Link to this sectionالأسئلة الشائعة حول Ultralytics YOLO (FAQ)#

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

Link to this sectionأسئلة مكررة#

Link to this sectionما هي شركة Ultralytics وما الذي تقدمه؟#

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

• تطبيقات مفتوحة المصدر لـ YOLO26 (الأحدث) و YOLO11 (الجيل السابق)
• مجموعة واسعة من النماذج المدربة مسبقاً لمهام رؤية الحاسوب المتنوعة
• حزمة Python شاملة للتكامل السلس لنماذج YOLO في المشاريع
• مجموعة متنوعة من الأدوات لتدريب واختبار ونشر النماذج
• توثيق موسع ومجتمع داعم

Link to this sectionكيف يمكنني تثبيت حزمة Ultralytics؟#

تثبيت حزمة Ultralytics أمر بسيط 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.

Link to this sectionما هي متطلبات النظام لتشغيل نماذج Ultralytics؟#

الحد الأدنى من المتطلبات:

• Python 3.8+
• PyTorch 1.8+
• GPU متوافق مع CUDA (لتسريع معالجة GPU)

الإعداد الموصى به:

• Python 3.8+
• PyTorch 1.10+
• NVIDIA GPU مع CUDA 11.2+
• ذاكرة وصول عشوائي (RAM) سعة 8 جيجابايت أو أكثر
• مساحة قرص فارغة تبلغ 50 جيجابايت أو أكثر (لتخزين مجموعة البيانات وتدريب النموذج)

لاستكشاف الأخطاء وإصلاحها للمشكلات الشائعة، قم بزيارة صفحة المشكلات الشائعة في YOLO.

Link to this sectionكيف يمكنني تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بي؟#

لتدريب نموذج YOLO مخصص:

1. قم بإعداد مجموعة البيانات الخاصة بك بتنسيق YOLO (صور وملفات txt مقابلة لها تحتوي على التصنيفات).

2. قم بإنشاء ملف YAML يصف هيكل مجموعة البيانات والفئات الخاصة بك (انظر 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 تعمقاً، بما في ذلك إعداد البيانات وخيارات التدريب المتقدمة، راجع دليل التدريب الشامل.

Link to this sectionما هي النماذج المدربة مسبقاً المتاحة في Ultralytics؟#

تقدم Ultralytics مجموعة متنوعة من النماذج المدربة مسبقاً لمهام مختلفة:

• اكتشاف الكائنات: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
• تجزئة النسخ: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
• التجزئة الدلالية: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
• 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

تتفاوت هذه النماذج في الحجم والتعقيد، مما يوفر مقايضات مختلفة بين السرعة والدقة. استكشف المجموعة الكاملة من النماذج المدربة مسبقاً للعثور على الخيار الأنسب لمشروعك.

Link to this sectionكيف يمكنني إجراء الاستدلال باستخدام نموذج Ultralytics مدرب؟#

لإجراء استدلال 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 استدلال متقدمة، بما في ذلك المعالجة بالدفعات واستدلال الفيديو، تحقق من دليل التنبؤ المفصل.

Link to this sectionهل يمكن نشر نماذج Ultralytics على أجهزة الحافة أو في بيئات الإنتاج؟#

بالتأكيد! صُممت نماذج Ultralytics للنشر المتنوع 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 Core ML.
• السحابة: الاستفادة من أطر العمل 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 متنوعة للنشر. استكشف المجموعة الواسعة من خيارات النشر للعثور على أفضل حل لحالة الاستخدام الخاصة بك.

Link to this sectionما الفرق بين YOLO11 و YOLO26؟#

تشمل الاختلافات الرئيسية ما يلي:

• استدلال شامل بدون NMS: يعد YOLO26 شاملاً بطبيعته، حيث ينتج تنبؤات مباشرة بدون الحاجة إلى كبت غير الحد الأقصى (NMS)، مما يقلل من زمن الانتقال ويبسط عملية 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 CPU: يوفر YOLO26 استدلالاً أسرع بـ CPU بنسبة تصل إلى 43%، مما يجعله مثالياً للأجهزة التي لا تحتوي على GPUs.
• تحسينات خاصة بالمهمة: تجزئة محسنة مع الخسارة الدلالية وprotos متعددة النطاقات، و RLE لتقدير الوضعية بدقة، وفك تشفير OBB محسّن مع خسارة الزاوية.
• المهام: يدعم كلا النموذجين اكتشاف الكائنات وتجزئة النسخ، بينما يضيف YOLO26 أيضاً التجزئة الدلالية للتنبؤ بكثافة على مستوى البكسل. يدعم كلا النموذجين أيضاً التصنيف وتقدير الوضعية واكتشاف الكائنات الموجه (OBB) في إطار عمل موحد.

