中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
وثائق Ultralytics YOLO#
Ultralytics YOLO هي عائلة من نماذج الرؤية الحاسوبية الآنية، وتدعم اكتشاف الأجسام، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعيات، والصناديق المحيطة الموجّهة، والتتبّع، وذلك عبر حزمة Python واحدة وواجهة سطر الأوامر (CLI). يستند YOLO26 إلى تطورات التعلم العميق والرؤية الحاسوبية، ويتضمن خيار الاستدلال الشامل من دون NMS، بالإضافة إلى تحسين النشر على الأجهزة الطرفية. ويجعل تصميمه المبسّط ملائمًا لمجموعة متنوعة من التطبيقات، وسهل التكيّف مع منصات الأجهزة المختلفة، بدءًا من الأجهزة الطرفية ووصولًا إلى واجهات برمجة التطبيقات السحابية. لأعباء الإنتاج المستقرة، يُوصى بكل من YOLO26 وYOLO11.
استكشف وثائق Ultralytics، وهي مورد شامل يغطي حزمة YOLO وواجهة CLI، إلى جانب منصة Ultralytics، التي تضيف شرح البيانات والتدريب السحابي والنشر إلى النماذج نفسها. سواء أكنت ممارسًا متمرسًا في تعلم الآلة أم جديدًا في المجال، تساعدك هذه الموارد على الاستفادة القصوى من YOLO في مشاريعك.
اطلب ترخيص Enterprise للاستخدام التجاري عبر ترخيص Ultralytics.
استكشف معاينة YOLO27، بما في ذلك تفاصيل البنية والمعايير الأولية وأمثلة للاستخدام بعد الإطلاق. تخضع النماذج حاليًا للمراحل النهائية من البحث والتطوير (R&D)، ومن المتوقع إطلاقها في وقت لاحق من هذا العام؛ لكنها غير متاحة بعد، ولم يُحدّد موعد للإطلاق.
حوّل صورة واحدة إلى خريطة عمق، بحيث تمثل كل بكسل مسافةً بالمتر.
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'تُنزّل أوزان النموذج والصورة المثال تلقائيًا، وتُحفظ النتيجة المشروحة في المجلد الذي يطبعه الأمر، وهو runs/detect/predict عند التشغيل لأول مرة.
راجع دليل البدء السريع للاطلاع على جميع طرق التثبيت وإجراء التنبؤ الأول.
ما الذي تريد فعله؟#
اضبط نموذج YOLO26 مدرّبًا مسبقًا على مجموعة بياناتك، مع تهيئة الزيادة والوسائط الفائقة للتدريب باستخدام عدة وحدات GPU
حمّل نموذجًا مدرّبًا مسبقًا واستخرج مربعات الإحاطة أو الأقنعة أو النقاط المفتاحية ببضعة أسطر من Python أو بأمر CLI واحد
تتبّع الأجسام باستخدام معرّفات ثابتة عبر TrackTrack (الافتراضي) أو BoT-SORT أو ByteTrack أو OC-SORT أو Deep OC-SORT أو FastTracker
تطبيقات رؤية حاسوبية جاهزة لعدّ الأجسام وإنشاء الخرائط الحرارية وإدارة الطوابير وإنذارات الأمن والتمارين الرياضية، دون الحاجة إلى التدريب
صدّر النماذج المدرّبة إلى ONNX أو TensorRT أو OpenVINO للاستدلال السريع على الأجهزة الطرفية والأجهزة المحمولة والخوادم السحابية
قارن YOLO26 وYOLO11 وSAM 3 وRT-DETR وسائر البنى المدعومة من حيث السرعة والدقة وحالات الاستخدام
ابحث عن الأصناف والدوال وتواقيع الأساليب في واجهة Python البرمجية، التي تُولّد تلقائيًا من الشيفرة المصدرية مع كل إصدار جديد
توفر أحدث عائلة نماذج أصدرتها Ultralytics استدلالًا شاملًا اختياريًا دون NMS، وموازنةً محسّنة بين الدقة وزمن الاستجابة مقارنةً بـ YOLO11
كيف نُظّمت هذه الوثائق#
تتبع معظم أوامر سير عمل النماذج yolo بنيةً واحدة هي yolo [TASK] MODE ARGS، حيث تكون المهمة اختيارية، وتُنظّم هذه الوثائق حول الأجزاء الثلاثة نفسها، إضافةً إلى اختصار واحد:
- المهمة تجيب عن سؤال ما الذي تريده من الصورة: الكشف، أو تقسيم الكائنات، أو التقسيم الدلالي، أو تقدير العمق، أو التصنيف، أو تقدير الوضعية، أو المربعات الموجّهة.
- النمط يجيب عن سؤال كيف تستخدم النموذج: التدريب، أو التحقق، أو التنبؤ، أو التصدير، أو التتبّع، أو قياس الأداء.
