التنبؤ بالنماذج باستخدام Ultralytics YOLO#

مقدمة#

في عالم تعلّم الآلة ورؤية الحاسوب، تُسمّى عملية فهم البيانات المرئية غالبًا الاستدلال أو التنبؤ. يقدّم Ultralytics YOLO26 ميزة قوية تُعرف باسم وضع التنبؤ، ومصمّمة للاستدلال عالي الأداء وفي الوقت الفعلي عبر مجموعة واسعة من مصادر البيانات.

التطبيقات الواقعية#

لماذا تستخدم Ultralytics YOLO للاستدلال؟#

إليك أسبابًا تدفعك إلى التفكير في استخدام وضع التنبؤ في YOLO26 لتلبية احتياجاتك المختلفة من الاستدلال:

• تعدد الاستخدامات: قادر على تنفيذ الاستدلال على الصور ومقاطع الفيديو وحتى التدفقات المباشرة.
• الأداء: مُصمَّم للمعالجة الفورية وعالية السرعة دون التضحية بـالدقة.
• سهولة الاستخدام: واجهات Python وCLI سهلة الاستخدام للنشر والاختبار السريعين.
• قابلية تخصيص عالية: إعدادات ومعلمات متنوعة لضبط سلوك الاستدلال في النموذج وفقًا لمتطلباتك المحددة.
• جاهز للإنتاج: انشر النماذج كنقاط نهاية للاستدلال على Ultralytics Platform مع التوسع التلقائي والمراقبة، أو نفّذ الاستدلال محليًا.

الميزات الأساسية لوضع التنبؤ#

صُمّم وضع التنبؤ في YOLO26 ليكون متينًا ومتعدد الاستخدامات، ويتميز بما يلي:

• التوافق مع مصادر بيانات متعددة: سواء كانت بياناتك على شكل صور منفردة أو مجموعة صور أو ملفات فيديو أو تدفقات فيديو فورية، فإن وضع التنبؤ يلبي احتياجاتك.
• وضع البث: استخدم ميزة البث لإنشاء مولّد موفّر للذاكرة من كائنات Results. فعّل ذلك من خلال ضبط stream=True في طريقة استدعاء المتنبئ. بخلاف السلوك الافتراضي (stream=False) الذي يعيد قائمة تحتوي على جميع النتائج، ينتج stream=True النتائج واحدة تلو الأخرى، ما يجعله مفيدًا خصوصًا لمقاطع الفيديو الطويلة والتدفقات المباشرة.
• المعالجة الدفعية: عالج صورًا متعددة أو إطارات فيديو متعددة في دفعة واحدة، مما يقلل زمن الاستدلال الإجمالي بدرجة أكبر.
• سهولة التكامل: يمكنك التكامل بسهولة مع مسارات البيانات الحالية ومكونات البرامج الأخرى بفضل واجهة API المرنة.

تعيد نماذج Ultralytics YOLO إما قائمة Python من كائنات Results أو مولّدًا موفّرًا للذاكرة من كائنات Results عند تمرير stream=True إلى النموذج أثناء الاستدلال:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

مصادر الاستدلال#

يمكن لـ YOLO26 معالجة أنواع مختلفة من مصادر الإدخال للاستدلال، كما هو موضح في الجدول أدناه. تشمل المصادر الصور الثابتة وتدفقات الفيديو وتنسيقات البيانات المتنوعة. يوضح الجدول أيضًا ما إذا كان يمكن استخدام كل مصدر في وضع البث باستخدام الوسيطة stream=True ✅. يُعد وضع البث مفيدًا لمعالجة مقاطع الفيديو أو التدفقات المباشرة، إذ ينشئ مولّدًا للنتائج بدلًا من تحميل جميع الإطارات إلى الذاكرة.

