دروس تعليمية شاملة حول Ultralytics YOLO#
مرحبًا بك في أدلة YOLO من Ultralytics. تغطي دروسنا التعليمية الشاملة جوانب مختلفة من نموذج YOLO لـاكتشاف الكائنات، بدءًا من التدريب والتنبؤ وصولًا إلى النشر. بُني YOLO على PyTorch، ويتميز بسرعته الاستثنائية ودقته في مهام اكتشاف الكائنات في الوقت الفعلي.
سواء كنت مبتدئًا أو خبيرًا في التعلم العميق، تقدم دروسنا التعليمية رؤى قيّمة حول تنفيذ YOLO وتحسينه لمشروعاتك في الرؤية الحاسوبية.
Watch: Ultralytics YOLO26 Guides Overview
الأدلة#
تُجمّع الأدلة حسب مرحلة المشروع — بدءًا من إعداد البيئة وتجهيز البيانات، مرورًا بالتدريب والتقييم والنشر وتحسين الاستدلال، ووصولًا إلى الأجهزة الطرفية — لتتمكن من الانتقال مباشرةً إلى الخطوة التي تعمل عليها.
البدء والتخطيط#
- البدء السريع باستخدام Conda: دليل خطوة بخطوة لإعداد بيئة Conda لـ Ultralytics. تعلّم كيفية تثبيت حزمة Ultralytics والبدء في استخدامها بكفاءة مع Conda.
- البدء السريع باستخدام Docker: دليل شامل لإعداد نماذج Ultralytics YOLO واستخدامها مع Docker. تعلّم كيفية تثبيت Docker وإدارة دعم GPU وتشغيل نماذج YOLO في حاويات معزولة لضمان اتساق التطوير والنشر.
- البدء السريع باستخدام AzureML: ابدأ تشغيل نماذج Ultralytics YOLO على منصة Microsoft Azure لـالتعلم الآلي. تعلّم كيفية تدريب مشروعات اكتشاف الكائنات ونشرها وتوسيع نطاقها في السحابة.
- البدء السريع باستخدام Modal: شغّل Ultralytics YOLO26 على منصة Modal السحابية عديمة الخوادم، مع تغطية المصادقة والاستدلال باستخدام GPU ومهام التدريب مع التخزين الدائم — من دون الحاجة إلى إدارة البنية التحتية.
- تحديد أهداف مشروع الرؤية الحاسوبية: تعرّف بالتفصيل على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية بفاعلية. تعلّم أهمية صياغة مشكلة محددة جيدًا وكيفية إنشاء خارطة طريق لمشروعك.
- مراحل مشروع الرؤية الحاسوبية: تعرّف على الخطوات الأساسية في مشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف واختيار النماذج وإعداد البيانات وتقييم النتائج.
- شرح معمارية YOLO: تتبّع تطور معمارية YOLO من YOLOv3 إلى YOLO26 عبر العمود الفقري والعنق ورأس الاكتشاف، مع تغطية C2f وC3k2 وانتباه C2PSA والتصميم الخالي من المراسي والخالي من NMS.
إعداد بياناتك#
- جمع البيانات ووضع التعليقات التوضيحية: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات ووضع التعليقات التوضيحية عليها لإنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية.
- المعالجة المسبقة للبيانات المشروحة: تعلّم المعالجة المسبقة للبيانات الخاصة بالرؤية الحاسوبية باستخدام YOLO26، بما في ذلك تغيير حجم الصور والتطبيع وتقسيم مجموعة البيانات وزيادة البيانات وتحليل البيانات الاستكشافي (EDA).
- زيادة بيانات YOLO: أتقن النطاق الكامل لتقنيات زيادة البيانات في YOLO، بدءًا من التحويلات الأساسية وصولًا إلى الاستراتيجيات المتقدمة لتحسين متانة النموذج وأدائه.
- التحويل من COCO إلى YOLO: دليل شامل لتحويل التعليقات التوضيحية بتنسيق COCO JSON إلى تنسيق YOLO لأغراض التدريب. يغطي الاكتشاف والتجزئة والنقاط المفتاحية، بما في ذلك تعيين معرّفات الفئات ومزالق التحويل الشائعة.
- التدريب باستخدام COCO JSON: درّب YOLO مباشرةً على التعليقات التوضيحية بتنسيق COCO JSON من دون تحويلها إلى تنسيق YOLO، باستخدام فئة مخصصة لمجموعة البيانات ومدرّب مخصص.
التدريب والضبط الدقيق#
- نصائح لتدريب النماذج: استكشف نصائح لتحسين أحجام الدُفعات واستخدام الدقة المختلطة وتطبيق الأوزان المدرّبة مسبقًا وغير ذلك، لجعل تدريب نموذج الرؤية الحاسوبية أكثر سهولة.
- الضبط الدقيق لـ YOLO على البيانات المخصصة: دليل شامل للضبط الدقيق لـ YOLO26 على مجموعات البيانات المخصصة باستخدام أوزان مدرّبة مسبقًا، مع تغطية التعلم بالنقل وتجميد الطبقات واختيار المحسّن والتدريب على مرحلتين واستكشاف الأخطاء وإصلاحها.
