النماذج التي تدعمها Ultralytics#
مرحبًا بك في وثائق نماذج Ultralytics! ندعم مجموعة واسعة من النماذج، صُمم كل منها لمهام محددة مثل اكتشاف الكائنات، وتجزئة الكائنات، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجّهة. إذا كنت مهتمًا بالمساهمة ببنية نموذجك في Ultralytics، فراجع دليل المساهمة.
النماذج المميّزة#
ابدأ مشروعًا جديدًا باستخدام YOLO26: فهو أحدث إصدارات Ultralytics والنموذج الوحيد الذي يغطي المهام السبع كلها. ويُعد YOLO11 خيارًا ناضجًا بديلًا، إذ تتوفر نقاط تحقق مدرّبة مسبقًا لكل مهمة من مهامه الخمس. اختر عائلة متخصصة عند الحاجة إلى التجزئة القابلة للتوجيه (SAM 3)، أو الاكتشاف ذي المفردات المفتوحة (YOLOE، YOLO-World)، أو كاشف قائم على Transformer (RT-DETR).
يخضع YOLO27 للمرحلة النهائية من البحث والتطوير تمهيدًا لإطلاق متوقع في وقت لاحق من هذا العام، من دون تحديد موعد للإطلاق. استكشف بنيته والمهام السبع المخطط لها والنتائج الأولية لاختبارات الأداء. أوزان النموذج ودعم الحزمة غير متاحين بعد؛ استخدم YOLO26 للمشاريع الحالية.
يسرد الجدول النماذج الصادرة ومراجع البنى، مع مهامها وأوضاع التدريب والتحقق والتنبؤ والتصدير وحالات الاستخدام الموصى بها. لم يُدرج التتبّع على نحو منفصل: فهو يعمل فوق وضع التنبؤ لنماذج Detect وSegment وPose وOBB، بينما يتتبّع SAM 2 وSAM 3 الكائنات عبر أدوات التنبؤ بالفيديو الخاصة بهما. ولم يُدرج اختبار الأداء أيضًا، لأنه يجمع بين التصدير والتحقق عبر التنسيقات بدلًا من إضافة دعم خاص به.
| النموذج | المهام | الأوضاع | اختره من أجل |
|---|---|---|---|
| YOLO26 🚀 جديد | Detect، وSegment، وSemantic، وDepth، وClassify، وPose، وOBB | Train، وVal، وPredict، وExport | المشاريع الجديدة: استدلال اختياري بلا NMS، ونشر محسّن للأجهزة الطرفية، وأوسع تغطية للمهام |
| YOLO12 | Detect، وSegment، وClassify، وPose، وOBB | Train، وVal، وPredict، وExport | اختبار أداء إصدار المجتمع المرتكز على آلية الانتباه؛ تغطي الأوزان المدربة مسبقًا الاكتشاف وحده |
| YOLO11 | Detect، وSegment، وClassify، وPose، وOBB | Train، وVal، وPredict، وExport | أحمال عمل إنتاجية مستقرة، مع نقاط تحقق مدرّبة مسبقًا لكل مهمة يدعمها |
| YOLOv10 | Detect | Train، وVal، وPredict، وExport | أبحاث اكتشاف بلا NMS من جامعة تسينغهوا |
| YOLOv9 | Detect، وSegment | Train، وVal، وPredict، وExport | معلومات التدرج القابلة للبرمجة (PGI)، مطبقة على قاعدة شيفرة YOLOv5 من Ultralytics |
| YOLOv8 | Detect، وSegment، وClassify، وPose، وOBB | Train، وVal، وPredict، وExport | مسارات عمل YOLOv8 الحالية والتكاملات الراسخة مع جهات خارجية |
| YOLOv7 | Detect | التنبؤ | تشغيل نموذج YOLOv7 المُصدَّر والمدرَّب في المستودع الأصلي: تتنبأ الحزمة باستخدام نموذج ONNX أو TensorRT متوافق، ولا تستخدم نقطة التحقق الأصلية مطلقًا |
| YOLOv6 | Detect | Train، وVal، وPredict، وExport | تدريب بنية Meituan انطلاقًا من ملف YAML الخاص بها؛ لا تستضيف Ultralytics نقاط تحقق YOLOv6 من .pt |
| YOLOv5 | Detect | Train، وVal، وPredict، وExport | مشاريع Ultralytics القديمة؛ تحمّل الإصدارات الحالية نقاط تحقق YOLOv5u المحدّثة |
| YOLOv4 | لا يوجد | لا يوجد | مرجع للبنية فقط: نموذج Darknet الأصلي من Alexey Bochkovskiy غير مدعوم في الحزمة |
| YOLOv3 | Detect | Train، وVal، وPredict، وExport | مشاريع قديمة تعتمد البنية الأصلية لـ Joseph Redmon؛ تحمّل الإصدارات الحالية نقاط تحقق YOLOv3u المحدّثة |
| SAM 3 🚀 جديد | Segment | التنبؤ | تجزئة المفاهيم القابلة للتوجيه من Meta في الصور ومقاطع الفيديو، باستخدام أمثلة نصية أو صورية؛ يتطلب sam3.pt وsam3.1_multiplex.pt في SAM 3.1 (للصور) الموافقة على الوصول في Hugging Face |
| SAM 2 | Segment | التنبؤ | التجزئة القابلة للتوجيه من Meta، مع تتبّع الكائنات عبر إطارات الفيديو |
| SAM | Segment | التنبؤ | التجزئة الأصلية القابلة للتوجيه من Meta، بما في ذلك التعليق التوضيحي التلقائي |
| MobileSAM | Segment | التنبؤ | التجزئة القابلة للتوجيه على الأجهزة المحمولة وغيرها من الأجهزة محدودة الموارد (جامعة كيونغ هي) |
| FastSAM | Segment | Val، وPredict، وExport | تجزئة قابلة للتوجيه قائمة على CNN عندما يكون زمن استجابة SAM هو عنق الزجاجة (الأكاديمية الصينية للعلوم) |
| YOLO-NAS | Detect | Val، وPredict، وExport | كواشف Deci المحسّنة باستخدام NAS، والمخصصة للاستدلال والتصدير؛ لم تعد Deci تتولى صيانتها بعد استحواذ NVIDIA عليها |
| RT-DETR | Detect | Train، وVal، وPredict، وExport | كاشف DETR الآني من Baidu: عمود فقري التفافي ومُرمِّز Transformer هجين المحوّل |
| YOLO-World | Detect | Train، وVal، وPredict، وExport | اكتشاف ذو مفردات مفتوحة باستخدام الموجّهات النصية (Tencent AI Lab)؛ يتطلب التصدير نقاط التحقق -worldv2 |
| YOLOE | Detect، وSegment | Train، وVal، وPredict، وExport | اكتشاف وتجزئة بمفردات مفتوحة باستخدام استدلال نصي أو بصري أو بلا موجّهات |
توفّر Ultralytics أيضًا LLM، وهي واجهة متوافقة مع OpenAI لنماذج اللغة والرؤية الكبيرة، لفهم النصوص والصور. ليس لها مهام أو أوضاع خاصة بها، لذا لم تُدرج في الجدول أعلاه، لكنها تتكامل مع أي مسار عمل لـ YOLO وتعمل مع OpenAI ومزودي الخدمات السحابية الآخرين، أو مع خادم محلي بالكامل داخل مقر المؤسسة.
شاهد: شغّل نماذج Ultralytics YOLO باستخدام بضعة أسطر من التعليمات البرمجية فقط.
البدء: أمثلة الاستخدام#
يقدّم هذا المثال أمثلة بسيطة على تدريب YOLO والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات الوثائق الخاصة بـالأوضاع: Predict، وTrain، وVal، وExport.
لاحظ أن المثال أدناه يسلّط الضوء على نماذج YOLO26 Detect الخاصة بـاكتشاف الكائنات. للاطلاع على المهام المدعومة الأخرى، راجع وثائق Segment، وSemantic، وDepth، وClassify، وPose، وOBB.
يمكن تمرير نماذج *.pt المدرّبة مسبقًا باستخدام PyTorch، بالإضافة إلى ملفات الإعداد *.yaml، إلى الأصناف YOLO() وSAM() وNAS() وRTDETR() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# تحميل نموذج YOLO26n مدرب مسبقًا على COCO
model = YOLO("yolo26n.pt")
# عرض معلومات النموذج (اختياري)
model.info()
# تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تنفيذ الاستدلال باستخدام نموذج YOLO26n على الصورة 'bus.jpg'
results = model("path/to/bus.jpg")المساهمة بنماذج جديدة#
هل ترغب في المساهمة بنموذجك في Ultralytics؟ رائع! نرحب دائمًا بتوسيع مجموعة نماذجنا.
-
تشعّب المستودع: ابدأ بإنشاء تشعّب من مستودع Ultralytics على GitHub.
-
استنسخ التشعّب: استنسخ التشعّب إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.
-
نفّذ نموذجك: أضف نموذجك وفقًا لمعايير البرمجة والإرشادات الواردة في دليل المساهمة.
-
اختبر بدقة: احرص على اختبار نموذجك بدقة، سواءً بصورة مستقلة أو ضمن مسار العمل.
-
أنشئ طلب دمج: بعد أن تصبح راضيًا عن نموذجك، أنشئ طلب دمج إلى المستودع الرئيسي لمراجعته.
-
مراجعة الشيفرة ودمجها: بعد المراجعة، إذا استوفى نموذجك معاييرنا، فسيُدمج في المستودع الرئيسي.
للاطلاع على الخطوات التفصيلية، راجع دليل المساهمة.
الأسئلة الشائعة#
أحدث نموذج Ultralytics YOLO مُصدَر هو YOLO26، وقد صدر في يناير 2026. يتضمن YOLO26 استدلالًا شاملًا اختياريًا بلا NMS، ونشرًا محسّنًا للأجهزة الطرفية، ويدعم الاكتشاف، وتجزئة الكائنات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB، بالإضافة إلى إصدارات ذات مفردات مفتوحة. لأحمال العمل الإنتاجية المستقرة، يُوصى بكل من YOLO26 وYOLO11.
YOLO27 هي العائلة المرتقبة، وتخضع حاليًا للمرحلة النهائية من البحث والتطوير. وهي غير متاحة بعد، ولم يُحدد موعد لإطلاقها.
يمكن بسهولة تدريب نموذج YOLO على بيانات مخصصة باستخدام مكتبات Ultralytics. إليك مثالًا سريعًا:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO model = YOLO("yolo26n.pt") # أو أي نموذج YOLO آخر # درّب النموذج على مجموعة بيانات مخصصة results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)للحصول على إرشادات أكثر تفصيلًا، تفضّل بزيارة صفحة وثائق Train.
تدعم Ultralytics أصلاً 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 أوزاناً أو ملفات YAML لـ YOLOv4 أو YOLOv7: إذ توثّق YOLOv4 بوصفها مرجعاً معمارياً فقط، بينما تعمل YOLOv7 كنموذج مُصدّر بصيغة ONNX أو TensorRT. راجع النماذج المميّزة للاطلاع على المهام والأنماط المتاحة لكل نموذج.
توفر منصة Ultralytics منصة متكاملة من البداية إلى النهاية، لا تتطلب كتابة التعليمات البرمجية، لتدريب نماذج YOLO ونشرها وإدارتها. وهي تبسّط سير العمل المعقد، ما 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.
تتسم نماذج Ultralytics YOLO بتعدد استخداماتها، ويمكنها تنفيذ مهام تشمل اكتشاف الكائنات، وتقسيم الكائنات إلى مثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجّهة (OBB). ويدعم أحدث نموذج، YOLO26، المهام السبع كلها، بالإضافة إلى اكتشاف المفردات المفتوحة. للاطلاع على تفاصيل مهام محددة، راجع صفحات المهام.