קורס בינה מלאכותית – RB33-04 : בניית אפליקציה ללא קוד ותרגול YOLO

מחבר:admin
פורסם:פברואר 24, 2026
קטגוריה:רובוטרוניקס כללי

קורס בינה מלאכותית – RB33-04 : בניית אפליקציה ללא קוד

חלק א: הרצת קוד ב COLAB הכרת סביבת עבודה YOLO

שימו לב לזיהוי שגוי

קישור ל COLAB

https://colab.research.google.com/

התקנה של ספרייה

# Install Ultralytics (Colab)
!pip -q install ultralytics

				1
2

						# Install Ultralytics (Colab)
!pip -q install ultralytics

2.הרצת קוד לדוגמא בבינה מלאכותית מודל YOLO

שימו לב נידרש להעלות תמונה מהמחשב ל PC

from ultralytics import YOLO
from google.colab import files
from collections import Counter
import cv2
from IPython.display import display
from PIL import Image

# 1) Upload image
uploaded = files.upload()
img_path = next(iter(uploaded.keys()))
print("Uploaded:", img_path)

# 2) Load YOLO26m model (object detection)
model = YOLO("yolo26m.pt")

# 3) Run detection
results = model.predict(source=img_path, conf=0.25, verbose=False)

# 4) Get first result
r = results[0]

# 5) Count detected objects
if r.boxes is None or len(r.boxes) == 0:
    print("No objects found.")
else:
    class_ids = r.boxes.cls.cpu().numpy().astype(int)   # class index per detection
    total_objects = len(class_ids)

    # Map class IDs to names
    names = model.names
    class_names = [names[c] for c in class_ids]

    # Count per class
    counts = Counter(class_names)

    print(f"Total objects found: {total_objects}")
    print("Objects by class:")
    for cls_name, cnt in counts.items():
        print(f"  {cls_name}: {cnt}")

# 6) (Optional) show result image with boxes
annotated = r.plot()  # numpy image (BGR)
annotated_rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB)
display(Image.fromarray(annotated_rgb))

from ultralytics import YOLO

from google.colab import files

from collections import Counter

import cv2

from IPython.display import display

from PIL import Image

# 1) Upload image

uploaded = files.upload()

img_path = next(iter(uploaded.keys()))

print("Uploaded:", img_path)

# 2) Load YOLO26m model (object detection)

model = YOLO("yolo26m.pt")

# 3) Run detection

results = model.predict(source=img_path, conf=0.25, verbose=False)

# 4) Get first result

r = results[0]

# 5) Count detected objects

if r.boxes is None or len(r.boxes) == 0:

print("No objects found.")

else:

class_ids = r.boxes.cls.cpu().numpy().astype(int) # class index per detection

total_objects = len(class_ids)

# Map class IDs to names

names = model.names

class_names = [names[c] for c in class_ids]

# Count per class

counts = Counter(class_names)

print(f"Total objects found: {total_objects}")

print("Objects by class:")

for cls_name, cnt in counts.items():

print(f" {cls_name}: {cnt}")

# 6) (Optional) show result image with boxes

annotated = r.plot() # numpy image (BGR)

annotated_rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB)

display(Image.fromarray(annotated_rgb))

1. COCO Dataset Classes (default 80 classes used by YOLOv5/YOLOv8/YOLOv7 etc.)

Here is the full list of 80 YOLO COCO classes in order (index 0→79):

0 person
1 bicycle
2 car
3 motorcycle
4 airplane
5 bus
6 train
7 truck
8 boat
9 traffic light
10 fire hydrant
11 stop sign
12 parking meter
13 bench
14 bird
15 cat
16 dog
17 horse
18 sheep
19 cow
20 elephant
21 bear
22 zebra
23 giraffe
24 backpack
25 umbrella
26 handbag
27 tie
28 suitcase
29 frisbee
30 skis
31 snowboard
32 sports ball
33 kite
34 baseball bat
35 baseball glove
36 skateboard
37 surfboard
38 tennis racket
39 bottle
40 wine glass
41 cup
42 fork
43 knife
44 spoon
45 bowl
46 banana
47 apple
48 sandwich
49 orange
50 broccoli
51 carrot
52 hot dog
53 pizza
54 donut
55 cake
56 chair
57 couch
58 potted plant
59 bed
60 dining table
61 toilet
62 tv
63 laptop
64 mouse
65 remote
66 keyboard
67 cell phone
68 microwave
69 oven
70 toaster
71 sink
72 refrigerator
73 book
74 clock
75 vase
76 scissors
77 teddy bear
78 hair drier
79 toothbrush

תרגיל כיתה : בניית קוד בעזרת בינה מלאכותית עבוד YOLO A.I

תרגיל כיתה 1 : זיהוי עומס בכביש לפי כמות מכוניות

5 bus
6 train
7 truck

2 car
3 motorcycle

בנה תוכנה אשר בודקת עומס כלי תחבורה בכביש עבור COLAB בעזרת YOLO התוכנה מעלה קובץ תמונה ממחשב ה PC ל COLAB

5 bus
6 train
7 truck

2 car
3 motorcycle

2 מצור פרמטר לעומס תנועה – אם יש 3 כלי תחבורה או פחות הכביש פנוי , אם יותר הכביש עמוס

מציגה על התמונה את ההודעה : כמות המכוניות וכותבת בצבע אדום heavy traffic או בצבע ירוק no traffic

מוסיפה כיתוב של שעה דקה שניה ותאריך

התוכנה כותבת פלט טקטס בפורמט json כיתוב של שעה דקה שניה ותאריך וכמות כלי תחבורה שנמצאו

תרגיל כיתה 2 : זיהוי מטוס על מסלול המראה

בנה תוכנה אשר בודקת האם קיים מטוס על מסלול ההמראה עבור COLAB בעזרת YOLO התוכנה מעלה קובץ תמונה ממחשב ה PC ל COLAB
אם יש על מסלול ההמראה מטוס מסמנת בריבוע אדום כותבת תאריך : שעה דקה שניה ומציגה את התמונה
התוכנה כותבת פלט טקטס בפורמט json כיתוב של שעה דקה שניה ותאריך וסטטוס מסלול המראה פנוי או יש מטוס