中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
وثائق Ultralytics YOLO#
تُعد YOLO من Ultralytics عائلةً من نماذج الرؤية الحاسوبية الآنية، وتشمل مهامها اكتشاف الأجسام، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعيات، والصناديق المحيطة الموجّهة، والتعقّب، وهي متاحة عبر حزمة Python واحدة وواجهة CLI. يعتمد YOLO26 على التطورات في التعلم العميق والرؤية الحاسوبية، ويتميز بخيار الاستدلال الشامل من دون NMS وبالنشر المحسّن على الأجهزة الطرفية. تصميمه المبسّط يجعله مناسبًا لمجموعة متنوعة من التطبيقات وسهل التكيّف مع منصات أجهزة مختلفة، من الأجهزة الطرفية إلى واجهات API السحابية. ولأحمال العمل الإنتاجية المستقرة، نوصي بكل من YOLO26 وYOLO11.
استكشف وثائق Ultralytics، وهي مرجع شامل يغطي حزمة YOLO وواجهة CLI، بالإضافة إلى منصة Ultralytics، التي تضيف تعليق البيانات والتدريب السحابي والنشر إلى النماذج نفسها. سواء أكنت ممارسًا متمرسًا في تعلم الآلة أم جديدًا في هذا المجال، فستساعدك هذه الموارد على تحقيق أقصى استفادة من YOLO في مشاريعك.
اطلب ترخيص Enterprise للاستخدام التجاري عبر ترخيص Ultralytics.
استكشف معاينة YOLO27، بما في ذلك تفاصيل البنية والمعايير الأولية وأمثلة على الاستخدام بعد الإصدار. تخضع النماذج حاليًا للمراحل النهائية من البحث والتطوير استعدادًا لإطلاق متوقع في وقت لاحق من هذا العام؛ وهي غير متاحة بعد، ولم يُحدَّد موعد للإطلاق.
حوّل صورة واحدة إلى خريطة عمق، بحيث تمثل كل قيمة فيها مسافةً بالأمتار لكل بكسل.
ابدأ باستخدام أمرين#
# 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'يُنزَّل وزن النموذج والصورة النموذجية تلقائيًا، وتُحفَظ النتيجة المشروحة في المجلد الذي يطبعه الأمر، runs/detect/predict، عند التشغيل الأول.
اطّلع على دليل البدء السريع لمعرفة جميع طرق التثبيت وتنفيذ أول عملية تنبؤ.
ما الذي تريد فعله؟#
اضبط نموذج YOLO26 مدرّبًا مسبقًا على مجموعة بياناتك، مع ضبط الزيادة الاصطناعية للبيانات والمعلمات الفائقة للتدريب باستخدام عدة وحدات GPU
حمّل نموذجًا مدرّبًا مسبقًا واحصل على الصناديق المحيطة أو الأقنعة أو النقاط المفتاحية باستخدام بضعة أسطر من Python أو أمر CLI واحد
تعقّب الأجسام باستخدام معرّفات ثابتة عبر TrackTrack (الافتراضي) أو BoT-SORT أو ByteTrack أو OC-SORT أو Deep OC-SORT أو FastTracker
تطبيقات جاهزة للرؤية الحاسوبية لعدّ الأجسام وإنشاء الخرائط الحرارية وإدارة الطوابير وإنذارات الأمن والتمارين الرياضية، من دون الحاجة إلى التدريب
صدّر النماذج المدرّبة إلى ONNX أو TensorRT أو OpenVINO للاستدلال السريع على الأجهزة الطرفية والهواتف المحمولة والخوادم السحابية
قارن YOLO26 وYOLO11 وSAM 3 وRT-DETR وجميع البنى الأخرى المدعومة من حيث السرعة والدقة وحالات الاستخدام
ابحث عن الفئات والدوال وتواقيع الأساليب في Python API، المُنشأة تلقائيًا من المصدر مع كل إصدار جديد
تقدم أحدث عائلة نماذج أصدرتها Ultralytics خيار الاستدلال الشامل من دون NMS وموازنةً محسّنة بين الدقة وزمن الاستجابة مقارنةً بـ YOLO11
كيف نُظّمت هذه الوثائق؟#
تتبع معظم أوامر سير عمل النماذج yolo صيغةً واحدة، هي yolo [TASK] MODE ARGS، حيث تكون Task اختيارية، وقد نُظّمت هذه الوثائق حول الأجزاء الثلاثة نفسها، بالإضافة إلى اختصار واحد:
- المهمة تجيب عن سؤال ما الذي تريده من الصورة: الاكتشاف، أو تقسيم المثيلات، أو التقسيم الدلالي، أو تقدير العمق، أو التصنيف، أو تقدير الوضعيات، أو الصناديق الموجّهة.
- النمط يجيب عن سؤال كيف تستخدم النموذج: التدريب، أو التحقق، أو التنبؤ، أو التصدير، أو التعقّب، أو قياس الأداء.
- تضبط المعلمات الأمر، بدءًا من النموذج المراد تشغيله باستخدام
model=وصولًا إلى المعلمات الفائقة مثلepochsوimgsz. - الحلول هي الاختصار: تطبيق جاهز، مثل عدّ الأجسام أو إنذار أمني، يتجاوز المهمات والأنماط بالكامل.
