تعيين معرف فريد لكل كائن، مما يساعد في تتبعه عبر الإطارات.
• مربعات الإحاطة: تشير إلى موقع الكائنات التي يتم تتبعها داخل الإطار.
• نتائج الثقة: تعكس هذه النتائج ثقة النموذج في اكتشاف الكائن الذي يتم تتبعه.

للحصول على إرشادات مفصلة حول تفسير هذه النتائج وتصورها، راجع دليل معالجة النتائج.

كيف يمكنني تخصيص إعدادات أداة التتبع؟

يمكنك تخصيص المتعقب عن طريق إنشاء نسخة معدلة من ملف تكوين المتعقب. انسخ ملف تكوين متعقب موجودًا من ultralytics/cfg/trackers، وعدّل المعلمات حسب الحاجة، وحدد هذا الملف عند تشغيل المتعقب:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 26 يومًا

تعليقات