دروس شاملة ل Ultralytics YOLO

Welcome to the Ultralytics' YOLO 🚀 Guides! Our comprehensive tutorials cover various aspects of the YOLO object detection model, ranging from training and prediction to deployment. Built on PyTorch, YOLO stands out for its exceptional speed and accuracy in real-time object detection tasks.

Whether you're a beginner or an expert in deep learning, our tutorials offer valuable insights into the implementation and optimization of YOLO for your computer vision projects. Let's dive in!

شاهد: Ultralytics YOLO11 Guides Overview

ادله

فيما يلي مجموعة من الأدلة المتعمقة لمساعدتك على إتقان جوانب مختلفة من Ultralytics YOLO.

• YOLO المشكلات ⭐ الشائعة الموصى بها: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعا عند التعامل معها Ultralytics YOLO نماذج.
• YOLO Performance Metrics ⭐ ESSENTIAL: Understand the key metrics like mAP, IoU, and F1 score used to evaluate the performance of your YOLO models. Includes practical examples and tips on how to improve detection accuracy and speed.
• Model Deployment Options: Overview of YOLO model deployment formats like ONNX, OpenVINO, and TensorRT, with pros and cons for each to inform your deployment strategy.
• التحقق من صحة 🚀 K-Fold NEW NEW: تعرف على كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتقاطع K-Fold.
• ضبط 🚀 المعلمات الفائقة جديد: اكتشف كيفية تحسينYOLO النماذج عن طريق ضبط المعلمات الفائقة باستخدام فئة الموالف وخوارزميات التطور الجيني.
• SAHI Tiled Inference 🚀 NEW: Comprehensive guide on leveraging SAHI's sliced inference capabilities with YOLO11 for object detection in high-resolution images.
• AzureML Quickstart 🚀 NEW: Get up and running with Ultralytics YOLO models on Microsoft's Azure Machine Learning platform. Learn how to train, deploy, and scale your object detection projects in the cloud.
• Conda Quickstart 🚀 NEW: دليل خطوة بخطوة لإعداد بيئة Conda ل Ultralytics. تعرف على كيفية تثبيت وبدء استخدام Ultralytics حزمة بكفاءة مع كوندا.
• Docker Quickstart 🚀 جديد: دليل كامل لإعداد واستخدام نماذج Ultralytics YOLO مع Docker. تعرّف على كيفية تثبيت Docker، وإدارة دعم GPU ، وتشغيل نماذج YOLO في حاويات معزولة للتطوير والنشر المتسق.
• التوت باي 🚀 جديد: البرنامج التعليمي التشغيل السريع لتشغيل YOLO نماذج لأحدث أجهزة Raspberry Pi.
• NVIDIA جيتسون 🚀 جديد: دليل البدء السريع لنشر النماذج YOLO على أجهزة NVIDIA جيتسون.
• DeepStream على NVIDIA جيتسون 🚀 جديد: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream و TensorRT.
• Triton Inference Server Integration 🚀 NEW: Dive into the integration of Ultralytics YOLO11 with NVIDIA's Triton Inference Server for scalable and efficient deep learning inference deployments.
• YOLO الاستدلال الآمن للخيط جديد: إرشادات لإجراء الاستدلال باستخدام 🚀 YOLO النماذج بطريقة آمنة للخيوط. تعرف على أهمية سلامة الخيط وأفضل الممارسات لمنع ظروف السباق وضمان تنبؤات متسقة.
• عزل كائنات 🚀 التجزئة جديد: وصفة خطوة بخطوة وشرح حول كيفية استخراج و / أو عزل الكائنات من الصور باستخدام Ultralytics تجزئه.
• الحافة TPU على راسبيري باي: Google يعمل Edge TPU على تسريع الاستدلال YOLO على Raspberry Pi.
• عرض صور الاستدلال في محطة طرفية: استخدم المحطة الطرفية المدمجة ل VSCode لعرض نتائج الاستدلال عند استخدام جلسات النفق البعيد أو SSH.
• OpenVINO أوضاع زمن الانتقال مقابل معدل النقل - تعرف على تقنيات تحسين زمن الوصول ومعدل النقل للذروة YOLO أداء الاستدلال.
• خطوات مشروع الرؤية الحاسوبية 🚀 جديد: تعرف على الخطوات الرئيسية التي ينطوي عليها مشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف واختيار النماذج وإعداد البيانات وتقييم النتائج.
• تحديد أهداف مشروع الرؤية الحاسوبية 🚀 جديد: تعرّف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية الخاص بك بشكل فعال. تعرّف على أهمية بيان المشكلة المحدد جيدًا وكيف ينشئ خارطة طريق لمشروعك.
• جمع البيانات والتعليق التوضيحي 🚀 جديد: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات والتعليق التوضيحي لإنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية الخاصة بك.
• Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLO11, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
• Tips for Model Training 🚀 NEW: Explore tips on optimizing batch sizes, using mixed precision, applying pre-trained weights, and more to make training your computer vision model a breeze.
• رؤى حول تقييم النماذج وصقلها 🚀 جديد: تعرّف على الاستراتيجيات وأفضل الممارسات لتقييم نماذج الرؤية الحاسوبية وصقلها. تعرف على العملية التكرارية لتحسين النماذج لتحقيق أفضل النتائج.
• دليل حول اختبار الن ماذج 🚀 جديد: دليل شامل حول اختبار نماذج الرؤية الحاسوبية في إعدادات واقعية. تعلم كيفية التحقق من الدقة والموثوقية والأداء بما يتماشى مع أهداف المشروع.
• أفضل الممارسات لنشر النماذج 🚀 جديد: الاطلاع على النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
• الحفاظ على نموذج الرؤية الحاسوبية الخاص بك 🚀 جديد: فهم الممارسات الأساسية لمراقبة نماذج الرؤية الحاسوبية وصيانتها وتوثيقها لضمان الدقة واكتشاف الحالات الشاذة والحد من انحراف البيانات.
• ROS Quickstart 🚀 جديد: تعرّف على كيفية دمج YOLO مع نظام تشغيل الروبوت (ROS) لاكتشاف الأجسام في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك الصور السحابية النقطية وصور العمق.

