الأسئلة الشائعة (FAQ) حول Ultralytics YOLO#

Ultralytics شركة ذكاء اصطناعي متخصصة في الرؤية الحاسوبية، وتعمل على نماذج متطورة لكشف الكائنات وتجزئة الصور، مع التركيز على عائلة YOLO (أنت تنظر مرة واحدة فقط). وتشمل منتجاتها ما يلي:

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

لا. يخضع YOLO27 للمرحلة النهائية من البحث والتطوير، تمهيدًا لإطلاق متوقّع في وقت لاحق من هذا العام، من دون تحديد موعد للإطلاق. تستعرض الوثائق ميزاته والنتائج الأولية لاختباره وأمثلة لاستخدامه بعد إطلاقه. واصل استخدام YOLO26 في المشروعات الحالية.

تثبيت حزمة Ultralytics سهل باستخدام pip:

pip install ultralytics

لتثبيت أحدث إصدار قيد التطوير، ثبّته مباشرةً من مستودع GitHub:

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

يمكنك العثور على تعليمات التثبيت المفصلة في دليل البدء السريع.

الحد الأدنى من المتطلبات:

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

الإعداد الموصى به:

• Python 3.8+
• PyTorch 1.10+
• GPU من NVIDIA مع CUDA 11.2+
• ذاكرة RAM بسعة 8GB أو أكثر
• مساحة قرص فارغة لا تقل عن 50GB (لتخزين مجموعة البيانات وتدريب النموذج)

لاستكشاف أخطاء المشكلات الشائعة وإصلاحها، تفضّل بزيارة صفحة المشكلات الشائعة في YOLO.

لتدريب نموذج YOLO مخصص:

1. جهّز مجموعة البيانات بتنسيق YOLO (صور وملفات txt للتسميات المقابلة لها).

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

3. استخدم شفرة Python التالية لبدء التدريب:

   from ultralytics import YOLO
   
   # ⁨تحميل نموذج⁩
   model = YOLO("yolo26n.yaml")  # ⁨أنشئ نموذجًا جديدًا من الصفر⁩
   model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
   
   # ⁨تدريب النموذج⁩
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

للاطلاع على دليل أكثر تفصيلًا يشمل إعداد البيانات وخيارات التدريب المتقدمة، راجع دليل التدريب الشامل.

تقدم Ultralytics مجموعة متنوعة من النماذج المدرّبة مسبقًا لمهام مختلفة:

• كشف الكائنات: 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 موازنات مختلفة بين السرعة والدقة. استكشف المجموعة الكاملة من النماذج المدرّبة مسبقًا للعثور على الأنسب لمشروعك.

لإجراء الاستدلال باستخدام نموذج مدرّب:

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/your/model.pt")

# ⁨نفّذ الاستدلال⁩
results = model("path/to/image.jpg")

# ⁨معالجة النتائج⁩
for r in results:
    print(r.boxes)  # ⁨اطبع تنبؤات bbox⁩
    print(r.masks)  # ⁨اطبع تنبؤات الأقنعة⁩
    print(r.probs)  # ⁨اطبع احتمالات الفئات⁩

للاطلاع على خيارات الاستدلال المتقدمة، بما فيها معالجة الدُفعات والاستدلال على الفيديو، راجع دليل التنبؤ المفصل.

بالتأكيد! صُممت نماذج Ultralytics للنشر بمرونة على منصات متنوعة:

• الأجهزة الطرفية: حسّن 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 CoreML.
• السحابة: استفد من أُطر عمل مثل TensorFlow Serving أو TorchServe لعمليات نشر سحابية قابلة للتوسع.
• الويب: تنفيذ الاستدلال داخل المتصفح باستخدام ONNX Runtime Web.

توفر Ultralytics وظائف لتصدير النماذج وتحويلها إلى تنسيقات متنوعة لنشرها. استكشف مجموعة خيارات النشر الواسعة للعثور على الحل الأنسب لحالة الاستخدام لديك.

