الأسئلة الشائعة حول Ultralytics YOLO (FAQ)#

تعد Ultralytics شركة ذكاء اصطناعي متخصصة في computer vision ومتخصصة في أحدث طرازات اكتشاف الكائنات وimage segmentation، مع التركيز على عائلة YOLO (You Only Look Once). تشمل عروضهم:

• تنفيذات مفتوحة المصدر لـ YOLO26 (الأحدث) و YOLO11 (الجيل السابق)
• مجموعة واسعة من النماذج المدربة مسبقًا لمهام الرؤية الحاسوبية المختلفة
• حزمة Python شاملة للتكامل السلس لنماذج YOLO في المشاريع
• أدوات متعددة الاستخدامات لتدريب النماذج واختبارها ونشرها
• توثيق شامل ومجتمع داعم

تثبيت حزمة Ultralytics مباشر باستخدام pip:

pip install ultralytics

للحصول على أحدث إصدار تطويري، قم بالتثبيت مباشرة من مستودع GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

يمكن العثور على تعليمات التثبيت التفصيلية في دليل البدء السريع.

الحد الأدنى من المتطلبات:

• Python 3.8+
• PyTorch 1.8+
• وحدة معالجة رسومات (GPU) متوافقة مع CUDA (لتسريع الأداء)

الإعداد الموصى به:

• Python 3.8+
• PyTorch 1.10+
• وحدة معالجة رسومات NVIDIA مع CUDA 11.2+
• ذاكرة وصول عشوائي (RAM) بسعة 8 جيجابايت أو أكثر
• مساحة قرص فارغة بسعة 50 جيجابايت أو أكثر (لتخزين مجموعات البيانات وتدريب النماذج)

لاستكشاف المشكلات الشائعة وإصلاحها، تفضل بزيارة صفحة المشكلات الشائعة في YOLO.

لتدريب نموذج YOLO مخصص:

1. قم بإعداد مجموعة البيانات الخاصة بك بتنسيق YOLO format (الصور وملفات النص المقابلة للتسميات txt).

2. أنشئ ملف YAML يصف بنية مجموعة البيانات والفئات الخاصة بك (راجع مثال dataset YAML).

3. استخدم كود Python التالي لبدء التدريب:

   from ultralytics import YOLO
   
   # Load a model
   model = YOLO("yolo26n.yaml")  # build a new model from scratch
   model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
   
   # Train the model
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

للحصول على دليل أكثر تعمقًا، بما في ذلك إعداد البيانات وخيارات التدريب المتقدمة، راجع دليل التدريب الشامل.

تقدم Ultralytics مجموعة متنوعة من النماذج المدربة مسبقاً لمهام مختلفة:

• اكتشاف الكائنات: YOLO26n، YOLO26s، YOLO26m، YOLO26l، YOLO26x
• تجزيء المثيلات: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• التجزيء الدلالي: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
• تقدير العمق: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
• التصنيف: YOLO26n-cls، YOLO26s-cls، YOLO26m-cls، YOLO26l-cls، YOLO26x-cls
• تقدير الوضع: YOLO26n-pose، YOLO26s-pose، YOLO26m-pose، YOLO26l-pose، YOLO26x-pose
• الاكتشاف الموجه (OBB): YOLO26n-obb، YOLO26s-obb، YOLO26m-obb، YOLO26l-obb، YOLO26x-obb

تختلف هذه النماذج في الحجم والتعقيد، مما يوفر مقايضات مختلفة بين السرعة والدقة. استكشف النطاق الكامل لـالنماذج المدربة مسبقًا للعثور على الأنسب لمشروعك.

لإجراء الاستنتاج باستخدام نموذج مدرب:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

خيارات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة واستدلال الفيديو، راجع دليل التنبؤ المفصل.

بالتأكيد! تم تصميم نماذج Ultralytics للنشر متعدد الاستخدامات عبر منصات مختلفة:

• أجهزة الحافة: تحسين الاستنتاج على أجهزة مثل NVIDIA Jetson أو Intel Neural Compute Stick باستخدام TensorRT أو ONNX أو OpenVINO.
• الهواتف المحمولة: قم بالنشر على أجهزة Android أو iOS عن طريق تحويل النماذج إلى LiteRT أو CoreML.
• السحابة: استَفِد من الأطر مثل TensorFlow Serving أو PyTorch Serve لنشريات سحابية قابلة للتوسع.
• الويب: نفذ الاستدلال داخل المتصفح باستخدام LiteRT.js أو ONNX.js.

