أنماط Ultralytics YOLO26
مقدمة
Ultralytics YOLO26 ليس مجرد نموذج آخر لـ detect الكائنات؛ إنه إطار عمل متعدد الاستخدامات مصمم لتغطية دورة الحياة الكاملة لنماذج التعلم الآلي—من استيعاب البيانات وتدريب النموذج إلى التحقق والنشر والـ track في العالم الحقيقي. يخدم كل نمط غرضًا محددًا ومصممًا ليوفر لك المرونة والكفاءة المطلوبة للمهام وحالات الاستخدام المختلفة.
شاهد: البرنامج التعليمي لأوضاع Ultralytics: التدريب والتحقق والتنبؤ والتصدير ووضع المعايير.
لمحة عن الأوضاع
يعد فهم الأنماط المختلفة التي يدعمها Ultralytics YOLO26 أمرًا بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:
- وضع التدريب: اضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محملة مسبقًا.
- وضع التحقق: نقطة تفتيش بعد التدريب للتحقق من أداء النموذج.
- وضع التنبؤ: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
- وضع التصدير: اجعل نشر النموذج الخاص بك جاهزًا بتنسيقات مختلفة.
- وضع التتبع: قم بتوسيع نموذج الكشف عن الكائنات الخاص بك إلى تطبيقات التتبع في الوقت الفعلي.
- وضع المعايير: قم بتحليل سرعة ودقة النموذج الخاص بك في بيئات نشر متنوعة.
يهدف هذا الدليل الشامل إلى تزويدك بنظرة عامة ورؤى عملية حول كل نمط، مما يساعدك على تسخير الإمكانات الكاملة لـ YOLO26.
تدريب
يُستخدم نمط التدريب (Train mode) لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا النمط، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات الفائقة المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة. التدريب ضروري لإنشاء نماذج يمكنها التعرف على كائنات محددة ذات صلة بتطبيقك.
التحقق
يُستخدم نمط التحقق (Val mode) للتحقق من نموذج YOLO26 بعد تدريبه. في هذا النمط، يتم تقييم النموذج على مجموعة تحقق لقياس دقته وأداء التعميم الخاص به. يساعد التحقق في تحديد المشكلات المحتملة مثل الفرط في التجهيز (overfitting) ويوفر مقاييس مثل متوسط الدقة المتوسطة (mean Average Precision) (mAP) لتحديد أداء النموذج كمياً. هذا النمط حاسم لضبط المعلمات الفائقة وتحسين الفعالية الكلية للنموذج.
توقع
يُستخدم نمط التنبؤ (Predict mode) لإجراء تنبؤات باستخدام نموذج YOLO26 مدرب على صور أو مقاطع فيديو جديدة. في هذا النمط، يتم تحميل النموذج من ملف نقطة تحقق، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يحدد النموذج الكائنات ويحدد مواقعها في وسائط الإدخال، مما يجعله جاهزًا للتطبيقات الواقعية. نمط التنبؤ هو البوابة لتطبيق نموذجك المدرب لحل المشكلات العملية.
تصدير
يُستخدم نمط التصدير (Export mode) لتحويل نموذج YOLO26 إلى تنسيقات مناسبة للنشر عبر منصات وأجهزة مختلفة. يحول هذا النمط نموذج PyTorch الخاص بك إلى تنسيقات محسنة مثل ONNX أو TensorRT أو CoreML، مما يتيح النشر في بيئات الإنتاج. التصدير ضروري لدمج نموذجك مع تطبيقات برمجية أو أجهزة مختلفة، وغالبًا ما يؤدي إلى تحسينات كبيرة في الأداء.
تتبع
يوسع نمط الـ track قدرات detect الكائنات في YOLO26 لـ track الكائنات عبر إطارات الفيديو أو البث المباشر. هذا النمط ذو قيمة خاصة للتطبيقات التي تتطلب تحديد الكائنات بشكل مستمر، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. يطبق نمط الـ track خوارزميات متطورة مثل ByteTrack للحفاظ على هوية الكائن عبر الإطارات، حتى عندما تختفي الكائنات مؤقتًا عن الأنظار.
قياس الأداء
يقوم نمط التقييم المعياري (Benchmark mode) بتحديد سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO26. يوفر هذا النمط مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الـ detect أو accuracy_top5 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX و OpenVINO و TensorRT. يساعدك التقييم المعياري على اختيار تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاصة بك.
الأسئلة الشائعة
كيف أقوم بتدريب نموذج detect الكائنات مخصص باستخدام Ultralytics YOLO26؟
يتضمن تدريب نموذج detect الكائنات المخصص باستخدام Ultralytics YOLO26 استخدام نمط التدريب (train mode). تحتاج إلى مجموعة بيانات منسقة بتنسيق YOLO، تحتوي على صور وملفات تعليقات توضيحية مقابلة. استخدم الأمر التالي لبدء عملية التدريب:
مثال
from ultralytics import YOLO
# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml model=yolo26n.pt epochs=100 imgsz=640
للحصول على إرشادات أكثر تفصيلاً، يمكنك الرجوع إلى دليل تدريب Ultralytics.
ما هي المقاييس التي يستخدمها Ultralytics YOLO26 للتحقق من أداء النموذج؟
يستخدم Ultralytics YOLO26 مقاييس متنوعة أثناء عملية التحقق لتقييم أداء النموذج. وتشمل هذه:
- mAP (متوسط الدقة المتوسطة): يقيم هذا دقة الكشف عن الكائنات.
- IOU (التقاطع على الاتحاد): يقيس التداخل بين مربعات الإحاطة المتوقعة والحقيقية.
- الدقة و الاسترجاع: تقيس الدقة نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات المكتشفة، بينما يقيس الاسترجاع نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات الفعلية.
يمكنك تشغيل الأمر التالي لبدء التحقق من الصحة:
مثال
from ultralytics import YOLO
# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")
# Validate a YOLO model from the command line
yolo val model=yolo26n.pt data=path/to/validation.yaml
راجع دليل التحقق من الصحة لمزيد من التفاصيل.
كيف يمكنني تصدير نموذج YOLO26 الخاص بي للنشر؟
توفر Ultralytics YOLO26 وظيفة التصدير لتحويل نموذجك المدرب إلى تنسيقات نشر مختلفة مثل ONNX و TensorRT و CoreML والمزيد. استخدم المثال التالي لتصدير نموذجك:
مثال
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo26n.pt format=onnx
يمكن العثور على خطوات تفصيلية لكل صيغة تصدير في دليل التصدير.
ما هو الغرض من نمط التقييم المعياري (benchmark mode) في Ultralytics YOLO26؟
يُستخدم وضع المعيار (Benchmark mode) في Ultralytics YOLO26 لتحليل السرعة و الدقة لصيغ التصدير المختلفة مثل ONNX و TensorRT و OpenVINO. وهو يوفر مقاييس مثل حجم النموذج، mAP50-95 لاكتشاف الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك على اختيار التنسيق الأنسب لاحتياجات النشر الخاصة بك.
مثال
from ultralytics.utils.benchmarks import benchmark
# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo26n.pt data='coco8.yaml' imgsz=640 half=False device=0
لمزيد من التفاصيل، راجع دليل القياس المعياري.
كيف يمكنني إجراء track الكائنات في الوقت الفعلي باستخدام Ultralytics YOLO26؟
يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام وضع الـ track في Ultralytics YOLO26. يوسع هذا الوضع قدرات اكتشاف الكائنات لتتبعها عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتمكين التتبع:
مثال
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track model=yolo26n.pt source=path/to/video.mp4
للحصول على تعليمات متعمقة، قم بزيارة دليل التتبع.
