Traffic Analysis with YOLOv8 and ByteTrack - Vehicle Detection and Tracking
تطبيق قريب من مشروع الجلسة: كشف المركبات وتتبعها بـ ByteTrack وتحليل حركة المرور.
متوسطحوّل فيديو المرور إلى أحداث عبور موثوقة. اجمع الكشف والتتبع ومنع العد المكرر مع تقييم فعلي للنتائج.
أحداث CSV، ملخص JSON، وفيديو مشروح.
الكشف يحدد الجسم داخل إطار، بينما العد يعتمد على مساره عبر الزمن واتجاه عبوره لخط محدد مع قواعد منع التكرار.
لا. نستخدم نموذج كشف صغيرًا مدربًا مسبقًا ونركز على التتبع ومنطق الأحداث والتصدير والتقييم ضمن فيديو قصير من كاميرا واحدة.
شيفرة قابلة لإعادة التشغيل، events.csv للأحداث، summary.json للإحصاءات، annotated.mp4 للدليل البصري، evaluation.md للتقييم، وREADME وPull Request.
شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.
تطبيق قريب من مشروع الجلسة: كشف المركبات وتتبعها بـ ByteTrack وتحليل حركة المرور.
متوسطيشرح عدّ الأجسام عند عبور خط باستخدام YOLO وByteTrack ومكتبة Supervision.
متوسطدورة Ultralytics الرسمية الحديثة: التدريب والتتبع والنشر باستخدام YOLO26.
مبتدئشرح عربي عملي لتثبيت YOLOv8 وتشغيل الكشف على الصور والفيديو.
مبتدئمسارات أطول لمن يريد بناء الأساس بعد الجلسة.
دورة مجتمعية مجانية تغطي التصنيف والكشف والتجزئة ونماذج الرؤية الحديثة.
دورة OpenCV الرسمية المجانية لمعالجة الصور والفيديو ببايثون.
روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.
في التطبيقات الحقيقية، لا تكفي كتابة بضعة أسطر لتشغيل YOLO ورسم مربعات على الصورة. يحتاج مهندس Computer Vision إلى تحويل مخرجات النموذج إلى معلومة يمكن الوثوق بها واستخدامها، مع فهم حدود الأداء ومصادر الخطأ.
لذلك تتمحور الجلسة حول سؤال هندسي واحد:
بدلًا من مشروعين منفصلين ومبسطين، سيبني المشاركون نظامًا واحدًا مترابطًا يبدأ من فيديو خام وينتهي بأحداث منظمة وملخص تحليلي وفيديو توضيحي وتقرير تقييم.
بنهاية الجلسة، يستطيع المشارك أن:
الحالة العملية: جهة مسؤولة عن تحليل حركة المرور تريد قياس تدفق المركبات عبر نقطة محددة خلال مدة الفيديو دون عدّ يدوي مستمر.
| السؤال | القرار الهندسي |
|---|---|
| ما المطلوب؟ | عدد مرات عبور المركبات للخط في كل اتجاه، مع تصنيفها |
| ما مصدر البيانات؟ | فيديو لكاميرا ثابتة، مع معرفة FPS وأبعاد الإطار |
| ما وحدة القياس؟ | حدث عبور واحد، وليس عدد Detection Boxes |
| ما الفئات؟ | الفئات المتاحة في النموذج مثل car وbus وtruck وmotorcycle |
| ما حالات الفشل؟ | ازدحام، حجب، اهتزاز، تغيّر الإضاءة، تبدّل Track ID |
| كيف نتحقق؟ | مقارنة أحداث/أعداد النظام بعدّ يدوي مرجعي على مقطع اختبار |
جوهر الجلسة هو الانتقال من نتائج النموذج إلى منطق التطبيق:
فرق مهم:
| مقياس | معناه |
|---|---|
| Occupancy | عدد الأجسام الموجودة داخل منطقة في لحظة معينة |
| Crossing Count | العدد التراكمي للأجسام التي عبرت خطًا/حدًا محددًا |
| Unique Track Count | عدد معرفات المسارات، ولا يساوي بالضرورة عدد المركبات الحقيقية |
بناء نواة نظام Video Analytics تستطيع قراءة مقطع كاميرا مرور ثابتة، واكتشاف المركبات وتتبعها، واحتساب عبورها في الاتجاهين، ثم إنتاج مخرجات يمكن استخدامها داخل Dashboard أو API في مراحل لاحقة.
