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

Link to this sectionالرئيسية#

نقدم لكم Ultralytics YOLO26، أحدث إصدار من نموذج اكتشاف الكائنات وتقسيم الصور الشهير في الوقت الفعلي. تم بناء YOLO26 استناداً إلى تطورات التعلم العميق ورؤية الحاسوب، ويتميز باستدلال شامل بدون NMS ونشر محسّن على الحافة. يجعله تصميمه الانسيابي مناسباً لمختلف التطبيقات وقابلاً للتكيف بسهولة مع منصات الأجهزة المختلفة، بدءاً من أجهزة الحافة وصولاً إلى واجهات برمجة تطبيقات السحاب. لأحمال عمل الإنتاج المستقرة، يوصى بكل من YOLO26 وYOLO11.

استكشف وثائق Ultralytics، وهي مورد شامل مصمم لمساعدتك على فهم واستخدام ميزاتها وقدراتها. سواء كنت ممارساً متمرساً في تعلم الآلة أو جديداً في هذا المجال، يهدف هذا المركز إلى تعظيم إمكانات YOLO في مشاريعك.

اطلب ترخيص المؤسسة (Enterprise License) للاستخدام التجاري في ترخيص Ultralytics.

Link to this sectionمن أين تبدأ#

Link to this sectionYOLO: نبذة تاريخية#

YOLO (You Only Look Once)، وهو نموذج شهير لـ اكتشاف الكائنات وتقسيم الصور، تم تطويره بواسطة جوزيف ريدمون وعلي فرهادي في جامعة واشنطن. اكتسب YOLO شهرة واسعة عند إطلاقه في عام 2015 بفضل سرعته ودقته العاليتين.

• YOLOv2، الذي تم إصداره في عام 2016، قام بتحسين النموذج الأصلي من خلال دمج تسوية الدفعات (batch normalization)، وصناديق الارتساء (anchor boxes)، وتجمعات الأبعاد.
• YOLOv3، الذي تم إطلاقه في عام 2018، عزز أداء النموذج بشكل أكبر باستخدام شبكة أساسية أكثر كفاءة، ومثبتات متعددة، وتجميع هرمي مكاني (spatial pyramid pooling).
• YOLOv4 تم إصداره في عام 2020، مقدماً ابتكارات مثل زيادة البيانات بطريقة Mosaic، ورأس كشف جديد بدون مثبتات (anchor-free)، ودالة خسارة جديدة.
• YOLOv5 زاد من تحسين أداء النموذج وأضاف ميزات جديدة مثل تحسين المعاملات الفائقة (hyperparameter optimization)، وتتبع التجارب المتكامل، والتصدير التلقائي إلى تنسيقات تصدير شائعة.
• YOLOv6 تم توفيره كمصدر مفتوح بواسطة Meituan في عام 2022 ويُستخدم في العديد من روبوتات التوصيل الذاتية التابعة للشركة.
• YOLOv7 أضاف مهام إضافية مثل تقدير الوضع (pose estimation) على مجموعة بيانات نقاط COCO الرئيسية.
• YOLOv8 الذي أصدرته Ultralytics في عام 2023، قدم ميزات وتحسينات جديدة لأداء ومرونة وكفاءة معززة، ويدعم مجموعة كاملة من مهام الرؤية بالذكاء الاصطناعي.
• YOLOv9 يقدم طرقاً مبتكرة مثل معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11: تم إصداره في سبتمبر 2024، يقدم YOLO11 أداءً ممتازاً عبر مهام متعددة، بما في ذلك اكتشاف الكائنات، والتقسيم، وتقدير الوضع، والتتبع، والتصنيف، مما يتيح النشر عبر تطبيقات ومجالات الذكاء الاصطناعي المتنوعة.
• YOLO26 🚀: نموذج YOLO من الجيل التالي من Ultralytics، مُحسَّن للنشر على الحافة مع استدلال شامل بدون NMS.

Link to this sectionتراخيص YOLO: كيف يتم ترخيص Ultralytics YOLO؟#

تقدم Ultralytics خيارين للترخيص لتلبية حالات الاستخدام المتنوعة:

• ترخيص AGPL-3.0: هذا الترخيص مفتوح المصدر والمعتمد من OSI مثالي للطلاب والمتحمسين، ويعزز التعاون المفتوح ومشاركة المعرفة. راجع ملف LICENSE لمزيد من التفاصيل.
• ترخيص المؤسسات (Enterprise License): للاستخدام في التطوير والإنتاج، يتيح هذا الترخيص التكامل السلس لبرمجيات Ultralytics ونماذج AI في منتجات وخدمات الأعمال، بما في ذلك الأدوات الداخلية، وسير العمل المؤتمت، وعمليات النشر في الإنتاج، متجاوزاً متطلبات المصدر المفتوح لـ AGPL-3.0. للبدء، يرجى الاتصال بنا عبر ترخيص Ultralytics.

