الأسئلة الشائعة (FAQ) حول Ultralytics YOLO

يتناول قسم الأسئلة الشائعة هذا الأسئلة والمشكلات الشائعة التي قد يواجهها المستخدمون أثناء العمل مع مستودعات Ultralytics YOLO.

الأسئلة الشائعة

ما هي Ultralytics وما الذي تقدمه؟

شركة Ultralytics هي شركة ذكاء اصطناعي متخصصة في رؤية الحاسوب، وتركز على نماذج اكتشاف الكائنات وتجزئة الصور المتطورة، مع التركيز على عائلة YOLO (You Only Look Once). تشمل عروضها ما يلي:

• إصدارات مفتوحة المصدر من YOLO26 (الأحدث) وYOLO11 (الجيل السابق)
• مجموعة واسعة من النماذج المدربة مسبقًا لمهام رؤية الحاسوب المختلفة
• حزمة Python شاملة للتكامل السلس لنماذج YOLO في المشاريع
• أدوات متعددة الاستخدامات لتدريب النماذج واختبارها ونشرها
• توثيق موسع ومجتمع داعم

كيف يمكنني تثبيت حزمة Ultralytics؟

تعد عملية تثبيت حزمة Ultralytics مباشرة 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.

ما هي متطلبات النظام لتشغيل نماذج Ultralytics؟

الحد الأدنى للمتطلبات:

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

الإعداد الموصى به:

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

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

كيف يمكنني تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بي؟

لتدريب نموذج YOLO مخصص:

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

2. أنشئ ملف YAML يصف هيكل مجموعة البيانات والفئات الخاصة بك (راجع مثال YAML لمجموعة البيانات).

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.

ما هي النماذج المدربة مسبقًا المتاحة في Ultralytics؟

تقدم Ultralytics مجموعة متنوعة من النماذج المدربة مسبقًا لمهام مختلفة:

• اكتشاف الكائنات: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
• تجزئة المثيلات: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• التصنيف: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
• تقدير الوضعية: 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 المجموعة الكاملة من النماذج المدربة مسبقًا للعثور على الأنسب لمشروعك.

كيف أقوم بإجراء الاستدلال باستخدام نموذج Ultralytics مدرب؟

لإجراء الاستدلال 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

لخيارات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة واستدلال الفيديو، تحقق من دليل التنبؤ المفصل.

هل يمكن نشر نماذج Ultralytics على أجهزة الحافة أو في بيئات الإنتاج؟

بالتأكيد! صُممت نماذج Ultralytics لنشر مرن عبر منصات مختلفة:

• أجهزة الحافة: تحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو Intel Neural Compute Stick باستخدام TensorRT أو ONNX أو OpenVINO.
• الهواتف المحمولة: النشر على أجهزة Android أو iOS عن طريق تحويل النماذج إلى TFLite أو CoreML.
• السحابة: الاستفادة من أطر عمل مثل TensorFlow Serving أو PyTorch Serve لعمليات نشر سحابية قابلة للتوسع.
• الويب: تنفيذ الاستدلال داخل المتصفح باستخدام ONNX.js أو TensorFlow.js.

توفر Ultralytics وظائف تصدير لتحويل النماذج إلى تنسيقات مختلفة للنشر. استكشف المجموعة الواسعة من خيارات النشر للعثور على الحل الأفضل لحالة استخدامك.

ما الفرق بين YOLO11 و YOLO26؟

تشمل الاختلافات الرئيسية ما يلي:

• استدلال متكامل بدون NMS: YOLO26 متكامل بشكل أصلي، حيث ينتج التوقعات مباشرة دون الحاجة إلى قمع غير الحد الأقصى (NMS)، مما يقلل من التأخير ويبسط النشر.
• إزالة DFL: يزيل YOLO26 وحدة Distribution Focal Loss، مما يبسط 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 استقرارًا وتقارب أسرع.
• أداء وحدة المعالجة المركزية (CPU): يوفر YOLO26 استدلالاً أسرع بنسبة تصل إلى 43% على الـ CPU، مما يجعله مثاليًا للأجهزة التي لا تحتوي على GPUs.
• تحسينات خاصة بالمهمة: تجزئة محسنة مع فقدان دلالي و protos متعددة المقاييس، و RLE لتقدير وضعية دقيق، وفك تشفير OBB محسّن مع فقدان الزاوية.
• المهام: يدعم كلا النموذجين اكتشاف الكائنات وتجزئة المثيلات والتصنيف وتقدير الوضعية والاكتشاف الموجه للكائنات (OBB) في إطار عمل موحد.

للحصول على مقارنة متعمقة للميزات ومقاييس الأداء، قم بزيارة صفحة توثيق YOLO26.

كيف يمكنني المساهمة في مشروع Ultralytics مفتوح المصدر؟

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 لإصلاح خطأ ما.
3. قم بإجراء تغييراتك وتأكد من نجاح جميع الاختبارات.
4. أرسل طلب سحب (pull request) مع وصف واضح لتغييراتك.
5. شارك في عملية مراجعة الكود.

