中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
مستندات Ultralytics YOLO#
Ultralytics YOLO هي عائلة من نماذج الرؤية الحاسوبية في الوقت الفعلي لاكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتدشين التقدير العميق، والتصنيف، وتدشين التقدير الحركي، ومربعات الإحاطة الموجهة، والتتبع، والمتاحة من خلال حزمة Python واحدة وواجهة سطر الأوامر (CLI). يعتمد نموذج YOLO26 على تطورات التعلم العميق والرؤية الحاسوبية، ويتميز بالاستدلال الشامل بدون خوارزمية كمعالجة غير متجاورة (NMS-free) ونشر محسّن للأجهزة الطرفية. يجعل تصميمه الانسيابي مناسباً لمختلف التطبيقات وقابلاً للتكيف بسهولة مع منصات الأجهزة المختلفة، بدءاً من الأجهزة الطرفية ووصولاً إلى واجهات برمجة التطبيقات السحابية. بالنسبة لأحمال عمل الإنتاج المستقرة، يوصى بكل من YOLO26 وYOLO11.
استكشف مستندات Ultralytics، وهي مورد شامل يغطي حزمة YOLO وواجهة سطر الأوامر (CLI) بالإضافة إلى منصة Ultralytics، التي تضيف إضافة تعليقات توضيحية للبيانات، والتدريب السحابي، والنشر أعلى النماذج نفسها. وسواء كنت ممارساً متمرساً للتعلم الآلي أو جديداً في هذا المجال، فإن هذه الموارد تساعدك في تحقيق أقصى استفادة من YOLO في مشاريعك.
اطلب ترخيصاً للمؤسسات للاستخدام التجاري في ترخيص Ultralytics.
حول صورة واحدة إلى خريطة عمق، ومسافة بالمتر لكل بكسل.
ابدأ بأمرين اثنين#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'يتم تنزيل أوزان النموذج وصورة المثال تلقائياً، ويتم حفظ النتيجة المعلقة في runs/detect/predict.
راجع دليل البدء السريع للاطلاع على مرجع التثبيت والاستخدام الكامل.
ماذا تريد أن تفعل؟#
قم بضبط نموذج YOLO26 مُدرّب مسبقاً على مجموعة البيانات الخاصة بك، مع ضبط التزييد والمعلمات الفائقة لتدريب وحدات معالجة رسومية متعددة (Multi-GPU)
قم بتحميل نموذج مُدرّب مسبقاً واحصل على مربعات الإحاطة، أو الأقنعة، أو النقاط الرئيسية في أسطر قليلة من Python أو أمر سطر أوامر واحد
تتبع الكائنات بمعرفات مستمرة باستخدام TrackTrack (افتراضي)، أو BoT-SORT، أو ByteTrack، أو OC-SORT، أو Deep OC-SORT، أو FastTracker
تطبيقات رؤية جاهزة لحساب الكائنات، والخرائط الحرارية، وإدارة الطوابير، وإنذارات الأمان، والتمارين الرياضية، دون الحاجة إلى تدريب
تصدير النماذج المدربة إلى ONNX، أو TensorRT، أو OpenVINO للاستدلال السريع على الأجهزة الطرفية، وأجهزة الهواتف المحمولة، والخوادم السحابية
قارن بين YOLO26، وYOLO11، وSAM 3، وRT-DETR، وكل بنية أخرى مدعومة من حيث السرعة، والدقة، وحالة الاستخدام
ابحث عن الفئات، والدوال، وتوقيعات الطرق الخاصة بواجهة برمجة التطبيقات Python API، والمولدة تلقائياً من المصدر مع كل إصدار جديد
تقدم أحدث عائلة نماذج من Ultralytics استدلالاً شاملاً بدون خوارزمية كمعالجة غير متجاورة (NMS-free) مع مقايضة محسنة بين الدقة وزمن الانتقال مقارنة بـ YOLO11
كيف يتم تنظيم هذه المستندات#
تتبع معظم أوامر سير عمل النماذج yolo قواعد نحوية واحدة، yolo [TASK] MODE ARGS، حيث تكون المهمة اختيارية، ويتم تنظيم هذه المستندات حول الأجزاء الثلاثة نفسها، بالإضافة إلى اختصار واحد:
- تجيب المهمة عن ما تريده من الصورة: الاكتشاف، أو تجزئة المثيلات، أو التجزئة الدلالية، أو تقدير العمق، أو التصنيف، أو تقدير الوضعية، أو المربعات الموجهة.
- تجيب الوضع عن كيفية استخدام النموذج: التدريب، أو التحقق، أو التنبؤ، أو التصدير، أو التتبع، أو المقارنة المعيارية.
- تقوم الوسائط بتكوين الأمر، والذي يحدد النموذج المراد تشغيله باستخدام
model=إلى جانب المعلمات الفائقة مثلepochsوimgsz. - الحلول هي الاختصار: تطبيق جاهز، مثل حساب الكائنات أو إنذار الأمان، والذي يتخطى المهمة والوضع تماماً.
