Link to this sectionدروس شاملة لـ Ultralytics YOLO#

مرحبًا بك في أدلة YOLO من Ultralytics. تغطي دروسنا الشاملة جوانب مختلفة من نموذج اكتشاف الكائنات، بدءًا من التدريب والتنبؤ وصولاً إلى النشر. تم بناء YOLO على PyTorch، ويتميز بسرعته الاستثنائية ودقته في مهام اكتشاف الكائنات في الوقت الفعلي.

سواء كنت مبتدئًا أو خبيرًا في التعلم العميق، تقدم دروسنا رؤى قيمة حول تنفيذ وتحسين YOLO لمشاريع الرؤية الحاسوبية الخاصة بك.

Link to this sectionالأدلة#

يتم تجميع الأدلة حسب مرحلة المشروع — بدءاً من إعداد البيئة وتجهيز البيانات وصولاً إلى التدريب والتقييم والنشر وتحسين الاستدلال والأجهزة الطرفية — لكي تتمكن من الانتقال مباشرة إلى الخطوة التي تعمل عليها.

Link to this sectionالبدء والتخطيط#

• بداية سريعة مع Conda: دليل خطوة بخطوة لإعداد بيئة Conda لـ Ultralytics. تعلم كيفية تثبيت حزمة Ultralytics والبدء في استخدامها بكفاءة مع Conda.
• بداية سريعة مع Docker: دليل كامل لإعداد واستخدام نماذج Ultralytics YOLO مع Docker. تعلم كيفية تثبيت Docker، وإدارة دعم GPU، وتشغيل نماذج YOLO في حاويات معزولة لضمان التطوير والنشر المتسق.
• بداية سريعة مع AzureML: ابدأ العمل مع نماذج Ultralytics YOLO على منصة التعلم الآلي من Microsoft Azure. تعلم كيفية تدريب ونشر وتوسيع نطاق مشاريع اكتشاف الكائنات الخاصة بك في السحابة.
• Modal Quickstart: قم بتشغيل Ultralytics YOLO26 على منصة الحوسبة السحابية بدون خادم من Modal، والتي تغطي المصادقة، واستدلال GPU، ومهام التدريب مع التخزين الدائم — دون الحاجة إلى إدارة البنية التحتية.
• تحديد أهداف مشروع الرؤية الحاسوبية: تعرف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية الخاص بك بفعالية. تعلم أهمية بيان المشكلة المُحدد جيدًا وكيفية إنشاء خارطة طريق لمشروعك.
• خطوات مشروع الرؤية الحاسوبية: تعرف على الخطوات الرئيسية المتضمنة في مشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف، واختيار النماذج، وإعداد البيانات، وتقييم النتائج.
• شرح بنية YOLO: تتبع تطور بنية YOLO من YOLOv3 إلى YOLO26 عبر العمود الفقري (backbone) والعنق (neck) ورأس الكشف (detection head)، مع تغطية C2f و C3k2 و C2PSA attention والتصميم الخالي من الارتساء (anchor-free) والخالي من NMS.

Link to this sectionتجهيز بياناتك#

• جمع البيانات والتعليق عليها: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات والتعليق عليها لإنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية الخاصة بك.
• معالجة البيانات المشروحة مسبقاً: تعرف على معالجة البيانات مسبقاً لرؤية الحاسوب باستخدام YOLO26، بما في ذلك تغيير حجم الصورة، والتطبيع (normalization)، وتقسيم مجموعة البيانات، وزيادة البيانات، وتحليل البيانات الاستكشافي (EDA).
• توسيع بيانات YOLO: أتقن المجموعة الكاملة من تقنيات توسيع البيانات في YOLO، من التحويلات الأساسية إلى الاستراتيجيات المتقدمة لتحسين متانة النموذج وأدائه.
• تحويل COCO إلى YOLO: دليل كامل لتحويل تعليقات COCO JSON إلى تنسيق YOLO للتدريب. يغطي الاكتشاف والتجزئة والنقاط الرئيسية، بما في ذلك تعيين معرفات الفئات ومخاطر التحويل الشائعة.
• التدريب باستخدام COCO JSON: قم بتدريب YOLO مباشرة على تعليقات COCO JSON دون التحويل إلى تنسيق YOLO، باستخدام فئة بيانات مخصصة ومُدرب (trainer).

