النماذج المدعومة من Ultralytics

مرحبًا بك في توثيق النماذج Ultralytics'! نحن نقدم الدعم لمجموعة كبيرة من النماذج، كل منها مصمم خصيصًا لمهام محددة مثل اكتشاف الأجسام، وتجزئة النماذج، وتصنيف الصور، وتقدير الوضع، وتتبع الأجسام المتعددة. إذا كنت مهتمًا بالمساهمة ببنية النموذج الخاص بك في Ultralytics ، فراجع دليل المساهمة الخاص بنا.

الموديلات المميزة

فيما يلي بعض النماذج الرئيسية المدعومة:

1. YOLOv3: التكرار الثالث لعائلة الطراز YOLO ، وهو في الأصل من تصميم جوزيف ريدمون، والمعروف بقدراته الفعالة في الوقت الحقيقي لاكتشاف الأجسام في الوقت الحقيقي.
2. YOLOv4: تحديث أصلي للشبكة المظلمة لـ YOLOv3، أصدره أليكسي بوشكوفسكي في 2020.
3. YOLOv5: نسخة محسّنة من بنية YOLO من Ultralytics ، تقدم أداءً أفضل ومفاضلة في السرعة مقارنةً بالإصدارات السابقة.
4. YOLOv6: أصدرته شركة Meituan في عام 2022، ويُستخدم في العديد من روبوتات التوصيل ذاتية القيادة الخاصة بالشركة.
5. يولوف 7: تم إصدار نماذج YOLO المحدثة في عام 2022 من قبل مؤلفي YOLOv4.
6. YOLOv8: الإصدار الأحدث من عائلة YOLO ، الذي يتميز بقدرات محسّنة مثل تجزئة النماذج، وتقدير الوضع/المفاتيح، والتصنيف.
7. يولوف 9: نموذج تجريبي مدرب على Ultralytics YOLOv5 قاعدة البيانات التي تطبق معلومات التدرج القابلة للبرمجة (PGI).
8. يولوف 10: من جامعة تسينغهوا، ويتميز بتدريب خالٍ من نظام إدارة الشبكة وبنية قائمة على الكفاءة والدقة، مما يوفر أداءً متطورًا ووقت استجابة متطورًا.
9. YOLO11 🚀 جديد: Ultralytics' أحدث موديلات YOLO التي تقدم أحدث أداء (SOTA) في مهام متعددة.
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 قطاع المحمول (MobileSAM):: MobileSAM لتطبيقات الهاتف المحمول، من قبل جامعة كيونغ هي.
13. نموذج أي شيء سريع التقطيع السريع (FastSAM)FastSAM من قبل مجموعة تحليل الصور والفيديو، معهد الأتمتة، الأكاديمية الصينية للعلوم.
14. YOLO-NAS: YOLO نماذج البحث في البنية العصبية (NAS).
15. محولات الكشف في الوقت الحقيقي (RT-DETR): بايدو PaddlePaddle محولات الكشف في الوقت الحقيقي (RT-DETR) نماذج محولات الكشف في الوقت الحقيقي ( ).
16. YOLO-العالم: نماذج الكشف عن الكائنات المفتوحة في الوقت الحقيقي من مختبر تينسنت للذكاء الاصطناعي.

شاهد: تشغيل نماذج Ultralytics YOLO في أسطر قليلة من التعليمات البرمجية.

الشروع في العمل: أمثلة على الاستخدام

يوفر هذا المثال أمثلة بسيطة للتدريب والاستدلال YOLO . للحصول على وثائق كاملة حول هذه الأوضاع وغيرها من الأوضاع، راجع صفحات مستندات التنبؤ والتدريب والتقييم والتصدير.

لاحظ أن المثال أدناه مخصص لنماذج YOLOv8 Detect لا كتشاف الكائنات. للحصول على مهام إضافية مدعومة انظر مستندات التقسيم والتصنيف والوضع.

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

النماذج الجديدة المساهمة

هل أنت مهتم بالمساهمة بنموذجك في Ultralytics ؟ عظيم! نحن منفتحون دائماً على توسيع مجموعة نماذجنا.

1. فورك المستودع: ابدأ بتكوين شوكة لمستودع Ultralytics GitHub.

2. استنساخ الشوكة: استنسخ الشوكة إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.

3. نفذ نموذجك: أضف نموذجك باتباع معايير الترميز والإرشادات الواردة في دليل المساهمة الخاص بنا.

4. اختبر بدقة: احرص على اختبار نموذجك بدقة، سواءً بشكل منفرد أو كجزء من خط الأنابيب.

5. إنشاء طلب سحب: بمجرد أن تكون راضيًا عن نموذجك، أنشئ طلب سحب إلى المستودع الرئيسي للمراجعة.

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

للاطلاع على الخطوات التفصيلية، راجع دليل المساهمة.

الأسئلة الشائعة

ما هي المزايا الرئيسية لاستخدام Ultralytics YOLOv8 للكشف عن الأجسام؟

Ultralytics YOLOv8 يوفر إمكانات محسّنة مثل اكتشاف الأجسام في الوقت الحقيقي، وتجزئة النماذج، وتقدير الوضع، والتصنيف. تضمن بنيته المحسّنة أداءً عالي السرعة دون التضحية بالدقة، مما يجعله مثاليًا لمجموعة متنوعة من التطبيقات. YOLOv8 يتضمن أيضًا توافقًا مدمجًا مع مجموعات البيانات والنماذج الشائعة، كما هو مفصل في صفحة التوثيقYOLOv8 .

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.

لماذا يجب استخدام Ultralytics HUB لمشاريع التعلم الآلي؟

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.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات