رؤية YOLO 2026:

YOLO26 🚀 على AzureML#

ما هي Azure؟#

Azure هي منصة الحوسبة السحابية الخاصة بمساحة العمل من Microsoft، والمميزة لمساعدة المؤسسات على نقل مهام العمل الخاصة بها إلى السحابة من مراكز البيانات المحلية. مع النطاق الكامل لخدمات السحابة، بما في ذلك خدمات الحوسبة وقواعد البيانات والتحليلات والتعلم الآلي والشبكات، يمكن للمستخدمين الاختيار من بين هذه الخدمات لتطوير وتوسيع نطاق التطبيقات الجديدة، أو تشغيل التطبيقات الحالية في السحابة العامة.

ما هي Azure Machine Learning (AzureML)؟#

Azure Machine Learning (AzureML) هي خدمة سحابية مدارة بالكامل لبناء وتدريب ونشر نماذج تعلم الآلة على نطاق واسع. وتوفر الخدمة إمكانيات تعلم الآلة المؤتمت، وتدريب النماذج عبر السحب والإفلات (drag-and-drop)، بالإضافة إلى Python SDK للتحكم البرمجي الكامل في نماذجك.

كيف يستفيد مستخدمو YOLO من AzureML؟#

تتيح لك AzureML تدريب ونشر نماذج Ultralytics YOLO26 في السحابة، بدءاً من النماذج الأولية السريعة وحتى عمليات التشغيل واسعة النطاق. وبواسطتها يمكنك:

  • إدارة مجموعات البيانات الكبيرة والموارد الحسابية للتدريب بسهولة.
  • استخدام أدوات مضمنة للمعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج.
  • التعاون بكفاءة أكبر مع إمكانيات MLOps (عمليات تعلم الآلة)، بما في ذلك على سبيل المثال لا الحصر، مراقبة النماذج والبيانات، وتدقيقها، وإصدار نسخ منها.

في الأقسام التالية، ستجد دليلاً سريعاً يوضح كيفية تشغيل نماذج اكتشاف الأشياء YOLO26 باستخدام AzureML، سواء من محطة الحوسبة (compute terminal) أو من مفكرة (notebook).

المتطلبات الأساسية#

قبل أن تبدأ، تأكد من حصولك على حق الوصول إلى مساحة عمل AzureML. إذا لم تكن تمتلك واحدة، يمكنك إنشاء مساحة عمل AzureML جديدة باتباع وثائق Azure الرسمية. تعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

إنشاء مثيل حوسبة (Compute Instance)#

من مساحة عمل AzureML الخاصة بك، اختر Compute > Compute instances > New، ثم اختر المثيل (instance) الذي يحتوي على الموارد التي تحتاجها.

Create Azure Compute Instance

بدء التشغيل السريع من المحطة الطرفية (Terminal)#

قم بتشغيل الحوسبة وافتح محطة طرفية (Terminal):

Open Terminal

إنشاء بيئة افتراضية#

أنشئ بيئة conda افتراضية وقم بتثبيت pip بداخلها:

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

يواجه Python 3.13 حالياً مشكلات في التبعيات (dependencies) على AzureML، لذا استخدم Python 3.12 بدلاً منه.

قم بتثبيت التبعيات المطلوبة:

pip install ultralytics onnx

تنفيذ مهام YOLO26#

التنبؤ:

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

تدريب نموذج اكتشاف لمدة 10 عصور (epochs) بمعدل تعلم ابتدائي 0.01:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

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

بدء التشغيل السريع من مفكرة (Notebook)#

إنشاء IPython kernel جديد#

افتح المحطة الطرفية (Terminal) الخاصة بالحوسبة.

Open Terminal

من محطة الحوسبة الطرفية، أنشئ ipykernel جديداً باستخدام Python 3.12، والذي ستستخدمه مفكرتك لإدارة 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 المحطة الطرفية وأنشئ مفكرة جديدة. من مفكرتك، اختر الـ kernel الذي تم إنشاؤه حديثاً.

ثم افتح خلية في المفكرة وقم بتثبيت التبعيات المطلوبة:

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

قم بتشغيل source activate yolo26env في أعلى كل خلية %%bash لكي تستخدم الخلية البيئة المقصودة.

