دروس شاملة حول Ultralytics YOLO

مرحباً بك في أدلة Ultralytics YOLO. تغطي دروسنا الشاملة جوانب مختلفة من نموذج اكتشاف الكائنات، بدءاً من التدريب والتنبؤ وصولاً إلى النشر. تم بناء YOLO على PyTorch، ويتميز بسرعة استثنائية ودقة عالية في مهام اكتشاف الكائنات في الوقت الفعلي.

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

الأدلة

فيما يلي مجموعة من الأدلة المتعمقة لمساعدتك في إتقان مختلف جوانب Ultralytics YOLO.

• دليل اختبار النماذج: دليل شامل لاختبار نماذج الرؤية الحاسوبية الخاصة بك في بيئات واقعية. تعلم كيفية التحقق من الدقة والموثوقية والأداء بما يتماشى مع أهداف المشروع.
• دليل البدء السريع لـ AzureML: ابدأ العمل مع نماذج Ultralytics YOLO على منصة Microsoft للتعلم الآلي. تعلم 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.
• تحويل COCO إلى YOLO: دليل كامل لتحويل تعليقات COCO بتنسيق JSON إلى تنسيق YOLO للتدريب. يغطي الاكتشاف والتجزئة والنقاط الرئيسية مع نصائح خاصة بأدوات CVAT وLabel Studio وRoboflow.
• التدريب باستخدام COCO JSON: قم بتدريب YOLO مباشرة على تعليقات COCO بتنسيق JSON دون الحاجة إلى التحويل إلى تنسيق YOLO، باستخدام فئة مجموعة بيانات ومُدرب مخصصين.
• دليل البدء السريع لـ Conda: دليل خطوة بخطوة لإعداد بيئة Conda لـ Ultralytics. تعلم كيفية تثبيت وبدء استخدام حزمة Ultralytics بكفاءة مع Conda.
• تخصيص المُدرب: تعلم كيفية إنشاء فئة فرعية من مُدرب YOLO لتسجيل المقاييس المخصصة، وإضافة خسارة مرجحة بالفئات، وتخصيص حفظ النموذج، وتجميد/إلغاء تجميد البنية الأساسية، وتعيين معدلات التعلم لكل طبقة.
• 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 Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
• تحديد أهداف مشروع الرؤية الحاسوبية: تعرف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية الخاص بك بفعالية. تعلم أهمية صياغة مشكلة محددة جيداً وكيفية إنشائها لخارطة 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 لضمان التطوير والنشر المتسق.
• Edge TPU على Raspberry Pi: تعمل Google Edge TPU على تسريع استدلال YOLO على Raspberry Pi.
• الاكتشاف الشامل (End-to-End): افهم الاكتشاف الشامل بدون NMS في YOLO26، وتوافق التصدير، وتغييرات تنسيق المخرجات، وكيفية الترحيل من نماذج YOLO الأقدم.
• تصدير النماذج غير التابعة لـ YOLO: استخدم أدوات التصدير المستقلة من Ultralytics لتحويل أي torch.nn.Module (timm، torchvision، مخصص) إلى ONNX، وTorchScript، وOpenVINO، وCoreML، وNCNN، وMNN، وPaddlePaddle، وExecuTorch، وTensorFlow SavedModel.
• ضبط YOLO الدقيق على بيانات مخصصة: دليل كامل للضبط الدقيق لـ YOLO26 على مجموعات بيانات مخصصة باستخدام أوزان مُدربة مسبقاً، ويغطي التعلم بنقل المعرفة، وتجميد الطبقات، واختيار المُحسِّن، والتدريب على مرحلتين، واستكشاف الأخطاء وإصلاحها.
• ضبط المعاملات الفائقة: اكتشف كيفية تحسين نماذج YOLO الخاصة بك عن طريق ضبط المعاملات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
• رؤى حول تقييم النماذج وضبطها الدقيق: احصل على رؤى حول الاستراتيجيات وأفضل الممارسات لتقييم وضبط نماذج الرؤية الحاسوبية الخاصة بك. تعرف على العملية التكرارية لتحسين النماذج لتحقيق أفضل النتائج.
• عزل كائنات التجزئة: وصفة وشرح خطوة بخطوة حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام Ultralytics Segmentation.
• التحقق المتبادل K-Fold: تعلم كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتبادل K-Fold.
• صيانة نموذج الرؤية الحاسوبية الخاص بك: افهم الممارسات الرئيسية لمراقبة وصيانة وتوثيق نماذج الرؤية الحاسوبية لضمان الدقة واكتشاف الشذوذ وتخفيف انحراف البيانات.
• خيارات نشر النموذج: نظرة عامة على تنسيقات نشر نموذج YOLO مثل ONNX، وOpenVINO، وTensorRT، مع إيجابيات وسلبيات كل منها لتوجيه استراتيجية النشر الخاصة بك.
• دليل تكوين النموذج بملفات YAML: تعمق شامل في تعريفات بنية نموذج Ultralytics. استكشف تنسيق YAML، وافهم نظام تحليل الوحدات النمطية، وتعلم كيفية دمج الوحدات المخصصة بسلاسة.
• المعالجة المسبقة لوحدة معالجة الرسومات NVIDIA DALI: تخلص من اختناقات المعالجة المسبقة لوحدة المعالجة المركزية (CPU) عن طريق تشغيل تغيير حجم YOLO letterbox، والحشو، والتطبيع على وحدة معالجة الرسومات (GPU) باستخدام NVIDIA DALI، مع دمج خادم Triton Inference Server.
• NVIDIA DGX Spark: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA DGX Spark.
• NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
• أوضاع OpenVINO: الكمون مقابل الإنتاجية: تعلم تقنيات تحسين الكمون والإنتاجية للحصول على أداء استدلال YOLO الأقصى.
• المعالجة المسبقة للبيانات المعلق عليها: تعلم حول المعالجة المسبقة وتعزيز بيانات الصور في مشاريع الرؤية الحاسوبية باستخدام YOLO26، بما في ذلك التطبيع، وتعزيز مجموعة البيانات، والتقسيم، وتحليل البيانات الاستكشافي (EDA).
• Raspberry Pi: درس 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) لاكتشاف الكائنات في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك صور السحابة النقطية (Point Cloud) والعمق.
• استدلال SAHI المبلط: دليل شامل حول الاستفادة من إمكانيات الاستدلال المقسم لـ SAHI مع YOLO26 لاكتشاف الكائنات في الصور عالية الدقة.
• خطوات مشروع الرؤية الحاسوبية: تعرف على الخطوات الرئيسية المتضمنة في مشروع الرؤية الحاسوبية، 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 المُدربة مسبقاً، والمزيد لجعل تدريب نموذج الرؤية الحاسوبية الخاص بك أمراً سهلاً.
• دمج Triton Inference Server: تعمق في دمج Ultralytics YOLO26 مع خادم NVIDIA Triton Inference Server لنشر استدلال تعلم عميق قابل للتوسع وفعال.
• النشر على Vertex AI باستخدام Docker: دليل مبسط لوضع نماذج YOLO في حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI—يغطي البناء، والدفع، والتحجيم التلقائي، والمراقبة.
• عرض صور الاستدلال في الجهاز الطرفي: استخدم الجهاز الطرفي المتكامل لـ VSCode لعرض نتائج الاستدلال عند استخدام جلسات Remote Tunnel أو SSH.
• وصفة تدريب YOLO26: توثيق كامل للمعاملات الفائقة، وخطوط أنابيب التعزيز، وإعدادات المُحسِّن المستخدمة لتدريب نقاط فحص YOLO26 الأساسية الرسمية على COCO، مع توجيه عملي للضبط الدقيق.
• المشكلات الشائعة في YOLO ⭐ موصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعاً عند العمل مع نماذج Ultralytics YOLO.
• تعزيز بيانات YOLO: أتقن المجموعة الكاملة من تقنيات تعزيز البيانات في YOLO، بدءاً من التحويلات الأساسية وصولاً إلى الاستراتيجيات المتقدمة لتحسين متانة النموذج وأدائه.
• مقاييس أداء YOLO ⭐ أساسي: افهم المقاييس الرئيسية مثل mAP، وIoU، ودرجة F1 المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. يتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة وسرعة الاكتشاف.
• استدلال YOLO الآمن للخيوط: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة للخيوط. تعلم أهمية أمان الخيوط وأفضل الممارسات لمنع ظروف السباق وضمان تنبؤات متسقة.

