تخطي إلى المحتوى

برامج تعليمية شاملة لـ Ultralytics YOLO

مرحبًا بك في Ultralytics' YOLO 🚀 الأدلة! تغطي دروسنا التعليمية الشاملة جوانب مختلفة من نموذجالكشف عن الأجسام YOLO ، بدءاً من التدريب والتنبؤ إلى النشر. بنيت على PyTorchYOLO يتميز بسرعته ودقته الاستثنائية في مهام اكتشاف الأجسام في الوقت الفعلي.

سواءً كنت مبتدئًا أو خبيرًا في التعلّم العميق، تقدم دروسنا التعليمية رؤى قيّمة حول تنفيذ وتحسين YOLO لمشاريع الرؤية الحاسوبية الخاصة بك. دعنا نتعمق!



شاهد: Ultralytics YOLO11 نظرة عامة على الأدلة

أدلة إرشادية

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

  • YOLO المشكلات الشائعة ⭐ موصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعًا عند العمل مع الطرازات Ultralytics YOLO .
  • YOLO مقاييس الأداء ⭐ أساسي: فهم المقاييس الرئيسية مثل mAP وIoU ودرجة F1 المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. يتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة وسرعة الكشف.
  • خيارات نشر النماذج: نظرة عامة على تنسيقاتنشر نموذج YOLO مثل ONNX و OpenVINO و TensorRT ، مع إيجابيات وسلبيات كل منها لإبلاغ استراتيجية النشر الخاصة بك.
  • المصادقة التبادلية K-Fold Cross Validation 🚀 جديد: تعرف على كيفية تحسين تعميم النموذج باستخدام تقنية المصادقة التبادلية K-Fold.
  • ضبط المعلمات الفائقة 🚀 جديد: اكتشف كيفية تحسين نماذج YOLO الخاصة بك عن طريق ضبط المعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
  • استنتاج SAHI Tiled Inference 🚀 جديد: دليل شامل حول الاستفادة من إمكانات الاستدلال المقطعي في SAHI مع YOLO11 لاكتشاف الأجسام في الصور عالية الدقة.
  • AzureML كويكستارت 🚀 جديد: ابدأ العمل مع نماذج Ultralytics YOLO على منصة أزور لتعلم الآلة Microsoft. تعلم كيفية تدريب مشاريع اكتشاف الكائنات ونشرها وتوسيع نطاقها في السحابة.
  • كوندا كويكستارت 🚀 جديد: دليل تفصيلي لإعداد بيئة كوندا Ultralytics. تعلم كيفية تثبيت وبدء استخدام الحزمة Ultralytics 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.
  • Raspberry Pi 🚀 جديد: برنامج تعليمي سريع البدء لتشغيل نماذج YOLO على أحدث 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 تكامل الخادم الاستدلالي 🚀 جديد: الغوص في تكامل Ultralytics YOLO11 مع NVIDIA Triton خادم الاستدلال لعمليات نشر استدلال التعلم العميق القابلة للتطوير والفعالة.
  • YOLO الاستدلال الآمن الترابطي 🚀 جديد: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة ترابطية. تعرّف على أهمية سلامة سلاسل الرسائل وأفضل الممارسات لمنع حالات السباق وضمان اتساق التنبؤات.
  • عزل كائنات التجزئة 🚀 جديد: وصفة وشرح خطوة بخطوة حول كيفية استخراج و/أو عزل الكائنات من الصور باستخدام Ultralytics التجزئة.
  • الحافة TPU على راسبيري باي: Google يعمل Edge TPU على تسريع الاستدلال YOLO على Raspberry Pi.
  • عرض صور الاستدلال في محطة طرفية: استخدم محطة VSCode الطرفية المدمجة لعرض نتائج الاستدلال عند استخدام النفق البعيد أو جلسات SSH.
  • OpenVINO الكمون مقابل أوضاع الإنتاجية - تعرف على تقنيات تحسين الكمون والإنتاجية للحصول على أعلى أداء للاستدلال YOLO .
  • 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.
  • المعالجة المسبقة للبيانات المشروحة 🚀 جديد: تعرف على المعالجة المسبقة لبيانات الصور وزيادتها في مشاريع الرؤية الحاسوبية باستخدام YOLO11 ، بما في ذلك التطبيع، وزيادة مجموعة البيانات، والتقسيم، وتحليل البيانات الاستكشافية (EDA).
  • نصائح لتدريب النماذج 🚀 جديد: استكشف نصائح حول تحسين أحجام الدُفعات واستخدام الدقة المختلطة وتطبيق أوزان مدربة مسبقًا والمزيد لجعل تدريب نموذج الرؤية الحاسوبية الخاص بك أمرًا سهلاً.
  • 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 النماذج 🚀 جديد: دليل شامل حول اختبار نماذج الرؤية الحاسوبية الخاصة بك 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 الرئيسية 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.

المساهمة في أدلتنا الإرشادية

نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبًا معينًا من جوانب Ultralytics YOLO لم يتم تغطيته بعد في أدلةنا، فنحن نشجعك على مشاركة خبرتك. تعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولاً وسهولة في الاستخدام.

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

دعونا نعمل معًا لجعل النظام البيئي Ultralytics YOLO أكثر قوة وتنوعًا 🙏!

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 ومباشرًا. ابدأ بإعداد مجموعة بياناتك بالتنسيق الصحيح وتثبيت الحزمة Ultralytics . استخدم الكود التالي لبدء التدريب:

مثال على ذلك

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؟

يُعد تقييم أداء نموذج YOLO الخاص بك أمرًا بالغ الأهمية لفهم فعاليته. تتضمن المقاييس الرئيسية متوسط الدقة (mAP)، والتقاطع على الاتحاد (IoU)، ودرجة F1. تساعد هذه المقاييس في تقييم دقة ودقة مهام اكتشاف الكائنات. يمكنك معرفة المزيد حول هذه المقاييس وكيفية تحسين نموذجك في دليل مقاييس الأداءYOLO الخاص بنا.

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 لكل من المبتدئين والمحترفين. 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؟

تتضمن المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء في تنسيق البيانات، وعدم تطابق بنية النموذج، وعدم كفاية بيانات التدريب. لمعالجة هذه المشاكل، تأكد من تنسيق مجموعة البيانات الخاصة بك بشكل صحيح، وتحقق من وجود إصدارات نموذجية متوافقة، وقم بزيادة بيانات التدريب الخاصة بك. للحصول على قائمة شاملة بالحلول، راجع دليل المشكلات الشائعةYOLO .

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 والتكوين وتحسين الأداء.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 2 شهر
ألترالتيكسيستانتست غلين-جوتشر ماثيو نويس أبيرامي-فينا لاكشانثاد طموح-أخطبوط رضوان منور برهان-ق أوفي

التعليقات