تشمل أبرز الفروق ما يلي:

• استدلال شامل من طرف إلى طرف دون NMS: يوفر YOLO26 استدلالًا دون NMS باستخدام nms=False. أما مسار one-to-many الافتراضي، فيستخدم NMS لتحقيق الدقة.
• إزالة DFL: يزيل YOLO26 وحدة Distribution Focal Loss، ما يبسّط التصدير ويحسّن التوافق مع الأجهزة الطرفية والأجهزة منخفضة الطاقة.
• محسِّن MuSGD: مزيج من SGD وMuon (مستوحى من Kimi K2 من Moonshot AI) لتدريب أكثر استقرارًا وتقارب أسرع.
• أداء CPU: يعمل YOLO26n بسرعة أكبر تصل إلى 43% من YOLO11n في استدلال ONNX على CPU ‏(Intel Xeon CPU @ 2.00 GHz)، ما يجعله مثاليًا للأجهزة التي لا تحتوي على GPU.
• تحسينات خاصة بالمهام: تحسين التجزئة باستخدام الخسارة الدلالية والنماذج الأولية متعددة المقاييس، واستخدام RLE لتقدير الوضعية بدقة، وتحسين فك ترميز OBB باستخدام خسارة الزاوية.
• المهام: يدعم كلا النموذجين اكتشاف الكائنات وتجزئة الكائنات، بينما يضيف YOLO26 أيضًا التجزئة الدلالية للتنبؤ الكثيف على مستوى البكسل وتقدير العمق أحادي العين لتقدير العمق لكل بكسل. ويدعم كلا النموذجين أيضًا التصنيف وتقدير الوضعية واكتشاف الكائنات الموجّهة (OBB) ضمن إطار عمل موحّد.

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

تُعد المساهمة في Ultralytics وسيلة رائعة لتحسين المشروع وتطوير مهاراتك. إليك كيفية المشاركة:

1. أنشئ نسخة متفرعة من مستودع Ultralytics على GitHub.
2. أنشئ فرعًا جديدًا لميزتك أو لإصلاح الخطأ.
3. أجرِ تغييراتك وتأكد من اجتياز جميع الاختبارات.
4. أرسل طلب سحب يتضمن وصفًا واضحًا لتغييراتك.
5. شارك في عملية مراجعة التعليمات البرمجية.

يمكنك أيضًا المساهمة بالإبلاغ عن الأخطاء أو اقتراح الميزات أو تحسين الوثائق. للاطلاع على الإرشادات المفصلة وأفضل الممارسات، راجع دليل المساهمة.

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

• الاكتشاف في الزمن الفعلي: اكتشاف الكائنات وتصنيفها بكفاءة في سيناريوهات الزمن الفعلي.
• إمكانات متعددة المهام: تنفيذ اكتشاف الكائنات وتجزئة الكائنات والتجزئة الدلالية وتقدير العمق أحادي العين والتصنيف وتقدير الوضعية واكتشاف الكائنات الموجّهة (OBB) ضمن إطار عمل موحّد.
• النماذج المدربة مسبقًا: الوصول إلى مجموعة متنوعة من النماذج المدربة مسبقًا التي تحقق توازنًا بين السرعة والدقة لحالات استخدام مختلفة.
• التدريب المخصص: ضبط النماذج بسهولة على مجموعات بيانات مخصصة باستخدام مسار التدريب المرن.
• مجموعة واسعة من خيارات النشر: تصدير النماذج إلى تنسيقات متنوعة مثل TensorRT وONNX وCoreML لنشرها عبر منصات مختلفة.
• وثائق شاملة: استفد من الوثائق المتكاملة والمجتمع الداعم لسير عمل الرؤية الحاسوبية لديك.

يمكن تحسين أداء نموذج YOLO لديك 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 وتغيير المقياس والتدوير وتعديلات الألوان لتعزيز مجموعة بيانات التدريب وتحسين تعميم النموذج.
3. التعلّم بالنقل: استفد من النماذج المدربة مسبقًا واضبطها بدقة على مجموعة البيانات الخاصة بك باستخدام دليل التدريب.
4. التصدير إلى تنسيقات فعالة: حوّل نموذجك إلى تنسيقات محسّنة مثل TensorRT أو ONNX لتسريع الاستدلال باستخدام دليل التصدير.
5. قياس الأداء: استخدم وضع قياس الأداء لقياس سرعة الاستدلال ودقته وتحسينهما بطريقة منهجية.

توفر Ultralytics موارد وفيرة لمساعدتك على البدء وإتقان أدواتها:

• 📚 الوثائق الرسمية: أدلة شاملة ومراجع API وأفضل الممارسات.
• 💻 مستودع GitHub: الشيفرة المصدرية والبرامج النصية التوضيحية ومساهمات المجتمع.
• ✍️ مدونة Ultralytics: مقالات معمقة 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 خطوة بخطوة لمهام متنوعة باستخدام نماذج Ultralytics.

إذا احتجت إلى مزيد من المساعدة، فراجع وثائق Ultralytics أو تواصل مع المجتمع عبر مشكلات GitHub أو منتدى النقاش الرسمي.