النماذج المدعومة من Ultralytics#
مرحباً بك في وثائق نماذج Ultralytics! نحن نقدم دعماً لمجموعة واسعة من النماذج، وكل منها مصمم مهام محددة مثل اكتشاف الكائنات، التجزئة المثيلية، التجزئة الدلالية، تقدير العمق، تصنيف الصور، تقدير الوضعية، والتتبع متعدد الكائنات. إذا كنت مهتماً بالمساهمة ببنية النموذج الخاص بك في Ultralytics، فالرجاء مراجعة دليل المساهمة.
النماذج المميزة#
ابدأ مع YOLO26 لمشروع جديد: فهو أحدث إصدار من Ultralytics والوحيد الذي يغطي المهام السبعة جميعها. YOLO11 هو البديل الناضج، مع نقاط تفتيش مدربة مسبقاً لكل مهمة من مهامه الخمس. اختر عائلة متخصصة فقط عندما تحتاج إلى تجزئة قابلة للتوجيه (SAM 3)، أو اكتشاف المفردات المفتوحة (YOLOE، YOLO-World)، أو كاشف المحولات (RT-DETR).
يسرد الجدول كل نموذج موثق مع المهام التي يغطيها، وأي من أوضاع التحضير والتحقق والتنبؤ والتصدير تدعمها Ultralytics له، ومتى يجب استخدامه. لا يتم سرد التتبع بشكل منفصل: فهو يعمل فوق التنبؤ لنماذج Detect وSegment وPose وOBB، بينما تتتبع SAM 2 وSAM 3 من خلال مؤشرات الفيديو الخاصة بهما. كما لا يتم سرد المقارنة المعيارية، لأنها تغلف التصدير والتحقق عبر التنسيقات بدلاً من إضافة دعم خاص بها.
| النموذج | مهام | الأوضاع | اختره لـ |
|---|---|---|---|
| YOLO26 🚀 جديد | Detect، Segment، Semantic، Depth، Classify، Pose، OBB | Train، Val، Predict، Export | المشاريع الجديدة: استدلال شامل خالي من NMS، ونشر محسن للحافة، وأوسع تغطية للمهام |
| YOLO12 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | إجراء مقارنة معيارية لإصدار المجتمع المرتكز على الانتباه؛ الأوزان المدربة مسبقاً تغطي الاكتشاف فقط |
| YOLO11 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | أحمال عمل الإنتاج المستقرة، مع نقاط تفتيش مدربة مسبقاً لكل مهمة يدعمها |
| YOLOv10 | اكتشاف | Train، Val، Predict، Export | أبحاث اكتشاف خالية من NMS من جامعة تسينغهوا |
| YOLOv9 | Detect، Segment | Train، Val، Predict، Export | معلومات التدرج القابلة للبرمجة (PGI)، المنفذة على قاعدة تعليمات برمجية YOLOv5 الخاصة بـ Ultralytics |
| YOLOv8 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | خطوط أنابيب YOLOv8 الحالية والتكاملات الراسخة من طرف ثالث |
| YOLOv7 | اكتشاف | التنبؤ | تشغيل تصدير YOLOv7 مدرب في المنبع: تتنبأ الحزمة من نموذج ONNX أو TensorRT متوافق، وليس من نقطة التفتيش الأصلية أبداً |
| YOLOv6 | اكتشاف | Train، Val، Predict، Export | تدريب بنية Meituan من ملف YAML الخاص بها؛ لا تستضيف Ultralytics أي نقاط تفتيش YOLOv6 .pt |
| YOLOv5 | اكتشاف | Train، Val، Predict، Export | مشاريع Ultralytics القديمة؛ الإصدارات الحالية تحمّل نقاط تفتيش YOLOv5u المحدثة |
| YOLOv4 | لا يوجد | لا يوجد | مرجع البنية فقط: نموذج Darknet الأصلي الخاص بأليكسي بوكوفسكي غير مدعوم بواسطة الحزمة |
| YOLOv3 | اكتشاف | Train، Val، Predict، Export | المشاريع القديمة على بنية جوزيف ريدمون الأصلية؛ الإصدارات الحالية تحمّل نقاط تفتيش YOLOv3u المحدثة |
| SAM 3 🚀 جديد | تجزئة | التنبؤ | تجزئة المفاهيم القابلة للتوجيه من Meta في الصور والفيديو، من النص أو أمثلة الصور؛ sam3.pt يتطلب موافقة الوصول على Hugging Face |
| SAM 2 | تجزئة | التنبؤ | تجزئة Meta القابلة للتوجيه، وتتبع الكائنات عبر إطارات الفيديو |
| SAM | تجزئة | التنبؤ | تجزئة Meta الأصلية القابلة للتوجيه، بما في ذلك التوضيح التلقائي |
| MobileSAM | تجزئة | التنبؤ | التجزئة القابلة للتوجيه على الأجهزة المحولة وغيرها من الأجهزة محدودة الموارد (جامعة كيونغ هي) |
| FastSAM | تجزئة | Val، Predict، Export | التجزئة القابلة للتوجيه المستندة إلى CNN عندما يكون زمن انتقال SAM هو عنق الزجاجة (الأكاديمية الصينية للعلوم) |
| YOLO-NAS | اكتشاف | Val، Predict، Export | كاشفات Deci المحسنة بواسطة NAS، والمحتفظ بها للاستدلال والتصدير؛ لم تعد Deci صائنتها بعد استحواذ NVIDIA عليها |
| RT-DETR | اكتشاف | Train، Val، Predict، Export | كاشف DETR في الوقت الفعلي من بايدو: عمود فقري تلافيفي مع مشفر محول هجين |
| YOLO-World | اكتشاف | Train، Val، Predict، Export | اكتشاف المفردات المفتوحة من الموجهات النصية (مختبر تينسنت للذكاء الاصطناعي)؛ يتطلب التصدير نقاط تفتيش -worldv2 |
| YOLOE | Detect، Segment | Train، Val، Predict، Export | اكتشاف وتجزئة المفردات المفتوحة باستخدام الاستدلال بالنص أو البصري أو الخالي من الموجهات |
Watch: Run Ultralytics YOLO models in just a few lines of code.
البدء: أمثلة الاستخدام#
يقدم هذا المثال أمثلة بسيطة لتدريب واستدلال YOLO. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق Predict، وTrain، وVal، وExport.
لاحظ أن المثال أدناه يبرز نماذج YOLO26 Detect الخاصة بـ اكتشاف الكائنات. للحصول على مهام إضافية مدعومة، راجع وثائق Segment، وSemantic، وDepth، وClassify، وPose، وOBB.
يمكن تمرير نماذج *.pt المدربة مسبقاً بـ PyTorch بالإضافة إلى ملفات تكوين *.yaml إلى الفئات YOLO()، وSAM()، وNAS()، وRTDETR() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")المساهمة بنماذج جديدة#
هل أنت مهتم بالمساهمة بنموذجك في Ultralytics؟ هذا رائع! نحن دائماً منفتحون على توسيع محفظة نماذجنا.
-
إنشاء نسخة متفرعة من المستودع: ابدأ بإنشاء نسخة متفرعة من مستودع GitHub الخاص بـ Ultralytics.
-
استنسخ الـ Fork الخاص بك: قم باستنساخ الـ fork الخاص بك إلى جهازك المحلي وأنشئ فرعاً جديداً للعمل عليه.
-
تنفيذ نموذجك: أضف نموذجك مع اتباع معايير البرمجة والإرشادات الواردة في دليل المساهمة الخاص بنا.
-
اختبر بدقة: تأكد من اختبار نموذجك بصرامة، سواء بشكل منفصل أو كجزء من خط العمليات.
-
أنشئ Pull Request: بمجرد أن تشعر بالرضا عن نموذجك، أنشئ pull request إلى المستودع الرئيسي للمراجعة.
-
مراجعة الكود والدمج: بعد المراجعة، إذا استوفى نموذجك معاييرنا، فسيتم دمجه في المستودع الرئيسي.
للحصول على خطوات مفصلة، راجع دليل المساهمة الخاص بنا.
الأسئلة الشائعة#
أحدث نموذج YOLO من Ultralytics هو YOLO26، الذي تم إصداره في يناير 2026. يتميز YOLO26 باستدلال شامل خالي من NMS، ونشر محسن للحافة، ويدعم الاكتشاف، والتجزئة المثيلية، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB بالإضافة إلى الإصدارات ذات المفردات المفتوحة. بالنسبة لأحمال عمل الإنتاج المستقرة، يُنصح باستخدام كل من YOLO26 وYOLO11.
يمكن إنجاز تدريب نموذج YOLO على بيانات مخصصة بسهولة باستخدام مكتبات Ultralytics. إليك مثال سريع:
مثالfrom ultralytics import YOLO # Load a YOLO model model = YOLO("yolo26n.pt") # or any other YOLO model # Train the model on custom dataset results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)للحصول على إرشادات أكثر تفصيلاً، تفضل بزيارة صفحة وثائق Train.
تدعم Ultralytics أصلاً نماذج YOLOv3، وYOLOv5، وYOLOv6، وYOLOv8، وYOLOv9، وYOLOv10، وYOLO11، وYOLO12، وYOLO26، إلى جانب عائلة SAM (وهي SAM 3، وSAM 2، وSAM، وMobileSAM، وFastSAM)، وYOLO-NAS، وRT-DETR، وYOLO-World، وYOLOE. لا تنشر الحزمة أي أوزان أو ملفات YAML لـ YOLOv4 أو YOLOv7: تم توثيق YOLOv4 كمرجع للبنية فقط، بينما يعمل YOLOv7 كنموذج ONNX أو TensorRT مصدر. راجع النماذج المميزة لمعرفة المهام والأوضاع المتاحة لكل منها.
توفر منصة Ultralytics منصة شاملة وخالية من البرمجة لتدريب ونشر وإدارة نماذج YOLO. فهي تبسط تدفقات العمل المعقدة، مما يتيح للمستخدمين التركيز على أداء النموذج والتطبيق. كما توفر قدرات التدريب السحابي، وإدارة شاملة لمجموعات البيانات، وواجهات سهلة الاستخدام لكل من المبتدئين والمطورين ذوي الخبرة.
نماذج Ultralytics YOLO متعددة الاستخدامات ويمكنها أداء مهام تشمل اكتشاف الكائنات، والتجزئة المثيلية، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجهة (OBB). أحدث نموذج، YOLO26، يدعم المهام السبعة جميعها بالإضافة إلى اكتشاف المفردات المفتوحة. للحصول على تفاصيل حول مهام معينة، راجع صفحات المهام.