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 جديد 🚀 : أحدث إصدار من YOLO Family ، والتي تتميز بإمكانات محسنة مثل تجزئة المثيل وتقدير الوضع / النقاط الرئيسية والتصنيف.
7. YOLOv9: نموذج تجريبي تم تدريبه على Ultralytics YOLOv5 قاعدة التعليمات البرمجية التي تنفذ معلومات التدرج القابلة للبرمجة (PGI).
8. نموذج أي شيء للقطاع (SAM): نموذج أي شيء لشريحة ميتا (SAM).
9. نموذج أي شيء لقطاع الجوال (MobileSAM): MobileSAM لتطبيقات الهاتف المحمول ، من جامعة كيونغ هي.
10. نموذج أي شيء سريع المقطع (FastSAM): FastSAM بواسطة مجموعة تحليل الصور والفيديو ، معهد الأتمتة ، الأكاديمية الصينية للعلوم.
11. YOLO-ناس: YOLO نماذج البحث في البنية العصبية (NAS).
12. محولات الكشف في الوقت الحقيقي (RT-DETR): بايدو PaddlePaddle محول الكشف في الوقت الحقيقي (RT-DETR) النماذج.
13. 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 .

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.

التعليقات