YOLO Vision 2026:

دروس شاملة لـ Ultralytics YOLO#

مرحباً بك في دليل YOLO من Ultralytics. تغطي دروسنا الشاملة جوانب مختلف نموذج YOLO لـ object detection، بدءاً من التدريب والتنبؤ وحتى النشر. بفضل بنائه على PyTorch، يبرز YOLO بسرعته الاستثنائية وaccuracy في مهام اكتشاف الكائنات في الوقت الفعلي.

سواء كنت مبتدئاً أو خبيراً في deep learning، تقدم دروسنا رؤى قيّمة حول تنفيذ وتحسين YOLO لمشاريع computer vision الخاصة بك.



Watch: Ultralytics YOLO26 Guides Overview

الأدلة#

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.

البدء والتخطيط#

  • Conda Quickstart: دليل خطوة بخطوة لإعداد بيئة Conda لـ Ultralytics. تعلم كيفية تثبيت وبدء استخدام حزمة Ultralytics بكفاءة مع Conda.
  • Docker Quickstart: دليل شامل لإعداد واستخدام نماذج Ultralytics YOLO مع Docker. تعلم كيفية تثبيت Docker، وإدارة دعم وحدة معالجة الرسومات (GPU)، وتشغيل نماذج YOLO في حاويات معزولة لتطوير ونشر متسقين.
  • AzureML Quickstart: ابدأ العمل مع نماذج Ultralytics YOLO على منصة Machine Learning التابعة لمايكروسوفت Azure. تعلم كيفية تدريب ونشر وتوسيع نطاق مشاريع اكتشاف الكائنات الخاصة بك في السحابة.
  • Modal Quickstart: قم بتشغيل YOLO26 من Ultralytics على منصة Modal السحابية بدون سرفر، والتي تغطي المصادقة، واستدلال وحدة معالجة الرسومات (GPU)، ومهام التدريب مع تخزين دائم — دون الحاجة لإدارة البنية التحتية.
  • Defining A Computer Vision Project's Goals: استعرض كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع الرؤية الحاسوبية الخاص بك بفعالية. تعرف على أهمية بيان المشكلة المحدد جيداً وكيف ينشئ خارطة طريق لمشروعك.
  • Steps of a Computer Vision Project: تعرف على الخطوات الأساسية المضمنة في مشروع الرؤية الحاسوبية، بما في ذلك تحديد الأهداف، واختيار النماذج، وإعداد البيانات، وتقييم النتائج.
  • YOLO Architecture Explained: تتبع كيف تطورة هندسة YOLO من YOLOv3 إلى YOLO26 عبر الهيكل الأساسي (backbone)، والعنق (neck)، ورأس الاكتشاف (detection head)، لتغطي C2f، وC3k2، وانتباه C2PSA، والتصميم الخالي من المراسي (anchor-free)، والتصميم الخالي من NMS (NMS-free).

تجهيز بياناتك#

  • Data Collection and Annotation: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات وتسميتها لإنشاء مدخلات عالية الجودة لنماذج الرؤية الحاسوبية الخاصة بك.
  • Preprocessing Annotated Data: تعرّف على معالجة البيانات المسبقة للرؤية الحاسوبية باستخدام YOLO26، بما في ذلك تغيير حجم الصور، والتطبيع، وتقسيم مجموعات البيانات، وتعزيز البيانات، وتحليل البيانات الاستكشافي (EDA).
  • YOLO Data Augmentation: أتقن النطاق الكامل لتقنيات تعزيز البيانات في YOLO، بدءاً من التحولات الأساسية وحتى الاستراتيجيات المتقدمة لتحسين متانة النموذج وأدائه.
  • COCO to YOLO Conversion: دليل شامل لتحويل تعليقات COCO JSON إلى تنسيق YOLO للتدريب. يغطي الاكتشاف، والتقسيم (segmentation)، والنقاط الرئيسية (keypoints)، بما في ذلك تعيين معرف الفئة وعقبات التحويل الشائعة.
  • COCO JSON Training: قم بتدريب YOLO مباشرة على تعليقات COCO JSON دون التحويل إلى تنسيق YOLO، باستخدام فئة مجموعة بيانات مخصصة ومُدرِّب (trainer).