- وصفة تدريب YOLO26: توثيق كامل للمعلمات الفائقة وخطوط أنابيب زيادة البيانات وإعدادات المحسّن المستخدمة لتدريب نقاط التحقق الأساسية الرسمية لـ YOLO26 على COCO، مع إرشادات عملية للضبط الدقيق.
- ضبط المعلمات الفائقة: اكتشف كيفية تحسين نماذج YOLO عبر الضبط الدقيق للمعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
- تقطير المعرفة: تعلّم كيفية تحسين أداء النموذج عبر نقل المعرفة من نموذج معلّم أكبر إلى نموذج طالب أصغر باستخدام التقطير القائم على الميزات.
- التحقق المتقاطع بطريقة K-Fold: تعلّم كيفية تحسين قدرة النموذج على التعميم باستخدام تقنية التحقق المتقاطع بطريقة K-Fold.
- تخصيص المدرّب: تعلّم كيفية إنشاء فئة فرعية من مدرّب YOLO لتسجيل المقاييس المخصصة وإضافة خسارة موزونة حسب الفئة وتخصيص حفظ النموذج وتجميد العمود الفقري أو إلغاء تجميده وتعيين معدلات تعلم لكل طبقة.
- دليل إعداد YAML للنموذج: تعمّق شامل في تعريفات معمارية نماذج Ultralytics. استكشف تنسيق YAML، وافهم نظام تحليل الوحدات، وتعلّم كيفية دمج الوحدات المخصصة بسلاسة.
التقييم واستكشاف الأخطاء وإصلاحها#
- مقاييس أداء YOLO ⭐ أساسي: افهم المقاييس الرئيسية مثل mAP وIoU ودرجة F1 المستخدمة لتقييم أداء نماذج YOLO. يتضمن ذلك أمثلة عملية ونصائح حول تحسين دقة الاكتشاف وسرعته.
- رؤى حول تقييم النماذج وضبطها الدقيق: قيّم نماذج الرؤية الحاسوبية باستخدام مقاييس مثل mAP وIoU، ثم استفد من النتائج التي تكشفها المقاييس لتحسين دقة الاكتشاف.
- اختبار النماذج: تعلّم كيفية اختبار نماذج الرؤية الحاسوبية على بيانات لم تُرَ من قبل، والتحقق من صحة نماذج YOLO26، واكتشاف فرط التوافق ونقص التوافق وتسرب البيانات قبل النشر.
- المشكلات الشائعة في YOLO ⭐ موصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها لأكثر المشكلات شيوعًا عند العمل مع نماذج Ultralytics YOLO.
- الحفاظ على نموذج الرؤية الحاسوبية: افهم الممارسات الأساسية لمراقبة نماذج الرؤية الحاسوبية وصيانتها وتوثيقها لضمان الدقة واكتشاف الحالات الشاذة والحد من انجراف البيانات.
النشر والتقديم#
- خيارات نشر النماذج: نظرة عامة على تنسيقات نشر النماذج الخاصة بـ YOLO، مثل ONNX وOpenVINO وTensorRT، مع مزايا وعيوب كل منها للمساعدة في تحديد استراتيجية النشر.
- أفضل ممارسات نشر النماذج: تعرّف بالتفصيل على النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشروعات الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
- تصدير نماذج غير YOLO: استخدم أدوات التصدير المستقلة من Ultralytics لتحويل أي
torch.nn.Module(timm، torchvision، مخصص) إلى ONNX، وTorchScript، وOpenVINO، وCoreML، وNCNN، وMNN، وPaddlePaddle، وExecuTorch، وCore AI، وTensorFlow SavedModel. - الاكتشاف من البداية إلى النهاية: اختر الاستدلال باستخدام NMS أو بدون NMS وتعرف على تنسيق المخرجات وتوافق التصدير.
- تكامل خادم استدلال Triton: تعمّق في تكامل Ultralytics YOLO26 مع خادم استدلال Triton من NVIDIA لنشر استدلال التعلم العميق القابل للتوسع والفعال.
- الاستدلال الآمن خيطيًا باستخدام YOLO: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة خيطيًا. تعلّم أهمية الأمان الخيطي وأفضل الممارسات لمنع حالات التسابق وضمان تنبؤات متسقة.
- البدء السريع باستخدام ROS: تعلّم كيفية دمج YOLO مع نظام تشغيل الروبوت (ROS) لاكتشاف الكائنات في الوقت الفعلي ضمن تطبيقات الروبوتات، بما في ذلك السحب النقطية وصور العمق.
- نشر Vertex AI باستخدام Docker: دليل مبسّط لتحويل نماذج YOLO إلى حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI، مع تغطية الإنشاء والدفع والتوسعة التلقائية والمراقبة.
تحسين الاستدلال#
- الاستدلال المجزأ باستخدام SAHI: دليل شامل للاستفادة من إمكانات الاستدلال المقسّم في SAHI مع YOLO26 لاكتشاف الكائنات في الصور عالية الدقة.
- أوضاع زمن الاستجابة مقابل معدل النقل في OpenVINO: تعلّم تقنيات تحسين زمن الاستجابة ومعدل النقل لتحقيق أعلى أداء لاستدلال YOLO.
- المعالجة المسبقة باستخدام NVIDIA DALI على GPU: تخلّص من اختناقات المعالجة المسبقة على CPU عبر تنفيذ تغيير حجم letterbox في YOLO والحشو والتطبيع على GPU باستخدام NVIDIA DALI، مع تكامل خادم استدلال Triton.
- عزل كائنات التجزئة: وصفة وإرشادات خطوة بخطوة حول كيفية استخراج الكائنات من الصور و/أو عزلها باستخدام التجزئة في Ultralytics.
- عرض صور الاستدلال في الطرفية: استخدم الطرفية المتكاملة في VSCode لعرض نتائج الاستدلال عند استخدام جلسات Remote Tunnel أو SSH.
الأجهزة الطرفية والمضمّنة#
- NVIDIA Jetson: دليل بدء سريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
- Raspberry Pi: درس تعليمي سريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
- DeepStream على NVIDIA Jetson: دليل بدء سريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
- Edge TPU على Raspberry Pi: يعمل Google Edge TPU على تسريع استدلال YOLO على Raspberry Pi.
- NVIDIA DGX Spark: دليل بدء سريع لنشر نماذج YOLO على أجهزة NVIDIA DGX Spark.
- DL Streamer على Intel: دليل بدء سريع لنشر نماذج YOLO26 على أجهزة Intel Core Ultra Series 3 باستخدام DL Streamer وOpenVINO™.
ساهم في أدلتنا#
نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبًا معينًا من Ultralytics YOLO لم تغطه أدلتنا بعد، فنحن نشجعك على مشاركة خبرتك. تُعد كتابة دليل طريقة رائعة لرد الجميل إلى المجتمع ومساعدتنا على جعل وثائقنا أكثر شمولًا وسهولة في الاستخدام.
للبدء، يُرجى قراءة دليل المساهمة للاطلاع على إرشادات فتح طلب سحب (PR). عند إضافة دليل جديد، ضعه ضمن الفئة أعلاه التي تتوافق مع مرحلة مشروعه، واجعله من نوع صفحة واحد — درسًا تعليميًا خطوة بخطوة، أو دليلًا إجرائيًا يركز على مهمة، أو مرجعًا — حتى تظل المجموعة سهلة التصفح مع نموها. نتطلع إلى مساهماتكم.
الأسئلة الشائعة#
إن تدريب نموذج مخصص لاكتشاف الكائنات باستخدام Ultralytics YOLO أمر مباشر. ابدأ بإعداد مجموعة بياناتك بالتنسيق الصحيح وتثبيت حزمة Ultralytics. استخدم التعليمات البرمجية التالية لبدء التدريب:
مثالfrom ultralytics import YOLO model = YOLO("yolo26n.pt") # Load a pretrained YOLO model model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom datasetللاطلاع على تفاصيل تنسيق مجموعة البيانات والخيارات الإضافية، راجع دليل نصائح لتدريب النماذج.
يُعد تقييم أداء نموذج YOLO أمرًا بالغ الأهمية لفهم فعاليته. تشمل المقاييس الرئيسية متوسط الدقة (mAP)، والتقاطع على الاتحاد (IoU)، ودرجة F1. تساعد هذه المقاييس في تقييم الدقة والإحكام في مهام اكتشاف الأجسام. يمكنك معرفة المزيد عن هذه المقاييس وكيفية تحسين نموذجك في دليلنا حول مقاييس أداء YOLO.
منصة Ultralytics هي منصة لا تتطلب كتابة تعليمات برمجية، وتبسّط إدارة نماذج YOLO وتدريبها ونشرها. وهي تدعم التكامل السلس والتتبع في الوقت الفعلي والتدريب السحابي، ما يجعلها مثالية للمبتدئين والمحترفين على حد سواء. اكتشف المزيد عن ميزاتها وكيف يمكنها تبسيط سير عملك من خلال دليل البدء السريع الخاص بنا حول منصة Ultralytics.
تشمل المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء تنسيق البيانات وعدم تطابق معمارية النموذج وعدم كفاية بيانات التدريب. لمعالجة هذه المشكلات، تأكد من تنسيق مجموعة بياناتك بصورة صحيحة، وتحقق من توافق إصدارات النموذج، وزِد بيانات التدريب. للحصول على قائمة شاملة بالحلول، راجع دليلنا المشكلات الشائعة في YOLO.
يتطلب نشر نماذج YOLO على الأجهزة الطرفية مثل NVIDIA Jetson وRaspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو LiteRT. اتبع أدلةنا خطوة بخطوة حول عمليات نشر NVIDIA Jetson وRaspberry Pi للبدء في اكتشاف الكائنات في الوقت الفعلي على الأجهزة الطرفية. سترشدك هذه الأدلة خلال التثبيت والإعداد وتحسين الأداء.