توفر Ultralytics وظائف تصدير لتحويل النماذج إلى تنسيقات مختلفة للنشر. استكشف النطاق الواسع لـخيارات النشر للعثور على الحل الأفضل لحالة الاستخدام الخاص بك.

تشمل الفروق الرئيسية ما يلي:

• استدلال خالٍ من NMS من البداية إلى النهاية: يعتبر YOLO26 مستقلاً تماماً من البداية إلى النهاية، حيث ينتج التنبؤات مباشرة دون كبح الحد الأقصى غير (NMS)، مما يقلل من زمن الانتقال ويسهل النشر.
• إزالة DFL: يزيل YOLO26 وحدة Distribution Focal Loss، مما يبسط عملية التصدير ويحسن التوافق مع أجهزة الحافة والأجهزة منخفضة الطاقة.
• محسن MuSGD: مزيج هجين من SGD و Muon (مستوحى من Kimi K2 لشركة Moonshot AI) لتدريب أكثر استقراراً وتقارب أسرع.
• أداء وحدة المعالجة المركزية (CPU): يوفر YOLO26 استنتاجاً أسرع بنسبة تصل إلى 43% على CPU، مما يجعله مثالياً للأجهزة التي لا تحتوي على وحدات GPU.
• تحسينات خاصة بالمهمة: تقسيم معزز مع الخسارة الدلالية (semantic loss) والـ protos متعددة النطاق، و RLE لتقدير الوضع بدقة، وفك تشفير OBB محسن مع خسارة الزاوية (angle loss).
• المهام: يدعم كلا النموذجين اكتشاف الكائنات وتجزيء المثيلات، بينما يضيف YOLO26 أيضًا التجزيء الدلالي للتنبؤ المكثف على مستوى البكسل وتقدير العمق الأحادي للعمق لكل بكسل. يدعم كلا النموذجين أيضًا التصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجهة (OBB) في إطار عمل موحد.

للحصول على مقارنة متعمقة للميزات ومقاييس الأداء، تفضل بزيارة صفحة وثائق YOLO26.

تعد المساهمة في Ultralytics طريقة رائعة لتحسين المشروع وتوسيع مهاراتك. إليك كيف يمكنك المشاركة:

1. قم بعمل Fork لمستودع Ultralytics على GitHub.
2. قم بإنشاء فرع جديد لميزتك أو إصلاح الخطأ الخاص بك.
3. قم بإجراء تغييراتك وتأكد من اجتياز جميع الاختبارات.
4. أرسل طلب سحب (pull request) مع وصف واضح لتغييراتك.
5. شارك في عملية مراجعة الكود.

يمكنك أيضًا المساهمة من خلال الإبلاغ عن الأخطاء، أو اقتراح الميزات، أو تحسين الوثائق. للحصول على إرشادات تفصيلية وأفضل الممارسات، راجع دليل المساهمة.

تثبيت حزمة Ultralytics في Python بسيط. استخدم pip عن طريق تشغيل الأمر التالي في محطتك أو موجه الأوامر:

pip install ultralytics

للحصول على أحدث إصدار تطويري، قم بالتثبيت مباشرة من مستودع GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

للحصول على تعليمات التثبيت الخاصة بالبيئة ونصفائح استكشاف الأخطاء وإصلاحها، راجع دليل البدء السريع الشامل.

يتميز Ultralytics YOLO بمجموعة غنية من الميزات لمهام الرؤية الحاسوبية المتقدمة:

• الاكتشاف في الوقت الفعلي: اكتشاف وتصنيف الكائنات بكفاءة في سيناريوهات الوقت الفعلي.
• إمكانيات المهام المتعددة: تنفيذ اكتشاف الكائنات، تجزيء المثيلات، التجزيء الدلالي، تقدير العمق الأحادي، التصنيف، تقدير الوضعية، واكتشاف الكائنات الموجهة (OBB) باستخدام إطار عمل موحد.
• النماذج المدربة مسبقًا: الوصول إلى مجموعة متنوعة من النماذج المدربة مسبقًا التي توازن بين السرعة والدقة لحالات الاستخدام المختلفة.
• التدريب المخصص: قم بضبط النماذج بسهولة على مجموعات البيانات المخصصة باستخدام خط أنابيب التدريب المرن.
• خيارات النشر الواسعة: تصدير النماذج إلى تنسيقات مختلفة مثل TensorRT و ONNX و CoreML للنشر عبر منصات مختلفة.
• التوثيق الشامل: استفد من التوثيق الشامل والمجتمع الداعم لسير عمل الرؤية الحاسوبية الخاص بك.