التدريب والضبط الدقيق#

  • Tips for Model Training: استكشف نصائح حول تحسين batch sizes، واستخدام mixed precision، وتطبيق الأوزان المُدربة مسبقاً، والمزيد لجعل تدريب نموذج الرؤية الحاسوبية الخاص بك أمراً في غاية السهولة.
  • Fine-Tuning YOLO on Custom Data: دليل شامل لضبط نموذج YOLO26 بدقة على مجموعات بيانات مخصصة باستخدام الأوزان المُدربة مسبقاً، ويغطي التعلم النقلي، وتجميد الطبقات، واختيار المُحسِّن، والتدريب على مرحلتين، واستكشاف الأخطاء وإصلاحها.
  • YOLO26 Training Recipe: توثيق كامل للمعلمات الفائقة (hyperparameters)، وخطوط أنابيب التعزيز، وإعدادات المُحسِّن المستخدمة لتدريب نقاط التحقق الأساسية الرسمية لـ YOLO26 على COCO، مع إرشادات عملية للضبط الدقيق.
  • Hyperparameter Tuning: اكتشف كيف تحسن نماذج YOLO الخاصة بك عن طريق ضبط المعلمات الفائقة بدقة باستخدام فئة Tuner خوارزميات التطور الجيني.
  • Knowledge Distillation: تعلم كيفية تحسين أداء النموذج من خلال نقل المعرفة من نموذج معلم أكبر إلى نموذج طالب أصغر باستخدام التقطير القائم على الميزات.
  • K-Fold Cross Validation: تعلم كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتبادل K-Fold.
  • Customizing Trainer: تعلم كيفية إنشاء فئة فرعية من مُدرِّب YOLO لتسجيل مقاييس مخصصة، وإضافة خسارة مرجحة بالفئة، وتخصيص حفظ النموذج، وتجميد/إلغاء تجميد الهيكل الأساسي، وتحديد معدلات التعلم لكل طبقة.
  • Model YAML Configuration Guide: نظرة عميقة وشاملة في تعريفات هندسة نماذج Ultralytics. استكشف تنسيق YAML، وافهم نظام دمج الوحدات، وتعلم كيفية دمج الوحدات المخصصة بسلاسة.

التقييم واستكشاف الأخطاء وإصلاحها#

  • YOLO Performance Metrics ⭐ ESSENTIAL: افهم المقاييس الأساسية مثل mAP وIoU وF1 score المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. يتضمن أمثلة عملية ونقاطاً حول كيفية تحسين دقة الاكتشاف والسرعة.
  • Insights on Model Evaluation and Fine-Tuning: قم بتقييم نماذج الرؤية الحاسوبية باستخدام مقاييس مثل mAP وIoU، ثم قم بضبط معلمات التدريب مثل الإحماء لمعدل التعلم (learning-rate warmup) لتحسين دقة الاكتشاف.
  • Model Testing: تعلم كيفية اختبار نماذج الرؤية الحاسوبية على بيانات غير مرئية، والتحقق من صحة نماذج YOLO26، واكتشاف فرط التخصيص (overfitting)، ونقص التخصيص (underfitting)، وتسريب البيانات قبل النشر.
  • YOLO Common Issues ⭐ RECOMMENDED: حلول عملية ونصفات لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعاً عند العمل مع نماذج Ultralytics YOLO.
  • Maintaining Your Computer Vision Model: افهم الممارسات الأساسية لمراقبة نماذج الرؤية الحاسوبية وصيانتها وتوثيقها لضمان الدقة، ورصد الحالات الشاذة، والتخفيف من حدة انحراف البيانات (data drift).

النشر والخدمة#

  • Model Deployment Options: نظرة عامة على تنسيقات model deployment لـ YOLO مثل ONNX وOpenVINO وTensorRT، مع إيجابيات وسلبيات كل منها لإعلام استراتيجية النشر الخاصة بك.
  • Best Practices for Model Deployment: تصفح النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع الرؤية الحاسوبية، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
  • Export Non-YOLO Models: استخدم أدوات التصدير المستقلة من Ultralytics لتحويل أي torch.nn.Module (timm أو torchvision أو مخصص) إلى ONNX أو TorchScript أو OpenVINO أو CoreML أو NCNN أو MNN أو PaddlePaddle أو ExecuTorch أو TensorFlow SavedModel.
  • End-to-End Detection: افهم الاكتشاف الشامل الخالي من NMS في YOLO26، وتوافق التصدير، وتغييرات تنسيق الإخراج، وكيفية الترحيل من نماذج YOLO الأقدم.
  • Triton Inference Server Integration: تعمق في دمج YOLO26 من Ultralytics مع خادم الاستدلال Triton من NVIDIA لعمليات نشر استدلال تعلم عميق قابلة للتطوير وعالية الكفاءة.
  • YOLO Thread-Safe Inference: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة للمسارات (thread-safe). تعلم أهمية أمان المسارات وأفضل الممارسات لمنع ظروف السباق (race conditions) وضمان تنبؤات متسقة.
  • ROS Quickstart: تعلم كيفية دمج YOLO مع نظام تشغيل الروبوتات (ROS) لاكتشاف الكائنات في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك سحاب النقاط (Point Cloud) وصور العمق (Depth images).
  • Vertex AI Deployment with Docker: دليل مُبسط لوضع نماذج YOLO في حاويات باستخدام Docker ونشرها على Google Cloud Vertex AI — يغطي الإنشاء، والدفع (push)، والتوسع التلقائي، والمراقبة.

