حلول Ultralytics: استخدم YOLO11 لحل مشكلات العالم الحقيقي

Q: How can I use Ultralytics YOLO for real-time object counting?

يمكن استخدام Ultralytics YOLO11 لعد الكائنات في الوقت الفعلي من خلال الاستفادة من إمكانات الكشف عن الكائنات المتقدمة. يمكنك اتباع دليلنا المفصل حول عد الكائنات لإعداد YOLO11 لتحليل بث الفيديو المباشر. ما عليك سوى تثبيت YOLO11 وتحميل النموذج الخاص بك ومعالجة إطارات الفيديو لعد الكائنات ديناميكيًا.

Q: What are the benefits of using Ultralytics YOLO for security systems?

تعزز Ultralytics YOLO11 أنظمة الأمان من خلال توفير الكشف عن الكائنات في الوقت الفعلي وآليات التنبيه. باستخدام YOLO11، يمكنك إنشاء نظام إنذار أمني يقوم بتشغيل التنبيهات عند اكتشاف كائنات جديدة في منطقة المراقبة. تعرف على كيفية إعداد نظام إنذار أمني باستخدام YOLO11 لمراقبة أمنية قوية.

توفر حلول Ultralytics تطبيقات متطورة لنماذج YOLO، وتقدم حلولًا واقعية مثل عد الكائنات والتمويه وأنظمة الأمان، مما يعزز الكفاءة و الدقة في مختلف الصناعات. اكتشف قوة YOLO11 للتطبيقات العملية والمؤثرة.

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

الحلول

إليك 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 إجراءات 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.
رسم خرائط الكائنات VisionEye View: قم بتطوير أنظمة تحاكي تركيز عين الإنسان على كائنات معينة، 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

الوسيطة	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`	Flag للتحكم فيما إذا كان سيتم عرض عدد الأسماك الداخلة في بث الفيديو.
`show_out`	`bool`	`True`	Flag للتحكم فيما إذا كان سيتم عرض عدد الأسماك الخارجة في بث الفيديو.
`analytics_type`	`str`	`line`	نوع الرسم البياني، على سبيل المثال، `line`, `bar`, `area`، أو `pie`.
`colormap`	`int`	`cv2.COLORMAP_JET`	مخطط الألوان المراد استخدامه للخريطة الحرارية.
`json_file`	`str`	`None`	مسار ملف JSON الذي يحتوي على جميع بيانات إحداثيات مواقف السيارات.
`up_angle`	`float`	`145.0`	عتبة الزاوية لوضعية 'الأعلى'.
`kpts`	`list[int, int, int]`	`'[6, 8, 10]'`	قائمة النقاط الرئيسية المستخدمة لمراقبة التدريبات. تتوافق هذه النقاط الرئيسية مع مفاصل أو أجزاء الجسم، مثل الأكتاف والمرفقين والمعصمين، لتمارين مثل تمارين الضغط والسحب والجلوس وتمارين البطن.
`down_angle`	`float`	`90.0`	عتبة الزاوية لوضعية 'الأسفل'.
`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 الوسائط من track، بما في ذلك معلمات مثل. conf, line_width, tracker, model, show, verbose و classes.

الوسيطة	النوع	افتراضي	الوصف
`tracker`	`str`	`'botsort.yaml'`	يحدد خوارزمية التتبع المراد استخدامها، على سبيل المثال، `bytetrack.yaml` أو `botsort.yaml`.
`conf`	`float`	`0.3`	يحدد عتبة الثقة للكشف؛ القيم الأقل تسمح بتتبع المزيد من الكائنات ولكن قد تتضمن نتائج إيجابية كاذبة.
`iou`	`float`	`0.5`	يحدد عتبة التقاطع على الاتحاد (IoU) لتصفية الاكتشافات المتداخلة.
`classes`	`list`	`None`	يقوم بتصفية 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 مخرجًا مرئيًا للكائنات التي يتم تتبعها.
`device`	`str`	`None`	يحدد الجهاز الخاص بالاستدلال (على سبيل المثال، `cpu`, `cuda:0` أو `0`). يسمح للمستخدمين بالاختيار بين CPU أو GPU معين أو أجهزة حساب أخرى لتنفيذ النموذج.