يمكن تحقيق تعزيز أداء نموذج YOLO الخاص بك من خلال عدة تقنيات:

1. ضبط المعلمات الفائقة: قم بالتجربة مع المعلمات الفائقة المختلفة باستخدام دليل ضبط المعلمات الفائقة لتحسين أداء النموذج.
2. تعزيز البيانات: تنفيذ تقنيات مثل الانعكاس، القياس، التدوير، وتعديلات الألوان لتحسين مجموعة بيانات التدريب الخاصة بك وتعزيز تعميم النموذج.
3. التعلم المنقول: استفد من النماذج المدربة مسبقًا وقم بضبطها على مجموعة البيانات الخاصة بك باستخدام دليل التدريب.
4. التصدير إلى تنسيقات فعالة: قم بتحويل نموذجك إلى تنسيقات محسنة مثل TensorRT أو ONNX لتحقيق استدلال أسرع باستخدام دليل التصدير.
5. إجراء المقارنة المرجعية: استخدم وضع المقارنة المرجعية لقياس وتحسين سرعة الاستدلال والدقة بشكل منهجي.

نعم، تم تصميم نماذج Ultralytics YOLO للنشر متعدد الاستخدامات، بما في ذلك الأجهزة المحمولة وأجهزة الحافة:

• الأجهزة المحمولة: قم بتحويل النماذج إلى LiteRT أو CoreML للتكامل السلس في تطبيقات Android أو iOS. راجع دليل تكامل LiteRT ودليل تكامل CoreML للحصول على إرشادات خاصة بالمنصة.
• أجهزة الحافة: تحسين الاستدلال على الأجهزة مثل NVIDIA Jetson أو غيرها من أجهزة الحافة باستخدام TensorRT أو ONNX. يوفر دليل تكامل Edge TPU خطوات مفصلة لنشر الحافة.

للحصول على نظرة شاملة على استراتيجيات النشر عبر مختلف المنصات، راجع دليل خيارات النشر.

إجراء الاستنتاج باستخدام نموذج Ultralytics YOLO مدرب أمر بسيط:

1. تحميل النموذج:

   from ultralytics import YOLO
   
   model = YOLO("path/to/your/model.pt")

2. تشغيل الاستنتاج:

   results = model("path/to/image.jpg")
   
   for r in results:
       print(r.boxes)  # print bounding box predictions
       print(r.masks)  # print mask predictions
       print(r.probs)  # print class probabilities

لتقنيات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة، استدلال الفيديو، والمعالجة المسبقة المخصصة، راجع دليل التنبؤ المفصل.

توفر Ultralytics ثروة من الموارد لمساعدتك على البدء وإتقان أدواتهم:

• 📚 التوثيق الرسمي: أدلة شاملة، مراجع API، وأفضل الممارسات.
• 💻 مستودع GitHub: الكود المصدر، النصوص البرمجية للأمثلة، ومساهمات المجتمع.
• ✍️ مدونة Ultralytics: مقالات متعمقة، حالات استخدام، ورؤى تقنية.
• 💬 منتديات المجتمع: تواصل مع المستخدمين الآخرين، واطرح الأسئلة، وشارك تجاربك.
• 🎥 قناة YouTube: دروس فيديو، عروض توضيحية، وندوات عبر الإنترنت حول مواضيع Ultralytics المختلفة.

توفر هذه الموارد أمثلة برمجية، وحالات استخدام من العالم الحقيقي، وأدلة خطوة بخطوة لمهام مختلفة باستخدام نماذج Ultralytics.

إذا كنت بحاجة إلى مزيد من المساعدة، فاستشر توثيق Ultralytics أو تواصل مع المجتمع من خلال مشاكل GitHub أو منتدى النقاش الرسمي.