دروس تعليمية شاملة حول Ultralytics YOLO#
مرحباً بك في أدلة YOLO من Ultralytics. تغطي دروسنا التعليمية الشاملة جوانب متنوعة من نموذج YOLO لاكتشاف الأجسام، بدءاً من التدريب والتنبؤ وصولاً إلى النشر. ويتميّز YOLO، المبني على PyTorch، بسرعة استثنائية ودقة عالية في مهام اكتشاف الأجسام آنياً.
سواء أكنت مبتدئًا أم خبيرًا في التعلّم العميق، تقدم دروسنا رؤى قيّمة حول تنفيذ YOLO وتحسينه لمشاريع الرؤية الحاسوبية.
شاهد: نظرة عامة على أدلة Ultralytics YOLO26
الأدلة#
تُجمّع الأدلة بحسب مراحل المشروع، بدءًا من إعداد البيئة وتجهيز البيانات، مرورًا بالتدريب والتقييم والنشر وتحسين الاستدلال، وصولًا إلى أجهزة الحوسبة الطرفية، لتنتقل مباشرةً إلى الخطوة التي تعمل عليها.
البدء والتخطيط#
- البدء السريع باستخدام Conda: دليل خطوة بخطوة لإعداد بيئة Conda لاستخدام Ultralytics. تعرّف على كيفية تثبيت حزمة Ultralytics والبدء باستخدامها بكفاءة مع Conda.
- البدء السريع باستخدام Docker: دليل شامل لإعداد نماذج Ultralytics YOLO واستخدامها مع Docker. تعرّف على كيفية تثبيت Docker وإدارة دعم GPU وتشغيل نماذج YOLO في حاويات معزولة لضمان اتساق التطوير والنشر.
- البدء السريع باستخدام AzureML: ابدأ باستخدام نماذج Ultralytics YOLO على منصة التعلّم الآلي Azure من Microsoft. تعرّف على كيفية تدريب مشاريع اكتشاف الأجسام ونشرها وتوسيع نطاقها في السحابة.
- البدء السريع باستخدام Modal: شغّل YOLO26 من Ultralytics على منصة Modal السحابية عديمة الخوادم، مع تغطية المصادقة واستدلال GPU ومهام التدريب باستخدام التخزين الدائم، دون الحاجة إلى إدارة البنية التحتية.
- تحديد أهداف مشروع الرؤية الحاسوبية: تعرّف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية بفاعلية. اكتشف أهمية صياغة بيان واضح للمشكلة وكيفية إنشاء خريطة طريق لمشروعك.
- مراحل مشروع الرؤية الحاسوبية: تعرّف على الخطوات الأساسية لمشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف واختيار النماذج وتجهيز البيانات وتقييم النتائج.
- شرح بنية YOLO: تتبّع تطور بنية YOLO من YOLOv3 إلى YOLO26 عبر العمود الفقري والعنق ورأس الكشف، مع تناول C2f وC3k2 وآلية الانتباه C2PSA والتصميم الخالي من المراسي والخالي من NMS.
جهّز بياناتك#
- جمع البيانات ووسمها: استكشف الأدوات والأساليب وأفضل الممارسات لجمع البيانات ووسمها بهدف إنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية.
- المعالجة المسبقة للبيانات الموسومة: تعرّف على المعالجة المسبقة للبيانات في الرؤية الحاسوبية باستخدام YOLO26، بما يشمل تغيير حجم الصور والتطبيع وتقسيم مجموعات البيانات وزيادة البيانات وتحليل البيانات الاستكشافي (EDA).
- زيادة بيانات YOLO: أتقن المجموعة الكاملة من تقنيات زيادة البيانات في YOLO، بدءًا من التحويلات الأساسية وصولًا إلى الاستراتيجيات المتقدمة لتعزيز متانة النموذج وأدائه.
- التحويل من COCO إلى YOLO: دليل شامل لتحويل تعليقات COCO التوضيحية بصيغة JSON إلى تنسيق YOLO لأغراض التدريب. يغطي الكشف والتقسيم والنقاط المفتاحية، بما في ذلك تعيين معرّفات الفئات ومزالق التحويل الشائعة.
- التدريب باستخدام COCO JSON: درّب YOLO مباشرةً باستخدام تعليقات COCO التوضيحية بصيغة JSON دون تحويلها إلى تنسيق YOLO، وذلك 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 لتيسير تدريب نموذج الرؤية الحاسوبية.