قم بتشغيل بعض التنبؤات باستخدام واجهة سطر الأوامر من Ultralytics (CLI):

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

أو باستخدام واجهة Python من Ultralytics، على سبيل المثال لتدريب النموذج:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official YOLO26n model

# Use the model
model.train(data="coco8.yaml", epochs=3)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
path = model.export(format="onnx")  # export the model to ONNX format

يمكنك استخدام إما واجهة سطر الأوامر (CLI) أو واجهة Python الخاصة بـ Ultralytics لتشغيل مهام YOLO26. يقوم مثال Python أعلاه أيضاً بتصدير النموذج المدرب إلى ONNX للنشر.

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

استكشف المزيد مع AzureML#

يغطي هذا الدليل أساسيات تشغيل YOLO26 على AzureML. للمضي قدماً، استكشف هذه الموارد:

الأسئلة الشائعة#

  • لتشغيل YOLO26 على AzureML للتدريب، قم بإنشاء مثيل حوسبة، وأعد بيئة Conda، وثبّت Ultralytics، وقم بتشغيل أمر التدريب:

    1. إنشاء مثيل حوسبة (Compute Instance): من مساحة عمل AzureML، انتقل إلى Compute > Compute instances > New، وحدد المثيل المطلوب.

    2. إعداد البيئة: ابدأ تشغيل مثيل الحوسبة، وافتح محطة طرفية، وأنشئ بيئة Conda باستخدام Python 3.12 (يواجه Python 3.13 حالياً 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. تنفيذ مهام YOLO26: استخدم Ultralytics CLI لتدريب نموذجك:

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    لمزيد من التفاصيل، يمكنك الرجوع إلى التعليمات الخاصة باستخدام Ultralytics CLI.

  • يوفر AzureML نظاماً بيئياً قوياً وفعالاً لتدريب نماذج YOLO26:

    • القابلية للتوسع (Scalability): قم بتوسيع نطاق موارد الحوسبة بسهولة مع نمو بياناتك وتعقيد نموذجك.
    • تكامل MLOps: استفد من ميزات مثل إصدار النسخ، والمراقبة، والتدقيق لتبسيط عمليات تعلم الآلة.
    • التعاون: شارك وأدر الموارد داخل الفرق، مما يعزز سير العمل التعاوني.

    هذه المزايا تجعل من AzureML منصة مثالية للمشاريع التي تتراوح من النماذج الأولية السريعة إلى عمليات النشر واسعة النطاق. لمزيد من النصائح، تحقق من مهام AzureML.

  • لاستكشاف أخطاء YOLO26 وإصلاحها على AzureML، تحقق من تثبيت تبعياتك، وتأكد من تفعيل بيئة Conda، وتأكد من أن مثيل الحوسبة لديك يحتوي على موارد كافية:

    • مشاكل التبعية: تأكد من تثبيت جميع الحزم المطلوبة باستخدام pip install ultralytics onnx.
    • إعداد البيئة: تحقق من تفعيل بيئة conda الخاصة بك بشكل صحيح قبل تشغيل الأوامر.
    • تخصيص الموارد: تأكد من أن مثيلات الحوسبة لديك تمتلك موارد كافية للتعامل مع عبء عمل التدريب.

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

  • نعم، يسمح لك AzureML باستخدام كل من Ultralytics CLI وواجهة Python بسلاسة:

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

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

    • واجهة Python: مفيدة للمهام الأكثر تعقيداً التي تتطلب برمجة مخصصة وتكاملاً داخل المفكرات.

      from ultralytics import YOLO

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

    للحصول على تعليمات خطوة بخطوة، راجع دليل البدء السريع لـ CLI ودليل البدء السريع لـ Python.

  • يوفر Ultralytics YOLO26 العديد من المزايا الفريدة مقارنة بنماذج اكتشاف الأشياء المنافسة:

    • السرعة: أوقات استنتاج وتدريب أسرع مقارنة بنماذج مثل Faster R-CNN وSSD.
    • الدقة: دقة عالية في مهام الاكتشاف مع ميزات مثل التصميم الخالي من المراسي (anchor-free) واسترراتيجيات التزييد المحسنة.
    • سهولة الاستخدام: واجهة برمجة تطبيقات (API) و CLI بديهية للإعداد السريع، مما يجعلها في متناول المبتدئين والخبراء على حد سواء.

    لاكتشاف المزيد حول ميزات YOLO26، تفضل بزيارة صفحة Ultralytics YOLO للحصول على رؤى مفصلة.

المساهمون
GLglenn-jocher12RAraimbekovm3PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

التعليقات