يدعم كل ما عدا ذلك هذه الصيغة: تسرد النماذج جميع البنى التي يمكنك تمريرها إلى model= — مثل YOLO26 وYOLO11 وSAM 3 وRT-DETR وغيرها — وتوفر مجموعات البيانات ما يلزم لكل مهمة للتدريب عليه، بينما تضم الأدلة مجموعة واسعة من الشروحات التفصيلية حول النشر على الأجهزة وضبط المعلمات الفائقة وتحويل مجموعات البيانات واستعراض المشاريع كاملةً، وتربط عمليات التكامل خط المعالجة بأدوات التدريب والنشر التي تستخدمها بالفعل، ويوثّق قسم المرجع كل فئة ودالة في Python API.
إلى جانب حزمة Python، تعمل واجهتان إضافيتان على النماذج نفسها: منصة Ultralytics للتعليق والتدريب والنشر السحابي، وUltralytics Inference، وهي مكتبة Rust مستقلة وواجهة CLI لتشغيل النماذج المُصدَّرة من دون بيئة تشغيل Python.
تراخيص YOLO: ما نوع الترخيص الذي يخضع له Ultralytics YOLO؟#
تقدم Ultralytics خيارين للترخيص لتلبية حالات الاستخدام المتنوعة:
- ترخيص AGPL-3.0: هذا الترخيص مفتوح المصدر المعتمد من OSI مثالي للطلاب والهواة، ويعزز التعاون المفتوح وتبادل المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
- ترخيص Enterprise: يتيح هذا الترخيص استخدام برامج Ultralytics ونماذج الذكاء الاصطناعي ودمجها بسلاسة في منتجات الشركات وخدماتها لأغراض التطوير والإنتاج، 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.
صُممت استراتيجية الترخيص لدينا لضمان إعادة أي تحسينات تُجرى على مشاريعنا مفتوحة المصدر إلى المجتمع. نؤمن بالمصدر المفتوح، وتتمثل مهمتنا في ضمان إمكانية استخدام مساهماتنا وتطويرها بطرق تعود بالنفع على الجميع.
الأسئلة الشائعة#
Ultralytics YOLO هي سلسلة YOLO (ترى مرة واحدة) المشهورة لاكتشاف الأجسام وتقسيم الصور آنيًا. ويستند أحدث نموذج، YOLO26، إلى الإصدارات السابقة مع تقديم خيار الاستدلال الشامل من دون NMS والنشر المحسّن على الأجهزة الطرفية. يدعم YOLO مجموعة متنوعة من مهام الذكاء الاصطناعي للرؤية الحاسوبية، مثل الاكتشاف، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعيات، والصناديق المحيطة الموجّهة، كما يمكنه تعقّب الأجسام المكتشفة عبر إطارات الفيديو. وتضمن بنيته الفعالة سرعةً ودقةً ممتازتين، ما يجعله مناسبًا لتطبيقات متنوعة تشمل الأجهزة الطرفية وواجهات API السحابية.
البدء باستخدام YOLO سريع وبسيط. ثبّت حزمة Ultralytics من pip باستخدام
pip install ultralytics، ثم نفّذ أول عملية تنبؤ باستخدامyolo predict model=yolo26n.pt— إذ تُنزَّل أوزان النموذج تلقائيًا. للاطلاع على تعليمات شاملة تشمل conda وDocker والتثبيت من المصدر، تفضل بزيارة صفحة البدء السريع.يتضمن تدريب نموذج YOLO مخصص على مجموعة بياناتك بضع خطوات مفصلة:
- جهّز مجموعة البيانات المشروحة وصفها في ملف YAML لمجموعة البيانات.
- حمّل نموذجًا مدرّبًا مسبقًا، مثل
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.
للاطلاع على شرح تفصيلي خطوة بخطوة، راجع دليل تدريب نموذج، الذي يتضمن أمثلة ونصائح لتحسين عملية التدريب.
تقدم Ultralytics خيارين لترخيص YOLO:
- ترخيص AGPL-3.0: هذا الترخيص مفتوح المصدر مثالي للاستخدام التعليمي وغير التجاري، ويعزز التعاون المفتوح.
- ترخيص Enterprise: للاستخدام في التطوير والإنتاج، بما في ذلك الأدوات الداخلية وسير العمل المؤتمت وعمليات النشر الإنتاجية، مع تجاوز متطلبات المصدر المفتوح الخاصة بـ AGPL-3.0.
للمزيد من التفاصيل، تفضل بزيارة صفحة الترخيص.
يدعم Ultralytics YOLO تعقّب الأجسام المتعددة بكفاءة وإمكانية التخصيص. استدعِ
YOLO("yolo26n.pt").track(source="path/to/video.mp4")في Python، أو شغّلyolo track source=path/to/video.mp4من سطر الأوامر — فكلاهما يعمل مع ملفات الفيديو والبث المباشر ومدخلات كاميرا الويب. للاطلاع على دليل تفصيلي لإعداد تعقّب الأجسام وتشغيله، راجع وثائق نمط التعقّب، التي تشرح الإعدادات والتطبيقات العملية في السيناريوهات الآنية.
