الأسئلة الشائعة حول Ultralytics YOLO (FAQ)#

Ultralytics هي شركة متخصصة في الذكاء الاصطناعي والرؤية الحاسوبية، تركز على نماذج متقدمة للكشف عن الأجسام وتجزئة الصور، مع التركيز على عائلة YOLO (انظر مرة واحدة فقط). وتشمل عروضها:

• تطبيقات مفتوحة المصدر لـ YOLO26 (الأحدث) وYOLO11 (الجيل السابق)
• مجموعة واسعة من النماذج المدربة مسبقًا لمختلف مهام الرؤية الحاسوبية
• حزمة Python شاملة لدمج نماذج YOLO بسلاسة في المشاريع
• أدوات متعددة الاستخدامات لتدريب النماذج واختبارها ونشرها
• وثائق شاملة ومجتمع داعم

لا. يخضع نموذج YOLO27 لمراحل البحث والتطوير النهائية لإطلاق متوقع في وقت later من هذا العام، بدون تحديد تاريخ إطلاق محدد. تستعرض الوثائق ميزاته، ومعاييره القياسية الأولية، وأمثلة للاستخدام بعد الإصدار. استمر في استخدام نموذج YOLO26 للمشاريع الحالية.

تثبيت حزمة Ultralytics سهل باستخدام pip:

pip install ultralytics

لتثبيت أحدث إصدار تطويري، ثبّته مباشرةً 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 GPU متوافقة مع CUDA (لتسريع GPU)

الإعداد الموصى به:

• Python 3.8+
• PyTorch 1.10+
• وحدة GPU من NVIDIA مع CUDA 11.2+
• ذاكرة RAM بسعة 8GB+
• مساحة قرص متوفرة بسعة 50GB+ (لتخزين مجموعات البيانات وتدريب النماذج)

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

لتدريب نموذج YOLO مخصص:

1. جهّز مجموعة بياناتك بتنسيق YOLO (الصور وملفات txt للتسميات المقابلة).

2. أنشئ ملف YAML يصف بنية مجموعة البيانات وفئاتها (راجع مثال YAML لمجموعة بيانات).

3. استخدم تعليمات Python البرمجية التالية 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)

لمزيد من الإرشادات المتعمقة، بما في ذلك إعداد البيانات وخيارات التدريب المتقدمة، راجع دليل التدريب الشامل.

تقدم Ultralytics مجموعة متنوعة من النماذج المدربة مسبقًا لمهام متعددة:

• الكشف عن الأجسام: YOLO26n، YOLO26s، YOLO26m، YOLO26l، YOLO26x
• تجزئة المثيلات: YOLO26n-seg، YOLO26s-seg، YOLO26m-seg، YOLO26l-seg، YOLO26x-seg
• التجزئة الدلالية: 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 الوضعية: YOLO26n-pose، YOLO26s-pose، YOLO26m-pose، YOLO26l-pose، YOLO26x-pose
• الكشف الموجّه (OBB): YOLO26n-obb، YOLO26s-obb، YOLO26m-obb، YOLO26l-obb، YOLO26x-obb

تختلف هذه النماذج في الحجم والتعقيد، وتوفر مفاضلات مختلفة بين السرعة والدقة. استكشف المجموعة الكاملة من النماذج المدربة مسبقًا للعثور على الأنسب لمشروعك.

لتنفيذ الاستدلال باستخدام نموذج مدرّب:

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

لخيارات الاستدلال المتقدمة، بما في ذلك المعالجة الدفعية والاستدلال على الفيديو، راجع دليل التنبؤ التفصيلي.

بالتأكيد! صُممت نماذج Ultralytics للنشر المتعدد الاستخدامات عبر منصات مختلفة:

• الأجهزة الطرفية: قم بتحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو Raspberry Pi باستخدام TensorRT أو ONNX أو OpenVINO.
• الأجهزة المحمولة: انشر النماذج على أجهزة Android أو iOS بتحويلها إلى LiteRT أو Core ML.
• السحابة: استَفِد من أطر العمل مثل TensorFlow Serving أو TorchServe لعمليات نشر سحابية قابلة للتوسع.
• الويب: قم بتنفيذ الاستدلال داخل المتصفح باستخدام ONNX Runtime Web.

توفر Ultralytics وظائف لتصدير النماذج وتحويلها إلى تنسيقات متعددة للنشر. استكشف المجموعة الواسعة من خيارات النشر للعثور على الحل الأنسب لحالة الاستخدام لديك.

