ابدأ

الاستدلال من Ultralytics باستخدام Rust

Ultralytics Inference GitHub Ultralytics Inference Crates.io Ultralytics Inference docs.rs Ultralytics Inference Downloads Ultralytics Inference MSRV

إن Ultralytics Inference مكتبة استدلال عالية الأداء وأداة لسطر الأوامر لـ YOLO، مكتوبة بلغة Rust. وهي تشغّل نماذج ONNX المصدّرة عبر ONNX Runtime لتقديم تنبؤات سريعة وآمنة من ناحية الذاكرة على الصور ومقاطع الفيديو وكاميرات الويب والبث، دون الحاجة إلى بيئة تشغيل Python أثناء الاستدلال.

يُوزّع المشروع في حزمة crate واحدة، ultralytics-inference، ويمكن استخدامها بطريقتين: كواجهة CLI للتنبؤات السريعة والمهام الدفعية، أو مكتبة مضمّنة مباشرةً في تطبيق Rust الخاص بك. وهي تدعم جميع مهام Ultralytics ومجموعة واسعة من الخلفيات العتادية عبر واجهة موحدة للأجهزة. وللاستدلال في المتصفح، ينشر المستودع نفسه حزمة npm المسماة @ultralytics/yolo؛ راجع دليل الإعداد الخاص بها.

لماذا الاستدلال باستخدام Rust؟#

  • سرعة أصلية وحجم صغير. تُترجم إلى ملف ثنائي أصلي دون مفسّر، ما يجعلها مثالية للخوادم والحاويات والأجهزة الطرفية.
  • أمان الذاكرة. يزيل نموذج الملكية في Rust فئات كاملة من أخطاء وقت التشغيل دون الحاجة إلى جامع قمامة.
  • جميع مهام YOLO. اكتشاف الكائنات، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعيات، وOBB عبر واجهة API واحدة، بالإضافة إلى OCR لنصوص المشاهد والاستدلال بالتقسيم إلى بلاطات للصور الكبيرة.
  • دعم واسع للأجهزة. CPU بالإضافة إلى موفّرات تنفيذ CUDA وTensorRT وCoreML وOpenVINO وDirectML وROCm وMIGraphX وXNNPACK التي تُحدَّد وقت البناء، ونماذج OpenVINO IR الأصلية.
  • المعالجة المسبقة على GPU. تنفّذ نواة CUDA مدمجة اختيارية عمليات letterbox والتطبيع وتحويل التخطيط على GPU، ثم تمرّر النتيجة إلى النموذج دون إخراجها من الجهاز.
  • التنزيل التلقائي. تُنزَّل أسماء نماذج YOLO المعروفة ونماذج OCR والأصول التجريبية تلقائيًا عند الاستخدام الأول.
  • المخرجات نفسها كما في Python. تتبع الأقنعة وحدود الأقنعة والنتائج المرسومة حزمة Ultralytics Python، لذا ينتج --save الصورة نفسها التي ينتجها plot().
هل تبحث عن حزمة Python؟

تتناول هذه الصفحة حزمة Rust المستقلة. للاطلاع على سير عمل Python (التدريب والتحقق والتصدير والتنبؤ)، راجع البدء السريع ووضع التنبؤ الرئيسيين. صدّر أي نموذج من Ultralytics إلى ONNX باستخدام تكامل ONNX، ثم شغّله هنا.

التثبيت#

يلزم استخدام Rust 1.92 أو إصدار أحدث. وتتطلب ميزة الفيديو أيضًا تثبيت FFmpeg من الإصدار 6 إلى 9 على النظام.

# Install the command-line tool from crates.io
cargo install ultralytics-inference

# Or with GPU support compiled in
cargo install ultralytics-inference --features cuda,tensorrt

يوضع الملف الثنائي في ~/.cargo/bin/ultralytics-inference (Linux وmacOS)، أو في %USERPROFILE%\.cargo\bin\ على Windows.

البدء السريع باستخدام CLI#

توفّر CLI أمرًا فرعيًا باسم predict. وعند تشغيله دون وسيطات، ينزّل نموذج كشف nano وصورًا نموذجية، وينفّذ الاستدلال، ويحفظ النتائج المشروحة في runs/detect/predict.

