دروس تعليمية شاملة لـ Ultralytics YOLO
مرحبًا بكم في أدلة YOLO من Ultralytics. تغطي برامجنا التعليمية الشاملة جوانب مختلفة من نموذج اكتشاف الكائنات YOLO، بدءًا من التدريب والتنبؤ وصولاً إلى النشر. تم بناء YOLO على PyTorch، ويتميز بسرعته ودقته الاستثنائيتين في مهام اكتشاف الكائنات في الوقت الفعلي.
سواء كنت مبتدئًا أو خبيرًا في التعلم العميق، تقدم برامجنا التعليمية رؤى قيمة حول تنفيذ وتحسين YOLO لمشاريع رؤية الكمبيوتر الخاصة بك.
شاهد: نظرة عامة على أدلة Ultralytics YOLO11
الأدلة
إليك مجموعة من الأدلة المتعمقة لمساعدتك على إتقان جوانب مختلفة من Ultralytics YOLO.
- دليل حول اختبار النماذج: دليل شامل حول اختبار نماذج الرؤية الحاسوبية الخاصة بك في إعدادات واقعية. تعرف على كيفية التحقق من الدقة والموثوقية والأداء بما يتماشى مع أهداف المشروع.
- دليل البدء السريع لـ AzureML: ابدأ العمل بسرعة مع نماذج Ultralytics YOLO على منصة Microsoft Azure للتعلم الآلي. تعرف على كيفية تدريب ونشر وتوسيع نطاق مشاريع اكتشاف الكائنات الخاصة بك في السحابة.
- أفضل الممارسات لنشر النماذج: استعرض النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
- دليل البدء السريع لـ Conda: دليل خطوة بخطوة لإعداد بيئة Conda لـ Ultralytics. تعرف على كيفية تثبيت وبدء استخدام حزمة Ultralytics بكفاءة مع Conda.
- جمع البيانات وتصنيفها: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات وتصنيفها لإنشاء مدخلات عالية الجودة لنماذج رؤية الكمبيوتر الخاصة بك.
- DeepStream على NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream و TensorRT.
- تحديد أهداف مشروع رؤية الكمبيوتر: تعرف على كيفية تحديد أهداف واضحة وقابلة للقياس بفعالية لمشروع رؤية الكمبيوتر الخاص بك. تعلم أهمية بيان المشكلة المحدد جيدًا وكيف ينشئ خارطة طريق لمشروعك.
- دليل البدء السريع لـ Docker: دليل كامل لإعداد واستخدام نماذج Ultralytics YOLO مع Docker. تعلم كيفية تثبيت Docker، وإدارة دعم GPU، وتشغيل نماذج YOLO في حاويات معزولة لتطوير ونشر متسق.
- Edge TPU على Raspberry Pi: Google Edge TPU يسرع استدلال YOLO على Raspberry Pi.
- ضبط المعلمات الفائقة: اكتشف كيفية تحسين نماذج YOLO الخاصة بك عن طريق الضبط الدقيق للمعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
- رؤى حول تقييم النماذج وضبطها الدقيق: احصل على رؤى حول الاستراتيجيات وأفضل الممارسات لتقييم نماذج رؤية الكمبيوتر الخاصة بك وضبطها الدقيق. تعرف على العملية التكرارية لتحسين النماذج لتحقيق أفضل النتائج.
- عزل كائنات الـ segmentation: وصفة وشرح خطوة بخطوة حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام Ultralytics Segmentation.
- التحقق المتقاطع K-Fold: تعلم كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتقاطع K-Fold.
- صيانة نموذج رؤية الكمبيوتر الخاص بك: فهم الممارسات الرئيسية لمراقبة نماذج رؤية الكمبيوتر وصيانتها وتوثيقها لضمان الدقة واكتشاف الشذوذ والتخفيف من 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: تعمق شامل في تعريفات بنية نموذج Ultralytics. استكشف تنسيق YAML، وافهم نظام حل الوحدات، وتعلم كيفية دمج الوحدات المخصصة بسلاسة.
- NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
- أوضاع زمن الاستجابة مقابل الإنتاجية في OpenVINO: تعلم تقنيات تحسين زمن الاستجابة والإنتاجية لتحقيق أقصى أداء استدلال لـ YOLO.
- المعالجة المسبقة للبيانات المصنفة: تعلم عن المعالجة المسبقة وتضخيم بيانات الصور في مشاريع رؤية الكمبيوتر باستخدام YOLO11، بما في ذلك التسوية، وتضخيم مجموعة البيانات، والتقسيم، وتحليل البيانات الاستكشافي (EDA).
- Raspberry Pi: دليل تعليمي للبدء السريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
- دليل البدء السريع لـ ROS: تعلم كيفية دمج YOLO مع نظام تشغيل الروبوت (ROS) للكشف عن الكائنات في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك سحابة النقاط وصور العمق.
- الاستدلال المبلط SAHI: دليل شامل حول الاستفادة من قدرات الاستدلال المجزأ لـ SAHI مع YOLO11 للكشف عن الكائنات في الصور عالية الدقة.
- خطوات مشروع رؤية الكمبيوتر: تعلم عن الخطوات الرئيسية المتضمنة في مشروع رؤية الكمبيوتر، بما في ذلك تحديد الأهداف، واختيار النماذج، وإعداد البيانات، وتقييم النتائج.
- نصائح لتدريب النموذج: استكشف نصائح حول تحسين أحجام الدفعات، واستخدام الدقة المختلطة، وتطبيق الأوزان المدربة مسبقًا، والمزيد لجعل تدريب نموذج رؤية الكمبيوتر الخاص بك أمرًا سهلاً.
- دمج خادم الاستدلال Triton: تعمق في دمج Ultralytics YOLO11 مع خادم الاستدلال Triton من NVIDIA لعمليات نشر استدلال التعلم العميق القابلة للتوسع والفعالة.
- نشر Vertex AI باستخدام Docker: دليل مبسط لتحويل نماذج YOLO إلى حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI—ويغطي البناء، والدفع، والتحجيم 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.
- تضخيم بيانات YOLO: أتقن النطاق الكامل لتقنيات تضخيم 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.
- استدلال YOLO الآمن للخيوط: إرشادات لأداء الاستدلال باستخدام نماذج YOLO بطريقة آمنة للخيوط. تعلم أهمية أمان الخيوط وأفضل الممارسات لمنع حالات السباق وضمان تنبؤات 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 الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR). نحن نتطلع إلى مساهماتكم.
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 pretrained 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.