ساهم في أدلتنا

نرحب بالمساهمات من المجتمع! إذا كنت قد أتقنت جانباً معيناً من Ultralytics YOLO لم يتم تغطيته بعد في أدلتنا، فإننا نشجعك على مشاركة خبرتك. تعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولاً وسهولة في الاستخدام.

To get started, please read our Contributing Guide for guidelines on how to open a Pull Request (PR). We look forward to your contributions.

الأسئلة الشائعة

كيف يمكنني تدريب نموذج مخصص لاكتشاف الكائنات باستخدام Ultralytics YOLO؟

يعد تدريب نموذج مخصص لاكتشاف الكائنات باستخدام Ultralytics YOLO أمراً مباشراً. 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 تنسيق مفصل لمجموعة البيانات وخيارات إضافية، راجع دليل نصائح تدريب النموذج الخاص بنا.

ما هي مقاييس الأداء التي يجب أن أستخدمها لتقييم نموذج YOLO الخاص بي؟

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

لماذا يجب أن أستخدم منصة Ultralytics لمشاريع الرؤية الحاسوبية الخاصة بي؟

منصة Ultralytics هي منصة بدون كود تبسط إدارة وتدريب ونشر نماذج YOLO. إنها تدعم الدمج السلس، والتتبع في الوقت الفعلي، والتدريب السحابي، مما يجعلها مثالية لكل من المبتدئين والمحترفين. اكتشف المزيد حول ميزاتها وكيف يمكنها تبسيط سير عملك من خلال دليل البدء السريع لـ منصة Ultralytics.

ما هي المشكلات الشائعة التي تواجه 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 بتعزيز بيانات التدريب الخاصة بك. للحصول على قائمة شاملة بالحلول، راجع دليل المشكلات الشائعة في YOLO الخاص بنا.

كيف يمكنني نشر نموذج YOLO الخاص بي لاكتشاف الكائنات في الوقت الفعلي على الأجهزة الطرفية (Edge)؟

يتطلب نشر نماذج YOLO على الأجهزة الطرفية مثل NVIDIA Jetson وRaspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو TFLite. اتبع أدلتنا خطوة بخطوة للنشر على NVIDIA Jetson وRaspberry Pi للبدء في اكتشاف الكائنات في الوقت الفعلي على الأجهزة الطرفية. ستوجهك هذه الأدلة خلال التثبيت والتكوين وتحسين الأداء.