# Detect on the built-in samples (downloads model and images)
ultralytics-inference predict

# Detect on your own image
ultralytics-inference predict --model yolo26n.onnx --source image.jpg

# Segmentation (auto-downloads yolo26n-seg.onnx)
ultralytics-inference predict --task segment --source image.jpg

# Pose on a video, shown live in a window
ultralytics-inference predict --task pose --source video.mp4 --show

# Depth estimation (auto-downloads yolo26n-depth.onnx)
ultralytics-inference predict --task depth --source image.jpg

# Tune thresholds and filter to specific classes
ultralytics-inference predict --source image.jpg --conf 0.5 --iou 0.45 --classes "0,1,2"

# Run a whole folder on the GPU in half precision
ultralytics-inference predict --source images/ --device cuda:0 --quantize 16

# Tile a large aerial image into overlapping 640 px windows to find small objects
ultralytics-inference predict --model yolo26n-obb.onnx --source aerial.jpg --tile 640

# Read scene text (auto-downloads yolo26n-text.onnx and the PaddleOCR models)
ultralytics-inference predict --ocr --source sign.jpg

# Thicker lines, no confidences in labels
ultralytics-inference predict --source image.jpg --line-width 4 --show-conf false

جميع خيارات predict:

الخيارالافتراضيالوصف
--model, -myolo26n.onnxالمسار إلى نموذج ONNX أو تصدير OpenVINO؛ ويُنزَّل اسم YOLO المعروف تلقائيًا.
--taskdetectأحد الخيارات detect أو segment أو semantic أو depth أو classify أو pose أو obb؛ يختار النموذج النانوي إذا لم يُحدَّد --model.
--source, -sعينةصورة أو مجلد أو نمط glob أو فيديو أو فهرس كاميرا ويب أو تدفق أو URL.
--conf0.25عتبة الثقة.
--iou0.5عتبة IoU لكبت غير الأقصى.
--max-det300الحد الأقصى لعدد الاكتشافات لكل صورة.
--imgszبيانات النموذج الوصفيةحجم صورة الاستدلال.
--rect [<BOOL>]trueاستدلال مستطيل مع أقل قدر من الحشو.
--tile [<TILE>]إيقافحجم البلاطة للاستدلال بنوافذ متداخلة؛ ويستخدم --tile دون قيمة --imgsz. راجع الاستدلال بالتقسيم إلى بلاطات.
--retina-masksfalseإنشاء أقنعة التجزئة بحجم الصورة الأصلي بدلًا من حجم الاستدلال.
--ocrfalseقراءة النص في كل صندوق أو صندوق موجّه أو قناع باستخدام PaddleOCR؛ وبدون --model، يُشغِّل هذا yolo26n-text.onnx. راجع OCR.
--batch1حجم الدفعة للاستدلال.
--quantizeدقة النموذجدقة الاستدلال: 8 أو 16 أو 32 أو int8 أو fp16 أو fp32 أو w8a8 أو w16a16 أو w32a32 أو w8a16 أو w8a32.
--save [<BOOL>]trueاحفظ النتائج المشروحة في runs/<task>/predict.
--save-framesfalseاحفظ إطارات منفردة لإدخال الفيديو بدلًا من ملف فيديو.
--save-jsonfalseاحفظ ملفات PNG لخريطة الفئات الخاصة بالتجزئة الدلالية.
--showfalseاعرض النتائج في نافذة.
--show-labels [<BOOL>]trueإظهار أسماء الفئات في تسميات الصناديق.
--show-conf [<BOOL>]trueإظهار درجات الثقة في تسميات الصناديق.
--show-boxes [<BOOL>]trueرسم الصناديق وتسمياتها.
--line-widthمن حجم الصورةعرض خط الصندوق بالبكسل، ويُحدِّد حجم التسميات أيضًا.
--deviceتلقائيجهاز التنفيذ، مثل cpu أو cuda:0 أو tensorrt:0 أو coreml أو intel:gpu أو directml:0 أو rocm:0 أو migraphx:0 أو xnnpack.
--verbose [<BOOL>]trueاطبع نتائج كل صورة والتوقيت.
--classesالكلتصفية الاكتشافات حسب معرّفات الفئات، مثل 0 أو "0,1,2" أو "[0, 1, 2]".