- تُهيّئ الوسائط الأمر، بدءًا من النموذج المراد تشغيله باستخدام
model=، وصولًا إلى الوسائط الفائقة مثلepochsوimgsz. - الحلول هي الاختصار: تطبيق مكتمل، مثل عدّ الأجسام أو إنذار أمني، يتجاوز المهمة والنمط بالكامل.
يدعم كل ما عدا ذلك هذه البنية: تعرض النماذج جميع البنى التي يمكنك تمريرها إلى model= — مثل YOLO26 وYOLO11 وSAM 3 وRT-DETR وغيرها — وتوفر مجموعات البيانات ما تتدرّب عليه كل مهمة، بينما تضم الأدلة مجموعة واسعة من الشروحات المتعمقة حول نشر النماذج على الأجهزة وتهيئة الوسائط الفائقة وتحويل مجموعات البيانات واستعراض المشاريع الكاملة، وتربط التكاملات خط المعالجة بأدوات التدريب والنشر التي تستخدمها بالفعل، ويوثّق قسم المرجع كل صنف ودالة في واجهة Python البرمجية.
إلى جانب حزمة Python، هناك واجهتان إضافيتان تعملان على النماذج نفسها: منصة Ultralytics للتعليق التوضيحي والتدريب والنشر سحابيًا، وUltralytics Inference، وهي مكتبة Rust مستقلة وواجهة CLI لتشغيل النماذج المصدّرة دون بيئة تشغيل Python.
تراخيص YOLO: ما ترخيص Ultralytics YOLO؟#
تقدم Ultralytics خيارين للترخيص لتلبية حالات الاستخدام المتنوعة:
- ترخيص AGPL-3.0: هذا الترخيص مفتوح المصدر المعتمد من OSI مثالي للطلاب والهواة، ويشجع التعاون المفتوح وتبادل المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
- ترخيص Enterprise: يتيح هذا الترخيص، للاستخدام في التطوير والإنتاج، دمج برامج Ultralytics ونماذج الذكاء الاصطناعي بسلاسة في منتجات الأعمال وخدماتها، بما في ذلك الأدوات الداخلية وسير العمل المؤتمت وعمليات النشر الإنتاجية، مع تجاوز متطلبات المصدر المفتوح في 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 رسالتنا في ضمان إمكانية استخدام مساهماتنا وتطويرها بطرق تعود بالنفع على الجميع.
الأسئلة الشائعة#
Ultralytics YOLO هي سلسلة YOLO الشهيرة (أنت لا ترى سوى مرة واحدة) للكشف الآني عن الأجسام وتقسيم الصور. ويعتمد أحدث نموذج، YOLO26، على الإصدارات السابقة، إذ يقدم استدلالًا شاملًا اختياريًا دون NMS ونشرًا محسّنًا على الأجهزة الطرفية. يدعم YOLO مهامًا متنوعة في الذكاء الاصطناعي للرؤية الحاسوبية، مثل الكشف، وتقسيم الكائنات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، ومربعات الإحاطة الموجّهة، كما يمكنه تتبّع الأجسام المكتشفة عبر إطارات الفيديو. وتضمن بنيته الفعّالة سرعة ودقة ممتازتين، ما يجعله مناسبًا لتطبيقات متنوعة، بما فيها الأجهزة الطرفية وواجهات API السحابية.
البدء باستخدام YOLO سريع وسهل. ثبّت حزمة Ultralytics من pip باستخدام
pip install ultralytics، ثم أجرِ أول تنبؤ لك باستخدامyolo predict model=yolo26n.pt— إذ تُنزّل أوزان النموذج تلقائيًا. للحصول على تعليمات شاملة تشمل conda وDocker والتثبيت من المصدر، تفضّل بزيارة صفحة البدء السريع.يتطلب تدريب نموذج YOLO مخصص على مجموعة بياناتك بضع خطوات مفصلة:
- جهّز مجموعة البيانات المشروحة وأوصِفها 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 مفصل خطوة بخطوة، راجع دليلنا 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، ويشجع التعاون المفتوح.
- ترخيص Enterprise: مخصص للاستخدام في التطوير والإنتاج، بما في ذلك الأدوات الداخلية وسير العمل المؤتمت وعمليات النشر الإنتاجية، مع تجاوز متطلبات المصدر المفتوح في AGPL-3.0.
لمزيد من التفاصيل، تفضّل بزيارة صفحة الترخيص.
يدعم Ultralytics YOLO تتبّع الأجسام المتعددة بكفاءة وقابلية للتخصيص. 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 وإدخال كاميرا الويب. للاطلاع على دليل مفصل حول إعداد تتبّع الأجسام وتشغيله، راجع وثائق نمط التتبّع، التي تشرح الإعدادات والتطبيقات العملية في السيناريوهات الآنية.
