Ultralytics YOLO27: انضم إلى قائمة الانتظار.
ابدأ

منصة Ultralytics

منصة Ultralytics منصة متكاملة لـالرؤية الحاسوبية تغطي سير عمل تعلم الآلة بالكامل، من إعداد البيانات إلى نشر النماذج. وهي مصممة للفرق والأفراد الذين يرغبون في تدريب نماذج الرؤية الإنتاجية ونشرها دون إدارة بنيتهم التحتية بأنفسهم.

لقطة شاشة لمجموعة بيانات في منصة Ultralytics

ما منصة Ultralytics؟#

تجمع منصة Ultralytics إدارة مجموعات البيانات والتوسيم وتتبّع التجارب والتدريب السحابي وعن بُعد وتصدير النماذج ونقاط نهاية الاستدلال المخصصة ومراقبة النشر في مساحة عمل واحدة. وتدعم أصلاً نماذج YOLO26 وYOLO11 وYOLOv8 وYOLOv5.

سير العمل: التحميل ← التوسيم ← التدريب ← التصدير أو النشر#

توفر المنصة سير عمل متكاملًا من البداية إلى النهاية:

المرحلةالميزات
التحميلالصور (50MB) ومقاطع الفيديو (1GB) وملفات مجموعات البيانات (ZIP وTAR، بما في ذلك .tar.gz/.tgz وNDJSON) من جهازك أو عنوان URL أو التخزين السحابي أو مضيف محلي
التوسيمأدوات توسيم يدوي لـ 6 أنواع من المهام، بالإضافة إلى التوسيم الذكي باستخدام نماذج SAM لمهام الكشف والتجزئة والتجزئة الدلالية وOBB، ونماذج YOLO لتلك المهام ومهمة تقدير الوضعية، أو النماذج الموجّهة بالفئات (نماذج مستضافة مفتوحة المصدر أو نماذج مدفوعة من مزوّدين) لمجموعات بيانات الكشف التي تضم من 1 إلى 200 فئة (انظر أنواع المهام المدعومة)
التدريبوحدات GPU سحابية (24 في جميع الخطط، بالإضافة إلى وحدتين متاحتين فقط في Pro/Enterprise: B200 وB300)، ومقاييس آنية، وتنظيم للمشاريع
التصدير23 تنسيقًا للنشر (ONNX وTensorRT وCoreML وLiteRT وHailo وAscend وغيرها؛ راجع التنسيقات المدعومة)
النشر42 منطقة حول العالم مع نقاط نهاية مخصصة، وإيقاف تلقائي عند انعدام الاستخدام افتراضيًا (مثيل نشط واحد)، ومراقبة

ما يمكنك فعله:

  • تحميل الصور ومقاطع الفيديو وملفات مجموعات البيانات لإنشاء مجموعات بيانات التدريب
  • تصوير التوسيمات باستخدام طبقات تفاعلية للأنواع الستة من مهام YOLO التي يدعمها محرر التوسيم (راجع أنواع المهام المدعومة)
  • تدريب النماذج على وحدات GPU سحابية (24 في جميع الخطط، و26 مع Pro أو Enterprise لاستخدام B200 وB300)، مع مقاييس آنية
  • صدّر إلى 23 تنسيقًا للنشر (ONNX وTensorRT وCoreML وLiteRT وHailo وAscend وغيرها)
  • نشر النماذج في 42 منطقة حول العالم باستخدام نقاط نهاية مخصصة بنقرة واحدة
  • إنشاء سير عمل الوكلاء لربط النماذج والشروط وجمع مجموعات البيانات وتنبيهات Slack وخطافات الويب
  • مراقبة تقدّم التدريب وسلامة النشر ومقاييس الاستخدام
  • ربط التخزين السحابي وأدوات التوسيم وSlack عبر عمليات التكامل
  • التعاون عبر إتاحة المشاريع ومجموعات البيانات للعامة ليستفيد منها المجتمع

بنية تحتية متعددة المناطق#

تبقى بياناتك في منطقتك. تدير منصة Ultralytics بنية تحتية في ثلاث مناطق حول العالم:

المنطقةالتسميةالموقعالأنسب لـ
الولايات المتحدةالأمريكتانآيوا، الولايات المتحدةمستخدمو الأمريكتين؛ الأسرع لمستخدمي الأمريكتين
الاتحاد الأوروبيأوروبا والشرق الأوسط وأفريقيابلجيكا، أوروباالمستخدمون الأوروبيون؛ الامتثال للائحة العامة لحماية البيانات (GDPR)
آسيا والمحيط الهادئآسيا والمحيط الهادئتايوان، آسيا والمحيط الهادئمستخدمو آسيا والمحيط الهادئ؛ أقل زمن استجابة في المنطقة

تختار منطقة بياناتك أثناء الإعداد الأولي. وتبقى مجموعات البيانات والنماذج وبيانات التدريب المُدار في تلك المنطقة. تُنشر نقاط النهاية المخصصة بشكل منفصل في منطقة تختارها من خريطة النشر العالمية.

