מבוא לבינה מלאכותית RB40-01 : מבוא ל YOLO

חלק א : בניית אפליקציה ללא קוד – בעזרת A.I

בנית אפליקציה פשוטה עם AI studio ללא קוד

ב־aistudio.google.com (Google AI Studio), “בניית אפליקציה” היא פיצ’ר שבו אתה מתאר בטקסט מה אתה רוצה, ו-Gemini מייצר לך אפליקציית ווב עובדת (UI + קוד), עם תצוגה חיה ויכולת לערוך ולהמשיך לשפר אותה בצ’אט.

1. דוגמא למשחקי מחשב – שבש

https://aistudio.google.com/apps/9343b1e0-b296-418e-87e7-c577ad4cfefb?fullscreenApplet=true&showPreview=true&showAssistant=true

2.דוגמא לאפליקציה שעשיתי : חתימה על מסמך PDF :

https://ai.studio/apps/drive/1B2iaZq4xFqEV0jXKotFg5NVEcihTQYJX

פינג פונג שתי שחקים

https://ai.studio/apps/90838516-1d59-4791-8a3c-4088049197fe?fullscreenApplet=true

1. קישור https://aistudio.google.com/

יצירת משחק פשוט (שש בש )

שלב 2 : כתיבת הטקסט (פרומפט)

שלב 3 : בדיקה ושיפור בעזרת הצט – עד לקבלת מוצר עובד

כל אחד יכול לקבל מסך קצת שונה (לאחר מספר דקות !!! )

שלב 4 : שיתוף (לכולם או למי שקיבל קישור)

שלב 1

שלב 2 : בחירה בלשונית האם לשתף לכולם או למי שקיבל קישור בלבד

שלב 3 :

שלב 4: העתק הקישור ושליחה לעבודה , קולגה , חברים: העתיקו את הקישור שלכם ובדיקה בטלפון או דפדפן

https://aistudio.google.com/apps/9343b1e0-b296-418e-87e7-c577ad4cfefb?fullscreenApplet=true&showPreview=true&showAssistant=true

חלק ב : שימוש בקולב ומבוא לפייתון

פייתון (Python) היא שפת התכנות המובילה בעולם לפיתוח בינה מלאכותית (AI) ולמידת מכונה (Machine Learning).

מאיפה נובע כוחה של פייתון ב-AI?

- תחביר פשוט וקריא: הקוד דומה לאנגלית פשוטה. זה מאפשר למדעני נתונים וחוקרים להתמקד בפתרון בעיות מתמטיות מורכבות במקום להסתבך עם חוקי תכנות נוקשים.
- קהילה עצומה ותמיכה: מיליוני מפתחים ברחבי העולם מייצרים פתרונות, מדריכים וקוד מוכן, כך שכמעט לכל בעיה כבר קיים פתרון ברשת.
- ניידות ואינטגרציה: היא פועלת על כל מערכות ההפעלה (Windows, Mac, Linux) ומתממשקת בקלות עם שפות מהירות כמו C ו-C++ כדי לבצע חישובים כבדים.

ספריות המפתח של פייתון לעולם ה-AI

הכוח האמיתי של השפה מגיע מהספריות שלה (חבילות קוד מוכנות מראש), המחולקות לפי תפקידים:

1. ספריות ללמידת מכונה עמוקה (Deep Learning & Neural Networks)

- TensorFlow / Keras: פותחה על ידי גוגל. ספרייה עוצמתית לבנייה ואימון של רשתות קשרים עצביים מורכבות (Neural Networks).
- PyTorch: פותחה על ידי מטא (פייסבוק). היא הספרייה הפופולרית ביותר כיום באקדמיה ובמחקר בזכות הגמישות והקלות שבה ניתן לשנות את המודל תוך כדי ריצה.

2. ספריות ללמידת מכונה קלאסית (Machine Learning)

- Scikit-learn: הספרייה הסטנדרטית והחשובה ביותר לאלגוריתמים קלאסיים (כמו עצי החלטה, רגרסיה וסיווג נתונים).

3. ספריות לעיבוד נתונים ומתמטיקה (Data Processing)

- NumPy: מאפשרת לבצע חישובים מתמטיים ואלגברה ליניארית על מערכים גדולים במהירות עצומה.
- Pandas: הכלי המרכזי לניהול, ניקוי וניתוח טבלאות נתונים (מבצעת פעולות דמויות אקסל או SQL בקוד).

