النماذج التي يدعمها Ultralytics

مرحبا بكم في Ultralyticsوثائق النموذج! نحن نقدم الدعم لمجموعة واسعة من النماذج ، كل منها مصمم لمهام محددة مثل اكتشاف الكائن ، وتجزئة المثيل ، وتصنيف الصور ، وتقدير الوضع ، وتتبع الكائنات المتعددة. إذا كنت مهتما بالمساهمة في بنية النموذج الخاص بك Ultralytics، راجع دليل المساهمة الخاص بنا.

نماذج مميزة

فيما يلي بعض النماذج الرئيسية المدعومة:

1. YOLOv3: التكرار الثالث ل YOLO عائلة نموذجية ، في الأصل من قبل جوزيف ريدمون ، والمعروفة بقدراتها الفعالة في الكشف عن الأشياء في الوقت الفعلي.
2. YOLOv4: تحديث أصلي للشبكة المظلمة ل YOLOv3 ، أصدره أليكسي بوتشكوفسكي في عام 2020.
3. YOLOv5نسخة محسنة من YOLO الهندسة المعمارية من قبل Ultralytics، مما يوفر أداء أفضل ومقايضات سرعة مقارنة بالإصدارات السابقة.
4. YOLOv6: تم إصداره بواسطة Meituan في عام 2022 ، وهو مستخدم في العديد من روبوتات التوصيل المستقلة للشركة.
5. YOLOv7: محدث YOLO النماذج التي تم إصدارها في عام 2022 من قبل مؤلفي YOLOv4.
6. YOLOv8: The latest version of the YOLO family, featuring enhanced capabilities such as instance segmentation, pose/keypoints estimation, and classification.
7. YOLOv9: نموذج تجريبي تم تدريبه على Ultralytics YOLOv5 قاعدة التعليمات البرمجية التي تنفذ معلومات التدرج القابلة للبرمجة (PGI).
8. يولوف 10: من جامعة تسينغهوا، ويتميز بتدريب خالٍ من نظام إدارة الشبكة وبنية تعتمد على الكفاءة والدقة، مما يوفر أداءً متطورًا ووقت استجابة متطورًا.
9. YOLO11 🚀 NEW: Ultralytics' latest YOLO models delivering state-of-the-art (SOTA) performance across multiple tasks.
10. نموذج قطاع أي شيء (SAM): نموذج المقطع أي شيء الأصلي الخاص بـ Meta (SAM).
11. نموذج أي شيء قطاعي 2 (SAM2): الجيل التالي من نموذج Segment Anything Model (SAM) الخاص بـ Meta's Segment Anything Model ( ) لمقاطع الفيديو والصور.
12. نموذج أي شيء لقطاع الجوال (MobileSAM): MobileSAM لتطبيقات الهاتف المحمول ، من جامعة كيونغ هي.
13. نموذج أي شيء سريع المقطع (FastSAM): FastSAM بواسطة مجموعة تحليل الصور والفيديو ، معهد الأتمتة ، الأكاديمية الصينية للعلوم.
14. YOLO-ناس: YOLO نماذج البحث في البنية العصبية (NAS).
15. Realtime Detection Transformers (RT-DETR): Baidu's PaddlePaddle Realtime Detection Transformer (RT-DETR) models.
16. YOLO-World: نماذج الكشف عن كائنات المفردات المفتوحة في الوقت الفعلي من Tencent الذكاء الاصطناعي Lab.

شاهد: ركض Ultralytics YOLO نماذج في بضعة أسطر من التعليمات البرمجية.

الشروع في العمل: أمثلة الاستخدام

يوفر هذا المثال بسيطا YOLO أمثلة التدريب والاستدلال. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها ، راجع صفحات مستندات التنبؤ والتدريب وVal والتصدير.

Note the below example is for YOLOv8 Detect models for object detection. For additional supported tasks see the Segment, Classify and Pose docs.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.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 YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

المساهمة بنماذج جديدة

مهتم بالمساهمة بنموذجك في Ultralytics? عظيم! نحن منفتحون دائما على توسيع محفظة نماذجنا.

1. تفرع المستودع: ابدأ بتفرع Ultralytics مستودع جيثب.

2. استنساخ شوكتك: استنساخ شوكتك إلى جهازك المحلي وإنشاء فرع جديد للعمل عليه.

3. تنفيذ النموذج الخاص بك: أضف نموذجك باتباع معايير وإرشادات الترميز الواردة في دليل المساهمة الخاص بنا.

4. اختبر بدقة: تأكد من اختبار النموذج الخاص بك بدقة ، سواء في عزلة أو كجزء من خط الأنابيب.

5. إنشاء طلب سحب: بمجرد أن تكون راضيا عن النموذج الخاص بك ، قم بإنشاء طلب سحب إلى المستودع الرئيسي للمراجعة.

6. مراجعة الكود ودمجه: بعد المراجعة ، إذا كان نموذجك يفي بمعاييرنا ، دمجه في المستودع الرئيسي.

للحصول على خطوات مفصلة ، راجع دليل المساهمة الخاص بنا.

الأسئلة المتداولة

ما هي المزايا الرئيسية لاستخدام Ultralytics YOLOv8 للكشف عن الأجسام؟

Ultralytics YOLOv8 offers enhanced capabilities such as real-time object detection, instance segmentation, pose estimation, and classification. Its optimized architecture ensures high-speed performance without sacrificing accuracy, making it ideal for a variety of applications. YOLOv8 also includes built-in compatibility with popular datasets and models, as detailed on the YOLOv8 documentation page.

كيف يمكنني تدريب نموذج YOLOv8 على بيانات مخصصة؟

يمكن إنجاز تدريب نموذج YOLOv8 على بيانات مخصصة بسهولة باستخدام مكتبات Ultralytics'. إليك مثال سريع:

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO("yolov8n.pt")

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolov8n.pt data='custom_data.yaml' epochs=100 imgsz=640

للمزيد من الإرشادات التفصيلية، قم بزيارة صفحة وثائق القطار.

ما هي إصدارات YOLO التي يدعمها Ultralytics ؟

Ultralytics يدعم مجموعة شاملة من إصدارات YOLO (أنت تنظر مرة واحدة فقط) من YOLOv3 إلى YOLOv10، إلى جانب نماذج مثل NAS و SAM و RT-DETR. تم تحسين كل إصدار لمهام مختلفة مثل الكشف والتجزئة والتصنيف. للحصول على معلومات مفصلة عن كل نموذج، راجع وثائق النماذج التي يدعمها Ultralytics.

Why should I use Ultralytics HUB for machine learning projects?

Ultralytics يوفر HUB منصة متكاملة بدون تعليمات برمجية للتدريب على نماذج YOLO ونشرها وإدارتها. فهو يبسط سير العمل المعقد، مما يتيح للمستخدمين التركيز على أداء النموذج والتطبيق. يوفر HUB أيضًا إمكانات التدريب السحابي، وإدارة شاملة لمجموعة البيانات، وواجهات سهلة الاستخدام. تعرف على المزيد عن ذلك على صفحة التوثيق Ultralytics HUB.

ما أنواع المهام التي يمكن أن يؤديها YOLOv8 ، وكيف يمكن مقارنتها بالإصدارات الأخرى YOLO ؟

YOLOv8 هو نموذج متعدد الاستخدامات قادر على أداء مهام تشمل اكتشاف الأجسام، وتجزئة النماذج، والتصنيف، وتقدير الوضعية. بالمقارنة مع الإصدارات السابقة مثل YOLOv3 و YOLOv4، يقدم YOLOv8 تحسينات كبيرة في السرعة والدقة بسبب بنيته المحسّنة. للحصول على مقارنة أعمق، راجع وثائقYOLOv8 وصفحات المهام لمزيد من التفاصيل حول مهام محددة.

📅 Created 1 year ago ✏️ Updated 28 days ago

التعليقات