المنطقة دائمة

لا يمكنك تغيير منطقة بياناتك بنفسك بعد إنشاء الحساب. أثناء الإعداد الأولي، تقيس المنصة زمن الاستجابة لكل منطقة وتوصي بأقربها. تواصل مع الدعم إذا احتجت لاحقًا إلى طلب تغيير المنطقة. ينطبق ذلك على محتوى مجموعات البيانات والنماذج؛ أما البيانات على مستوى الحساب، مثل الملف الشخصي والفوترة وسجلات النشاط، فتُعالج عالميًا، كما هو موضح في سياسة الخصوصية واتفاقية معالجة البيانات.

الميزات الرئيسية#

إعداد البيانات#

  • إدارة مجموعات البيانات: أنشئ مجموعات بيانات من الملفات المحلية أو عنوان URL أو التخزين السحابي المتصل أو مضيف محلي، مع المعالجة التلقائية
  • محرر التوسيم: أدوات توسيم يدوي لستة أنواع من مهام YOLO (الكشف والتجزئة والدلالات والتصنيف والوضعيات وOBB؛ راجع أنواع المهام المدعومة)
  • قوالب الهياكل العظمية: قوالب هياكل عظمية مدمجة (شخص ويد وكلب ووجه وصندوق) ومخصصة لتوسيم الوضعيات بنقرة واحدة
  • التوسيم الذكي: استخدم SAM 2.1 (Tiny وSmall وBase وLarge)، أو SAM 3، أو SAM 3.1 (الافتراضي) من شريط أدوات التوسيم لمهام الكشف والتجزئة والدلالات وOBB، واستخدم نماذج Ultralytics YOLO المدرّبة مسبقًا ونماذج YOLO الخاصة بك التي ضُبطت دقيقًا لهذه المهام ومهمة الوضعيات، أو النماذج الموجّهة بالفئات على مجموعات بيانات الكشف التي تضم من 1 إلى 200 فئة: تسعة نماذج مفتوحة المصدر مستضافة (Moondream 3.1 افتراضيًا في التوسيم الدفعي، ونموذج آخر مع تفعيل الوصول المبكر)، أو SAM 3 وSAM 3.1 المستضافين والموجّهين بالنص، أو نماذج الرؤية المدفوعة من OpenAI وAnthropic وGoogle وMeta وSpaceXAI وDeepSeek وZ.ai وKimi وXiaomi MiMo وAlibaba وMiniMax وTencent باستخدام مفتاح مزوّد من Settings > API Keys
  • إصدارات مجموعة البيانات: أنشئ لقطات NDJSON مرقمة مع أوصاف، ثم نزّل أي إصدار أو استعده لإجراء تدريب قابل لإعادة الإنتاج
  • الإحصاءات: توزيع الفئات، وتوزيع التقسيمات، وخرائط حرارية للمواقع، وتحليل أبعاد مربعات الإحاطة
أنواع المهام المدعومة

يوفر محرر التعليقات التوضيحية أدوات لستة أنواع من مهام YOLO: الكشف (مربعات إحاطة)، و التجزئة (مضلعات)، و التجزئة الدلالية (مناطق لكل فئة)، و التصنيف (تسميات على مستوى الصورة)، و تقدير الوضعية (نقاط مفتاحية)، و OBB (مربعات إحاطة موجهة). ولكل نوع مهمة عناصر تحكم مخصصة للتعليقات التوضيحية واختصارات لوحة المفاتيح.