يشير [<BOOL>] إلى خيار تكون قيمته اختيارية: يؤدي تمريره دون قيمة (--rect) إلى ضبطه على true، ويوقفه --rect false. ويظل خيار --half القديم مقبولًا، ويُحوَّل إلى --quantize 16، ويطبع تحذير الإهمال نفسه الذي تطبعه حزمة Python.

البدء السريع باستخدام المكتبة#

حمّل نموذجًا ونفّذ تنبؤًا. تُقرأ بيانات النموذج الوصفية، مثل أسماء الفئات ونوع المهمة وحجم الصورة، تلقائيًا من ملف ONNX.

use ultralytics_inference::YOLOModel;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    // Metadata (classes, task, imgsz) is parsed from the model.
    let mut model = YOLOModel::load("yolo26n.onnx")?;

    let results = model.predict("image.jpg")?;

    for result in &results {
        if let Some(boxes) = &result.boxes {
            for i in 0..boxes.len() {
                let class_id = boxes.cls()[i] as usize;
                let conf = boxes.conf()[i];
                let name = result.names.get(&class_id).map_or("unknown", |s| s.as_str());
                println!("{name} {conf:.2}");
            }
        }
    }

    Ok(())
}

استخدم InferenceConfig للتحكم في العتبات وحجم الصورة والدقة والجهاز باستخدام واجهة برمجة تطبيقات تعتمد على نمط الباني:

use ultralytics_inference::{Device, InferenceConfig, Quantization, YOLOModel};

let config = InferenceConfig::new()
    .with_confidence(0.5)
    .with_iou(0.45)
    .with_imgsz(640, 640)
    .with_device(Device::Cuda(0))
    .with_quantize(Quantization::Fp16);

let mut model = YOLOModel::load_with_config("yolo26n.onnx", config)?;
let results = model.predict("image.jpg")?;

تملأ كل مهمة حقلًا مختلفًا في Results. كل علامة تبويب أدناه برنامج كامل قابل للتشغيل؛ وتُنزَّل النماذج ومدخلات العينة تلقائيًا عند التشغيل الأول. استبدل predict_default() بـ predict("image.jpg") للتشغيل على ملفاتك.

use ultralytics_inference::YOLOModel;

fn main() -> Result<(), Box<dyn std::error::Error>> {
    let mut model = YOLOModel::load("yolo26n.onnx")?;
    let results = model.predict_default()?;

    for result in &results {
        if let Some(boxes) = &result.boxes {
            println!("{} detections", boxes.len());
            let xyxy = boxes.xyxy(); // rows of [x1, y1, x2, y2]
            for i in 0..boxes.len() {
                let class_id = boxes.cls()[i] as usize;
                let name = result.names.get(&class_id).map_or("unknown", |s| s.as_str());
                println!("  {name} {:.2} {:?}", boxes.conf()[i], xyxy.row(i).to_vec());
            }
        }
    }

    Ok(())
}

المهام المدعومة#

جميع مهام Ultralytics مدعومة. عند عدم تحديد --model، يُنزَّل تلقائيًا نموذج nano المطابق للمهمة المحددة.

المهمة--taskالمخرجاتالنموذج الافتراضي
الكشفdetectمربعات الإحاطة والفئاتyolo26n.onnx
تجزئة الكائناتsegmentالمربعات مع أقنعة لكل مثيلyolo26n-seg.onnx
التجزئة الدلاليةsemanticخريطة الفئات لكل بكسلyolo26n-sem.onnx
تقدير العمقdepthخريطة العمق لكل بكسل بالأمتارyolo26n-depth.onnx
التصنيفclassifyاحتمالات الفئاتyolo26n-cls.onnx
الوضعيةposeالمربعات مع النقاط المفتاحيةyolo26n-pose.onnx
مربعات موجّهةobbمربعات إحاطة مدوّرةyolo26n-obb.onnx

يضيف --ocr قراءة نصوص المشاهد إلى أي نموذج لاكتشاف الكائنات أو التجزئة أو OBB؛ وبدون --model، يُشغِّل كاشف النص yolo26n-text.onnx. راجع OCR لنصوص المشاهد.

