دروس شاملة ل Ultralytics YOLO

مرحبا بكم في Ultralytics' YOLO 🚀 ادله! تغطي برامجنا التعليمية الشاملة جوانب مختلفة من YOLO نموذج الكشف عن الكائنات ، بدءا من التدريب والتنبؤ إلى النشر. مبني على PyTorch, YOLO تتميز بسرعتها ودقتها الاستثنائية في مهام الكشف عن الأشياء في الوقت الفعلي.

سواء كنت مبتدئا أو خبيرا في التعلم العميق ، تقدم برامجنا التعليمية رؤى قيمة حول تنفيذ وتحسين YOLO لمشاريع رؤية الكمبيوتر الخاص بك. دعنا نتعمق!

شاهد: Ultralytics YOLOv8 نظرة عامة على الأدلة

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 مقاييس ⭐ الأداء الأساسية: فهم المقاييس الرئيسية مثل نقاط mAP و IoU و F1 المستخدمة لتقييم أداء YOLO نماذج. يتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة الكشف وسرعته.
• خيارات نشر النموذج: نظرة عامة على YOLO تنسيقات نشر النماذج مثل ONNX, OpenVINOو TensorRT، مع إيجابيات وسلبيات لكل منها لإبلاغ استراتيجية النشر الخاصة بك.
• 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 الاستدلال 🚀 المبلط جديد: دليل شامل حول الاستفادة من قدرات الاستدلال الشرائح من SAHI مع YOLOv8 لاكتشاف الكائنات 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.
• 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 تكامل الخادم الاستدلالي 🚀 جديد: الغوص في تكامل Ultralytics YOLOv8 مع NVIDIA Triton خادم الاستدلال لعمليات نشر استدلال التعلم العميق القابلة للتطوير والفعالة.
• 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.
• المعالجة المسبقة للبيانات المشروحة 🚀 جديد: تعرف على المعالجة المسبقة لبيانات الصور وزيادتها في مشاريع الرؤية الحاسوبية باستخدام YOLOv8 ، بما في ذلك التطبيع، وزيادة مجموعة البيانات، والتقسيم، وتحليل البيانات الاستكشافية (EDA).
• نصائح لتدريب النماذج 🚀 جديد: استكشف نصائح حول تحسين أحجام الدفعات، 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 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("yolov8s.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=yolov8s.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 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؟

تتضمن المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء في تنسيق البيانات، وعدم تطابق بنية النموذج، وعدم كفاية بيانات التدريب. لمعالجة هذه المشكلات، 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 للحلول، 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 والتهيئة وتحسين الأداء.

التعليقات