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

الرئيسية

نقدم لكم Ultralytics YOLO11، أحدث إصدار من نموذج الكشف عن الأجسام وتقسيم الصور في الوقت الفعلي. تم بناء YOLO11 على أحدث التطورات في التعلم العميق و رؤية الكمبيوتر، مما يوفر أداءً لا مثيل له من حيث السرعة و الدقة. تصميمه المبسّط يجعله مناسبًا لمختلف التطبيقات وقابلًا للتكيف بسهولة مع مختلف منصات الأجهزة، من الأجهزة الطرفية إلى واجهات برمجة التطبيقات السحابية.

استكشف وثائق Ultralytics، وهي مصدر شامل مصمم لمساعدتك على فهم ميزاتها وقدراتها واستخدامها. سواء كنت ممارسًا متمرسًا في التعلم الآلي أو جديدًا في هذا المجال، يهدف هذا المركز إلى زيادة إمكانات YOLO في مشاريعك.

من أين أبدأ؟

شاهد: كيفية تدريب نموذج YOLO11 على مجموعة البيانات المخصصة الخاصة بك في Google Colab.

YOLO: لمحة تاريخية موجزة

YOLO ‏(You Only Look Once)، وهو نموذج شائع لاكتشاف الكائنات وتقسيم الصور، تم تطويره بواسطة جوزيف ريدمون وعلي فرهادي في جامعة واشنطن. تم إطلاق YOLO في عام 2015، واكتسب شعبية بسبب سرعته ودقته العالية.

• YOLOv2، الذي تم إصداره في عام 2016، قام بتحسين النموذج الأصلي من خلال دمج التسوية الدفعية ومربعات الارتكاز ومجموعات الأبعاد.
• YOLOv3، الذي تم إطلاقه في عام 2018، عزز أداء النموذج بشكل أكبر باستخدام شبكة أساسية أكثر كفاءة، ومرتكزات متعددة، وتجميع هرمي مكاني.
• تم إصدار YOLOv4 في عام 2020، وقدم ابتكارات مثل زيادة البيانات Mosaic، ورأس كشف جديد بدون مرساة، و دالة خسارة جديدة.
• YOLOv5 حسّن أداء النموذج بشكل أكبر وأضاف ميزات جديدة مثل تحسين المعلمات الفائقة، وتتبع التجارب المتكامل، والتصدير التلقائي إلى تنسيقات التصدير الشائعة.
• تم فتح مصدر YOLOv6 بواسطة Meituan في عام 2022 ويستخدم في العديد من روبوتات التوصيل المستقلة التابعة للشركة.
• أضاف YOLOv7 مهام إضافية مثل تقدير الوضعية على مجموعة بيانات نقاط COCO الرئيسية.
• YOLOv8 الذي تم إصداره في عام 2023 بواسطة Ultralytics، قدم ميزات وتحسينات جديدة لتحسين الأداء والمرونة والكفاءة، ودعم مجموعة كاملة من مهام رؤية الذكاء الاصطناعي.
• يقدم YOLOv9 طرقًا مبتكرة مثل معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
• YOLOv10 الذي أنشأه باحثون من جامعة تسينغ هوا باستخدام حزمة Ultralytics Python، يوفر تطورات اكتشاف الكائنات في الوقت الفعلي من خلال تقديم رأس من طرف إلى طرف يلغي متطلبات قمع Non-Maximum Suppression (NMS).
• YOLO11 🚀 جديد: أحدث نماذج YOLO من Ultralytics، تقدم أداءً حديثًا (SOTA) عبر مهام متعددة، بما في ذلك اكتشاف الكائنات، و التجزئة، و تقدير الوضع، و التتبع، و التصنيف، والاستفادة من القدرات عبر تطبيقات ومجالات الذكاء الاصطناعي المتنوعة.

تراخيص YOLO: كيف يتم ترخيص Ultralytics YOLO؟

تقدم Ultralytics خيارين للترخيص لاستيعاب حالات الاستخدام المتنوعة:

• رخصة AGPL-3.0: هذه الرخصة مفتوحة المصدر معتمدة من OSI مثالية للطلاب والمتحمسين، وتعزز التعاون المفتوح وتبادل المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
• رخصة المؤسسة: صُممت هذه الرخصة للاستخدام التجاري، وتسمح بالتكامل السلس لبرامج Ultralytics ونماذج الذكاء الاصطناعي في السلع والخدمات التجارية، متجاوزةً متطلبات المصدر المفتوح لرخصة AGPL-3.0. إذا كان السيناريو الخاص بك يتضمن تضمين حلولنا في عرض تجاري، فتواصل معنا من خلال ترخيص Ultralytics.