- الضبط الدقيق لـ YOLO باستخدام بيانات مخصصة: دليل شامل للضبط الدقيق لـ YOLO26 على مجموعات بيانات مخصصة باستخدام أوزان مدرّبة مسبقًا، ويغطي التعلّم بالنقل وتجميد الطبقات واختيار المحسّن والتدريب على مرحلتين واستكشاف الأخطاء وإصلاحها.
- وصفة تدريب YOLO26: توثيق كامل للمعلمات الفائقة وخطوط معالجة 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 لديك من خلال الضبط الدقيق للمعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
- تقطير المعرفة: تعرّف على كيفية تحسين أداء النموذج بنقل المعرفة من نموذج معلّم أكبر إلى نموذج متعلّم أصغر باستخدام التقطير القائم على السمات.
- التحقق المتقاطع K-Fold: تعرّف على كيفية تحسين قدرة النموذج على التعميم باستخدام تقنية التحقق المتقاطع K-Fold.
- تخصيص المدرّب: تعرّف على كيفية إنشاء فئة فرعية من مدرّب YOLO لتسجيل مقاييس مخصصة، وإضافة دالة خسارة موزونة حسب الفئات، وتخصيص حفظ النماذج، وتجميد العمود الفقري أو إلغاء تجميده، وتعيين معدلات تعلّم لكل طبقة.
- دليل إعداد YAML للنموذج: تعمّق شامل في تعريفات بنية النماذج لدى Ultralytics. استكشف تنسيق YAML، وافهم نظام تحديد الوحدات، وتعلّم كيفية دمج الوحدات المخصصة بسلاسة.
التقييم واستكشاف الأخطاء وإصلاحها#
- مقاييس أداء YOLO ⭐ أساسي: تعرّف على المقاييس الرئيسية، مثل mAP وIoU ودرجة F1، المستخدمة لتقييم أداء نماذج YOLO. يتضمن أمثلة عملية ونصائح لتحسين دقة الكشف وسرعته.
- رؤى حول تقييم النماذج وضبطها الدقيق: قيّم نماذج الرؤية الحاسوبية باستخدام مقاييس مثل mAP وIoU، ثم استفد مما تكشفه المقاييس لتحسين دقة الكشف.
- اختبار النماذج: تعلّم كيفية اختبار نماذج الرؤية الحاسوبية على بيانات غير مرئية، والتحقق من صحة نماذج YOLO26، واكتشاف فرط التكيّف ونقص التكيّف وتسرب البيانات قبل النشر.
- المشكلات الشائعة في YOLO ⭐ موصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها لمعالجة أكثر المشكلات شيوعًا عند العمل بنماذج Ultralytics YOLO.
- صيانة نموذج الرؤية الحاسوبية: افهم الممارسات الأساسية لمراقبة نماذج الرؤية الحاسوبية وصيانتها وتوثيقها لضمان الدقة واكتشاف الحالات الشاذة والحد من انحراف البيانات.
النشر وتقديم الخدمة#
- خيارات نشر النماذج: نظرة عامة على تنسيقات نشر النماذج في YOLO، مثل ONNX وOpenVINO وTensorRT، مع مزايا كل منها وعيوبها للمساعدة في تحديد استراتيجية النشر.
- أفضل الممارسات لنشر النماذج: استكشف نصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
- تصدير النماذج غير التابعة لـ YOLO: استخدم أدوات التصدير المستقلة من Ultralytics لتحويل أي
torch.nn.Module(timm وtorchvision والنماذج المخصصة) إلى TorchScript وONNX وOpenVINO وCoreML وCore AI وTensorFlow SavedModel وPaddlePaddle وMNN وNCNN وExecuTorch. - الكشف من البداية إلى النهاية: اختر الاستدلال باستخدام NMS أو بدونه، وافهم تنسيقات المخرجات وتوافق التصدير.
- التكامل مع خادم Triton للاستدلال: تعمّق في دمج Ultralytics YOLO26 مع خادم Triton للاستدلال من NVIDIA لنشر استدلال التعلّم العميق بكفاءة وقابلية للتوسع.
- استدلال YOLO الآمن من تعارض الخيوط: إرشادات لتنفيذ الاستدلال باستخدام نماذج YOLO بطريقة آمنة مع تعدد الخيوط. تعرّف على أهمية أمان الخيوط وأفضل الممارسات لمنع حالات التنافس وضمان اتساق التنبؤات.
- البدء السريع باستخدام ROS: تعرّف على كيفية دمج YOLO مع نظام تشغيل الروبوتات (ROS) للكشف عن الأجسام في الوقت الفعلي ضمن تطبيقات الروبوتات، بما في ذلك السحب النقطية وصور العمق.
