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 is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

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

How can I train a custom YOLO11 model on my own dataset?

To train a custom YOLO11 model:

  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 offers a diverse range of pretrained YOLO11 models for various tasks:

  • Object Detection: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • Instance Segmentation: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • Classification: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls

These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.

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.
  • Cloud: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
  • 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.

What's the difference between YOLOv8 and YOLO11?

تشمل الفروق الرئيسية ما يلي:

  • Architecture: YOLO11 features an improved backbone and head design for enhanced performance.
  • Performance: YOLO11 generally offers superior accuracy and speed compared to YOLOv8.
  • Tasks: YOLO11 natively supports object detection, instance segmentation, and classification in a unified framework.
  • Codebase: YOLO11 is implemented with a more modular and extensible architecture, facilitating easier customization and extension.
  • Training: YOLO11 incorporates advanced training techniques like multi-dataset training and hyperparameter evolution for improved results.

For an in-depth comparison of features and performance metrics, visit the YOLO comparison page.

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. Hyperparameter Tuning: Experiment with different hyperparameters using the Hyperparameter Tuning Guide to optimize model performance.
  2. Data Augmentation: Implement techniques like flip, scale, rotate, and color adjustments to enhance your training dataset and improve model generalization.
  3. Transfer Learning: Leverage pre-trained models and fine-tune them on your specific dataset using the Train YOLO11 guide.
  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.


📅 Created 11 months ago ✏️ Updated 12 days ago

التعليقات