Ultralytics YOLO27:
Get Started

YOLO26 🚀 على AzureML#

ما Azure؟#

Azure هي منصة الحوسبة السحابية من Microsoft، وقد صُممت لمساعدة المؤسسات على نقل أعباء العمل من مراكز البيانات المحلية إلى السحابة. وبفضل طيف متكامل من الخدمات السحابية، بما في ذلك خدمات الحوسبة وقواعد البيانات والتحليلات وتعلّم الآلة والشبكات، يستطيع المستخدمون اختيار الخدمات المناسبة لتطوير تطبيقات جديدة وتوسيع نطاقها، أو تشغيل التطبيقات الحالية في السحابة العامة.

ما Azure Machine Learning (AzureML)؟#

Azure Machine Learning (AzureML) خدمة سحابية مُدارة بالكامل لإنشاء نماذج تعلّم الآلة وتدريبها ونشرها على نطاق واسع. وتوفر تعلّمًا آليًا مؤتمتًا، وتدريبًا للنماذج بالسحب والإفلات، وSDK لـ Python للتحكم الكامل في نماذجك برمجيًا.

كيف يفيد AzureML مستخدمي YOLO؟#

يتيح لك AzureML تدريب نماذج Ultralytics YOLO26 ونشرها في السحابة، بدءًا من النماذج الأولية السريعة وصولًا إلى عمليات التشغيل واسعة النطاق. ويمكنك من خلاله:

  • إدارة مجموعات البيانات الكبيرة والموارد الحاسوبية اللازمة للتدريب بسهولة.
  • الاستفادة من الأدوات المدمجة للمعالجة المسبقة للبيانات، واختيار السمات، وتدريب النماذج.
  • التعاون بكفاءة أكبر من خلال إمكانات عمليات تعلّم الآلة (MLOps)، بما يشمل، على سبيل المثال لا الحصر، مراقبة النماذج والبيانات وتدقيقها وإدارة إصداراتها.

ستجد في الأقسام التالية دليل بدء سريع يوضح كيفية تشغيل نماذج YOLO26 لاكتشاف الكائنات باستخدام AzureML، سواء من طرفية حوسبة أو من دفتر ملاحظات.

المتطلبات الأساسية#

قبل البدء، تأكد من إمكانية الوصول إلى مساحة عمل AzureML. إذا لم تكن لديك واحدة، فيمكنك إنشاء مساحة عمل AzureML جديدة باتباع الوثائق الرسمية لـ Azure. تعمل مساحة العمل هذه كمركز لإدارة جميع موارد AzureML.

إنشاء مثيل حوسبة#

من مساحة عمل AzureML، اختر Compute > Compute instances > New، ثم اختر المثيل الذي يتضمن الموارد التي تحتاج إليها.

Create Azure Compute Instance

البدء السريع من الطرفية#

شغّل الحوسبة وافتح طرفية:

Open Terminal

إنشاء بيئة افتراضية#

أنشئ بيئة افتراضية لـ conda وثبّت pip فيها:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
إصدار Python

توجد حاليًا مشكلات في التبعيات مع Python 3.13 على AzureML، لذا استخدم Python 3.12 بدلًا منه.

ثبّت التبعيات المطلوبة:

pip install ultralytics onnx

تنفيذ مهام YOLO26#

التنبؤ:

yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

درّب نموذج كشف لمدة 10 حقب:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10

يمكنك العثور على مزيد من التعليمات حول استخدام CLI الخاص بـ Ultralytics هنا.

البدء السريع من دفتر ملاحظات#

إنشاء نواة IPython جديدة#

افتح طرفية الحوسبة.

Open Terminal

من طرفية الحوسبة، أنشئ ipykernel جديدًا باستخدام Python 3.12، ليستخدمه دفتر الملاحظات في إدارة التبعيات:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo26env --display-name "yolo26env"

أغلق الطرفية وأنشئ دفتر ملاحظات جديدًا. ومن دفتر الملاحظات، اختر النواة التي أنشأتها للتو.

ثم افتح خلية في دفتر الملاحظات وثبّت التبعيات المطلوبة:

%%bash
source activate yolo26env
pip install ultralytics onnx
فعّل البيئة في كل خلية

شغّل source activate yolo26env في بداية كل خلية %%bash كي تستخدم الخلية البيئة المقصودة.

نفّذ بعض التنبؤات باستخدام CLI الخاص بـ Ultralytics:

%%bash
source activate yolo26env
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

أو باستخدام واجهة Python الخاصة بـ Ultralytics، مثلًا لتدريب النموذج:

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج YOLO26n رسمي⁩

# ⁨استخدام النموذج⁩
model.train(data="coco8.yaml", epochs=3)  # ⁨تدريب النموذج⁩
metrics = model.val()  # ⁨تقييم أداء النموذج على مجموعة التحقق⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨أجرِ التنبؤ على صورة⁩
path = model.export(format="onnx")  # ⁨تصدير النموذج بتنسيق ONNX⁩

يمكنك استخدام CLI الخاص بـ Ultralytics أو واجهة Python لتنفيذ مهام YOLO26. كما يصدّر مثال Python أعلاه النموذج المدرّب إلى ONNX لنشره.