توافق النماذج#

يمكن تحميل أي نموذج من Ultralytics مُصدَّر إلى ONNX من ملف محلي. ويتوفر التنزيل التلقائي لأسماء النماذج القياسية YOLO26 وYOLO11 وYOLOv8 بأحجام n وs وm وl وx:

عائلة النموذجالمتغيرات المتاحة للتنزيل التلقائي
YOLO26yolo26{n,s,m,l,x}.onnx و-seg و-sem و-depth و-cls و-pose و-obb و-text
YOLO11yolo11{n,s,m,l,x}.onnx و-seg و-cls و-pose و-obb
YOLOv8yolov8{n,s,m,l,x}.onnx و-seg و-cls و-pose و-obb

التجزئة الدلالية (-sem) وتقدير العمق (-depth) وكواشف نصوص المشاهد -text متاحة حصريًا في YOLO26. كما يُنزَّل تلقائيًا كل من مُعرِّف PaddleOCR PP-OCRv6_medium_rec.onnx ومُصنِّف الاتجاه PP-LCNet_x0_25_textline_ori.onnx اللذان يستخدمهما --ocr (Apache-2.0). وتعمل نماذج اكتشاف RT-DETR أيضًا، لكن لا تُنزَّل تلقائيًا: صدِّر أحدها إلى ONNX أولًا. وتعمل صادرات OpenVINO IR الأصلية باستخدام الميزة openvino-native؛ راجع نماذج OpenVINO IR.

مصادر الإدخال#

تقبل وسيطة --source (والنوع Source في المكتبة) أنواعًا عديدة من المدخلات، ويُحدَّد نوعها تلقائيًا من السلسلة النصية:

المصدرمثالملاحظات
الصورةimage.jpgملف واحد.
مجلدimages/جميع الصور في المجلد.
نمط globimages/*.jpgنمط بصيغة الصدفة.
فيديوvideo.mp4يتطلب الميزة video.
كاميرا الويب0يتطلب الميزة video.
بثrtsp://...يتطلب الميزة video.
عنوان URLhttps://example.com/image.jpgتنزيل صورة عن بُعد.

الاستدلال بالتقسيم إلى بلاطات#

يمكن تقسيم الصور الكبيرة التي تحتوي على كائنات صغيرة، مثل الصور الجوية أو صور الأقمار الصناعية، إلى نوافذ متداخلة ثم دمجها في نتيجة واحدة، تمامًا كما تفعل وسيطة Python tile. تتداخل النوافذ بنسبة 20%، وتُعاد مطابقة الصناديق مع الصورة المصدر، وتُزال التكرارات لكل فئة. عند التصدير بدُفعة ديناميكية، يعالج --batch عدة نوافذ في استدعاء استدلال واحد. جميع المهام مدعومة.

# 640 px windows; a bare --tile uses --imgsz
ultralytics-inference predict --model yolo26n-obb.onnx --source aerial.jpg --tile 640
use ultralytics_inference::{InferenceConfig, YOLOModel};

// with_tile(0) uses the inference size
let config = InferenceConfig::new().with_tile(640);
let mut model = YOLOModel::load_with_config("yolo26n.onnx", config)?;
let results = model.predict("aerial.jpg")?;

OCR لنصوص المشاهد#

تعثر كواشف YOLO26-Text على الكلمات في صورة مربعات إحاطة موجّهة، وتقرأها TextRecognizer باستخدام PP-OCRv6 من PaddleOCR، وهو أداة التعرّف نفسها المستخدمة في حل OCR بلغة Python. وتُقبل أيضًا مربعات نماذج الكشف وأقنعة نماذج التجزئة: إذ تُستخرج القراءة من المستطيل ذي المساحة الدنيا المحيط بمخطط القناع، مع الاحتفاظ بالمخطط بوصفه مضلعًا. تُدار كل قصاصة لتصبح مستقيمة، وتُعاد قراءة النصوص التي يكتشف مصنّف الاتجاه أنها مقلوبة بعد تدويرها، ثم تُعاد النصوص بترتيب القراءة. وتعمل أداة التعرّف على جهاز الكاشف.