تدريب النماذج#

  • التدريب السحابي: درّب على وحدات GPU سحابية (24 في جميع الخطط، و26 مع Pro أو Enterprise لاستخدام B200 وB300)، مع مقاييس آنية وتقدير مباشر للتكلفة
  • التدريب عن بُعد: درّب من أي مكان وأرسل المقاييس إلى منصة Ultralytics مباشرةً
  • الإعدادات المتقدمة: تجاوز أي وسيطة تدريب من Ultralytics باستخدام محرر YAML مدمج في مربع حوار التدريب
  • تنظيم المشاريع: اجمع النماذج ذات الصلة، وقارن التجارب، وتتبّع النشاط
  • 23 تنسيقًا للتصدير: ONNX وTensorRT وCoreML وLiteRT وHailo وAscend وغيرها (راجع التنسيقات المدعومة)

لقطة شاشة لمشروع في منصة Ultralytics

يمكنك تدريب النماذج إما عبر واجهة الويب (التدريب السحابي) أو من جهازك (التدريب عن بُعد):

  1. انتقل إلى مشروعك
  2. انقر على New Model
  3. حدّد مجموعة البيانات والنموذج ووحدة GPU وعدد الحقب
  4. راقب منحنيات الخسارة والمقاييس الآنية

النشر#

  • اختبار الاستدلال: اختبر النماذج مباشرةً في المتصفح باستخدام صورك أو لقطة من كاميرا الويب أو الأمثلة المدمجة
  • نقاط النهاية المخصصة: انشر في 42 منطقة حول العالم، مع تفعيل الإيقاف التلقائي عند انعدام الاستخدام افتراضيًا (مثيل نشط واحد)
  • المراقبة: مقاييس آنية وسجلات الطلبات ولوحات معلومات الأداء

بعد النشر، استدعِ نقطة النهاية من أي لغة. الحقول conf وiou وimgsz اختيارية في النموذج، وتكون قيمها الافتراضية 0.25 و0.5 وحجم صورة التدريب للنموذج (640 إذا لم يكن متاحًا):

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.5, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

إدارة الحساب#

  • الفِرق والمؤسسات: تعاون مع أعضاء الفريق، وأدِر الأدوار والدعوات، وبدّل مساحات العمل من قائمة الحساب
  • مفاتيح API: إدارة آمنة للمفاتيح من أجل التدريب عن بُعد والوصول إلى API
  • الأرصدة والفوترة: تدريب بالدفع حسب الاستخدام، مع أسعار واضحة وإضافة رصيد بمبالغ من 5 إلى 1,000 دولار
  • موجز النشاط: تتبّع جميع أحداث الحساب وإجراءاته
  • المهملات والاستعادة: حذف مبدئي لمدة 30 يومًا مع إمكانية استعادة العناصر
  • الامتثال للائحة GDPR: تصدير البيانات وحذف الحساب
فئات الخطط

اطّلع على المقارنة المعتمدة بين الخطط المجانية وPro وEnterprise لمعرفة الحدود الحالية وإمكانية الوصول إلى GPU والتعاون والترخيص.

ابدأ باستخدام هذه الموارد:

استكشاف الأخطاء وإصلاحها#

مشكلات مجموعة البيانات#

المشكلةالحل
تعذّر معالجة مجموعة البياناتتحقّق من أن تنسيق الملف مدعوم (JPEG وPNG وWebP وTIFF وHEIC وAVIF وBMP وJP2 وDNG وMPO للصور). الحد الأقصى لحجم الملف: الصور 50 MB، ومقاطع الفيديو 1 GB، وأرشيفات مجموعات البيانات 10 GB (Free) / 20 GB (Pro) / 50 GB (Enterprise)
التوسيمات مفقودةتحقّق من أن التسميات بتنسيق YOLO، وأن ملفات .txt تطابق أسماء ملفات الصور، أو ارفع ملف COCO JSON
"مطلوب تقسيم التدريب"أضف المجلد train/ إلى بنية مجموعة البيانات، أو أعد توزيع التقسيمات باستخدام شريط التقسيم
أسماء الفئات غير محددةأضف ملف data.yaml يتضمن قائمة names: (راجع تنسيق YOLO)، أو حدّد الفئات في علامة تبويب الفئات

مشكلات التدريب#

المشكلةالحل
تعذّر بدء التدريبتحقّق من رصيدك في الإعدادات > الفوترة. يجب أن يكون الرصيد موجبًا
خطأ نفاد الذاكرةقلّل حجم الدفعة، أو استخدم نموذجًا أصغر (n/s)، أو اختر GPU بذاكرة VRAM أكبر
مقاييس أداء ضعيفةتحقّق من جودة مجموعة البيانات، وزِد عدد الحقب، وجرّب زيادة البيانات، وتحقّق من توازن الفئات
التدريب بطيءاختر GPU أسرع، وقلّل حجم الصورة، وتحقّق من أن مجموعة البيانات ليست عنق الزجاجة