تم تصميم استراتيجية الترخيص الخاصة بنا لضمان إعادة أي تحسينات على مشاريعنا مفتوحة المصدر إلى المجتمع. نحن نؤمن بالمصدر المفتوح، ومهمتنا هي ضمان إمكانية استخدام وتوسيع مساهماتنا بطرق تفيد الجميع.

Link to this sectionتطور اكتشاف الكائنات#

لقد تطور اكتشاف الكائنات بشكل كبير على مر السنين، من تقنيات رؤية الحاسوب التقليدية إلى نماذج التعلم العميق المتقدمة. كانت عائلة نماذج YOLO في طليعة هذا التطور، حيث تدفع باستمرار حدود ما هو ممكن في اكتشاف الكائنات في الوقت الفعلي.

يعالج نهج YOLO الفريد اكتشاف الكائنات كمشكلة انحدار واحدة، حيث يتنبأ بـ صناديق التحديد واحتمالات الفئات مباشرة من الصور الكاملة في تقييم واحد. جعلت هذه الطريقة الثورية نماذج YOLO أسرع بكثير من أجهزة الكشف ثنائية المرحلة السابقة مع الحفاظ على دقة عالية.

مع كل إصدار جديد، أدخل YOLO تحسينات معمارية وتقنيات مبتكرة عززت الأداء عبر مقاييس مختلفة. يواصل YOLO26 هذا التقليد من خلال دمج أحدث التطورات في أبحاث رؤية الحاسوب، ويتميز باستدلال شامل بدون NMS ونشر مُحسَّن على الحافة للتطبيقات الواقعية.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو Ultralytics YOLO وكيف يحسن اكتشاف الكائنات؟#

Ultralytics YOLO هي سلسلة YOLO (You Only Look Once) الشهيرة لاكتشاف الكائنات وتقسيم الصور في الوقت الفعلي. يبني أحدث نموذج، YOLO26، على الإصدارات السابقة من خلال تقديم استدلال شامل بدون NMS ونشر مُحسَّن على الحافة. يدعم YOLO العديد من مهام الرؤية بالذكاء الاصطناعي مثل الكشف، وتقسيم الحالات، والتقسيم الدلالي، وتقدير الوضع، والتتبع، والتصنيف. تضمن بنيته الفعالة سرعة ودقة ممتازتين، مما يجعله مناسباً لتطبيقات متنوعة، بما في ذلك أجهزة الحافة وواجهات برمجة تطبيقات السحاب.

Link to this sectionكيف يمكنني البدء بتثبيت وإعداد YOLO؟#

البدء باستخدام YOLO سريع ومباشر. يمكنك تثبيت حزمة Ultralytics باستخدام pip والبدء في دقائق. إليك أمر التثبيت الأساسي:

pip install -U ultralytics

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

Link to this sectionكيف يمكنني تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بي؟#

يتضمن تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بك بضع خطوات مفصلة:

1. جهز مجموعة البيانات المشروحة الخاصة بك.
2. قم بتهيئة معلمات التدريب في ملف YAML.
3. استخدم أمر yolo TASK train لبدء التدريب. (لكل TASK وسيطاتها الخاصة)

إليك نموذج تعليمات برمجية لمهمة اكتشاف الكائنات:

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.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 الخاصة بك.

Link to this sectionما هي خيارات الترخيص المتاحة لـ Ultralytics YOLO؟#

تقدم Ultralytics خيارين للترخيص لـ YOLO:

• ترخيص AGPL-3.0: هذا الترخيص مفتوح المصدر مثالي للاستخدام التعليمي وغير التجاري، ويعزز التعاون المفتوح.
• ترخيص المؤسسة (Enterprise License): للتطوير والاستخدام في الإنتاج، بما في ذلك الأدوات الداخلية، وسير العمل المؤتمت، وعمليات نشر الإنتاج، متجاوزاً متطلبات المصدر المفتوح لـ AGPL-3.0.

لمزيد من التفاصيل، تفضل بزيارة صفحة الترخيص الخاصة بنا.

Link to this sectionكيف يمكن استخدام Ultralytics YOLO لتتبع الكائنات في الوقت الفعلي؟#

يدعم Ultralytics YOLO تتبع كائنات متعددة بفعالية وبشكل قابل للتخصيص. للاستفادة من قدرات التتبع، يمكنك استخدام أمر yolo track، كما هو موضح أدناه:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

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

للحصول على دليل مفصل حول إعداد وتشغيل تتبع الكائنات، راجع وثائق وضع التتبع (Track Mode) الخاصة بنا، والتي تشرح التهيئة والتطبيقات العملية في سيناريوهات الوقت الفعلي.