# Auto-downloads yolo26n-text.onnx and the PaddleOCR models
ultralytics-inference predict --ocr --source sign.jpg

# Any size of the text detector, on the GPU
ultralytics-inference predict --ocr --model yolo26x-text.onnx --source sign.jpg --device cuda:0

يحمّل مثال المكتبة الصورة باستخدام الحزمة image، لذا أضِفها بجوار الحزمة باستخدام cargo add image.

use ultralytics_inference::YOLOModel;
use ultralytics_inference::ocr::{DEFAULT_ORIENTATION, DEFAULT_RECOGNIZER, TextRecognizer};

let mut detector = YOLOModel::load("yolo26n-text.onnx")?;
let mut ocr = TextRecognizer::new(&detector, DEFAULT_RECOGNIZER, DEFAULT_ORIENTATION)?;
let image = image::open("sign.jpg")?;
let result = detector.predict_image(&image, "sign.jpg".into())?.remove(0);
for text in ocr.read(&image, &result)? {
    println!("{} {:.2} {:?}", text.text, text.confidence, text.polygon);
}

يرسم predict --ocr كل نص كما في حل Python، وتنطبق عليه أيضًا --line-width و--show-labels و--show-conf.

الأجهزة وموفرو التنفيذ#

تُضمَّن خلفيات GPU والمسرّعات كـميزات Cargo، ويُختار موفر التنفيذ وقت التشغيل باستخدام --device (CLI) أو Device (المكتبة). عند عدم تحديد جهاز، تُسجَّل الموفّرات المضمّنة في البناء بترتيب أفضلية ثابت (TensorRT أولًا، ثم CUDA، وهكذا)، لذا يعمل البناء الذي يتضمن الميزات الافتراضية فقط على CPU.

سلسلة الجهازمتغير Deviceميزة البناءالعتاد
cpuDevice::Cpuمدمجأي CPU
cuda:0Device::Cuda(0)cudaGPU من NVIDIA
tensorrt:0Device::TensorRt(0)tensorrtGPU من NVIDIA، محسّن
coremlDevice::CoreMlcoremlApple Silicon / macOS
intel:cpuDevice::IntelCpuopenvino أو openvino-nativeCPU من Intel
intel:gpuDevice::IntelGpuopenvino أو openvino-nativeGPU من Intel
intel:npuDevice::IntelNpuopenvino أو openvino-nativeNPU من Intel
directml:0Device::DirectMl(0)directmlGPU لنظام Windows
rocm:0Device::Rocm(0)rocmGPU من AMD
migraphx:0Device::MiGraphX(0)migraphxوحدة معالجة الرسومات AMD (Linux x64)
xnnpackDevice::XnnpackxnnpackCPU محسّن
# Build the CLI with the providers you need
cargo install ultralytics-inference --features cuda,tensorrt

نماذج OpenVINO IR#

باستخدام الميزة openvino-native، يقبل --model أيضًا تصدير OpenVINO أصليًا، سواء كان الملف .xml أو المجلد الناتج عن yolo export format=openvino، ويشغّله عبر بيئة تشغيل OpenVINO بدلًا من ONNX Runtime. تعمل جميع المهام على intel:cpu وintel:gpu وintel:npu، وتحمّله المكتبة باستخدام YOLOModel::load("yolo26n_openvino_model"). لا يتطلب البناء تثبيت OpenVINO؛ إذ تُحمَّل بيئة التشغيل عند فتح النموذج لأول مرة. راجع دليل OpenVINO للإعداد.

yolo export model=yolo26n.pt format=openvino # add quantize=16, quantize=8, dynamic=True, or batch=4
ultralytics-inference predict --model yolo26n_openvino_model --source bus.jpg --device intel:gpu

تسريع GPU والمعالجة المسبقة باستخدام CUDA#

على أجهزة NVIDIA، تتيح الميزة cuda موفّر تنفيذ CUDA، وتضيف tensorrt موفّر TensorRT لمزيد من التحسين (وتتضمن cuda، التي تشغّل مُعرِّف OCR أيضًا). ولتحقيق أدنى زمن استجابة للاستدلال ممكن، تنقل الميزة cuda-preprocess المعالجة المسبقة إلى وحدة معالجة الرسومات.

تنفّذ cuda-preprocess تغيير حجم letterbox والتطبيع وتحويل التخطيط من HWC إلى CHW ضمن نواة CUDA واحدة مدمجة، ثم تمرّر الناتج إلى النموذج كموتر جهاز دون نسخ. يظل الإطار الخام ذو 8 بت يُرفع إلى GPU، عبر مخزن مرحلي مثبت في وحدات GPU المنفصلة؛ وتتمثل وظيفة النواة في الاستغناء عن تغيير الحجم والتطبيع وتحويل التخطيط على CPU، وعن الرفع المنفصل للموتر المعالَج مسبقًا، وهو ما يكتسب أهمية قصوى مع الدفعات ذات معدل الإنتاجية العالي وتدفقات الزمن الحقيقي.

# Build with fused GPU preprocessing (implies cuda + tensorrt)
cargo build --release --features cuda-preprocess

يُستخدم المسار السريع تلقائيًا، دون تغيير في API، عند تحقق جميع الشروط التالية: تضمين الميزة في البناء، واستخدام CUDA أو TensorRT أو عدم تحديد جهاز، وأن تكون المهمة اكتشاف الكائنات أو التجزئة أو التجزئة الدلالية (للصور المفردة فقط) أو تقدير العمق أو تقدير الوضعيات أو OBB، وأن يستخدم النموذج مدخلات FP32. وهي مفعّلة افتراضيًا ويمكن إيقافها لكل نموذج:

use ultralytics_inference::{Device, InferenceConfig};

let config = InferenceConfig::new()
    .with_device(Device::TensorRt(0))
    .with_cuda_preprocess(false); // force CPU preprocessing
طابِق مجموعة أدوات CUDA لديك

تتطلب cuda-preprocess مجموعة أدوات CUDA متوافقة وقت البناء، وتستخدم NVRTC وقت التشغيل لنواة المعالجة المسبقة المدمجة. راجع دليل تسريع CUDA وTensorRT للاطلاع على متطلبات الإصدارات واستكشاف الأخطاء وإصلاحها.

ميزات Cargo#

تُفعَّل الميزات وقت البناء. وتغطي الميزات الافتراضية إضافة التعليقات التوضيحية والعرض المباشر.

الميزةالافتراضيالغرض
annotateنعمرسم الصناديق والأقنعة والنقاط المفتاحية والتسميات ونصوص OCR؛ وهي مطلوبة لـ--save.
visualizeنعمعرض مباشر في نافذة في الزمن الحقيقي لـ --show.
videoلاقراءة ملفات الفيديو وكتابتها (يتطلب FFmpeg من الإصدار 6 إلى 9).
cudaلاموفر تنفيذ NVIDIA CUDA.
tensorrtلاموفّر تنفيذ NVIDIA TensorRT (يتضمن cuda).
cuda-preprocessلامعالجة مسبقة مدمجة على وحدة معالجة الرسومات (تستلزم cuda وtensorrt؛ وتتطلب مجموعة أدوات CUDA).
coremlلاموفر تنفيذ Apple CoreML.
openvinoلاموفّر تنفيذ Intel OpenVINO (لنظامي Linux وWindows x64).
openvino-nativeلانماذج OpenVINO IR (.xml) الأصلية عبر بيئة تشغيل OpenVINO.
rocmلاموفّر تنفيذ AMD ROCm (يتطلب إصدار ONNX Runtime مبنيًا بنفسك).
migraphxلاموفّر تنفيذ AMD MIGraphX (Linux x64).
directmlلاموفر تنفيذ Windows DirectML.
xnnpackلاموفّر تنفيذ XNNPACK للاستدلال المحسّن على CPU.

تجمع المجموعات التيسيرية موفّرات التنفيذ ذات الصلة: nvidia (cuda وtensorrt)، وamd (rocm وmigraphx)، وintel (openvino وonednn)، وmobile (nnapi وcoreml وqnn)، وall (annotate وvisualize وvideo). تتوفر أيضًا موفّرات إضافية هي onednn وnnapi وqnn وacl وtvm وrknpu وcann وwebgpu وazure.

فعّل الميزات عند تثبيت CLI أو إضافة المكتبة:

cargo install ultralytics-inference --features video
cargo install ultralytics-inference --features cuda,tensorrt
[dependencies]
ultralytics-inference = { version = "0.0.58", features = ["video"] }

الإخراج والحفظ#

تُضاف التعليقات التوضيحية إلى التنبؤات افتراضيًا، وتُحفظ في مجلد تشغيل يزداد رقمه تلقائيًا:

runs/
└── detect/
    └── predict/          # then predict2, predict3, ...
        └── image.jpg     # annotated result