4. ספריות לעיבוד שפה טבעית וראייה ממוחשבת (NLP & Vision)

- Hugging Face (Transformers): הספרייה המובילה לעבודה עם מודלי שפה גדולים (LLMs) כמו אלו שמפעילים את ChatGPT או Claude.
- OpenCV: הספרייה המרכזית לעיבוד תמונה, וידאו וראייה ממוחשבת (Computer Vision).

ראייה ממוחשבת וזיהוי פנים (Vision & Face Recognition)

- YOLO (You Only Look Once): הספרייה המובילה בעולם לזיהוי, סיווג ומעקב אחר אובייקטים בתמונות ובוידאו בזמן אמת.
- Face Recognition: ספרייה פשוטה וחזקה המבוססת על למידה עמוקה (dlib), המשמשת לזיהוי, השוואה ומציאת תווי פנים בתמונות.
- OpenCV: כלי התשתית הסטנדרטי לעיבוד תמונות, סינון, חיתוך, וזיהוי צורות או פנים.

📝 סריקת טקסט (OCR – Optical Character Recognition)

- Tesseract (pytesseract): מנוע ה-OCR הפופולרי ביותר (מבית גוגל) לחילוץ וקריאת טקסט מתוך תמונות ומסמכים סרוקים.
- EasyOCR: ספריית OCR מודרנית מבוססת PyTorch, התומכת ביותר מ-80 שפות ומצטיינת בזיהוי טקסט בתנאי תאורה קשים או זוויות מורכבות.

🧪 כימיה, ביולוגיה ומדע (Bio & Chemoinformatics)

- RDKit: הספרייה המובילה בפייתון למדע נתונים כימי. משמשת לייצוג מולקולות, חישוב תכונות כימיות, סינון חומרים וסריקת תרופות (Chemoinformatics).
- AlphaFold (DeepMind): מודל ה-AI המהפכני לחיזוי מבנה תלת-ממדי של חלבונים, המשמש לפיתוח תרופות ומחקר ביולוגי מתקדם.

🧠 למידה עמוקה ומודלי שפה (Deep Learning & LLMs)

- PyTorch: התשתית המובילה בעולם (מבית מטא) לבנייה, אימון והרצה של רשתות נוירונים ומודלי AI מאפס.
- Keras: ממשק (API) עילי וקל המפשט את כתיבת הקוד עבור TensorFlow לבנייה מהירה של מודלים.
- Hugging Face Transformers: הספרייה המרכזית להורדה והרצה של מודלי שפה וראייה ממוחשבת בקוד פתוח (כמו Llama או Mistral).
- OpenAI SDK: חיבור קוד הפייתון ישירות ל-API של מודלי GPT, לצורך בניית צ'אטבוטים ואוטומציות טקסט וקול.

📊 למידת מכונה ונתונים (Machine Learning & Data)

Scikit-learn: הספרייה הסטנדרטית לאלגוריתמים קלאסיים (רגרסיה, עצי החלטה וסיווג נתונים).
Pandas / NumPy: התשתית המרכזית לניקוי, סינון וניהול מערכי נתונים וטבלאות לפני הזנתם למודל.

לימוד פייתון – YOLO משפט תנאי

OLO Object IDs

ID	Object	ID	Object
0	Person	4	Airplane
1	Bicycle	5	Bus
2	Car	6	Train
3	Motorcycle	7	Truck

1. Install YOLO in Google Colab

!pip install ultralytics  # Install YOLO library

1	!pip install ultralytics # Install YOLO library

2. Load YOLO and detect objects

Run this block first.

from ultralytics import YOLO       # Import YOLO
from google.colab import files    # Upload images

uploaded = files.upload()         # Upload image
img_path = next(iter(uploaded))   # Get image filename

model = YOLO("yolo26m.pt")        # Load YOLO Medium model
results = model.predict(img_path, conf=0.5)  # Detect objects

r = results[0]                    # Get first image result
classes = r.boxes.cls.int().cpu().tolist()  # Get class IDs

print("Detected IDs:", classes)   # Print detected objects

from ultralytics import YOLO # Import YOLO

from google.colab import files # Upload images

uploaded = files.upload() # Upload image

img_path = next(iter(uploaded)) # Get image filename

model = YOLO("yolo26m.pt") # Load YOLO Medium model

results = model.predict(img_path, conf=0.5) # Detect objects

r = results[0] # Get first image result

classes = r.boxes.cls.int().cpu().tolist() # Get class IDs

print("Detected IDs:", classes) # Print detected objects

Example 1 — Detect a car

if 2 in classes:                  # Check if car (ID 2) exists
    print("Car detected!")        # Car found
else:                             # Otherwise
    print("No car detected.")     # Car not found

