الصفحة الرئيسية

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

تقديم Ultralytics YOLO11YOLO11 ، أحدث إصدار من نموذج الكشف عن الأجسام وتجزئة الصور في الوقت الحقيقي. مبني على أحدث التطورات في مجال التعلم العميق والرؤية الحاسوبية، مما يوفر أداءً لا مثيل له من حيث السرعة والدقة. تصميمه الانسيابي يجعله مناسبًا لمختلف التطبيقات وقابل للتكيف بسهولة مع منصات الأجهزة المختلفة، بدءًا من الأجهزة المتطورة وحتى واجهات برمجة التطبيقات السحابية.

استكشف المستندات Ultralytics Docs، وهو مورد شامل مصمم لمساعدتك على فهم ميزاته وقدراته والاستفادة منها. سواء كنت ممارسًا متمرسًا في مجال التعلم الآلي أو جديدًا في هذا المجال، يهدف هذا المركز إلى تعظيم إمكانات YOLO في مشاريعك

من أين تبدأ

شاهد: كيفية تدريب نموذج YOLO على مجموعة بياناتك المخصصة في Google كولاب.

YOLO: نبذة تاريخية موجزة

YOLO (أنت تنظر مرة واحدة فقط)، وهو نموذج شائع لاكتشاف الأجسام وتجزئة الصور، طوره جوزيف ريدمون وعلي فرهادي في جامعة واشنطن. تم إطلاقه في عام 2015، وسرعان ما اكتسب YOLO شعبية بسبب سرعته ودقته العالية.

• تم إصدار YOLOv2 في عام 2016 لتحسين النموذج الأصلي من خلال دمج تطبيع الدُفعات وصناديق الارتكاز ومجموعات الأبعاد.
• حسّن YOLOv3 الذي تم إطلاقه في عام 2018 من أداء النموذج باستخدام شبكة أساسية أكثر كفاءة، ومراسي متعددة وتجميع هرمي مكاني.
• تم إصدار YOLOOv4 في عام 2020، حيث تم تقديم ابتكارات مثل زيادة بيانات الفسيفساء، ورأس كشف جديد خالٍ من المراسي، ووظيفة خسارة جديدة.
• YOLOv5 تحسين أداء النموذج بشكل أكبر وإضافة ميزات جديدة مثل تحسين المعلمة الفائقة والتتبع المتكامل للتجربة والتصدير التلقائي إلى تنسيقات التصدير الشائعة.
• تم فتح مصدر YOLOv6 من قبل شركة Meituan في عام 2022، وهو مستخدم في العديد من روبوتات التوصيل المستقلة التابعة للشركة.
• أضاف YOLOv7 مهام إضافية مثل تقدير الوضعية على مجموعة بيانات نقاط COCO الرئيسية.
• YOLOv8 تم إصداره في عام 2023 بواسطة Ultralytics. YOLOv8 . ميزات وتحسينات جديدة لتعزيز الأداء والمرونة والكفاءة، ودعم مجموعة كاملة من مهام الذكاء الاصطناعي البصري,
• يقدم YOLOv9 طرقًا مبتكرة مثل معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
• تم إنشاء YOLOv10 من قبل باحثين من جامعة تسينغهوا باستخدام Ultralytics Python الحزمة. يوفر هذا الإصدار تطورات في الوقت الحقيقي للكشف عن الكائنات من خلال تقديم رأس نهاية إلى نهاية يلغي متطلبات الكبت غير الأقصى (NMS).
• YOLO11 🚀 جديد: Ultralytics' أحدث نماذج YOLO التي تقدم أحدث أداء (SOTA) عبر مهام متعددة، بما في ذلك الكشف والتجزئة وتقدير الوضعية والتتبع والتصنيف، والاستفادة من القدرات عبر تطبيقات ومجالات الذكاء الاصطناعي المتنوعة.