مشكلات النشر#

المشكلةالحل
نقطة النهاية لا تستجيبتحقّق من حالة نقطة النهاية (جاهزة أم متوقفة). قد يستغرق التشغيل البارد بعد فترة خمول مدة تصل إلى دقيقة عند أول طلب
401 غير مصرّح بهتحقّق من أن مفتاح API نشط ومنسوخ بشكل صحيح
الاستدلال بطيءتحقّق من حجم النموذج، وفكّر في تصديره باستخدام TensorRT، واختر منطقة أقرب
فشل التصديرتتطلب بعض التنسيقات بنى محددة للنماذج. جرّب ONNX للحصول على أوسع توافق

الأسئلة الشائعة#

هل يمكنني تغيير اسم المستخدم بعد التسجيل؟

لا، أسماء المستخدمين دائمة ولا يمكن تغييرها. اختر اسمك بعناية أثناء التسجيل.

هل يمكنني تغيير منطقة بياناتي؟

تُحدَّد منطقة بياناتك أثناء الإعداد الأولي، ولا يمكنك تغييرها بنفسك. لتبديل المناطق، تواصل مع الدعم واطلب تغيير المنطقة.

كيف يمكنني الحصول على مزيد من الأرصدة؟

انتقل إلى الإعدادات > الفوترة وانقر على إضافة رصيد. اشترِ أرصدة بمبالغ من 5 إلى 1,000 دولار. لا تنتهي صلاحية الأرصدة المشتراة أبدًا.

ماذا يحدث إذا فشل التدريب؟

إذا بدأ الحوسبة السحابية، فستُحتسب مدة استخدام GPU المنقضية. أما حالات الفشل التي تسبق تشغيل GPU فلا يترتب عليها أي رسم مقابل استخدام الحوسبة.

هل يمكنني تنزيل النموذج الذي درّبته؟

نعم. انقر على أيقونة التنزيل في صفحة النموذج لتنزيل أوزان .pt، أو افتح علامة تبويب التصدير للاطّلاع على التنسيقات المُصدّرة المكتملة.

كيف أشارك عملي علنًا؟

افتح المشروع أو مجموعة البيانات، وانقر على شارة خاص في شريط التنقل العلوي، ثم أكّد اختيار جعله عامًا. سيظهر المحتوى العام في صفحة الاستكشاف.

ما حدود أحجام الملفات؟

الصور: 50MB، ومقاطع الفيديو: 1GB، ومجموعات البيانات: 10GB في Free و20GB في Pro و50GB في Enterprise. للملفات الأكبر، قسّمها إلى عمليات رفع متعددة.

ما مدة الاحتفاظ بالعناصر المحذوفة في المهملات؟

30 يومًا. بعد ذلك، تُحذف العناصر نهائيًا ولا يمكن استعادتها.

هل يمكنني استخدام نماذج المنصة لأغراض تجارية؟

تستخدم خطتا Free وPro ترخيص AGPL. للاستخدام التجاري دون متطلبات AGPL، راجع ترخيص Ultralytics.

الأسئلة الشائعة#

  • لبدء استخدام Ultralytics Platform:

    1. التسجيل: أنشئ حسابًا على platform.ultralytics.com
    2. اختيار المنطقة: اختر منطقة بياناتك (US أو EU أو AP) أثناء الإعداد الأولي
    3. رفع مجموعة بيانات: افتح Annotate في الشريط الجانبي وارفع بياناتك
    4. تدريب نموذج: أنشئ مشروعًا وابدأ التدريب باستخدام وحدات GPU السحابية
    5. النشر: اختبر نموذجك وانشره على نقطة نهاية مخصصة

    للاطّلاع على دليل مفصل، راجع صفحة البدء السريع.