يمكنك أيضًا المساهمة عن طريق الإبلاغ عن الأخطاء، أو اقتراح ميزات، أو تحسين التوثيق. للحصول على إرشادات مفصلة وأفضل الممارسات، راجع دليل المساهمة.

كيف أقوم بتثبيت حزمة Ultralytics في Python؟

تعد عملية تثبيت حزمة Ultralytics في Python بسيطة. استخدم pip عن طريق تشغيل الأمر التالي في الطرفية أو موجه الأوامر:

pip install ultralytics

للحصول على إصدار التطوير المتطور، قم بالتثبيت مباشرة من مستودع GitHub:

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

للحصول على تعليمات تثبيت خاصة بالبيئة ونصائح لاستكشاف الأخطاء وإصلاحها، راجع دليل البدء السريع الشامل.

ما هي الميزات الرئيسية لـ Ultralytics YOLO؟

يتمتع Ultralytics YOLO بمجموعة غنية من الميزات لمهام رؤية الحاسوب المتقدمة:

• الاكتشاف في الوقت الفعلي: اكتشاف وتصنيف الكائنات بكفاءة في سيناريوهات الوقت الفعلي.
• قدرات متعددة المهام: تنفيذ اكتشاف الكائنات، وتجزئة المثيلات، والتصنيف، وتقدير الوضعية بإطار عمل موحد.
• نماذج مدربة مسبقًا: الوصول إلى مجموعة متنوعة من النماذج المدربة مسبقًا التي توازن بين السرعة والدقة لحالات استخدام مختلفة.
• التدريب المخصص: ضبط النماذج بسهولة على مجموعات بيانات مخصصة باستخدام خط أنابيب التدريب المرن.
• خيارات نشر واسعة: تصدير النماذج إلى تنسيقات متنوعة مثل TensorRT و ONNX و CoreML للنشر عبر منصات مختلفة.
• توثيق موسع: الاستفادة من التوثيق الشامل ومجتمع داعم لسير عمل رؤية الحاسوب الخاص بك.

كيف يمكنني تحسين أداء نموذج YOLO الخاص بي؟

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

1. ضبط المعلمات الفائقة: جرب معلمات فائقة مختلفة باستخدام دليل ضبط المعلمات الفائقة لتحسين أداء النموذج.
2. تعزيز البيانات: قم بتنفيذ تقنيات مثل القلب، والقياس، والتدوير، وتعديلات الألوان لتعزيز مجموعة بيانات التدريب الخاصة بك وتحسين تعميم النموذج.
3. التعلم بنقل المعرفة: استفد من النماذج المدربة مسبقًا وقم بضبطها على مجموعة البيانات المحددة الخاصة بك باستخدام دليل التدريب.
4. التصدير إلى تنسيقات فعالة: قم بتحويل نموذجك إلى تنسيقات محسنة مثل TensorRT أو ONNX لاستدلال أسرع باستخدام دليل التصدير.
5. قياس الأداء: استخدم وضع القياس لقياس وتحسين سرعة الاستدلال والدقة بشكل منهجي.

هل يمكنني نشر نماذج Ultralytics YOLO على الأجهزة المحمولة وأجهزة الحافة؟

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

• الهواتف المحمولة: قم بتحويل النماذج إلى TFLite أو CoreML للتكامل السلس في تطبيقات Android أو iOS. راجع دليل تكامل TFLite و دليل تكامل CoreML للحصول على تعليمات خاصة بالمنصة.
• أجهزة الحافة: قم بتحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو أجهزة حافة أخرى باستخدام TensorRT أو ONNX. يوفر دليل تكامل Edge TPU خطوات مفصلة لنشر الحافة.

للحصول على نظرة عامة شاملة حول استراتيجيات النشر عبر مختلف المنصات، استشر دليل خيارات النشر.

كيف يمكنني إجراء الاستدلال باستخدام نموذج Ultralytics YOLO مدرب؟

إجراء الاستدلال باستخدام نموذج Ultralytics YOLO مدرب أمر بسيط:

1. تحميل النموذج:

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

2. تشغيل الاستدلال:

   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، واستدلال الفيديو، والمعالجة المسبقة المخصصة، راجع دليل التنبؤ المفصل.

أين يمكنني العثور على أمثلة ودروس تعليمية لاستخدام Ultralytics؟

توفر Ultralytics ثروة من الموارد لمساعدتك على البدء وإتقان أدواتها:

• 📚 التوثيق الرسمي: أدلة شاملة، ومراجع API، وأفضل الممارسات.
• 💻 مستودع GitHub: كود المصدر، ونصوص برمجية للأمثلة، ومساهمات المجتمع.
• ✍️ مدونة Ultralytics: مقالات متعمقة، وحالات استخدام، ورؤى تقنية.
• 💬 منتديات المجتمع: تواصل مع مستخدمين آخرين، واطرح الأسئلة، وشارك تجاربك.
• 🎥 قناة يوتيوب: دروس فيديو، عروض توضيحية، وندوات عبر الإنترنت حول مواضيع متنوعة لـ Ultralytics.

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

إذا كنت بحاجة إلى مزيد من المساعدة، راجع وثائق Ultralytics أو تواصل مع المجتمع من خلال GitHub Issues أو منتدى المناقشة الرسمي.