وسائط التصور

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

الوسيطة	النوع	افتراضي	الوصف
`show`	`bool`	`False`	إذا `True`، يعرض الصور أو مقاطع الفيديو المشروحة في نافذة. مفيد للحصول على تعليقات مرئية فورية أثناء التطوير أو الاختبار.
`line_width`	`None or int`	`None`	يحدد عرض خطوط مربعات الإحاطة. إذا `None`، يتم تعديل عرض الخط تلقائيًا بناءً على حجم الصورة. يوفر تخصيصًا مرئيًا للوضوح.
`show_conf`	`bool`	`True`	يعرض قيمة الثقة لكل كائن يتم الكشف عنه بجانب التسمية. يعطي نظرة ثاقبة حول يقين النموذج لكل كائن تم الكشف عنه.
`show_labels`	`bool`	`True`	يعرض تسميات لكل كائن يتم الكشف عنه في الناتج المرئي. يوفر فهمًا فوريًا للكائنات التي تم الكشف عنها.

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.
`sweep_annotator()`	`None`	تصور خط مسح رأسي وتسمية اختيارية.
`visioneye()`	`None`	يرسم خرائط ويربط مراكز الكائنات بنقطة "عين" مرئية.
`adaptive_label()`	`None`	ارسم تسمية شكل خلفية دائرية أو مستطيلة الشكل في وسط المربع المحيط.

العمل مع SolutionResults

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

بالنسبة لعد الكائنات، تتضمن النتائج in_count, out_count، و 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 توثيق الفئة.

استخدام الحلول عبر CLI

معلومات الأمر

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

SOLUTIONS هي كلمة مفتاحية مطلوبة.
SOLUTION_NAME هو واحد من: ['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye'].
ARGS (اختياري) هي مخصصة arg=value أزواج، مثل show_in=True، لتجاوز الإعدادات الافتراضية.

yolo solutions count show=True # for object counting

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

المساهمة في حلولنا

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

للبدء، يرجى قراءة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتكم!

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

الأسئلة الشائعة

كيف يمكنني استخدام Ultralytics YOLO لعد الكائنات في الوقت الفعلي؟

يمكن استخدام Ultralytics YOLO11 لعد الأجسام في الوقت الفعلي من خلال الاستفادة من قدرات اكتشاف الأجسام المتقدمة. يمكنك اتباع دليلنا المفصل حول عد الأجسام لإعداد YOLO11 لتحليل تدفق الفيديو المباشر. ما عليك سوى تثبيت YOLO11 وتحميل النموذج الخاص بك ومعالجة إطارات الفيديو لحساب الأجسام ديناميكيًا.

ما هي فوائد استخدام Ultralytics YOLO لأنظمة الأمان؟

يعزز Ultralytics YOLO11 أنظمة الأمان من خلال توفير اكتشاف الأجسام في الوقت الفعلي وآليات التنبيه. باستخدام YOLO11، يمكنك إنشاء نظام إنذار أمني يقوم بتشغيل التنبيهات عند اكتشاف أجسام جديدة في منطقة المراقبة. تعرف على كيفية إعداد نظام إنذار أمني باستخدام YOLO11 لمراقبة أمنية قوية.

كيف يمكن لـ Ultralytics YOLO تحسين أنظمة إدارة قائمة الانتظار؟

يمكن لـ Ultralytics YOLO11 تحسين أنظمة إدارة قائمة الانتظار بشكل كبير من خلال العد الدقيق وتتبع الأشخاص في قوائم الانتظار، وبالتالي المساعدة في تقليل أوقات الانتظار وتحسين كفاءة الخدمة. اتبع دليلنا المفصل حول إدارة قائمة الانتظار لمعرفة كيفية تنفيذ YOLO11 للمراقبة والتحليل الفعال لقائمة الانتظار.

هل يمكن استخدام Ultralytics YOLO لمراقبة التدريبات؟

نعم، يمكن استخدام Ultralytics YOLO11 بشكل فعال لمراقبة التدريبات من خلال تتبع وتحليل إجراءات اللياقة البدنية في الوقت الفعلي. يتيح ذلك التقييم الدقيق لشكل التمرين والأداء. استكشف دليلنا حول مراقبة التدريبات لمعرفة كيفية إعداد نظام مراقبة التمرين المدعوم بالذكاء الاصطناعي باستخدام YOLO11.

كيف يساعد Ultralytics YOLO في إنشاء خرائط حرارية لـ تصور البيانات؟

يمكن لـ Ultralytics YOLO11 إنشاء خرائط حرارية لتصور كثافة البيانات عبر منطقة معينة، وتسليط الضوء على مناطق النشاط أو الاهتمام العالي. هذه الميزة مفيدة بشكل خاص في فهم الأنماط والاتجاهات في مهام رؤية الكمبيوتر المختلفة. تعرف على المزيد حول إنشاء واستخدام الخرائط الحرارية باستخدام YOLO11 لتحليل وتصور شامل للبيانات.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ يوم واحد