  • توفّر Ultralytics Platform:

    • سير عمل موحّد: البيانات والتدريب والنشر في مكان واحد
    • تعدد المناطق: إقامة البيانات في مناطق US أو EU أو AP
    • التدريب دون كتابة تعليمات برمجية: درّب نماذج YOLO متقدمة دون كتابة تعليمات برمجية
    • مقاييس آنية: اعرض تقدم التدريب وراقب عمليات النشر
    • 42 منطقة نشر: انشر النماذج بالقرب من المستخدمين حول العالم
    • 7 أنواع من المهام: دعم الكشف وتقسيم المثيلات والتقسيم الدلالي وتقدير العمق والتصنيف والوضعية وOBB (راجع وثائق المهام)
    • التوسيم بمساعدة الذكاء الاصطناعي: التوسيم الذكي باستخدام SAM وYOLO والنماذج الموجّهة بالفئات (مجموعات بيانات الكشف التي تضم من 1 إلى 200 فئة) لتسريع إعداد البيانات

  • تدعم منصة Ultralytics أنواعًا متعددة من GPU للتدريب السحابي:

    GPUالجيلذاكرة الفيديو (VRAM)الأنسب لـ
    RTX 2000 AdaAda16 GBمجموعات البيانات الصغيرة والاختبار
    RTX A4500Ampere20 GBمجموعات البيانات الصغيرة إلى المتوسطة
    RTX A5000Ampere24 GBمجموعات البيانات المتوسطة
    RTX 4000 AdaAda20 GBمجموعات البيانات المتوسطة
    RTX 3090Ampere24 GBالتدريب العام
    RTX PRO 4000Blackwell24 GBBlackwell اقتصادية
    L4Ada24 GBمُحسّن للاستدلال
    A40Ampere48 GBأحجام الدُفعات الأكبر
    RTX A6000Ampere48 GBالنماذج الكبيرة
    RTX PRO 4500Blackwell32 GBقيمة ممتازة مقابل السعر والأداء
    L40Ada48 GBالنماذج الكبيرة
    RTX 4090Ada24 GBالتدريب العام
    RTX PRO 5000Blackwell48 GBالتدريب بأحجام دفعات كبيرة
    RTX 6000 AdaAda48 GBالتدريب بأحجام دفعات كبيرة
    L40SAda48 GBالتدريب بأحجام دفعات كبيرة
    RTX 5090Blackwell32 GBأحدث جيل من بطاقات المستهلكين
    A100 PCIeAmpere80 GBالتدريب في بيئات الإنتاج
    A100 SXMAmpere80 GBالتدريب في بيئات الإنتاج
    RTX PRO 6000Blackwell96 GBالخيار الافتراضي الموصى به
    H100 PCIeHopper80 GBالتدريب عالي الأداء
    H100 NVLHopper94 GBأعلى أداء
    H200 NVLHopper143 GBأقصى سعة للذاكرة
    H100 SXMHopper80 GBأسرع تدريب
    H200 SXMHopper141 GBأعلى أداء
    B200Blackwell180 GBالنماذج الكبيرة (Pro+)
    B300Blackwell288 GBأكبر النماذج (Pro+)

    تظهر الأسعار الحالية بالساعة في أداة اختيار GPU ضمن نافذة التدريب وعلى صفحة الأسعار.

    راجع التدريب السحابي للاطلاع على خيارات GPU كاملة.

  • يمكنك تدريب النماذج على أجهزتك الخاصة وبث المقاييس في الوقت الفعلي إلى منصة Ultralytics.

    إصدار الحزمة المطلوب

    يتطلب التكامل مع المنصة Python>=3.11 وultralytics>=8.4.120. لن تعمل الإصدارات الأقدم مع المنصة.

    pip install "ultralytics>=8.4.120"
    # Set your API key
export ULTRALYTICS_API_KEY="YOUR_API_KEY"

# Train with project/name to stream metrics
yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

    راجع التدريب السحابي لمزيد من التفاصيل حول التدريب عن بُعد.

  • تتضمن المنصة محررًا متكاملًا للتعليق التوضيحي يدعم ما يلي:

    • الأدوات اليدوية: مربعات الإحاطة، والمضلعات، والنقاط المفتاحية مع قوالب الهيكل العظمي، والمربعات الموجّهة، والتصنيف
    • قوالب الهيكل العظمي: ضع جميع النقاط المفتاحية دفعة واحدة باستخدام القوالب المضمنة (شخص، يد، كلب، وجه، صندوق) أو القوالب المخصصة
    • التوسيم الذكي: استخدم SAM 2.1، أو SAM 3، أو SAM 3.1 (الافتراضي) للتوسيم بالنقر على مجموعات بيانات الكشف والتجزئة والدلالات وOBB، وشغّل نماذج Ultralytics YOLO المدرّبة مسبقًا ونماذج YOLO الخاصة بك التي ضُبطت دقيقًا لهذه المهام ومهمة الوضعيات من شريط الأدوات، أو شغّل النماذج الموجّهة بالفئات على مجموعات بيانات الكشف التي تضم من 1 إلى 200 فئة: تسعة نماذج مفتوحة المصدر مستضافة (Moondream 3.1 افتراضيًا في التوسيم الدفعي، ونموذج آخر مع تفعيل الوصول المبكر)، أو SAM 3 وSAM 3.1 المستضافين والموجّهين بالنص، أو نماذج الرؤية المدفوعة من OpenAI وAnthropic وGoogle وMeta وSpaceXAI وDeepSeek وZ.ai وKimi وXiaomi MiMo وAlibaba وMiniMax وTencent باستخدام مفتاح مزوّد من Settings > API Keys
    • اختصارات لوحة المفاتيح: تسهّل مفاتيح الاختصار سير العمل، وهي مدرجة في النافذة المنبثقة للاختصارات في المحرر
    الاختصارالإجراء
    Vوضع الرسم اليدوي
    Sالوضع الذكي (SAM أو YOLO أو نموذج موجّه بالفئات)
    Pالتنبؤ (في الوضع الذكي)
    Aتبديل التطبيق التلقائي (وضع SAM الذكي)
    1 - 9تحديد الفئة حسب الرقم
    Hتبديل ظهور التعليقات التوضيحية
    Space + السحب أو السحب بزر الفأرة الأوسطتحريك مساحة الرسم
    Delete / Backspaceحذف التعليق التوضيحي المحدد
    Ctrl+Sحفظ التعليقات التوضيحية
    Ctrl+Zتراجع
    Ctrl+Yإعادة
    Escapeحفظ / إلغاء التحديد / خروج

    راجع التعليق التوضيحي للاطلاع على الدليل الكامل.

  • تدعم المنصة تنسيقات النشر الثلاثة والعشرين نفسها التي يدعمها وضع التصدير في Ultralytics. يُعد PyTorch التنسيق المصدر؛ وكل صف يتضمن وسيط format هو هدف تصدير.

    التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسيطات
    PyTorch-yolo26n.pt✅-
    TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
    ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
    OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
    TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
    CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
    Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
    TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
    TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
    TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
    LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
    PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
    MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
    NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
    IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
    RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
    Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
    DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
    Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
    Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
    AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
    NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

    يُخرج nms=None افتراضيًا مخرجات خامًا لاستخدام NMS خارجي (ويحتفظ YOLO26 برأسه الخالي من NMS على Axelera). اضبط nms=False لتحديد رأس خالٍ من NMS متاح؛ أما التنسيقات غير المدعومة فتعود إلى مسار الإخراج الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

    راجع تصدير النماذج ودليل وضع التصدير وفهرس التكاملات للاطلاع على الخيارات الخاصة بكل تنسيق.

المساهمون
glenn-jocherglenn-jocher49raimbekovmraimbekovm13pderrengerpderrenger4laodouyalaodouya3JaviChulviJaviChulvi2sergiuwaxmannsergiuwaxmann2sokrisbasokrisba1francesco-mttlfrancesco-mttl1Laughing-qLaughing-q1

التعليقات4

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. WDWeihua Duan

    我觉得在上传数据集方面还可以再改进改进，具体说明上传的文件夹的格式，而且现在只能上传训练集images和labels，之前我们用的数据集还有验证集哪些val，需要手工改，比较麻烦，能不能自动识别

    2. Glenn JocherUltralytics

      感谢反馈，也收到“那些”的笔误说明；关于上传，平台已支持按标准 YOLO 目录自动识别 train/val/test，无显式 split 的平铺图片上传时也可按当前目标 split 导入并在缺少划分时自动生成一部分 val，可参考 Datasets 文档，如果你愿意也欢迎把你的目录树直接贴在这里，Ultralytics 团队会据此补充更清晰的中文示例。

  2. Sebastian Borja

    Hello Ultralytics Support Team,

    I’m currently experiencing an issue on the Ultralytics Platform while trying to train a model. My dataset is approximately 21 GB, and when I attempt to download the dataset or start training, the platform returns a “500 Internal Server Error.”

    Could you please help me investigate and resolve this issue?

    Details:

    Dataset size: ~21 GB

    Action: Download dataset / Start training

    Error: 500 Internal Server Error

    If helpful, I can provide the project/workspace link, timestamp of the failure, browser/OS details, and any logs or screenshots you need to diagnose it.

    Thank you in advance for your support.