Link to this sectionاستكشف Ultralytics YOLOv8#

Link to this sectionنظرة عامة#

تم إصدار YOLOv8 بواسطة Ultralytics في 10 يناير 2023، ليوفر أداءً متطوراً من حيث الدقة والسرعة. وبالبناء على التقدم الذي أحرزته إصدارات YOLO السابقة، قدم YOLOv8 ميزات وتحسينات جديدة تجعله خياراً مثالياً لمهام اكتشاف الكائنات في مجموعة واسعة من التطبيقات.

Link to this sectionالميزات الرئيسية لـ YOLOv8#

• هياكل Backbone و Neck متقدمة: يستخدم YOLOv8 أحدث هياكل Backbone و Neck، مما يؤدي إلى تحسين أداء استخراج الميزات واكتشاف الكائنات.
• رأس Ultralytics مقسم وخالٍ من المرساة (Anchor-free): يتبنى YOLOv8 رأساً مقسماً وخالياً من المرساة، مما يساهم في دقة أفضل وعملية اكتشاف أكثر كفاءة مقارنة بالأساليب القائمة على المرساة.
• موازنة محسنة بين الدقة والسرعة: مع التركيز على الحفاظ على توازن مثالي بين الدقة والسرعة، يعد YOLOv8 مناسباً لمهام اكتشاف الكائنات في الوقت الفعلي في مجالات تطبيق متنوعة.
• مجموعة متنوعة من النماذج المدربة مسبقاً: يوفر YOLOv8 مجموعة من النماذج المدربة مسبقاً لتلبية المهام المختلفة ومتطلبات الأداء، مما يسهل العثور على النموذج المناسب لحالة الاستخدام الخاصة بك.

Link to this sectionالمهام والأوضاع المدعومة#

تقدم سلسلة YOLOv8 مجموعة متنوعة من النماذج، كل منها متخصص في مهام معينة في رؤية الحاسوب. تم تصميم هذه النماذج لتلبية متطلبات مختلفة، بدءاً من اكتشاف الكائنات وصولاً إلى مهام أكثر تعقيداً مثل تجزئة المثيلات، واكتشاف الوضعية/النقاط الرئيسية، واكتشاف الكائنات الموجهة، والتصنيف.

تم تحسين كل متغير من سلسلة YOLOv8 لمهمته الخاصة، مما يضمن أداءً ودقة عاليين. بالإضافة إلى ذلك، هذه النماذج متوافقة مع أوضاع تشغيل مختلفة بما في ذلك الاستدلال، والتحقق، والتدريب، والتصدير، مما يسهل استخدامها في مراحل مختلفة من النشر والتطوير.

يقدم هذا الجدول نظرة عامة على متغيرات نموذج YOLOv8، مع تسليط الضوء على قابليتها للتطبيق في مهام محددة وتوافقها مع أوضاع تشغيل مختلفة مثل الاستدلال، والتحقق، والتدريب، والتصدير. إنه يعرض تنوع وقوة سلسلة YOLOv8، مما يجعلها مناسبة لمجموعة متنوعة من التطبيقات في رؤية الحاسوب.

Link to this sectionمقاييس الأداء#

Link to this sectionأمثلة على استخدام YOLOv8#

يوفر هذا المثال أمثلة بسيطة حول تدريب والاستدلال باستخدام YOLOv8. للحصول على التوثيق الكامل حول هذه الأنماط وغيرها من الأنماط، راجع صفحات توثيق التنبؤ، التدريب، التحقق، والتصدير.

لاحظ أن المثال أدناه خاص بنماذج الكشف في YOLOv8 لاكتشاف الأجسام. للمزيد من المهام المدعومة، راجع توثيق التقطيع، التصنيف، OBB، وتقدير الوضعية.

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")

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم نموذج YOLOv8 أو أي برنامج آخر من هذا المستودع في عملك، يرجى الاستشهاد به باستخدام الصيغة التالية:

@software{yolov8_ultralytics,
  author = {Glenn Jocher and Ayush Chaurasia and Jing Qiu},
  title = {Ultralytics YOLOv8},
  version = {8.0.0},
  year = {2023},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0002-7603-6750, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

يرجى العلم أن معرف الوثيقة الرقمي (DOI) قيد الانتظار وسيتم إضافته إلى الاستشهاد بمجرد توفره. يتم توفير نماذج YOLOv8 بموجب ترخيص AGPL-3.0 وتراخيص الشركات.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو YOLOv8 وكيف يختلف عن إصدارات YOLO السابقة؟#

صُمم YOLOv8 لتحسين أداء اكتشاف الأجسام في الوقت الفعلي باستخدام ميزات متقدمة. على عكس الإصدارات السابقة، يدمج YOLOv8 رأس Ultralytics بدون مرساة (anchor-free split head)، ومعماريات العمود الفقري والعنق الحديثة، ويوفر مقايضة محسنة بين الدقة والسرعة، مما يجعله مثاليًا للتطبيقات المتنوعة. لمزيد من التفاصيل، تحقق من أقسام نظرة عامة والميزات الرئيسية.

Link to this sectionكيف يمكنني استخدام YOLOv8 لمهام رؤية حاسوبية مختلفة؟#

يدعم YOLOv8 مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الأجسام، تقطيع النسخ، اكتشاف الوضعية/النقاط الرئيسية، اكتشاف الأجسام الموجهة، والتصنيف. يتم تحسين كل متغير من النماذج لمهمته المحددة وهو متوافق مع أنماط تشغيل مختلفة مثل الاستدلال، التحقق، التدريب، والتصدير. راجع قسم المهام والأنماط المدعومة لمزيد من المعلومات.

Link to this sectionما هي مقاييس الأداء لنماذج YOLOv8؟#

تحقق نماذج YOLOv8 أداءً متطورًا عبر مجموعات بيانات قياسية متنوعة. على سبيل المثال، يحقق نموذج YOLOv8n متوسط دقة (mAP) يبلغ 37.3 على مجموعة بيانات COCO وسرعة تبلغ 0.99 مللي ثانية على A100 TensorRT. يمكن العثور على مقاييس أداء مفصلة لكل متغير من النماذج عبر المهام ومجموعات البيانات المختلفة في قسم مقاييس الأداء.

Link to this sectionكيف يمكنني تدريب نموذج YOLOv8؟#

يمكن تدريب نموذج YOLOv8 باستخدام Python أو واجهة سطر الأوامر (CLI). فيما يلي أمثلة لتدريب نموذج باستخدام نموذج YOLOv8 مدرب مسبقًا على مجموعة بيانات COCO8 لمدة 100 حقبة:

from ultralytics import YOLO

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

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

لمزيد من التفاصيل، قم بزيارة توثيق التدريب.

Link to this sectionهل يمكنني قياس أداء نماذج YOLOv8؟#

نعم، يمكن قياس أداء نماذج YOLOv8 من حيث السرعة والدقة عبر تنسيقات تصدير مختلفة. يمكنك استخدام PyTorch وONNX وTensorRT والمزيد لقياس الأداء. فيما يلي أمثلة على الأوامر لقياس الأداء باستخدام Python وCLI:

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, device=0)

لمزيد من المعلومات، تحقق من قسم مقاييس الأداء.