Link to this sectionالتدريب والضبط الدقيق#

• نصائح لتدريب النماذج: استكشف نصائح حول تحسين أحجام الدفعات، واستخدام الدقة المختلطة، وتطبيق الأوزان المدربة مسبقًا، والمزيد لجعل تدريب نموذج الرؤية الحاسوبية الخاص بك أمرًا سهلاً.
• ضبط YOLO بدقة على بيانات مخصصة: دليل كامل لضبط YOLO26 بدقة على مجموعات بيانات مخصصة باستخدام أوزان مُدربة مسبقًا، يغطي التعلم بنقل المعرفة، وتجميد الطبقات، واختيار المُحسِّن، والتدريب على مرحلتين، واستكشاف الأخطاء وإصلاحها.
• وصفة تدريب YOLO26: توثيق كامل للمعلمات الفائقة، وخطوط أنابيب التوسيع، وإعدادات المُحسِّن المستخدمة لتدريب نقاط تفتيش YOLO26 الأساسية الرسمية على COCO، مع توجيه عملي للضبط الدقيق.
• ضبط المعلمات الفائقة: اكتشف كيفية تحسين نماذج YOLO الخاصة بك عن طريق ضبط المعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
• Knowledge Distillation: تعرّف على كيفية تحسين أداء النموذج من خلال نقل المعرفة من نموذج معلم أكبر إلى نموذج طالب أصغر باستخدام التقطير المعتمد على الميزات.
• التحقق المتبادل K-Fold: تعلم كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتبادل K-Fold.
• تخصيص المُدرب: تعلم كيفية إنشاء فئة فرعية من مُدرب YOLO لتسجيل مقاييس مخصصة، وإضافة خسارة مرجحة للفئات، وتخصيص حفظ النموذج، وتجميد/إلغاء تجميد الهيكل الأساسي، وتعيين معدلات التعلم لكل طبقة.
• دليل تكوين YAML للنموذج: تعمق شامل في تعريفات بنية نماذج Ultralytics. استكشف تنسيق YAML، وافهم نظام تحليل الوحدات، وتعلم كيفية دمج الوحدات المخصصة بسلاسة.

Link to this sectionالتقييم واستكشاف الأخطاء وإصلاحها#

• مقاييس أداء YOLO ⭐ أساسي: افهم المقاييس الرئيسية مثل mAP، وIoU، ونقاط F1 المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. تتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة وسرعة الاكتشاف.
• رؤى حول تقييم النماذج وضبطها بدقة: قم بتقييم نماذج رؤية الحاسوب باستخدام مقاييس مثل mAP و IoU، ثم قم بضبط معلمات التدريب مثل التسخين المسبق لمعدل التعلم (learning-rate warmup) لتحسين دقة الاكتشاف.
• Model Testing: تعرّف على كيفية اختبار نماذج الرؤية الحاسوبية على بيانات غير مرئية، والتحقق من صحة نماذج YOLO26، واكتشاف الإفراط في التخصيص (overfitting)، ونقص التخصيص (underfitting)، وتسرب البيانات قبل النشر.
• مشكلات YOLO الشائعة ⭐ موصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعًا عند العمل مع نماذج Ultralytics YOLO.
• صيانة نموذج الرؤية الحاسوبية الخاص بك: افهم الممارسات الرئيسية لمراقبة وصيانة وتوثيق نماذج الرؤية الحاسوبية لضمان الدقة واكتشاف الشذوذ وتخفيف انحراف البيانات.

Link to this sectionالنشر والخدمة#

• خيارات نشر النماذج: نظرة عامة على تنسيقات نشر النماذج لـ YOLO مثل ONNX وOpenVINO وTensorRT، مع إيجابيات وسلبيات كل منها لإعلام استراتيجية النشر الخاصة بك.
• أفضل الممارسات لنشر النماذج: استعرض النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع 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 (مثل timm، أو torchvision، أو مخصص) إلى ONNX، وTorchScript، وOpenVINO، وCoreML، وNCNN، وMNN، وPaddlePaddle، وExecuTorch، وTensorFlow SavedModel.
• الاكتشاف من البداية للنهاية: افهم الاكتشاف من البداية للنهاية بدون NMS في YOLO26، وتوافق التصدير، وتغييرات تنسيق المخرجات، وكيفية الترحيل من نماذج YOLO القديمة.
• دمج Triton Inference Server: تعمق في دمج Ultralytics YOLO26 مع خادم الاستدلال Triton من NVIDIA لعمليات نشر استدلال تعلم عميق قابلة للتوسع وفعالة.
• استدلال YOLO الآمن للخيوط: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة للخيوط. تعلم أهمية أمان الخيوط وأفضل الممارسات لمنع حالات السباق (race conditions) وضمان تنبؤات متسقة.
• بداية سريعة مع ROS: تعلم كيفية دمج YOLO مع نظام تشغيل الروبوت (ROS) لاكتشاف الكائنات في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك صور Point Cloud والعمق.
• النشر على Vertex AI باستخدام Docker: دليل مبسط لوضع نماذج YOLO في حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI—يغطي البناء، والدفع، والقياس التلقائي، والمراقبة.