- النشر على Vertex AI باستخدام Docker: دليل مبسّط لتحويل نماذج YOLO إلى حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI، ويغطي الإنشاء والدفع والتوسّع التلقائي والمراقبة.
تحسين الاستدلال#
- الاستدلال المجزّأ باستخدام SAHI: دليل شامل للاستفادة من إمكانات الاستدلال المجزّأ في SAHI مع YOLO26 للكشف عن الأجسام في الصور عالية الدقة.
- أوضاع زمن الاستجابة ومعدل النقل في OpenVINO: تعرّف على تقنيات تحسين زمن الاستجابة ومعدل النقل لتحقيق أفضل أداء لاستدلال YOLO.
- المعالجة المسبقة على GPU باستخدام NVIDIA DALI: تخلّص من اختناقات المعالجة المسبقة على CPU عبر تنفيذ تغيير حجم letterbox في YOLO والحشو والتطبيع على GPU باستخدام NVIDIA DALI، مع التكامل مع خادم Triton للاستدلال.
- عزل أجسام التقسيم: وصفة خطوة بخطوة وشرح لكيفية استخراج الأجسام من الصور و/أو عزلها باستخدام التقسيم من Ultralytics.
- عرض صور الاستدلال في الطرفية: استخدم الطرفية المدمجة في VSCode لعرض نتائج الاستدلال عند استخدام جلسات Remote Tunnel أو SSH.
أجهزة الحوسبة الطرفية والمضمنة#
- NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
- Raspberry Pi: درس البدء السريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
- DeepStream على NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
- Edge TPU على Raspberry Pi: يسرّع Google Edge TPU استدلال YOLO على Raspberry Pi.
- NVIDIA DGX Spark: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA DGX Spark.
- DL Streamer على Intel: دليل البدء السريع 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 تتناوله أدلتنا بعد، فنشجعك على مشاركة خبرتك. تُعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا على جعل توثيقنا أشمل وأسهل استخدامًا.
للبدء، يُرجى قراءة دليل المساهمة للاطلاع على إرشادات فتح طلب سحب (PR). عند إضافة دليل جديد، ضعه ضمن الفئة أعلاه التي تناسب مرحلة مشروعه، واجعله من نوع صفحة واحد فقط — درسًا تعليميًا خطوة بخطوة، أو دليلًا إجرائيًا يركز على مهمة، أو مرجعًا — لتظل المجموعة سهلة التصفح مع نموها. نتطلع إلى مساهماتكم.
الأسئلة الشائعة#
إن تدريب نموذج مخصص لاكتشاف الأجسام باستخدام Ultralytics YOLO أمر سهل. ابدأ بتجهيز مجموعة البيانات بالتنسيق الصحيح وتثبيت حزمة Ultralytics. استخدم التعليمات البرمجية التالية لبدء التدريب:
مثالfrom ultralytics import YOLO model = YOLO("yolo26n.pt") # تحميل نموذج YOLO مدرَّب مسبقًا model.train(data="path/to/dataset.yaml", epochs=50) # التدريب على مجموعة بيانات مخصصةللاطلاع 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 المتوسط (mAP)، والتقاطع على الاتحاد (IoU)، ودرجة F1. تساعد هذه المقاييس على تقييم دقة الإحكام في مهام اكتشاف الأجسام. يمكنك معرفة المزيد عن هذه المقاييس وطرق تحسين نموذجك في دليل مقاييس أداء YOLO.
منصة Ultralytics منصة لا تتطلب كتابة التعليمات البرمجية، 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 وكيفية تبسيط سير عملك من خلال دليل البدء السريع الخاص بـمنصة Ultralytics.
تشمل المشكلات الشائعة أثناء تدريب نماذج YOLO أخطاء تنسيق البيانات وعدم توافق بنية النموذج وعدم كفاية بيانات التدريب. لمعالجة هذه المشكلات، تأكد من تنسيق مجموعة البيانات بشكل صحيح، وتحقق من توافق إصدارات النماذج، وزِد بيانات التدريب. للحصول على قائمة شاملة بالحلول، راجع دليل المشكلات الشائعة في YOLO.
يتطلب نشر نماذج YOLO على أجهزة طرفية مثل NVIDIA Jetson وRaspberry Pi تحويل النموذج إلى تنسيق متوافق، مثل TensorRT أو LiteRT. اتبع أدلتنا خطوة بخطوة لنشر النماذج على NVIDIA Jetson وRaspberry Pi للبدء بالكشف عن الأجسام في الوقت الفعلي على أجهزة الحوسبة الطرفية. سترشدك هذه الأدلة خلال التثبيت والإعداد وتحسين الأداء.