YOLO التراخيص: كيف يتم ترخيص Ultralytics YOLO ؟

Ultralytics خيارين للترخيص لاستيعاب حالات الاستخدام المتنوعة:

• AGPL-3.0 الترخيص: هذا الترخيص مفتوح المصدر المعتمد من OSI مثالي للطلاب والمتحمسين، مما يعزز التعاون المفتوح ومشاركة المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
• ترخيص المؤسسات: صُمم هذا الترخيص للاستخدام التجاري، ويسمح هذا الترخيص بالتكامل السلس لبرمجيات Ultralytics ونماذج الذكاء الاصطناعي في السلع والخدمات التجارية، متجاوزاً متطلبات المصدر المفتوح AGPL-3.0. إذا كان السيناريو الخاص بك يتضمن دمج حلولنا في عرض تجاري، تواصل معنا من خلال Ultralytics الترخيص.

تم تصميم استراتيجية الترخيص الخاصة بنا لضمان أن تعود أي تحسينات على مشاريعنا مفتوحة المصدر إلى المجتمع. ونحن نتمسك بمبادئ المصدر المفتوح بالقرب من قلوبنا ❤️، ومهمتنا هي ضمان إمكانية الاستفادة من مساهماتنا وتوسيع نطاقها بطرق تعود بالنفع على الجميع.

الأسئلة الشائعة

ما هو Ultralytics YOLO وكيف يحسن اكتشاف الأجسام؟

Ultralytics YOLO هو أحدث تقدم في سلسلة YOLO (أنت تنظر مرة واحدة فقط) المشهود لها لاكتشاف الأجسام وتجزئة الصور في الوقت الفعلي. وهو يعتمد على الإصدارات السابقة من خلال تقديم ميزات وتحسينات جديدة لتعزيز الأداء والمرونة والكفاءة. YOLO يدعم العديد من مهام الذكاء الاصطناعي للرؤية مثل الكشف والتجزئة وتقدير الوضع والتتبع والتصنيف. تضمن بنيته المتطورة سرعة ودقة فائقة، مما يجعله مناسبًا لتطبيقات متنوعة، بما في ذلك الأجهزة المتطورة وواجهات برمجة التطبيقات السحابية.

كيف يمكنني البدء في التثبيت والإعداد YOLO ؟

إن بدء استخدام YOLO سريع ومباشر. يمكنك تثبيت الحزمة Ultralytics باستخدام pip وتشغيلها في دقائق. إليك أمر التثبيت الأساسي:

pip install ultralytics

للحصول على دليل شامل خطوة بخطوة، تفضل بزيارة دليل البدء السريع. سيساعدك هذا المورد في تعليمات التثبيت، والإعداد الأولي، وتشغيل نموذجك الأول.

كيف يمكنني تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بي؟

يتضمن تدريب نموذج مخصص YOLO على مجموعة بياناتك بعض الخطوات التفصيلية:

1. قم بإعداد مجموعة البيانات المشروحة.
2. تكوين معلمات التدريب في ملف YAML.
3. استخدم yolo TASK train أمر لبدء التدريب. (كل TASK لها حجتها الخاصة بها)

إليك مثال على شيفرة لمهمة الكشف عن الكائنات:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

للاطلاع على شرح تفصيلي، راجع دليل تدريب نموذج، والذي يتضمن أمثلة ونصائح لتحسين عملية التدريب الخاصة بك.

ما هي خيارات الترخيص المتاحة لـ Ultralytics YOLO ؟

Ultralytics خيارين للترخيص YOLO:

• AGPL-3.0 الترخيص: تعتبر هذه الرخصة مفتوحة المصدر مثالية للاستخدام التعليمي وغير التجاري، مما يعزز التعاون المفتوح.
• ترخيص المؤسسة: صُمم هذا الترخيص للتطبيقات التجارية، مما يسمح بالتكامل السلس لبرمجيات Ultralytics في المنتجات التجارية دون قيود الترخيص AGPL-3.0 .

لمزيد من التفاصيل، تفضل بزيارة صفحة الترخيص الخاصة بنا.

كيف يمكن استخدام Ultralytics YOLO لتتبع الأجسام في الوقت الحقيقي؟

Ultralytics YOLO يدعم التتبع الفعال والقابل للتخصيص متعدد الكائنات. للاستفادة من إمكانيات التتبع، يمكنك استخدام yolo track كما هو موضح أدناه:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

للحصول على دليل تفصيلي حول إعداد تتبع الكائنات وتشغيله، راجع وثائق وضع التتبع لدينا، والتي تشرح التكوين والتطبيقات العملية في سيناريوهات الوقت الفعلي.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 20 يومًا

التعليقات