Link to this sectionUltralytics YOLO11#

Link to this sectionنظرة عامة#

أصدرت Ultralytics نموذج YOLO11 في 10 سبتمبر 2024، محققة دقة وسرعة وكفاءة ممتازة. وبالبناء على التطورات المثيرة للإعجاب في إصدارات YOLO السابقة، يقدم YOLO11 تحسينات كبيرة في البنية وأساليب التدريب، مما يجعله خياراً متعدد الاستخدامات لمجموعة واسعة من مهام الرؤية الحاسوبية. للحصول على أحدث نموذج من Ultralytics يتميز باستدلال نهائي بدون NMS ونشر مُحسّن على الحافة، راجع YOLO26.

Link to this sectionالميزات الرئيسية#

• استخراج ميزات مُحسّن: يستخدم YOLO11 بنية عمود فقري وعنق مُحسّنة، مما يعزز قدرات استخراج الميزات لأداء أكثر دقة في اكتشاف الكائنات والمهام المعقدة.
• مُحسّن للكفاءة والسرعة: يقدم YOLO11 تصميمات معمارية محسنة وخطوط أنابيب تدريب مُحسّنة، مما يوفر سرعات معالجة أسرع ويحافظ على توازن مثالي بين الدقة والأداء.
• دقة أكبر مع معلمات أقل: بفضل التقدم في تصميم النموذج، يحقق YOLO11m متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO مع استخدام معلمات أقل بنسبة 22% مقارنة بـ YOLOv8m، مما يجعله فعالاً حسابياً دون المساس بالدقة.
• قابلية التكيف عبر البيئات: يمكن نشر YOLO11 بسلاسة عبر بيئات متنوعة، بما في ذلك أجهزة الحافة، والمنصات السحابية، والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA، مما يضمن أقصى قدر من المرونة.
• مجموعة واسعة من المهام المدعومة: سواء كان الأمر يتعلق باكتشاف الكائنات، أو تجزئة المثيلات، أو تصنيف الصور، أو تقدير الوضعية، أو اكتشاف الكائنات الموجهة (OBB)، فقد صُمم YOLO11 لتلبية مجموعة متنوعة من تحديات الرؤية الحاسوبية.

Link to this sectionالمهام والأوضاع المدعومة#

يعتمد YOLO11 على مجموعة النماذج المتنوعة التي أرستها إصدارات Ultralytics YOLO السابقة، مما يوفر دعماً محسناً عبر مختلف مهام الرؤية الحاسوبية:

يقدم هذا الجدول نظرة عامة على متغيرات نموذج YOLO11، موضحاً قابليتها للتطبيق في مهام محددة وتوافقها مع أوضاع التشغيل مثل الاستدلال، والتحقق، والتدريب، والتصدير. هذه المرونة تجعل YOLO11 مناسباً لمجموعة واسعة من تطبيقات الرؤية الحاسوبية، بدءاً من الاكتشاف في الوقت الفعلي وصولاً إلى مهام التجزئة المعقدة.

Link to this sectionمقاييس الأداء#

Link to this sectionأمثلة الاستخدام#

يقدم هذا القسم أمثلة بسيطة حول تدريب والاستدلال في YOLO11. للحصول على وثائق كاملة حول هذه الأنماط وغيرها من الأنماط، راجع صفحات وثائق التنبؤ (Predict)، التدريب (Train)، التقييم (Val)، والتصدير (Export).

لاحظ أن المثال أدناه مخصص لنماذج الكشف (Detect) في YOLO11 الخاصة بـ اكتشاف الكائنات. للمزيد من المهام المدعومة، راجع وثائق التقسيم (Segment)، التصنيف (Classify)، اكتشاف الكائنات الموجه (OBB)، وتقدير الوضعية (Pose).

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# 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 YOLO11n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم YOLO11 أو أي برنامج آخر من هذا المستودع في عملك، يرجى الاستشهاد به باستخدام التنسيق التالي:

@software{yolo11_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO11},
  version = {11.0.0},
  year = {2024},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

يرجى ملاحظة أن معرف الوثيقة الرقمي (DOI) قيد الانتظار وسيتم إضافته إلى الاستشهاد بمجرد توفره. يتم توفير نماذج YOLO11 بموجب ترخيص AGPL-3.0 وتراخيص المؤسسات (Enterprise).