تحسين الاستدلال#

  • SAHI Tiled Inference: دليل شامل حول الاستفادة من إامكانيات الاستدلال المقسم لـ SAHI مع YOLO26 لاكتشاف الكائنات في الصور عالية الدقة.
  • OpenVINO Latency vs Throughput Modes: تعلم تقنيات تحسين زمن الوصول (latency) والإنتاجية (throughput) لتحقيق ذروة أداء استدلال YOLO.
  • NVIDIA DALI GPU Preprocessing: تخلص من اختناقات المعالجة المسبقة لوحدة المعالجة المركزية (CPU) من خلال تشغيل تغيير حجم حرف التشكيل letterbox والتوسيع والتطبيع لـ YOLO على وحدة معالجة الرسومات (GPU) باستخدام NVIDIA DALI، مع تكامل خادم الاستدلال Triton.
  • Isolating Segmentation Objects: وصفة وشرح خطوة بخطوة حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام تقسيم (Segmentation) Ultralytics.
  • View Inference Images in a Terminal: استخدم المحطة الطرفية المدمجة في VSCode لعرض نتائج الاستدلال عند استخدام جلسات Remote Tunnel أو SSH.

الأجهزة الطرفية والمدمجة#

  • NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
  • Raspberry Pi: برنامج تعليمي للبدء السريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
  • DeepStream on NVIDIA Jetson: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream وTensorRT.
  • Edge TPU on Raspberry Pi: يعمل Google Edge TPU على تسريع استدلال YOLO على Raspberry Pi.
  • NVIDIA DGX Spark: دليل البدء السريع 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 وOpenVINO™.

ساهم 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 Contributing Guide للحصول على إرشادات حول كيفية فتح طلب سحب (PR). عند إضافة دليل جديد، ضعه ضمن الفئة أعلاه التي تتطابق مع مرحلة مشروعه واجعله يقتصر على نوع صفحة واحد — برنامج تعليمي خطوة بخطوة، أو دليل كيفي تركيبي يركز على المهام، أو مرجع — بحيث تظل المجموعة سهلة التصفح مع نموها. نحن نتطلع إلى مساهماتكم.

الأسئلة الشائعة#

  • 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:

    مثال
    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 دليلنا Tips for Model Training.

  • يعد تقييم أداء نموذج YOLO الخاص بك أمراً بالغ الأهمية لفهم فعاليته. تتضمن المقاييس الرئيسية Mean Average Precision (mAP) وIntersection over Union (IoU) وF1 score. تساعد هذه المقاييس في تقييم دقة precision ومهام اكتشاف الكائنات. يمكنك معرفة المزيد حول هذه المقاييس وكيفية تحسين نموذجك في دليلنا YOLO Performance Metrics.

  • منصة Ultralytics Platform هي منصة بدون برمجة (no-code) تبسط 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 Ultralytics Platform.

  • تشمل المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء تنسيق البيانات، وعدم تطابق هندسة النموذج، وعدم كفاية training data. 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 دليلنا YOLO Common Issues.

  • يتطلب نشر نماذج YOLO على الأجهزة الطرفية (edge devices) مثل NVIDIA Jetson وRaspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو LiteRT. اتبع أدلتنا خطوة بخطوة لعمليات النشر على NVIDIA Jetson وRaspberry Pi للبدء في اكتشاف الكائنات في الوقت الفعلي على الأجهزة الطرفية. ستقودك هذه الأدلة خلال التثبيت والتكوين وتحسين الأداء.

المساهمون
GLglenn-jocher21RAraimbekovm14RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

التعليقات