دروس تعليمية شاملة لـ Ultralytics YOLO
مرحبًا بك في أدلة Ultralytics' YOLO 🚀! تغطي دروسنا الشاملة جوانب مختلفة من نموذج الكشف عن الأجسام YOLO، بدءًا من التدريب والتنبؤ وحتى النشر. يعتمد YOLO على PyTorch، ويتميز بسرعة استثنائية و دقة في مهام الكشف عن الأجسام في الزمن الحقيقي.
سواء كنت مبتدئًا أو خبيرًا في التعلم العميق، فإن دروسنا التعليمية تقدم رؤى قيمة حول تنفيذ وتحسين YOLO لمشاريع الرؤية الحاسوبية الخاصة بك. هيا بنا نتعمق!
شاهد: نظرة عامة على أدلة Ultralytics YOLO11
الأدلة
إليك مجموعة من الأدلة المتعمقة لمساعدتك على إتقان جوانب مختلفة من Ultralytics YOLO.
- دليل اختبار النماذج: دليل شامل لاختبار نماذج الرؤية الحاسوبية في بيئات واقعية. تعرف على كيفية التحقق من الدقة والموثوقية والأداء بما يتماشى مع أهداف المشروع.
- البدء السريع في AzureML: ابدأ العمل معYOLO Ultralytics YOLO على منصة Azure Machine Learning Microsoft. تعرف على كيفية تدريب مشاريعك الخاصة باكتشاف الكائنات ونشرها وتوسيع نطاقها في السحابة.
- أفضل الممارسات لنشر النماذج: اطلع على النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
- Conda Quickstart: دليل تفصيلي لإعداد بيئة Conda لـ Ultralytics. تعرف على كيفية تثبيت Ultralytics وبدء استخدامها بكفاءة مع Conda.
- جمع البيانات والتعليق عليها: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات والتعليق عليها لإنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية الخاصة بك.
- DeepStream على NVIDIA : دليل البدء السريع لنشر YOLO على أجهزة NVIDIA باستخدام DeepStream و TensorRT.
- تحديد أهداف مشروع الرؤية الحاسوبية: تعرف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية الخاص بك بشكل فعال. تعرف على أهمية تحديد المشكلة بشكل واضح وكيفية وضع خارطة طريق لمشروعك.
- دليل البدء السريع لـ Docker: دليل كامل لإعداد واستخدامYOLO Ultralytics YOLO مع Docker. تعرف على كيفية تثبيت Docker وإدارة GPU وتشغيل YOLO في حاويات معزولة من أجل تطوير ونشر متسقين.
- Edge TPU على Raspberry Pi: Google Edge TPU يسرع استدلال YOLO على Raspberry Pi.
- ضبط المعلمات الفائقة: اكتشف كيفية تحسين YOLO الخاصة بك عن طريق ضبط المعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
- رؤى حول تقييم النماذج وضبطها: اكتسب رؤى حول الاستراتيجيات وأفضل الممارسات لتقييم نماذج الرؤية الحاسوبية وضبطها. تعرف على العملية التكرارية لتحسين النماذج لتحقيق أفضل النتائج.
- عزل كائنات التجزئة: وصفة خطوة بخطوة وشرح حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام Ultralytics .
- التحقق المتبادل K-Fold: تعرف على كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتبادل K-Fold.
- صيانة نموذج الرؤية الحاسوبية: فهم الممارسات الأساسية لرصد نماذج الرؤية الحاسوبية وصيانتها وتوثيقها لضمان الدقة واكتشاف الحالات الشاذة وتقليل انحراف البيانات.
- خيارات نشر النموذج: نظرة عامة على تنسيقات نشر نموذج YOLO مثل ONNX و OpenVINO و TensorRT، مع إيجابيات وسلبيات لكل منها لإرشاد إستراتيجية النشر الخاصة بك.
- دليل تكوين نموذج YAML: نظرة شاملة ومتعمقة على تعريفات بنية نموذج Ultralytics. استكشف تنسيق YAML، وافهم نظام تحليل الوحدات النمطية، وتعلم كيفية دمج الوحدات النمطية المخصصة بسلاسة.
- NVIDIA : دليل البدء السريع لنشر YOLO على أجهزة NVIDIA .
- أوضاعOpenVINO مقابل الإنتاجية: تعرف على تقنيات تحسين الكمون والإنتاجية لتحقيق أقصى أداء YOLO .
- المعالجة المسبقة للبيانات المُعلقة: تعرف على المعالجة المسبقة وزيادة بيانات الصور في مشاريع الرؤية الحاسوبية باستخدام YOLO11، بما في ذلك التوحيد، وزيادة مجموعة البيانات، والتقسيم، والتحليل الاستكشافي للبيانات (EDA).
- Raspberry Pi: دليل سريع لبدء تشغيل YOLO على أحدث أجهزة Raspberry Pi.
- بدء سريع لـ ROS: تعرف على كيفية دمج YOLO نظام تشغيل الروبوتات (ROS) للكشف عن الأجسام في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك صور Point Cloud و Depth.
- استنتاج SAHI المبلط: دليل شامل حول الاستفادة من قدرات الاستنتاج المقطعية لـ SAHI مع YOLO11 الكائنات YOLO11 الصور عالية الدقة.
- خطوات مشروع الرؤية الحاسوبية: تعرف على الخطوات الرئيسية التي ينطوي عليها مشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف واختيار النماذج وإعداد البيانات وتقييم النتائج.
- نصائح لتدريب النماذج: اكتشف نصائح حول تحسين أحجام الدُفعات، واستخدام الدقة المختلطة، وتطبيق الأوزان المدربة مسبقًا، والمزيد لجعل تدريب نموذج الرؤية الحاسوبية الخاص بك أمرًا سهلاً.
- تكامل خادمTriton Server: تعرف على تكامل Ultralytics YOLO11 خادم Triton Server NVIDIA من أجل عمليات نشر استدلال تعلم عميق قابلة للتطوير وفعالة.
- نشر Vertex AI باستخدام Docker: دليل مبسط لتعبئة YOLO في حاويات باستخدام Docker ونشرها على Google Vertex AI — يشمل الإنشاء والدفع والتوسع التلقائي والمراقبة.
- عرض صور الاستدلال في الوحدة الطرفية: استخدم الوحدة الطرفية المدمجة في VSCode لعرض نتائج الاستدلال عند استخدام Remote Tunnel أو جلسات SSH.
- مشكلات YOLO الشائعة ⭐ مُوصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعًا التي تواجهها عند العمل مع نماذج Ultralytics YOLO.
- زيادةYOLO YOLO: إتقان مجموعة كاملة من تقنيات زيادة البيانات في YOLO من التحويلات الأساسية إلى الاستراتيجيات المتقدمة لتحسين متانة النموذج وأدائه.
- مقاييس أداء YOLO ⭐ أساسي: فهم المقاييس الرئيسية مثل mAP و IoU و نتيجة F1 المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. يتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة الكشف وسرعته.
- استدلالYOLO : إرشادات لإجراء الاستدلال باستخدام YOLO بطريقة آمنة للخيوط. تعرف على أهمية أمان الخيوط وأفضل الممارسات لمنع حالات التنافس وضمان توقعات متسقة.
ساهم في أدلتنا
نحن نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبًا معينًا من Ultralytics YOLO لم يتم تناوله بعد في أدلتنا، فنحن نشجعك على مشاركة خبرتك. يعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولاً وسهولة في الاستخدام.
للبدء، يرجى قراءة دليل المساهمة للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتكم!
دعونا نعمل معًا لجعل نظام Ultralytics YOLO البيئي أكثر قوة وتنوعًا 🙏!
الأسئلة الشائعة
كيف يمكنني تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO؟
يعد تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO أمرًا بسيطًا. ابدأ بإعداد مجموعة البيانات الخاصة بك بالتنسيق الصحيح وتثبيت حزمة Ultralytics. استخدم الكود التالي لبدء التدريب:
مثال
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50
للحصول على تنسيق مفصل لمجموعة البيانات وخيارات إضافية، راجع دليل نصائح لتدريب النموذج الخاص بنا.
ما هي مقاييس الأداء التي يجب أن أستخدمها لتقييم نموذج YOLO الخاص بي؟
يُعد تقييم أداء نموذج YOLO الخاص بك أمرًا بالغ الأهمية لفهم فعاليته. تتضمن المقاييس الرئيسية متوسط الدقة (mAP)، و التقاطع فوق الاتحاد (IoU)، ودرجة F1. تساعد هذه المقاييس في تقييم دقة ودقة مهام اكتشاف الكائنات. يمكنك معرفة المزيد حول هذه المقاييس وكيفية تحسين النموذج الخاص بك في دليل مقاييس أداء YOLO الخاص بنا.
لماذا يجب علي استخدام Ultralytics HUB لمشاريع الرؤية الحاسوبية الخاصة بي؟
Ultralytics HUB عبارة عن نظام أساسي بدون تعليمات برمجية يبسط إدارة نماذج YOLO وتدريبها ونشرها. وهو يدعم التكامل السلس والتتبع في الوقت الفعلي والتدريب السحابي، مما يجعله مثاليًا للمبتدئين والمحترفين على حد سواء. اكتشف المزيد حول ميزاته وكيف يمكنه تبسيط سير عملك من خلال دليل البدء السريع Ultralytics HUB الخاص بنا.
ما هي المشكلات الشائعة التي تواجه أثناء تدريب نموذج YOLO، وكيف يمكنني حلها؟
تشمل المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء تنسيق البيانات، وعدم تطابق بنية النموذج، وعدم كفاية بيانات التدريب. لمعالجة هذه المشكلات، تأكد من تنسيق مجموعة البيانات الخاصة بك بشكل صحيح، وتحقق من وجود إصدارات نموذج متوافقة، وقم بزيادة بيانات التدريب الخاصة بك. للحصول على قائمة شاملة بالحلول، راجع دليل مشكلات YOLO الشائعة الخاص بنا.
كيف يمكنني نشر نموذج YOLO الخاص بي للكشف عن الكائنات في الوقت الفعلي على الأجهزة الطرفية؟
يتطلب نشر نماذج YOLO على الأجهزة الطرفية مثل NVIDIA Jetson و Raspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو TFLite. اتبع الإرشادات التفصيلية الخاصة بنا لعمليات النشر على NVIDIA Jetson و Raspberry Pi للبدء في الكشف عن العناصر في الوقت الفعلي على الأجهزة الطرفية. سترشدك هذه الأدلة خلال التثبيت والتكوين وتحسين الأداء.