فيما يلي أمثلة برمجية لاستخدام كل نوع من المصادر:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

وسيطات الاستدلال#

يقبل model.predict() عدة وسائط يمكن تمريرها في وقت الاستدلال لتجاوز القيم الافتراضية:

الشكل الثابت مقابل المستطيل الأدنى (rect)#

يستخدم predict افتراضيًا rect=True، الذي يفعّل حشو المستطيل الأدنى عند الإمكان. تُقاس الصورة لتلائم داخل imgsz وتُحشى فقط إلى أقرب مضاعف للخطوة، لذلك قد يكون الموتر النهائي أصغر من imgsz. لا يُستخدم حشو المستطيل الأدنى إلا عندما تكون جميع الصور في الدفعة بالشكل نفسه ويدعمه الخلفي (PyTorch .pt، أو ONNX / Triton الديناميكي). بخلاف ذلك، تُحشى الصور إلى الهدف الكامل imgsz.

استخدم rect=False للحشو دائمًا إلى الهدف imgsz الكامل. ويوصى بذلك عند الحاجة إلى حجم إدخال ثابت لمطابقة النماذج المُصدَّرة (ONNX وTensorRT وغيرهما).

عدد صحيح مقابل صفيفة imgsz

• يصبح imgsz=640 العدد الصحيح هدفًا مربعًا (640, 640) بعد التقريب وفق الخطوة.
• تعيّن imgsz=(384, 672) الصفيفة هدفًا مستطيلًا. ومع rect=True وauto=True، يمكن أن يكون الموتر الفعلي أصغر من هذا الهدف.

التدريب مقابل التنبؤ/التصدير

يقبل التدريب imgsz كعدد صحيح واحد فقط (وتُحوَّل قائمة [h, w] إلى أكبر قيمة). ويقبل التنبؤ والتصدير إما عددًا صحيحًا أو صفيفة (height, width).

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

وسيطات الاستدلال:

وسيطات التصور:

تنسيقات الصور ومقاطع الفيديو#

يدعم YOLO26 تنسيقات متنوعة للصور ومقاطع الفيديو، كما هو محدد في ultralytics/data/utils.py. راجع الجداول أدناه للاطلاع على اللواحق الصالحة وأوامر predict النموذجية.

الصور#

يحتوي الجدول أدناه على تنسيقات الصور الصالحة في Ultralytics.

مقاطع الفيديو#

يحتوي الجدول أدناه على تنسيقات الفيديو الصالحة في Ultralytics.

العمل مع النتائج#

ستُرجع جميع استدعاءات Ultralytics predict() قائمةً من كائنات Results:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

تحتوي كائنات Results على السمات التالية:

النتائج حسب المهمة#

الحقول التي يتم تعبئتها أدناه تعتمد على مهمة نموذجك — قارن بين الكشف، والتجزئة، والتجزئة الدلالية، وتحديد العمق، والتصنيف، الوضعية، و OBB إذا لم تقم باختيار واحدة بعد. تُرجع كل عملية تنبؤ كائن Results واحد لكل صورة أو إطار. الحقول المشتركة أعلاه متاحة دائماً، بينما يتم تخزين بيانات التنبؤ الخاصة بالمهمة في الحقول أدناه. موترات الإحداثيات والثقة الخاصة بـ YOLO هي torch.float32؛ وموتررات الاحتمالية هي torch.float32 ما لم يتم استخدام الدقة النصفية، فتصبح torch.float16. بعد result.numpy()، تصبح الموترات مصفوفات NumPy مع أنواع بيانات NumPy مطابقة. أقنعة الحالات هي موترات ثنائية torch.uint8، بينما تستخدم الأقنعة الدلالية أصغر نوع بيانات صحيح عملي لمعرفات الفئات: torch.uint8، أو torch.int16، أو torch.int32، بناءً على عدد الفئات.

تحتوي كائنات Results على الطرق التالية:

لمزيد من التفاصيل، راجع وثائق فئة Results.

المربعات#

يمكن استخدام كائن Boxes لفهرسة مربعات الإحاطة ومعالجتها وتحويلها إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

فيما يلي جدول لطرق وخصائص الفئة Boxes، بما في ذلك الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق فئة Boxes.

