النماذج التي تدعمها Ultralytics#
مرحبًا بك في توثيق نماذج Ultralytics! نوفر دعمًا لمجموعة واسعة من النماذج، صُمم كل منها لمهام محددة مثل اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعيات، والمربعات المحيطة الموجّهة. إذا كنت مهتمًا بالمساهمة ببنية نموذجك في Ultralytics، فراجع دليل المساهمة.
النماذج المميّزة#
ابدأ باستخدام YOLO26 لمشروع جديد: فهو أحدث إصدار من Ultralytics والوحيد الذي يغطي المهام السبع جميعها. يُعد YOLO11 البديل الناضج، مع نقاط تفتيش مُدرَّبة مسبقًا لكل مهمة من مهامه الخمس. اختر عائلة متخصصة فقط عندما تحتاج إلى تجزئة قابلة للتوجيه (SAM 3)، أو اكتشاف بمفردات مفتوحة (YOLOE، YOLO-World)، أو كاشف قائم على Transformer (RT-DETR).
YOLO27 يخضع لمراحل البحث والتطوير النهائية لإطلاق مرتقب في وقت later من هذا العام، دون تحديد موعد دقيق للإطلاق. استعرض هيكليته، ومهامّه السبع المخطط لها، والمعايير الأولية. أوزان النماذج ودعم الحزم غير متوفرة بعد؛ استخدم YOLO26 للمشاريع الحالية.
يسرد الجدول النماذج المُصْدرة ومراجع الهيكلية مع مهامها، وtrain, val, predict and export المعتمدة، وحالات الاستخدام الموصى بها. لا يتم سرد Track بشكل منفصل: فهي تعمل فوق وظيفة التنبؤ لنماذج الكشف، والتجزئة، والوضعية، والمربعات المحيطة موجهة الاتجاه، بينما تقوم SAM 2 و SAM 3 بالتتبع من خلال محركاتها الخاصة بتنبؤ الفيديو. لا يتم سرد Benchmark أيضًا، لأنها تغلف التصدير والتحقق عبر التنسيقات بدلاً من إضافة دعم خاص بها.
| النموذج | المهام | الأنماط | اختره من أجل |
|---|---|---|---|
| YOLO26 🚀 جديد | Detect، Segment، Semantic، Depth، Classify، Pose، OBB | Train، Val، Predict، Export | المشاريع الجديدة: الاستدلال الاختياري الخالي من NMS، والنشر المخصص للحواف، وأوسع تغطية للمهام |
| YOLO12 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | تقييم الإصدار المجتمعي المتمحور حول الانتباه؛ تغطي الأوزان المُدرَّبة مسبقًا الاكتشاف فقط |
| YOLO11 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | أحمال العمل الإنتاجية المستقرة، مع نقاط تفتيش مُدرَّبة مسبقًا لكل مهمة يدعمها |
| YOLOv10 | Detect | Train، Val، Predict، Export | أبحاث اكتشاف بلا NMS في الزمن الفعلي من جامعة تسينغهوا |
| YOLOv9 | Detect، Segment | Train، Val، Predict، Export | المعلومات القابلة للبرمجة للتدرج (PGI)، المُنفَّذة على قاعدة شيفرة YOLOv5 في Ultralytics |
| YOLOv8 | Detect، Segment، Classify، Pose، OBB | Train، Val، Predict، Export | خطوط أنابيب YOLOv8 الحالية وتكاملات الجهات الخارجية الراسخة |
| YOLOv7 | Detect | التنبؤ | تشغيل تصدير YOLOv7 المُدرَّب في المصدر upstream: تتنبأ الحزمة من نموذج ONNX أو TensorRT متوافق، ولا تتنبأ مطلقًا من نقطة التفتيش الأصلية |
| YOLOv6 | Detect | Train، Val، Predict، Export | تدريب بنية Meituan من ملف YAML الخاص بها؛ لا تستضيف Ultralytics أي نقاط تفتيش .pt لـ YOLOv6 |
| YOLOv5 | Detect | Train، Val، Predict، Export | مشاريع Ultralytics القديمة؛ تحمّل الإصدارات الحالية نقاط تفتيش YOLOv5u المحدّثة |
| YOLOv4 | لا شيء | لا شيء | مرجع للبنية فقط: نموذج Darknet الأصلي الخاص بـ Alexey Bochkovskiy غير مدعوم من الحزمة |
| YOLOv3 | Detect | Train، Val، Predict، Export | مشاريع قديمة تعتمد على البنية الأصلية لـ Joseph Redmon؛ تحمّل الإصدارات الحالية نقاط تفتيش YOLOv3u المحدّثة |
| SAM 3 🚀 جديد | Segment | التنبؤ | مفهوم التقسيم القابل للتوجه من Meta في الصور والفيديو، من نصوص أو أمثلة صور؛ يتطلب sam3.pt وSAM 3.1 sam3.1_multiplex.pt (الصور) موافقة الوصول على Hugging Face |
| SAM 2 | Segment | التنبؤ | التجزئة القابلة للتوجيه من Meta، مع تتبّع الكائنات عبر إطارات الفيديو |
| SAM | Segment | التنبؤ | التجزئة القابلة للتوجيه الأصلية من Meta، بما في ذلك التعليق التلقائي |
| MobileSAM | Segment | التنبؤ | التجزئة القابلة للتوجيه على الأجهزة المحمولة وغيرها من الأجهزة محدودة الموارد (جامعة كيونغ هي) |
| FastSAM | Segment | Val، Predict، Export | التجزئة القابلة للتوجيه القائمة على CNN عندما يكون زمن استجابة SAM هو عنق الزجاجة (الأكاديمية الصينية للعلوم) |
| YOLO-NAS | Detect | Val، Predict، Export | كواشف Deci المُحسّنة باستخدام NAS، والمحتفظ بها للاستدلال والتصدير؛ لم تعد Deci تصونها بعد استحواذ NVIDIA عليها |
| RT-DETR | Detect | Train، Val، Predict، Export | كاشف DETR في الزمن الفعلي من Baidu: نواة التفافية مع مُرمّز هجين قائم على Transformer |
| YOLO-World | Detect | Train، Val، Predict، Export | اكتشاف بمفردات مفتوحة من مطالبات نصية (مختبر Tencent AI)؛ يتطلب التصدير نقاط التفتيش -worldv2 |
| YOLOE | Detect، Segment | Train، Val، Predict، Export | اكتشاف وتجزئة بمفردات مفتوحة باستخدام استدلال نصي أو بصري أو بلا مطالبات |
تشحن Ultralytics أيضًا LLM، وهي واجهة متوافقة مع OpenAI لنماذج اللغة والرؤية الكبيرة لفهم النصوص والصور. ولا تمتلك مهام أو أنماطًا خاصة بها، لذا لا تظهر في الجدول أعلاه، لكنها تتكامل مع أي خط أنابيب YOLO وتعمل مع OpenAI وموفري الخدمات السحابية الآخرين أو خادم محلي كامل داخل المؤسسة.
Watch: Run Ultralytics YOLO models in just a few lines of code.
البدء: أمثلة الاستخدام#
يوفر هذا المثال أمثلة بسيطة على تدريب YOLO والاستدلال به. للحصول على التوثيق الكامل لهذه الأنماط وغيرها، راجع صفحات توثيق Predict وTrain وVal وExport.
لاحظ أن المثال أدناه يسلّط الضوء على نماذج YOLO26 Detect الخاصة بـاكتشاف الكائنات. لمعرفة المهام المدعومة الإضافية، راجع توثيق Segment وSemantic وDepth وClassify وPose وOBB.
يمكن تمرير نماذج *.pt المُدرَّبة مسبقًا في PyTorch، بالإضافة إلى ملفات الإعداد *.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 ترغب في المساهمة بنموذجك في Ultralytics؟ رائع! نرحب دائمًا بتوسيع مجموعة نماذجنا.
-
تشعيب المستودع: ابدأ بتشعيب مستودع Ultralytics على GitHub.
-
استنساخ التشعيب: استنسخ تشعيبك إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.
-
تنفيذ نموذجك: أضف نموذجك باتباع معايير البرمجة والإرشادات الواردة في دليل المساهمة.
-
اختبار شامل: احرص على اختبار نموذجك بدقة، سواء بشكل مستقل أو كجزء من خط الأنابيب.
-
إنشاء طلب سحب: بعد رضاك عن نموذجك، أنشئ طلب سحب إلى المستودع الرئيسي لمراجعته.
-
مراجعة الشيفرة والدمج: بعد المراجعة، إذا استوفى نموذجك معاييرنا، فسيُدمج في المستودع الرئيسي.
للاطلاع على الخطوات التفصيلية، راجع دليل المساهمة.
الأسئلة الشائعة#
أحدث نموذج Ultralytics YOLO تم إصداره هو YOLO26، والذي تم إصداره في يناير 2026. يتميز YOLO26 بالاستدلال الاختياري الخالي من NMS من البداية إلى النهاية، والنشر المحسّن على الحافة، ويدعم الكشف، وتجزئة المثيلات، وتجزئة semantic segmentation، وتقدير depth estimation، والتصنيف، وتقدير الوضعية، والمربعات المحيطة موجهة الاتجاه بالإضافة إلى الإصدارات ذات المفردات المفتوحة. لأحمال عمل الإنتاج المستقرة، يُعد كل من YOLO26 وYOLO11 خيارين موصى بهما.
YOLO27 هي عائلة النماذج القادمة، والتي هي حالياً في مراحل البحث والتطوير النهائية. وهي غير متوفرة حتى الآن وليس لها موعد إطلاق محدد.
يمكن تنفيذ تدريب نموذج YOLO على بيانات مخصصة بسهولة باستخدام مكتبات Ultralytics. إليك مثالًا سريعًا:
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 تفصيلًا، تفضل بزيارة صفحة توثيق Train.
تدعم Ultralytics أصليًا YOLOv3 وYOLOv5 وYOLOv6 وYOLOv8 وYOLOv9 وYOLOv10 وYOLO11 وYOLO12 وYOLO26، إلى جانب عائلة SAM (SAM 3 وSAM 2 وSAM وMobileSAM وFastSAM) وYOLO-NAS وRT-DETR وYOLO-World وYOLOE. لا تنشر الحزمة أوزانًا أو ملفات YAML لـ YOLOv4 أو YOLOv7: إذ يُوثّق YOLOv4 كمرجع للبنية فقط، بينما يعمل YOLOv7 كنموذج ONNX أو TensorRT مُصدَّر. راجع النماذج المميّزة لمعرفة المهام والأنماط المتاحة لكل نموذج.
توفر Ultralytics Platform منصة شاملة من البداية إلى النهاية، بلا برمجة، لتدريب نماذج YOLO ونشرها وإدارتها. وتبسّط سير العمل المعقدة، مما يتيح للمستخدمين التركيز على أداء النموذج والتطبيق. كما توفر إمكانات التدريب السحابي، وإدارة شاملة لمجموعات البيانات، وواجهات سهلة الاستخدام للمبتدئين والمطورين ذوي الخبرة على حد سواء.
تتميز نماذج YOLO من Ultralytics بتعدد الاستخدامات، ويمكنها تنفيذ مهام تشمل اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعيات، واكتشاف الكائنات الموجّهة (OBB). ويدعم أحدث نموذج، YOLO26، المهام السبع جميعها بالإضافة إلى الاكتشاف بمفردات مفتوحة. للحصول على تفاصيل حول مهام محددة، راجع صفحات المهام.