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

Link to this sectionكيف يمكنني المساهمة في مشروع Ultralytics مفتوح المصدر؟#

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

1. قم بعمل Fork لمستودع Ultralytics على GitHub.
2. أنشئ فرعاً جديداً لميزتك أو لإصلاح الأخطاء.
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 أيضاً المساهمة عن طريق الإبلاغ عن الأخطاء، أو اقتراح ميزات، أو تحسين التوثيق. للحصول على إرشادات تفصيلية وأفضل الممارسات، راجع دليل المساهمة.

Link to this sectionكيف أقوم بتثبيت حزمة Ultralytics في Python؟#

تثبيت حزمة Ultralytics في Python أمر 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 ونصائح استكشاف الأخطاء وإصلاحها، راجع دليل البدء السريع الشامل.

Link to this sectionما هي الميزات الرئيسية لـ Ultralytics YOLO؟#

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

• الاكتشاف في الوقت الفعلي: اكتشاف وتصنيف الكائنات بكفاءة في سيناريوهات الوقت الفعلي.
• قدرات المهام المتعددة: تنفيذ اكتشاف الكائنات، وتجزئة النسخ، والتجزئة الدلالية، والتصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجه (OBB) في إطار عمل موحد.
• نماذج مدربة مسبقاً: الوصول إلى مجموعة متنوعة من النماذج المدربة مسبقاً التي توازن بين السرعة والدقة لحالات الاستخدام المختلفة.
• التدريب المخصص: سهولة ضبط النماذج على مجموعات بيانات مخصصة باستخدام خط أنابيب التدريب المرن.
• خيارات النشر الواسعة: تصدير النماذج إلى تنسيقات متنوعة مثل TensorRT و ONNX و CoreML للنشر عبر منصات مختلفة.
• التوثيق الموسع: استفد من التوثيق الشامل والمجتمع الداعم لسير عمل رؤية الحاسوب الخاص بك.

Link to this sectionكيف 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: نفذ تقنيات مثل الانعكاس، والقياس، والتدوير، وتعديلات الألوان لتعزيز مجموعة بيانات التدريب الخاصة بك وتحسين تعميم النموذج.
3. التعلم بنقل المعرفة: استفد من النماذج المدربة مسبقاً وقم بضبطها على مجموعة بياناتك الخاصة 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 قياس الأداء لقياس وتحسين سرعة ودقة الاستدلال بشكل منهجي.

Link to this sectionهل يمكنني نشر نماذج Ultralytics YOLO على الهواتف المحمولة وأجهزة الحافة؟#

نعم، صُممت نماذج Ultralytics YOLO للنشر المتنوع، بما في ذلك الهواتف المحمولة وأجهزة الحافة:

• الهواتف المحمولة: قم بتحويل النماذج إلى TFLite أو CoreML للتكامل السلس في تطبيقات Android أو iOS. راجع دليل تكامل TFLite ودليل تكامل CoreML للحصول على تعليمات خاصة بكل منصة.
• أجهزة الحافة: تحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو أجهزة الحافة الأخرى باستخدام TensorRT أو ONNX. يوفر دليل تكامل Edge TPU خطوات تفصيلية لنشر الحافة.

للحصول على نظرة شاملة لاستراتيجيات النشر عبر منصات مختلفة، راجع دليل خيارات النشر.

Link to this sectionكيف 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 بالدفعات، واستدلال الفيديو، والمعالجة المسبقة المخصصة، راجع دليل التنبؤ المفصل.

Link to this sectionأين يمكنني العثور على أمثلة ودروس تعليمية لاستخدام Ultralytics؟#

توفر Ultralytics ثروة من الموارد لمساعدتك على البدء وإتقان أدواتهم:

• 📚 التوثيق الرسمي: أدلة شاملة، ومراجع API، وأفضل الممارسات.
• 💻 مستودع GitHub: الكود المصدري، 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، وعروض 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، فراجع وثائق Ultralytics أو تواصل مع المجتمع من خلال GitHub Issues أو منتدى المناقشة الرسمي.