كل شيء آخر يدعم تلك القواعد النحوية: تسرد النماذج كل بنية يمكنك تمريرها إلى model= — YOLO26، وYOLO11، وSAM 3، وRT-DETR، والمزيد — وتوفر مجموعات البيانات ما تتدرب عليه كل مهمة، والأدلة الإرشادية هي مجموعة واسعة من الإرشادات التفصيلية التي تمتد لتشمل نشر الأجهزة، وضبط المعلمات الفائقة، وتحويل مجموعات البيانات، وخطوات المشروع الكاملة، وتربط التكاملات خط الأنابيب بأدوات التدريب والنشر التي تستخدمها بالفعل، ويوثق قسم المرجع كل فئة ودالة في Python API.
إلى جانب حزمة Python، تعمل واجهتان أخريان على النماذج نفسها: منصة Ultralytics للتعليقات التوضيحية السحابية، والتدريب، والنشر، واستدلال Ultralytics، وهي مكتبة Rust مستقلة وواجهة سطر أوامر لتشغيل النماذج المصدرة بدون بيئة تشغيل Python.
تراخيص YOLO: كيف يتم ترخيص Ultralytics YOLO؟#
تقدم Ultralytics خياري ترخيص لاستيعاب حالات الاستخدام المتنوعة:
- ترخيص AGPL-3.0: يعتبر هذا الترخيص مفتوح المصدر المعتمد من OSI مثالياً للطلاب والهواة، حيث يعزز التعاون المفتوح ومشاركة المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
- ترخيص المؤسسات: يتيح هذا الترخيص، للاستخدام في التطوير والإنتاج، دمج برامج Ultralytics ونماذج الذكاء الاصطناعي بسلاسة في منتجات وخدمات الأعمال، بما في ذلك الأدوات الداخلية وسير العمل المؤتمت وعمليات النشر الإنتاجية، مع تجاوز متطلبات المصدر المفتوح الخاصة بـ AGPL-3.0. للبدء، يُرجى التواصل معنا عبر ترخيص Ultralytics.
تم تصميم استراتيجية الترخيص الخاصة بنا لضمان إعادة أي تحسينات على مشاريعنا مفتوحة المصدر إلى المجتمع. نحن نؤمن بالمصدر المفتوح، وتتمثل مهمتنا في ضمان إمكانية استخدام مساهماتنا وتوسيع نطاقها بطرق تفيد الجميع.
الأسئلة الشائعة#
Ultralytics YOLO هي سلسلة YOLO (You Only Look Once) الشهيرة لاكتشاف الكائنات في الوقت الفعلي وتجزئة الصور. يعتمد أحدث نموذج، YOLO26، على الإصدارات السابقة من خلال تقديم استدلال شامل بدون خوارزمية كمعالجة غير متجاورة (NMS-free) ونشر محسّن للأجهزة الطرفية. يدعم YOLO مختلف مهام رؤية الذكاء الاصطناعي مثل الاكتشاف، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، ومربعات الإحاطة الموجهة، ويمكنه تتبع الكائنات المكتشفة عبر إطارات الفيديو. تضمن بنيته الفعالة سرعة ودقة ممتازتين، مما يجعله مناسباً لمختلف التطبيقات، بما في ذلك الأجهزة الطرفية واجهات برمجة التطبيقات السحابية.
البدء باستخدام YOLO سريع ومباشر. قم بتثبيت حزمة Ultralytics من pip باستخدام
pip install ultralytics، ثم قم بتشغيل توقعك الأول باستخدامyolo predict model=yolo26n.pt— حيث يتم تنزيل أوزان النموذج تلقائياً. للحصول على تعليمات شاملة تغطي conda وDocker والتثبيت من المصدر، تفضل بزيارة صفحة البدء السريع.يتضمن تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بك خطوات مفصلة قليلة:
- جهز مجموعة البيانات المعلقة الخاصة بك وقم بتعريفها في ملف YAML الخاص بمجموعة البيانات.
- قم بتحميل نموذج مُدرّب مسبقاً، على سبيل المثال
YOLO("yolo26n.pt")في Python. - ابدأ التدريب باستخدام
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)، أو من سطر الأوامر باستخدامyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
للحصول على دليل تفصيلي، راجع دليل تدريب نموذج الخاص بنا، والذي يتضمن أمثلة ونصائح لتحسين عملية التدريب الخاصة بك.
تقدم Ultralytics خياري ترخيص لـ YOLO:
- ترخيص AGPL-3.0: يعتبر هذا الترخيص مفتوح المصدر مثالياً للاستخدام التعليمي وغير التجاري، حيث يعزز التعاون المفتوح.
- ترخيص المؤسسات: للاستخدام في التطوير والإنتاج، بما في ذلك الأدوات الداخلية، وسير العمل الآلي، ونشر الإنتاج، متجاوزاً متطلبات المصدر المفتوح لترخيص AGPL-3.0.
لمزيد من التفاصيل، تفضل بزيارة صفحة الترخيص الخاصة بنا.
يدعم Ultralytics YOLO تتبع الكائنات المتعددة بكفاءة وقابلية للتخصيص. استدعِ
YOLO("yolo26n.pt").track(source="path/to/video.mp4")في Python، أو قم بتشغيلyolo track source=path/to/video.mp4من سطر الأوامر — وكلاهما يعمل مع ملفات الفيديو، والبث المباشر، ومدخلات كاميرا الويب. للحصول على دليل مفصل حول إعداد وتشغيل تتبع الكائنات، تحقق من وثائق وضع التتبع الخاصة بنا، والتي تشرح التكوين والتطبيقات العملية في سيناريوهات الوقت الفعلي.