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي التحسينات الرئيسية في Ultralytics YOLO11 مقارنة بـ YOLOv8؟#

يقدم Ultralytics YOLO11 العديد من التطورات الهامة مقارنة بـ YOLOv8. تشمل التحسينات الرئيسية ما يلي:

• تعزيز استخراج الميزات: يستخدم YOLO11 بنية محسنة للعمود الفقري (backbone) والعنق (neck)، مما يعزز قدرات استخراج الميزات لاكتشاف كائنات أكثر دقة.
• تحسين الكفاءة والسرعة: توفر التصاميم الهندسية المكررة وخطوط أنابيب التدريب المحسنة سرعات معالجة أسرع مع الحفاظ على توازن بين الدقة والأداء.
• Greater Accuracy with Fewer Parameters: YOLO11m achieves higher mean Average Precision (mAP) on the COCO dataset with 22% fewer parameters than YOLOv8m, making it computationally efficient without compromising accuracy.
• القابلية للتكيف عبر البيئات: يمكن نشر YOLO11 عبر بيئات مختلفة، بما في ذلك الأجهزة الطرفية، ومنصات السحابة، والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA.
• مجموعة واسعة من المهام المدعومة: يدعم YOLO11 مهام متنوعة في الرؤية الحاسوبية مثل اكتشاف الكائنات، تقسيم المثيلات (instance segmentation)، تصنيف الصور، تقدير الوضعية، واكتشاف الكائنات الموجه (OBB).

Link to this sectionكيف أقوم بتدريب نموذج YOLO11 لاكتشاف الكائنات؟#

يمكن تدريب نموذج YOLO11 لاكتشاف الكائنات باستخدام Python أو أوامر CLI. فيما يلي أمثلة لكلتا الطريقتين:

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

لمزيد من التعليمات التفصيلية، راجع وثائق التدريب (Train).

Link to this sectionما المهام التي يمكن لنماذج YOLO11 القيام بها؟#

تعد نماذج YOLO11 متعددة الاستخدامات وتدعم مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك:

• اكتشاف الكائنات: تحديد وتحديد مواقع الكائنات داخل الصورة.
• تقسيم المثيلات: اكتشاف الكائنات وتحديد حدودها.
• تصنيف الصور: تصنيف الصور إلى فئات محددة مسبقاً.
• تقدير الوضعية: اكتشاف وتتبع النقاط الرئيسية على أجسام البشر.
• اكتشاف الكائنات الموجه (OBB): اكتشاف الكائنات مع الدوران لدقة أعلى.

لمزيد من المعلومات حول كل مهمة، راجع وثائق الكشف، تقسيم المثيلات، التصنيف، تقدير الوضعية، والكشف الموجه.

Link to this sectionكيف يحقق YOLO11 دقة أكبر مع عدد أقل من المعلمات؟#

يحقق YOLO11 دقة أكبر مع عدد أقل من المعلمات من خلال التطورات في تصميم النموذج وتقنيات التحسين. تسمح البنية المحسنة باستخراج ومعالجة فعالين للميزات، مما يؤدي إلى متوسط دقة (mAP) أعلى على مجموعات بيانات مثل COCO مع استخدام معلمات أقل بنسبة 22% من YOLOv8m. هذا يجعل YOLO11 فعالاً من الناحية الحسابية دون المساومة على الدقة، مما يجعله مناسباً للنشر على الأجهزة ذات الموارد المحدودة.

Link to this sectionهل يمكن نشر YOLO11 على الأجهزة الطرفية؟#

نعم، تم تصميم YOLO11 ليكون قابلاً للتكيف عبر بيئات مختلفة، بما في ذلك الأجهزة الطرفية. بنيته المحسنة وقدرات المعالجة الفعالة تجعله مناسباً للنشر على الأجهزة الطرفية ومنصات السحابة والأنظمة التي تدعم وحدات معالجة الرسومات NVIDIA. تضمن هذه المرونة إمكانية استخدام YOLO11 في تطبيقات متنوعة، من الاكتشاف في الوقت الفعلي على الأجهزة المحمولة إلى مهام التقسيم المعقدة في بيئات السحابة. لمزيد من التفاصيل حول خيارات النشر، راجع وثائق التصدير (Export).