الأقنعة#

يمكن استخدام كائن Masks لفهرسة الأقنعة ومعالجتها وتحويلها إلى مقاطع.

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

فيما يلي جدول لطرق وخصائص الفئة Masks، بما في ذلك الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق فئة Masks.

SemanticMask#

يخزّن SemanticMask خريطة فئات كثيفة واحدة لنتائج التقسيم الدلالي. بخلاف Masks، لا يحتوي على قناع ثنائي واحد لكل كائن ولا يوفر أدوات مساعدة للمضلعات.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem Semantic model
model = YOLO("yolo26n-sem.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

النقاط المفصلية#

يمكن استخدام الكائن Keypoints لفهرسة الإحداثيات ومعالجتها وتطبيعها.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

فيما يلي جدول لطرق وخصائص الفئة Keypoints، بما في ذلك الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق فئة Keypoints.

Probs#

يمكن استخدام الكائن Probs للحصول على فهارس التصنيف ودرجاته top1 وtop5.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

إليك جدولًا يلخّص أساليب وخصائص الفئة Probs:

لمزيد من التفاصيل، راجع وثائق فئة Probs.

OBB#

يمكن استخدام الكائن OBB لفهرسة مربعات الإحاطة الموجّهة ومعالجتها وتحويلها إلى تنسيقات مختلفة.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

فيما يلي جدول لطرق وخصائص الفئة OBB، بما في ذلك الاسم والنوع والوصف:

لمزيد من التفاصيل، راجع وثائق فئة OBB.

رسم النتائج#

تسهّل الطريقة plot() في كائنات Results تصور التنبؤات من خلال تراكب الكائنات المكتشفة، مثل مربعات الإحاطة والأقنعة والنقاط الأساسية والاحتمالات، على الصورة الأصلية. وتعيد هذه الطريقة الصورة المشروحة كمصفوفة NumPy، ما يسهّل عرضها أو حفظها.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

معلمات طريقة plot()#

تدعم الطريقة plot() وسائط مختلفة لتخصيص المخرجات:

الاستدلال الآمن من حيث الخيوط#

يُعد ضمان أمان الخيوط أثناء الاستدلال أمرًا بالغ الأهمية عند تشغيل نماذج YOLO متعددة بالتوازي عبر خيوط مختلفة. ويضمن الاستدلال الآمن للخيوط عزل تنبؤات كل خيط وعدم تداخلها مع بعضها، مما يتجنب حالات التنافس ويضمن مخرجات متسقة وموثوقة.

عند استخدام نماذج YOLO في تطبيق متعدد الخيوط، من المهم إنشاء كائنات نموذج منفصلة لكل خيط أو استخدام تخزين محلي للخيوط لمنع التعارضات:

from threading import Thread

from ultralytics import YOLO

def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results

# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

للاطلاع المتعمق على الاستدلال الآمن للخيوط باستخدام نماذج YOLO والتعليمات التفصيلية خطوةً بخطوة، يُرجى الرجوع إلى دليل الاستدلال الآمن للخيوط في YOLO. سيوفر لك هذا الدليل جميع المعلومات اللازمة لتجنب المشكلات الشائعة وضمان سير الاستدلال متعدد الخيوط بسلاسة.

حلقة for لمصدر البث#

إليك نص Python يستخدم OpenCV (cv2) وYOLO لإجراء الاستدلال على إطارات الفيديو. يفترض هذا النص أنك ثبّتَّ مسبقًا الحزم اللازمة (opencv-python وultralytics).

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

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

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

سيُجري هذا النص التنبؤات على كل إطار من الفيديو، ويعرض النتائج بصريًا، ويعرضها في نافذة. يمكن الخروج من الحلقة بالضغط على 'q'.

ما التالي#

هل أنت مستعد لتجاوز النموذج المدرَّب مسبقًا؟ تأكد من ملاءمة مهمتك لمشكلتك، ونظّم بياناتك باستخدام دليل مجموعات البيانات، ثم درّب النموذج عليها.

الأسئلة الشائعة#