انتقل إلى المحتوى

Ultralytics YOLO الأسئلة المتكررة (FAQ)

يتناول قسم الأسئلة الشائعة هذا الأسئلة والمشاكل الشائعة التي قد يواجهها المستخدمون أثناء العمل مع Ultralytics YOLO المستودعات.

الأسئلة المتداولة

ما هو موقع Ultralytics وماذا يقدم؟

Ultralytics هي شركة ذكاء اصطناعي للرؤية الحاسوبية متخصصة في أحدث نماذج اكتشاف الأجسام وتجزئة الصور، مع التركيز على عائلة YOLO (أنت تنظر مرة واحدة فقط). تشمل عروضهم ما يلي:

كيف أقوم بتثبيت الحزمة Ultralytics ؟

تثبيت الحزمة Ultralytics سهل ومباشر باستخدام pip:

pip install ultralytics

للحصول على أحدث إصدار تطوير، قم بالتثبيت مباشرةً 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 من المتطلبات:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDAمتوافق مع GPU (للتسريع GPU )

الإعداد الموصى به:

  • Python 3.8+
  • PyTorch 1.10+
  • NVIDIA GPU مع CUDA 11.2+
  • 8 جيجابايت + رام
  • 50 جيجابايت + مساحة قرص خالية (لتخزين مجموعة البيانات وتدريب النماذج)

لاستكشاف المشكلات الشائعة وإصلاحها، تفضل بزيارة صفحة المشكلات الشائعةYOLO

كيف يمكنني تدريب نموذج YOLOv8 مخصص على مجموعة البيانات الخاصة بي؟

لتدريب مخصص YOLOv8 نموذج:

  1. قم بإعداد مجموعة البيانات الخاصة بك في YOLO التنسيق (الصور وملفات TXT ذات التسمية المقابلة).
  2. قم بإنشاء ملف YAML يصف بنية مجموعة البيانات وفئاتها.
  3. استخدم ما يلي Python رمز لبدء التدريب:
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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 تفصيلاً، بما في ذلك إعداد البيانات وخيارات التدريب المتقدمة، راجع دليل التدريب الشامل.

ما هي النماذج المدربة مسبقاً المتوفرة في Ultralytics ؟

Ultralytics تقدم مجموعة متنوعة من النماذج YOLOv8 المدربة مسبقًا لمختلف المهام:

  • كشف الكائنات: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x
  • تجزئة المثيل: YOLOv8n-ثواني YOLOv8s-ثواني YOLOv8m-ثواني YOLOv8l-ثواني YOLOv8x-ثواني
  • تصنيف: YOLOv8n-CLS ، YOLOv8s-CLS ، YOLOv8m-CLS ، YOLOv8l-CLS ، YOLOv8x-سي إل إس

تتنوع هذه النماذج من حيث الحجم والتعقيد، وتقدم مفاضلات مختلفة بين السرعة والدقة. استكشف المجموعة الكاملة من النماذج التي تم تدريبها مسبقًا للعثور على أفضل ما يناسب مشروعك.

كيف يمكنني إجراء 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

للاطلاع على خيارات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة واستدلال الفيديو، راجع دليل التنبؤ المفصل.

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

بالتأكيد! Ultralytics تم تصميم نماذج للنشر متعدد الاستخدامات عبر منصات مختلفة:

  • أجهزة الحافة: تحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو Intel عصا الحوسبة العصبية باستخدام TensorRT أو ONNX أو OpenVINO.
  • المحمول: النشر على أجهزة Android أو iOS من خلال تحويل النماذج إلى TFLite أو Core ML.
  • السحابة: استفد من أطر العمل مثل TensorFlow Serving أو PyTorch Serve لعمليات النشر السحابية القابلة للتطوير.
  • الويب: تنفيذ الاستدلال داخل المتصفح باستخدام ONNX.js أو TensorFlow.js.