لا يتطلب المشروع واجهة Web كاملة؛ لأن التركيز في هذه الجلسة على صحة خط المعالجة والبيانات الناتجة منه. يمكن ربط النتائج بواجهة أو خدمة لاحقًا ضمن جلسات AI Engineering الأخرى.
flowchart TD
A["Video Input"] --> B["Frame Decode & Timestamp"]
B --> C["Object Detector"]
C --> D["Multi-Object Tracker"]
D --> E["Line Crossing & Event Rules"]
E --> F["Events CSV + Summary JSON"]
E --> G["Annotated Video"]
F --> H["Evaluation Against Ground Truth"]مثال توضيحي لسجل حدث (قيم افتراضية):
{
"video_id": "intersection_demo_01",
"timestamp_seconds": 12.4,
"track_id": 17,
"class_name": "car",
"direction": "in",
"event_type": "line_crossing",
"line_id": "main_entry"
}events.csv يحتوي أحداث العبور.summary.json بعدد المركبات حسب الفئة والاتجاه.annotated.mp4 يظهر المربعات والمعرفات والخط والعداد.نقيّم المنظومة النهائية، لا درجة ثقة كاشف الأجسام وحدها.
| الاختبار | المطلوب |
|---|---|
| Count Error | مقارنة عدد العبور الناتج بالعدد المرجعي اليدوي لكل اتجاه |
| Duplicate Events | التحقق من عدم تسجيل حدث مكرر للمسار نفسه قرب الخط |
| Throughput | قياس الإطارات المعالجة في الثانية على جهاز الاختبار |
| Failure Cases | تسجيل أمثلة من الحجب أو تبديل الهوية أو فقدان الكشف |
| Reproducibility | القدرة على إعادة التشغيل باستخدام المدخلات والإعدادات نفسها |
يمكن قياس الخطأ المطلق للعدّ كما يلي:
| الزمن | المدة | النشاط | النتيجة |
|---|---|---|---|
| 00:00–00:10 | 10 د | عرض المشكلة ومتطلبات العميل | تعريف حدث العبور ومقياس النجاح |
| 00:10–00:30 | 20 د | Video Fundamentals وROI | فهم المدخلات والقيود |
| 00:30–00:55 | 25 د | Detection وعتبات الثقة ومفاضلات الأداء | تفسير نتائج النموذج |
| 00:55–01:15 | 20 د | Tracking وEvent Logic | فهم معرفات المسارات ومنع التكرار |
| 01:15–01:25 | 10 د | استراحة | — |
| 01:25–02:00 | 35 د | Live Build: Video → Detection → Tracking | معالجة فيديو مع Track IDs |
| 02:00–02:30 | 30 د | Guided Lab: Line Crossing + Export | أحداث CSV وعدادات |
| 02:30–02:50 | 20 د | اختبار ومقارنة مع Ground Truth | تقرير خطأ وتحليل فشل |
| 02:50–03:00 | 10 د | Demo + Review + Homework | خطة تحسين وPR |
| الإجمالي | 180 د | ||
| الملف/المخرج | معيار القبول |
|---|---|
| شيفرة Pipeline | تشغيل فيديو معروف وإنتاج نتائج قابلة لإعادة التنفيذ |
events.csv | أحداث عبور تتضمن الزمن والفئة والاتجاه ومعرف المسار |
summary.json | عدد العبور بحسب الفئة والاتجاه |
annotated.mp4 | دليل بصري يظهر الكشف والتتبع وخط العبور |
evaluation.md | العد المرجعي، العدد المتوقع، الخطأ، وملاحظات الفشل |
README.md | المتطلبات وطريقة التشغيل والقيود المعروفة |
| Pull Request | تسليم منظم للمشروع مع وصف التجربة والنتائج |
| المحور | الوزن |
|---|---|
| صحة منطق العبور ومنع التكرار | 35% |
| التقييم وتحليل حالات الفشل | 25% |
| قابلية التشغيل وجودة الشيفرة والاختبارات | 20% |
| جودة العرض العملي والتوثيق | 10% |
| وضوح Pull Request والمراجعة | 10% |
للطلبة المتقدمين أو مشروع Capstone:
summary.json بدل إعادة تشغيل النموذج لكل طلب.تعلم الجلسة الرابعة المشاركين أن القيمة الحقيقية للرؤية الحاسوبية لا تكمن في تشغيل نموذج جاهز فقط، بل في صياغة مشكلة قابلة للقياس، ودمج كشف الأجسام مع التتبع والمنطق الزمني، وتحويل النتائج إلى بيانات مفيدة، ثم اختبار النظام أمام حالات الفشل.
مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.
لا توجد مهام تطابق هذا الفلتر.
دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.