تشمل أبرز الفروق ما يلي:

• الاستدلال الخالي من NMS من طرف إلى طرف: يقدم YOLO26 استدلالاً خالياً من NMS باستخدام nms=False. يستخدم مسارها الافتراضي من واحد إلى متعدد NMS لتحقيق الدقة.
• إزالة DFL: يزيل YOLO26 وحدة خسارة البؤرة التوزيعية، مما يبسط التصدير ويحسن التوافق مع الأجهزة الطرفية ومنخفضة الطاقة.
• مُحسِّن MuSGD: مزيج من SGD وMuon (مستوحى من Kimi K2 من Moonshot AI) لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
• أداء CPU: يعمل YOLO26n بسرعة تصل إلى 43% أسرع من YOLO11n في استدلال ONNX على CPU (Intel Xeon CPU @ 2.00 GHz)، مما يجعله مثاليًا للأجهزة التي لا تحتوي على GPU.
• تحسينات خاصة بالمهام: تجزئة محسّنة باستخدام الخسارة الدلالية والنماذج الأولية متعددة المقاييس، وRLE لتقدير الوضعية بدقة، وفك ترميز OBB محسّن باستخدام خسارة الزاوية.
• المهام: يدعم كلا النموذجين الكشف عن الأجسام وتجزئة المثيلات، بينما يضيف YOLO26 أيضًا التجزئة الدلالية للتنبؤ الكثيف على مستوى البكسل وتقدير العمق أحادي العين للعمق لكل بكسل. كما يدعم كلا النموذجين التصنيف وتقدير الوضعية والكشف عن الأجسام الموجّهة (OBB) ضمن إطار عمل موحّد.

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

تُعد المساهمة في Ultralytics طريقة رائعة لتحسين المشروع وتوسيع مهاراتك. إليك كيفية المشاركة:

1. أنشئ تفرعًا لمستودع Ultralytics على GitHub.
2. أنشئ فرعًا جديدًا لميزتك أو لإصلاح الخلل.
3. أجرِ تغييراتك وتأكد من نجاح جميع الاختبارات.
4. أرسل طلب سحب يتضمن وصفًا واضحًا لتغييراتك.
5. شارك في عملية مراجعة التعليمات البرمجية.

يمكنك أيضًا المساهمة من خلال الإبلاغ عن الأخطاء أو اقتراح الميزات أو تحسين الوثائق. وللاطلاع على الإرشادات التفصيلية وأفضل الممارسات، راجع دليل المساهمة.

يقدم Ultralytics YOLO مجموعة غنية من الميزات لمهام الرؤية الحاسوبية المتقدمة:

• الكشف في الوقت الفعلي: اكتشف الأجسام وصنّفها بكفاءة في السيناريوهات الآنية.
• إمكانات متعددة المهام: نفّذ الكشف عن الأجسام، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق أحادي العين، والتصنيف، وتقدير الوضعية، والكشف عن الأجسام الموجّهة (OBB) ضمن إطار عمل موحّد.
• النماذج المدربة مسبقًا: استفد من مجموعة متنوعة من النماذج المدربة مسبقًا التي توازن بين السرعة والدقة لحالات الاستخدام المختلفة.
• التدريب المخصص: اضبط النماذج بسهولة على مجموعات بيانات مخصصة باستخدام مسار التدريب المرن.
• خيارات النشر المتعددة: صدّر النماذج إلى تنسيقات مختلفة مثل TensorRT وONNX وCoreML لنشرها عبر منصات متنوعة.
• الوثائق الشاملة: استفد من الوثائق الشاملة والمجتمع الداعم لسير عملك في مجال الرؤية الحاسوبية.

يمكن تحسين أداء نموذج YOLO باستخدام عدة تقنيات:

1. ضبط المعلمات الفائقة: جرّب معلمات فائقة مختلفة باستخدام دليل ضبط المعلمات الفائقة لتحسين أداء النموذج.
2. زيادة البيانات: طبّق تقنيات مثل القلب والتحجيم والتدوير وتعديلات الألوان لتحسين مجموعة بيانات التدريب وتعزيز تعميم النموذج.
3. التعلّم بالنقل: استفد من النماذج المدربة مسبقًا واضبطها بدقة على مجموعة بياناتك المحددة باستخدام دليل التدريب.
4. التصدير إلى تنسيقات فعّالة: حوّل نموذجك إلى تنسيقات محسّنة مثل TensorRT أو ONNX لتسريع الاستدلال باستخدام دليل التصدير.
5. المقارنة المعيارية: استخدم وضع المقارنة المعيارية لقياس سرعة الاستدلال ودقته وتحسينهما بصورة منهجية.

توفر Ultralytics موارد وافرة لمساعدتك على البدء وإتقان أدواتها:

• 📚 الوثائق الرسمية: أدلة شاملة ومراجع API وأفضل الممارسات.
• 💻 مستودع GitHub: التعليمات البرمجية المصدرية والبرامج النصية النموذجية ومساهمات المجتمع.
• ✍️ مدونة Ultralytics: مقالات متعمقة وحالات استخدام ورؤى تقنية.
• 💬 منتديات المجتمع: تواصل مع مستخدمين آخرين، واطرح الأسئلة، وشارك تجاربك.
• 🎥 قناة YouTube: دروس فيديو وعروض توضيحية وندوات عبر الإنترنت حول موضوعات متنوعة تخص Ultralytics.

توفر هذه الموارد أمثلة برمجية وحالات استخدام واقعية وأدلة إرشادية خطوة بخطوة لمهام متنوعة باستخدام نماذج Ultralytics.

إذا كنت بحاجة إلى مزيد من المساعدة، فراجع وثائق Ultralytics أو تواصل مع المجتمع عبر مشكلات GitHub أو منتدى المناقشة الرسمي.