Ultralytics يوفر وظائف تصدير لتحويل النماذج إلى تنسيقات مختلفة للنشر. استكشف مجموعة واسعة من خيارات النشر للعثور على أفضل حل لحالة الاستخدام الخاصة بك.

ما الفرق بين YOLOv5 و YOLOv8 ؟

تشمل الفروق الرئيسية ما يلي:

  • البنية: YOLOv8 يتميز بتصميم محسّن للعمود الفقري والرأس لتحسين الأداء.
  • الأداء: YOLOv8 يوفر بشكل عام دقة وسرعة فائقة مقارنةً بـ YOLOv5.
  • المهام: يدعم YOLOv8 في الأصل اكتشاف الكائنات وتجزئة النماذج وتصنيفها في إطار عمل موحد.
  • قاعدة البرمجة: YOLOv8 يتم تنفيذها ببنية أكثر معيارية وقابلية للتوسيع، مما يسهل التخصيص والتوسيع.
  • التدريب: YOLOv8 يشتمل على تقنيات تدريب متقدمة مثل التدريب متعدد البيانات وتطور المعلمة الفائقة لتحسين النتائج.

للاطلاع على مقارنة متعمقة بين الميزات ومقاييس الأداء، تفضل بزيارة صفحة المقارنة YOLOv5 مقابل YOLOv8.

كيف يمكنني المساهمة في مشروع Ultralytics مفتوح المصدر؟

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

  1. شوكة Ultralytics مستودع على جيثب.
  2. قم بإنشاء فرع جديد لإصلاح الميزة أو الأخطاء.
  3. قم بإجراء التغييرات الخاصة بك وتأكد من اجتياز جميع الاختبارات.
  4. أرسل طلب سحب مع وصف واضح للتغييرات.
  5. المشاركة في عملية مراجعة التعليمات البرمجية.

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

كيف يمكنني تثبيت الحزمة Ultralytics في Python ؟

تثبيت الحزمة Ultralytics في Python بسيط. استخدم pip عن طريق تشغيل الأمر التالي في جهازك الطرفي أو موجه الأوامر:

pip install ultralytics

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

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

للحصول على إرشادات التثبيت الخاصة بالبيئة ونصائح استكشاف الأخطاء وإصلاحها، راجع دليل البدء السريع الشامل.

ما هي الميزات الرئيسية لموقع Ultralytics YOLO ؟

Ultralytics YOLO يضم مجموعة غنية من الميزات لاكتشاف الأجسام المتقدمة وتجزئة الصور:

  • الكشف في الوقت الحقيقي: اكتشاف الأجسام وتصنيفها بكفاءة في سيناريوهات الوقت الحقيقي.
  • نماذج مدربة مسبقاً: يمكنك الوصول إلى مجموعة متنوعة من النماذج المدربة مسبقًا التي توازن بين السرعة والدقة لحالات الاستخدام المختلفة.
  • تدريب مخصص: يمكنك ضبط النماذج بسهولة على مجموعات البيانات المخصصة باستخدام خط أنابيب التدريب المرن.
  • خيارات نشر واسعة: تصدير النماذج إلى تنسيقات مختلفة مثل TensorRT و ONNX و CoreML للنشر عبر منصات مختلفة.
  • وثائق شاملة: استفد من التوثيق الشامل والمجتمع الداعم لإرشادك خلال رحلتك في مجال الرؤية الحاسوبية.

استكشف صفحةYOLO نماذج لإلقاء نظرة متعمقة على إمكانيات وبنى الإصدارات المختلفة YOLO .

كيف يمكنني تحسين أداء الطراز YOLO الخاص بي؟

يمكن تحسين أداء نموذج YOLO الخاص بك من خلال عدة تقنيات:

  1. ضبط المعامل الفائق: جرّب مع معلمات فائقة مختلفة باستخدام دليل ضبط المعلمات الفائقة لتحسين أداء النموذج.
  2. تعزيز البيانات: تنفيذ تقنيات مثل التقليب والقياس والتدوير وتعديلات الألوان لتحسين مجموعة بيانات التدريب وتحسين تعميم النموذج.
  3. نقل التعلّم: استفد من النماذج المدربة مسبقًا وقم بضبطها على مجموعة البيانات الخاصة بك باستخدام دليل التدريب YOLOv8.
  4. التصدير إلى تنسيقات فعالة: قم بتحويل النموذج الخاص بك إلى تنسيقات محسّنة مثل TensorRT أو ONNX للاستدلال بشكل أسرع باستخدام دليل التصدير.
  5. قياس الأداء: استخدم الوضع المعي اري لقياس سرعة الاستدلال ودقته وتحسينهما بشكل منهجي.

هل يمكنني نشر النماذج Ultralytics YOLO على الأجهزة المحمولة والأجهزة الطرفية؟

نعم، تم تصميم الطرازات Ultralytics YOLO للنشر متعدد الاستخدامات، بما في ذلك الأجهزة المحمولة وأجهزة الحافة:

  • الهاتف المحمول: تحويل النماذج إلى TFLite أو CoreML للتكامل السلس في تطبيقات Android أو iOS . ارجع إلى دليل التكامل T FLite ودليل التكاملCoreML للحصول على تعليمات خاصة بالمنصة.
  • أجهزة الحافة: قم بتحسين الاستدلال على أجهزة مثل NVIDIA جيتسون أو أجهزة الحافة الأخرى باستخدام TensorRT أو ONNX. يوفر دليل تكامل الحافة TPU خطوات مفصلة لنشر الأجهزة المتطورة.

للحصول على نظرة عامة شاملة على استراتيجيات النشر عبر مختلف الأنظمة الأساسية، راجع دليل خيارات النشر.

كيف يمكنني إجراء الاستدلال باستخدام نموذج مدرب Ultralytics YOLO ؟

يعدّ إجراء الاستدلال باستخدام نموذج Ultralytics YOLO المدرّب أمرًا بسيطًا ومباشرًا:

  1. تحميل النموذج:
from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")
  1. 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

للحصول على تقنيات استدلال متقدمة، بما في ذلك المعالجة المجمعة واستدلال الفيديو والمعالجة المسبقة المخصصة، راجع دليل التنبؤ المفصل.

أين يمكنني العثور على أمثلة ودروس تعليمية لاستخدام Ultralytics ؟

Ultralytics ثروة من الموارد لمساعدتك على البدء وإتقان أدواتها:

  • 📚 الوثائق الرسمية: أدلة شاملة، ومراجع واجهة برمجة التطبيقات، وأفضل الممارسات.
  • 💻 مستودع GitHub: التعليمات البرمجية المصدرية وأمثلة على البرامج النصية ومساهمات المجتمع.
  • ✍️ Ultralytics المدونة: مقالات متعمقة وحالات استخدام ورؤى تقنية.
  • 💬 منتديات المجتمع: تواصل مع المستخدمين الآخرين واطرح الأسئلة وشارك تجاربك.
  • 🎥 قناة يوتيوب: مقاطع فيديو تعليمية وعروض توضيحية وندوات عبر الإنترنت حول مواضيع مختلفة Ultralytics .

توفر هذه الموارد أمثلة على التعليمات البرمجية وحالات استخدام واقعية وأدلة إرشادية خطوة بخطوة لمختلف المهام باستخدام نماذج Ultralytics .

إذا كنت بحاجة إلى مزيد من المساعدة، فلا تتردد في الرجوع إلى وثائق Ultralytics أو التواصل مع المجتمع من خلال GitHub Issues أو منتدى المناقشة الرسمي.



تم الإنشاء 2023-11-12-2023، تم التحديث 2024-07-05
المؤلفون: جلين-جوتشر (5)

التعليقات