باتباع هذه الخطوات، يمكنك تشغيل YOLO26 بسرعة على AzureML. لمزيد من سير العمل المتقدم، راجع وثائق AzureML.

استكشف المزيد باستخدام AzureML#

يشرح هذا الدليل أساسيات تشغيل YOLO26 على AzureML. وللتعمق أكثر، استكشف هذه الموارد:

الأسئلة الشائعة#

  • لتشغيل YOLO26 على AzureML لأغراض التدريب، أنشئ مثيل حوسبة، وأعدّ بيئة Conda، وثبّت Ultralytics، ثم نفّذ أمر التدريب:

    1. إنشاء مثيل حوسبة: من مساحة عمل AzureML، انتقل إلى Compute > Compute instances > New، واختر المثيل المطلوب.

    2. إعداد البيئة: ابدأ مثيل الحوسبة، وافتح طرفية، وأنشئ بيئة Conda باستخدام Python 3.12 (تواجه Python 3.13 حاليًا مشكلات في التبعيات على AzureML):

      conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
pip install ultralytics onnx

    3. تشغيل مهام YOLO26: استخدم واجهة سطر الأوامر من Ultralytics لتدريب نموذجك:

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10

    لمزيد من التفاصيل، يمكنك الرجوع إلى تعليمات استخدام واجهة سطر الأوامر من Ultralytics.

  • توفر AzureML منظومة متينة وفعالة لتدريب نماذج YOLO26:

    • قابلية التوسع: وسّع موارد الحوسبة بسهولة مع نمو بياناتك وازدياد تعقيد نموذجك.
    • تكامل عمليات تعلّم الآلة: استفد من ميزات مثل تعيين الإصدارات والمراقبة والتدقيق لتبسيط عمليات تعلّم الآلة.
    • التعاون: شارك الموارد وأدرها ضمن الفرق، بما يعزز سير العمل التعاوني.

    تجعل هذه المزايا AzureML منصة مثالية للمشاريع التي تتراوح بين النماذج الأولية السريعة وعمليات النشر واسعة النطاق. لمزيد من النصائح، راجع مهام AzureML.

  • لاستكشاف مشكلات YOLO26 على AzureML ومعالجتها، تحقق من تثبيت التبعيات، وتأكد من تفعيل بيئة Conda، ومن احتواء مثيل الحوسبة على موارد كافية:

    • مشكلات التبعيات: تأكد من تثبيت جميع الحزم المطلوبة باستخدام pip install ultralytics onnx.
    • إعداد البيئة: تحقق من تفعيل بيئة conda على النحو الصحيح قبل تشغيل الأوامر.
    • تخصيص الموارد: تأكد من أن مثيلات الحوسبة لديك تتوفر على موارد كافية للتعامل مع عبء التدريب.

    للحصول على إرشادات إضافية، راجع وثائق المشكلات الشائعة في YOLO.

  • نعم، تتيح لك AzureML استخدام كل من واجهة سطر الأوامر من Ultralytics وواجهة Python بسلاسة:

    • CLI: مثالية للمهام السريعة وتشغيل البرامج النصية القياسية مباشرةً من الطرفية.

      yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

    • واجهة Python: مفيدة للمهام الأكثر تعقيدًا التي تتطلب برمجة مخصصة وتكاملًا ضمن دفاتر الملاحظات.

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3)

    للاطلاع على تعليمات خطوة بخطوة، راجع دليل البدء السريع لواجهة CLI ودليل البدء السريع لواجهة Python.

  • يقدم Ultralytics YOLO26 عدة مزايا فريدة مقارنةً بنماذج اكتشاف الأجسام المنافسة:

    • السرعة: أوقات استدلال وتدريب أسرع مقارنةً بنماذج مثل Faster R-CNN وSSD.
    • الدقة: دقة عالية في مهام الاكتشاف بفضل ميزات مثل التصميم الخالي من المراسي واستراتيجيات التعزيز المحسّنة.
    • سهولة الاستخدام: واجهة API وواجهة CLI بديهيتان للإعداد السريع، ما يجعل استخدامهما متاحًا للمبتدئين والخبراء على حد سواء.

    لاستكشاف مزيد من ميزات YOLO26، تفضل بزيارة صفحة Ultralytics YOLO للاطلاع على معلومات مفصلة.

المساهمون
GLglenn-jocher12RAraimbekovm4PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

التعليقات