ساهم في أدلةنا

نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبا معينا من Ultralytics YOLO لم يتم تغطية ذلك بعد في أدلةنا ، فنحن نشجعك على مشاركة خبرتك. تعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولا وسهولة في الاستخدام.

للبدء ، يرجى قراءة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR). 🛠️ نحن نتطلع إلى مساهماتك!

دعونا نعمل معا لجعل Ultralytics YOLO النظام البيئي أكثر قوة وتنوعا 🙏!

الأسئلة المتداولة

كيف يمكنني تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO ؟

يعد تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO أمرًا بسيطًا ومباشرًا. ابدأ بإعداد مجموعة بياناتك بالتنسيق الصحيح وتثبيت الحزمة Ultralytics . استخدم الكود التالي لبدء التدريب:

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 مفصّل لمجموعة البيانات وخيارات إضافية، راجع دليل نصائح للتدريب على النماذج.

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

Evaluating your YOLO model performance is crucial to understanding its efficacy. Key metrics include Mean Average Precision (mAP), Intersection over Union (IoU), and F1 score. These metrics help assess the accuracy and precision of object detection tasks. You can learn more about these metrics and how to improve your model in our YOLO Performance Metrics guide.

لماذا يجب استخدام Ultralytics HUB لمشاريع الرؤية الحاسوبية الخاصة بي؟

Ultralytics HUB عبارة عن منصة لا تعتمد على التعليمات البرمجية تعمل على تبسيط إدارة نماذج YOLO وتدريبها ونشرها. وهي تدعم التكامل السلس والتتبع في الوقت الفعلي والتدريب السحابي، مما يجعلها مثالية للمبتدئين والمحترفين على حد سواء. اكتشف المزيد حول ميزاته وكيف يمكنه تبسيط سير عملك من خلال دليل البدء السريع Ultralytics HUB.

ما هي المشكلات الشائعة التي تواجهها أثناء التدريب على نموذج YOLO ، وكيف يمكنني حلها؟

Common issues during YOLO model training include data formatting errors, model architecture mismatches, and insufficient training data. To address these, ensure your dataset is correctly formatted, check for compatible model versions, and augment your training data. For a comprehensive list of solutions, refer to our YOLO Common Issues guide.

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

يتطلب نشر نماذج YOLO على أجهزة الحافة مثل NVIDIA Jetson و Raspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو TFLite. اتبع إرشاداتنا الإرشادية خطوة بخطوة لعمليات نشر NVIDIA Jetson و Raspberry Pi لبدء استخدام الكشف عن الكائنات في الوقت الفعلي على الأجهزة المتطورة. ستوجهك هذه الأدلة خلال التثبيت والتهيئة وتحسين الأداء.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات