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:
- YOLOv3: التكرار الثالث ل YOLO عائلة نموذجية ، في الأصل من قبل جوزيف ريدمون ، والمعروفة بقدراتها الفعالة في الكشف عن الأشياء في الوقت الفعلي.
- YOLOv4: تحديث أصلي للشبكة المظلمة ل YOLOv3 ، أصدره أليكسي بوتشكوفسكي في عام 2020.
- YOLOv5نسخة محسنة من YOLO الهندسة المعمارية من قبل Ultralytics، مما يوفر أداء أفضل ومقايضات سرعة مقارنة بالإصدارات السابقة.
- YOLOv6: تم إصداره بواسطة Meituan في عام 2022 ، وهو مستخدم في العديد من روبوتات التوصيل المستقلة للشركة.
- YOLOv7: محدث YOLO النماذج التي تم إصدارها في عام 2022 من قبل مؤلفي YOLOv4.
- YOLOv8 جديد 🚀 : أحدث إصدار من YOLO Family ، والتي تتميز بإمكانات محسنة مثل تجزئة المثيل وتقدير الوضع / النقاط الرئيسية والتصنيف.
- YOLOv9: نموذج تجريبي تم تدريبه على Ultralytics YOLOv5 قاعدة التعليمات البرمجية التي تنفذ معلومات التدرج القابلة للبرمجة (PGI).
- نموذج أي شيء للقطاع (SAM): نموذج أي شيء لشريحة ميتا (SAM).
- نموذج أي شيء لقطاع الجوال (MobileSAM): MobileSAM لتطبيقات الهاتف المحمول ، من جامعة كيونغ هي.
- نموذج أي شيء سريع المقطع (FastSAM): FastSAM بواسطة مجموعة تحليل الصور والفيديو ، معهد الأتمتة ، الأكاديمية الصينية للعلوم.
- YOLO-ناس: YOLO نماذج البحث في البنية العصبية (NAS).
- محولات الكشف في الوقت الحقيقي (RT-DETR): بايدو PaddlePaddle محول الكشف في الوقت الحقيقي (RT-DETR) النماذج.
- 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.
لاحظ أن المثال أدناه مخصص ل YOLOv8 كشف نماذج للكشف عن الكائنات. للحصول على مهام إضافية مدعومة، راجع مستندات التقسيم والتصنيف والطرح .
مثل
PyTorch التدريب المسبق *.pt
النماذج وكذلك التكوين *.yaml
يمكن تمرير الملفات إلى ملف YOLO()
, SAM()
, NAS()
و RTDETR()
فئات لإنشاء مثيل نموذج في Python:
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')
CLI تتوفر الأوامر لتشغيل النماذج مباشرة:
المساهمة بنماذج جديدة
مهتم بالمساهمة بنموذجك في Ultralytics? عظيم! نحن منفتحون دائما على توسيع محفظة نماذجنا.
-
تفرع المستودع: ابدأ بتفرع Ultralytics مستودع جيثب.
-
استنساخ شوكتك: استنساخ شوكتك إلى جهازك المحلي وإنشاء فرع جديد للعمل عليه.
-
تنفيذ النموذج الخاص بك: أضف نموذجك باتباع معايير وإرشادات الترميز الواردة في دليل المساهمة الخاص بنا.
-
اختبر بدقة: تأكد من اختبار النموذج الخاص بك بدقة ، سواء في عزلة أو كجزء من خط الأنابيب.
-
إنشاء طلب سحب: بمجرد أن تكون راضيا عن النموذج الخاص بك ، قم بإنشاء طلب سحب إلى المستودع الرئيسي للمراجعة.
-
مراجعة الكود ودمجه: بعد المراجعة ، إذا كان نموذجك يفي بمعاييرنا ، دمجه في المستودع الرئيسي.
للحصول على خطوات مفصلة ، راجع دليل المساهمة الخاص بنا.