انتقل إلى المحتوى

Ultralytics YOLO الأسئلة المتكررة (FAQ)

يتناول قسم الأسئلة الشائعة هذا بعض الأسئلة والمشكلات الشائعة التي قد يواجهها المستخدمون أثناء العمل معها Ultralytics YOLO المستودعات.

1. ما هي متطلبات الأجهزة للتشغيل Ultralytics YOLO?

Ultralytics YOLO يمكن تشغيله على مجموعة متنوعة من تكوينات الأجهزة ، بما في ذلك وحدات المعالجة المركزية ووحدات معالجة الرسومات وحتى بعض أجهزة الحافة. ومع ذلك ، للحصول على الأداء الأمثل والتدريب والاستدلال بشكل أسرع ، نوصي باستخدام وحدة معالجة الرسومات بسعة 8 جيجابايت على الأقل من الذاكرة. تعد وحدات معالجة الرسومات NVIDIA مع دعم CUDA مثالية لهذا الغرض.

2. كيف يمكنني ضبط مدرب مسبقا YOLO نموذج على مجموعة البيانات المخصصة الخاصة بي؟

لضبط مدرب مسبقا YOLO في مجموعة البيانات المخصصة، ستحتاج إلى إنشاء ملف تكوين مجموعة بيانات (YAML) يحدد خصائص مجموعة البيانات، مثل المسار إلى الصور وعدد الفئات وأسماء الفئات. بعد ذلك، ستحتاج إلى تعديل ملف تكوين النموذج لمطابقة عدد الفئات في مجموعة البيانات الخاصة بك. أخيرا ، استخدم الزر train.py البرنامج النصي لبدء عملية التدريب باستخدام مجموعة البيانات المخصصة والنموذج المدرب مسبقا. يمكنك العثور على دليل مفصل حول الضبط الدقيق YOLO في المربع Ultralytics توثيق.

3. كيف يمكنني تحويل ملف YOLO نموذج ل ONNX أو TensorFlow تنسيق؟

Ultralytics يوفر دعما مدمجا للتحويل YOLO نماذج ل ONNX تنسيق. يمكنك استخدام export.py برنامج نصي لتحويل نموذج محفوظ إلى ONNX تنسيق. إذا كنت بحاجة إلى تحويل النموذج إلى TensorFlow ، يمكنك استخدام ملف ONNX نموذج كوسيط ثم استخدم ONNX-TensorFlow محول لتحويل ONNX نموذج ل TensorFlow تنسيق.

4. هل يمكنني استخدام Ultralytics YOLO للكشف عن الكائن في الوقت الحقيقي؟

نعم Ultralytics YOLO تم تصميمه ليكون فعالا وسريعا ، مما يجعله مناسبا لمهام اكتشاف الكائنات في الوقت الفعلي. سيعتمد الأداء الفعلي على تكوين أجهزتك ومدى تعقيد النموذج. يمكن أن يساعد استخدام وحدة معالجة الرسومات وتحسين النموذج لحالة الاستخدام المحددة الخاصة بك في تحقيق الأداء في الوقت الفعلي.

5. كيف يمكنني تحسين دقة بلدي YOLO نموذج؟

تحسين دقة YOLO قد يتضمن النموذج عدة استراتيجيات ، مثل:

  • ضبط النموذج على المزيد من البيانات المشروحة
  • زيادة البيانات لزيادة تنوع عينات التدريب
  • استخدام بنية نموذج أكبر أو أكثر تعقيدا
  • ضبط معدل التعلم وحجم الدفعة والمعلمات الفائقة الأخرى
  • استخدام تقنيات مثل نقل التعلم أو تقطير المعرفة

تذكر أنه غالبا ما تكون هناك مفاضلة بين الدقة وسرعة الاستدلال ، لذا فإن إيجاد التوازن الصحيح أمر بالغ الأهمية لتطبيقك المحدد.

إذا كان لديك أي أسئلة أخرى أو كنت بحاجة إلى مساعدة ، فلا تتردد في استشارة Ultralytics التوثيق أو التواصل مع المجتمع من خلال مشكلات GitHub أو منتدى المناقشة الرسمي.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (2)

التعليقات