تم تصميم استراتيجية الترخيص الخاصة بنا لضمان إعادة أي تحسينات على مشاريعنا مفتوحة المصدر إلى المجتمع. نحن نعتز بمبادئ المصادر المفتوحة ❤️، ومهمتنا هي ضمان إمكانية استخدام مساهماتنا وتوسيعها بطرق تعود بالفائدة على الجميع.

تطور اكتشاف الأجسام

تطور الكشف عن الكائنات بشكل كبير على مر السنين، من تقنيات رؤية الكمبيوتر التقليدية إلى نماذج التعلم العميق المتقدمة. كانت عائلة نماذج YOLO في طليعة هذا التطور، حيث دفعت باستمرار حدود الممكن في الكشف عن الكائنات في الوقت الفعلي.

يعالج نهج YOLO الفريد اكتشاف الكائنات كمشكلة انحدار واحدة، ويتوقع مربعات الإحاطة واحتمالات الفئة مباشرة من الصور الكاملة في تقييم واحد. لقد جعلت هذه الطريقة الثورية نماذج YOLO أسرع بكثير من الكاشفات السابقة ذات المرحلتين مع الحفاظ على دقة عالية.

مع كل إصدار جديد، قدمت YOLO تحسينات معمارية وتقنيات مبتكرة عززت الأداء عبر مختلف المقاييس. وتواصل YOLO11 هذا التقليد من خلال دمج أحدث التطورات في أبحاث رؤية الكمبيوتر، مما يوفر مقايضات أفضل بين السرعة والدقة للتطبيقات الواقعية.

الأسئلة الشائعة

ما هو Ultralytics YOLO وكيف يحسن من اكتشاف الكائنات؟

Ultralytics YOLO هو أحدث تقدم في سلسلة YOLO (أنت تنظر مرة واحدة فقط) المشهورة للكشف عن الكائنات في الوقت الفعلي وتقسيم الصور. يعتمد على الإصدارات السابقة من خلال تقديم ميزات وتحسينات جديدة لتحسين الأداء والمرونة والكفاءة. يدعم YOLO العديد من مهام رؤية الذكاء الاصطناعي مثل الكشف والتقسيم وتقدير الوضعية والتتبع والتصنيف. تضمن بنيته الحديثة سرعة ودقة فائقتين، مما يجعله مناسبًا للتطبيقات المتنوعة، بما في ذلك الأجهزة الطرفية وواجهات برمجة تطبيقات السحابة.

كيف يمكنني البدء في تثبيت وإعداد YOLO؟

البدء في استخدام YOLO سريع ومباشر. يمكنك تثبيت حزمة Ultralytics باستخدام pip والبدء في غضون دقائق. إليك أمر تثبيت أساسي:

pip install ultralytics

للحصول على دليل شامل خطوة بخطوة، قم بزيارة صفحة البدء السريع الخاصة بنا. سيساعدك هذا المورد في تعليمات التثبيت والإعداد الأولي وتشغيل النموذج الأول الخاص بك.

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

يتضمن تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بك بعض الخطوات التفصيلية:

1. قم بإعداد مجموعة البيانات المشروحة الخاصة بك.
2. قم بتكوين معلمات التدريب في ملف YAML.
3. استخدم yolo TASK train الأمر لبدء التدريب. (كل TASK له وسيطة خاصة به)

إليك مثال على التعليمات البرمجية 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

للحصول على شرح تفصيلي، راجع دليل تدريب نموذج الخاص بنا، والذي يتضمن أمثلة ونصائح لتحسين عملية التدريب.

ما هي خيارات الترخيص المتاحة لـ Ultralytics YOLO؟

تقدم Ultralytics خيارين للترخيص لـ YOLO:

• رخصة AGPL-3.0: هذه الرخصة مفتوحة المصدر مثالية للاستخدام التعليمي وغير التجاري، وتعزز التعاون المفتوح.
• رخصة المؤسسة: تم تصميم هذا للتطبيقات التجارية، مما يسمح بالتكامل السلس لبرامج Ultralytics في المنتجات التجارية دون قيود رخصة AGPL-3.0.

للمزيد من التفاصيل، يرجى زيارة صفحة التراخيص الخاصة بنا.

كيف يمكن استخدام Ultralytics YOLO لتتبع الكائنات في الوقت الفعلي؟

يدعم Ultralytics YOLO تتبعًا فعالًا وقابلاً للتخصيص لأجسام متعددة. للاستفادة من إمكانات التتبع، يمكنك استخدام الأمر yolo track الأمر، 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 مفصل حول إعداد وتشغيل تتبع الكائنات، راجع وثائق وضع التتبع (Track Mode) الخاص بنا، والذي يشرح التكوين والتطبيقات العملية في سيناريوهات الوقت الفعلي.

📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ 5 أيام

تعليقات