if 2 in classes: # Check if car (ID 2) exists

print("Car detected!") # Car found

else: # Otherwise

print("No car detected.") # Car not found

Example 2 — Count cars

cars = classes.count(2)           # Count cars (ID 2)

if cars > 0:                      # If cars exist
    print("Cars:", cars)          # Print number of cars
else:                             # Otherwise
    print("No cars found.")       # No cars

cars = classes.count(2) # Count cars (ID 2)

if cars > 0: # If cars exist

print("Cars:", cars) # Print number of cars

else: # Otherwise

print("No cars found.") # No cars

Example 3 — Detect more than 3 cars

cars = classes.count(2)           # Count cars

if cars > 3:                      # More than 3 cars
    print("Heavy traffic!")       # Heavy traffic message
else:                             # 3 cars or fewer
    print("Low traffic.")         # Low traffic message

cars = classes.count(2) # Count cars

if cars > 3: # More than 3 cars

print("Heavy traffic!") # Heavy traffic message

else: # 3 cars or fewer

print("Low traffic.") # Low traffic message

Example 4 — Count airplanes

planes = classes.count(4)         # Count airplanes (ID 4)

if planes > 0:                    # If airplanes exist
    print("Airplanes:", planes)   # Print airplane count
else:                             # Otherwise
    print("No airplanes.")        # No airplanes found

planes = classes.count(4) # Count airplanes (ID 4)

if planes > 0: # If airplanes exist

print("Airplanes:", planes) # Print airplane count

else: # Otherwise

print("No airplanes.") # No airplanes found

Example 5 — Detect cars AND airplanes

cars = classes.count(2)           # Count cars
planes = classes.count(4)         # Count airplanes

if cars > 0 and planes > 0:       # Both detected
    print("Cars:", cars, "Planes:", planes)

elif cars > 0:                    # Only cars detected
    print("Only cars:", cars)

elif planes > 0:                  # Only airplanes detected
    print("Only planes:", planes)

else:                             # Neither detected
    print("No cars or planes.")

cars = classes.count(2) # Count cars

planes = classes.count(4) # Count airplanes

if cars > 0 and planes > 0: # Both detected

print("Cars:", cars, "Planes:", planes)

elif cars > 0: # Only cars detected

print("Only cars:", cars)

elif planes > 0: # Only airplanes detected

print("Only planes:", planes)

else: # Neither detected

print("No cars or planes.")

נריץ את הדברים ב COLAB https://colab.google/

print("Hello World!")

1	print("Hello World!")

חלק ג: Python and yolo

נריץ את הדברים ב COLAB https://colab.google/

מה זה YOLO בתחום הבינה המלאכותית?

YOLO – You Only Look Once הוא אלגוריתם בתחום הראייה הממוחשבת (Computer Vision), המבוסס על רשתות נוירונים עמוקות (Deep Learning).

המטרה שלו היא לזהות עצמים בתמונות ובווידאו בזמן אמת, לקבוע איזה עצם מופיע בתמונה והיכן הוא נמצא.

לדוגמה, מצלמה המחוברת לרובוט יכולה לזהות:

בני אדם, בעלי חיים ומכוניות.
כדורים, קופסאות וכלים.
מכשולים במסלול של רובוט.
עצמים שזרוע רובוטית צריכה לתפוס.

איך YOLO עובד?

המודל מקבל תמונה ומבצע חישוב אחד ברשת הנוירונים כדי להפיק תחזיות זיהוי.

לכל עצם הוא מחזיר בדרך כלל:

פרמטר	משמעות
Class	סוג העצם, למשל Ball
Bounding Box	מלבן סביב העצם
Confidence	רמת הביטחון בזיהוי
X, Y	מיקום העצם בתמונה
Width, Height	רוחב וגובה המלבן

לדוגמה, רובוט שמצלם כדור יכול לקבל:

Object: Ball
Confidence: 0.96
Center X: 320 pixels
Center Y: 240 pixels
Width: 80 pixels
Height: 80 pixels

המשמעות: המודל זיהה כדור ברמת ביטחון של 96%, במרכז התמונה.

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):

1	2	3	4	5	6
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

סה״כ: 80 מחלקות (Classes) של מערך הנתונים COCO, המשמש לאימון מודלי YOLO לזיהוי עצמים.