يطابق المجلد الفرعي المهمة (runs/segment/ وruns/pose/ وما إلى ذلك). تُكتب المخرجات المشروحة لمصادر الفيديو كملف فيديو؛ مرّر --save-frames لكتابة إطارات منفردة بدلًا منه. في المهمة semantic، يكتب --save-json ملفات PNG لخريطة الفئات لكل بكسل ضمن مجلد فرعي باسم results/. في المهمة depth، تُدمج خريطة العمق الملوّنة مع الصورة المصدر، بما يطابق مخرجات plot() في Ultralytics Python. يتطلب حفظ الصور والفيديو المشروحَين الميزة annotate؛ أما تصدير ملفات PNG لخريطة الفئات الدلالية فلا يتطلبها. يتطلب إدخال الفيديو وإخراجه الميزة video.

يتبع الرسم تطبيق Python Results.plot(): يبلغ عرض الخط افتراضيًا 0.3% من متوسط ضلعي الصورة (بحد أدنى 2 px)، وتوضع التسميات فوق كل صندوق أو داخله عند عدم توفر مساحة، وتُمزج أقنعة المثيلات بالطريقة نفسها، بحيث تطابق الصور المحفوظة صور Python. تعمل --line-width و--show-labels و--show-conf و--show-boxes كما تعمل وسيطات Python التي تحمل الأسماء نفسها. في المكتبة، مرّرها عبر AnnotateOptions:

use ultralytics_inference::annotate::{AnnotateOptions, annotate_image_with_options};

let options = AnnotateOptions {
    line_width: Some(3),
    show_conf: false,
    ..Default::default()
};
let annotated = annotate_image_with_options(&image, &results[0], &options);

تُنشأ أقنعة التجزئة بحجم الاستدلال كما في Python؛ مرّر --retina-masks (أو InferenceConfig::with_retina_masks(true)) لإنشائها بحجم الصورة الأصلي.

الأسئلة الشائعة#

  • لا. تشغّل الحزمة نماذج ONNX المُصدَّرة مباشرةً عبر ONNX Runtime. لا تحتاج إلى Python إلا إذا أردت تدريب النماذج أو تصديرها باستخدام حزمة Ultralytics مسبقًا.

  • أي نموذج YOLO من Ultralytics مُصدَّر إلى ONNX، بما في ذلك YOLO26 وYOLO11 وYOLOv8. تُنزَّل أسماء النماذج المعروفة تلقائيًا؛ ويمكنك أيضًا توجيه --model إلى أي ملف .onnx محلي.

  • صدّره من حزمة Python، على سبيل المثال باستخدام تكامل ONNX، أو دع CLI ينزّل نموذج nano قياسيًا للمهمة المختارة عند التشغيل الأول.

  • نعم. يقرأ --ocr نصوص المشاهد باستخدام كاشف YOLO26-Text وPaddleOCR، كما في حل OCR في Python، ويعمل أيضًا على صناديق نماذج اكتشاف الكائنات والتجزئة الخاصة بك أو أقنعتها. راجع OCR لنصوص المشاهد.

  • استخدم الاستدلال بالتقسيم إلى بلاطات: يقسّم --tile 640 الصورة إلى نوافذ متداخلة بحجم 640 px، ثم يدمج الاكتشافات في نتيجة واحدة.

  • نعم، مع تفعيل الميزة video وتثبيت FFmpeg 6 إلى 9 على النظام. يشمل ذلك ملفات الفيديو وكاميرات الويب وتدفقات RTSP/RTMP/HTTP.

  • كلتاهما مفعّلتان افتراضيًا. ترسم annotate الصناديق والأقنعة والنقاط المفتاحية وتسميات الفئات على الصورة، وهي مطلوبة لكي تكتب --save النتائج المشروحة. تفتح visualize نافذة مباشرة لـ --show. لإنشاء إصدار أصغر بلا واجهة رسومية لا يعيد سوى النتائج برمجيًا، عطّل الميزتين باستخدام cargo build --no-default-features (وأعِد تفعيل الميزات المطلوبة كلٌّ على حدة عند الحاجة).

  • هذه الصفحة نظرة عامة عالية المستوى. يُنشر مرجع API الكامل، المصنّف حسب النوع، لكل بنية عامة وطريقة وخيار إعداد على docs.rs، ويُنشأ مباشرةً من المصدر.

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.