Link to this sectionتحسين الاستدلال#

• الاستدلال المبلط بـ SAHI: دليل شامل حول الاستفادة من قدرات الاستدلال المقسم الخاص بـ SAHI مع YOLO26 لاكتشاف الكائنات في الصور عالية الدقة.
• أوضاع زمن الانتقال مقابل الإنتاجية في OpenVINO: تعلم تقنيات تحسين زمن الانتقال والإنتاجية للحصول على أداء استدلال YOLO ذروة.
• المعالجة المسبقة على GPU باستخدام NVIDIA DALI: تخلص من اختناقات المعالجة المسبقة على CPU عن طريق تشغيل تغيير الحجم (letterbox)، والحشو، والتطبيع الخاص بـ YOLO على GPU باستخدام NVIDIA DALI، مع دمج Triton Inference Server.
• عزل كائنات التجزئة: وصفة وشرح خطوة بخطوة حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام Ultralytics Segmentation.
• عرض صور الاستدلال في الطرفية: استخدم الطرفية المتكاملة في VSCode لعرض نتائج الاستدلال عند استخدام Remote Tunnel أو جلسات SSH.

Link to this sectionالأجهزة الطرفية والمدمجة#

• NVIDIA Jetson: دليل بداية سريعة لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
• Raspberry Pi: درس بداية سريعة لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
• DeepStream على NVIDIA Jetson: دليل بداية سريعة لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
• Edge TPU على Raspberry Pi: يقوم Google Edge TPU بتسريع استدلال YOLO على Raspberry Pi.
• NVIDIA DGX Spark: دليل بداية سريعة لنشر نماذج YOLO على أجهزة NVIDIA DGX Spark.
• DL Streamer on Intel: دليل البدء السريع لنشر نماذج YOLO26 على أجهزة Intel Core Ultra Series 3 باستخدام DL Streamer و OpenVINO™.

Link to this sectionساهم في أدلتنا#

نرحب بالمساهمات من المجتمع! إذا كنت قد أتقنت جانبًا معينًا من Ultralytics YOLO لم يتم تغطيته بعد في أدلتنا، فنحن نشجعك على مشاركة خبرتك. كتابة دليل هي طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل توثيقنا أكثر شمولاً وسهولة في الاستخدام.

للبدء، يرجى قراءة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR). عند إضافة دليل جديد، ضعه تحت الفئة المذكورة أعلاه التي تطابق مرحلة مشروعه وحافظ عليه كنوع صفحة واحد — برنامج تعليمي خطوة بخطوة، أو دليل عملي يركز على المهام، أو مرجع — لتبقى المجموعة سهلة التصفح مع نموها. نحن نتطلع إلى مساهماتكم.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تدريب نموذج اكتشاف كائنات مخصص باستخدام Ultralytics YOLO؟#

إن تدريب نموذج اكتشاف كائنات مخصص باستخدام Ultralytics YOLO أمر مباشر. ابدأ بإعداد مجموعة البيانات الخاصة بك بالتنسيق الصحيح وتثبيت حزمة Ultralytics. استخدم الكود التالي لبدء التدريب:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

للحصول على تفاصيل تنسيق البيانات وخيارات إضافية، راجع دليل نصائح لتدريب النماذج الخاص بنا.

Link to this sectionما هي مقاييس الأداء التي يجب أن أستخدمها لتقييم نموذج YOLO الخاص بي؟#

يعد تقييم أداء نموذج YOLO الخاص بك أمرًا بالغ الأهمية لفهم فعاليته. تشمل المقاييس الرئيسية متوسط الدقة المتوسط (mAP)، والتقاطع فوق الاتحاد (IoU)، ونقاط F1. تساعد هذه المقاييس في تقييم دقة إحكام مهام اكتشاف الكائنات. يمكنك معرفة المزيد حول هذه المقاييس وكيفية تحسين نموذجك في دليل مقاييس أداء YOLO الخاص بنا.

Link to this sectionلماذا يجب أن أستخدم منصة Ultralytics لمشاريع الرؤية الحاسوبية الخاصة بي؟#

منصة Ultralytics هي منصة لا تتطلب برمجة تعمل على تبسيط إدارة وتدريب ونشر نماذج YOLO. وهي تدعم التكامل السلس، والتتبع في الوقت الفعلي، والتدريب السحابي، مما يجعلها مثالية للمبتدئين والمحترفين على حد سواء. اكتشف المزيد حول ميزاتها وكيف يمكنها تبسيط سير عملك من خلال دليل البدء السريع الخاص بـ منصة Ultralytics.

Link to this sectionما هي المشكلات الشائعة التي يتم مواجهتها 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 إصدارات النماذج المتوافقة، وقم بتوسيع بيانات التدريب الخاصة بك. للحصول على قائمة شاملة بالحلول، راجع دليل مشكلات YOLO الشائعة الخاص بنا.

Link to this sectionكيف يمكنني نشر نموذج YOLO الخاص بي لاكتشاف الكائنات في الوقت الفعلي على أجهزة الحافة؟#

يتطلب نشر نماذج YOLO على أجهزة الحافة (edge devices) مثل NVIDIA Jetson و Raspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو LiteRT. اتبع أدلتنا التفصيلية لنشر NVIDIA Jetson و Raspberry Pi للبدء في اكتشاف الكائنات في الوقت الفعلي على أجهزة الحافة. ستوجهك هذه الأدلة خلال عمليات التثبيت، والتهيئة، وتحسين الأداء.