תרגיל כיתה עם המרצה שלב אחרי שלב-:

התנסות ראשונית של YOLO ומעבר ראשוני על קוד פייתון ב COLAB

סרטון מהיר – שלב אחרי שלב

פתחו דפדפן כרום , הכנס ל GMAIL
פתח את סביבת הפיתוח COLAB
התקן את הספריות YOLO ולחץ PLAY על הכפתור השחור

4.לחץ על

5. הורד את התמונה למחשב ה PC וטען אותה לקולאב בהצרת התרגיל סאיף 6

לימוד YOLO בינה מלאכותית[/caption]

6.העתק את קוד הפייתון לקולאב והרץ את התרגיל

from ultralytics import YOLO          # YOLO object detection
from google.colab import files       # Upload files in Colab
from collections import Counter      # Count objects
import cv2                          # Image processing
from IPython.display import display # Display images
from PIL import Image               # Image handling

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

# 2. Load YOLO26 Medium model
model = YOLO("yolo26m.pt")  # n=Nano, s=Small, m=Medium, l=Large, x=Extra Large

# 3. Detect objects
results = model.predict(
    source=img_path,   # Input image
    conf=0.65,         # Minimum confidence: 65%
    verbose=False      # Disable detailed logs
)

# 4. Get first image result
r = results[0]

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

    # Total number of objects
    total_objects = len(class_ids)

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

    # Count objects by 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. Display image with detection boxes
annotated = r.plot()  # Draw boxes and labels

# Convert BGR to RGB
annotated_rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB)

# Show result
display(Image.fromarray(annotated_rgb))

from ultralytics import YOLO # YOLO object detection

from google.colab import files # Upload files in Colab

from collections import Counter # Count objects

import cv2 # Image processing

from IPython.display import display # Display images

from PIL import Image # Image handling

# 1. Upload image

uploaded = files.upload()

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

print("Uploaded:", img_path)

# 2. Load YOLO26 Medium model

model = YOLO("yolo26m.pt") # n=Nano, s=Small, m=Medium, l=Large, x=Extra Large

# 3. Detect objects

results = model.predict(

source=img_path, # Input image

conf=0.65, # Minimum confidence: 65%

verbose=False # Disable detailed logs

)

# 4. Get first image result

r = results[0]

# 5. Count detected objects

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

print("No objects found.")

else:

# Get detected class IDs

class_ids = r.boxes.cls.cpu().numpy().astype(int)

# Total number of objects

total_objects = len(class_ids)

# Convert class IDs to names

names = model.names

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

# Count objects by 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. Display image with detection boxes

annotated = r.plot() # Draw boxes and labels

# Convert BGR to RGB

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

# Show result

display(Image.fromarray(annotated_rgb))

תרגיל כיתה : בניית קוד – בעזרת chatGPT עבור 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

admin

Administrator

Visit Website View All Posts

Related Stories

קורס רובוטיקה ובינה מלאכותית 05-RB302 מבוא MuJoCo

קורס רובוטיקה ובינה מלאכותית 04-RB302 מבוא MuJoCo

קורס רובוטיקה ובינה מלאכותית 03-RB302 מבוא MuJoCo

You may have missed

קורס רובוטיקה ובינה מלאכותית 05-RB302 מבוא MuJoCo

מבוא לבינה מלאכותית RB40-01 : מבוא ל YOLO

קורס רובוטיקה ובינה מלאכותית 04-RB302 מבוא MuJoCo

קורס רובוטיקה ובינה מלאכותית 03-RB302 מבוא MuJoCo

חלק א : בניית אפליקציה ללא קוד – בעזרת A.I

בנית אפליקציה פשוטה עם AI studio ללא קוד

1. קישור https://aistudio.google.com/

יצירת משחק פשוט (שש בש )

שלב 2 : כתיבת הטקסט (פרומפט)

שלב 3 : בדיקה ושיפור בעזרת הצט – עד לקבלת מוצר עובד

שלב 4 : שיתוף (לכולם או למי שקיבל קישור)

חלק ב : שימוש בקולב ומבוא לפייתון

OLO Object IDs

2. Load YOLO and detect objects

חלק ג: Python and yolo

מה זה YOLO בתחום הבינה המלאכותית?

איך YOLO עובד?

תרגיל כיתה עם המרצה שלב אחרי שלב-:

התנסות ראשונית של YOLO ומעבר ראשוני על קוד פייתון ב COLAB

תרגיל כיתה : בניית קוד – בעזרת chatGPT עבור YOLO A.I

תרגיל כיתה 1 : זיהוי עומס בכביש לפי כמות מכוניות

תרגיל כיתה 2 : זיהוי מטוס על מסלול המראה

About the Author

Related Stories

You may have missed