Link to this sectionأوضاع Ultralytics YOLO26#

Link to this sectionمقدمة#

لا يعد Ultralytics YOLO26 مجرد نموذج آخر لاكتشاف الكائنات؛ بل هو إطار عمل مرن مصمم لتغطية دورة الحياة الكاملة لنماذج تعلم الآلة — بدءاً من إدخال البيانات وتدريب النموذج وصولاً إلى التحقق، والنشر، والتتبع في العالم الحقيقي. يخدم كل وضع غرضاً محدداً وقد تم تصميمه ليمنحك المرونة والكفاءة المطلوبة للمهام وحالات الاستخدام المختلفة.

Link to this sectionنظرة عامة على الأوضاع#

يعد فهم الأوضاع المختلفة التي يدعمها Ultralytics YOLO26 أمراً بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:

• Train (التدريب): قم بضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محملة مسبقاً.
• Val (التحقق): نقطة فحص ما بعد التدريب للتحقق من أداء النموذج.
• Predict (التنبؤ): أطلق العنان لقدرة نموذجك على التنبؤ باستخدام بيانات من العالم الحقيقي.
• Export (التصدير): اجعل نموذجك جاهزاً لـ نشر النموذج بتنسيقات متنوعة.
• Track (التتبع): قم بتوسيع نموذج اكتشاف الكائنات الخاص بك ليشمل تطبيقات التتبع في الوقت الفعلي.
• Benchmark (قياس الأداء): قم بتحليل سرعة ودقة نموذجك في بيئات نشر متنوعة.

يهدف هذا الدليل الشامل إلى منحك نظرة عامة ورؤى عملية حول كل وضع، مما يساعدك على تسخير الإمكانات الكاملة لـ YOLO26.

Link to this sectionTrain#

يُستخدم وضع التدريب (Train) لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات الكائنات ومواقعها في الصورة. يعد التدريب ضرورياً لإنشاء نماذج يمكنها التعرف على كائنات محددة ذات صلة بتطبيقك.

أمثلة على التدريب

Link to this sectionVal#

يُستخدم وضع التحقق (Val) للتحقق من نموذج YOLO26 بعد تدريبه. في هذا الوضع، يتم تقييم النموذج على مجموعة تحقق لقياس دقته وأدائه في التعميم. يساعد التحقق في تحديد المشكلات المحتملة مثل الإفراط في التخصيص ويوفر مقاييس مثل متوسط دقة الدقة (mAP) لقياس أداء النموذج كمياً. يعد هذا الوضع حاسماً لضبط المعلمات الفائقة وتحسين فعالية النموذج بشكل عام.

أمثلة على التحقق

Link to this sectionPredict#

يُستخدم وضع التنبؤ (Predict) لإجراء تنبؤات باستخدام نموذج YOLO26 مدرب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة فحص (checkpoint)، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يحدد النموذج الكائنات في وسائط الإدخال ويحدد مواقعها، مما يجعله جاهزاً للتطبيقات الواقعية. يعد وضع التنبؤ هو البوابة لتطبيق نموذجك المدرب لحل المشكلات العملية.

أمثلة على التنبؤ

Link to this sectionExport#

يُستخدم وضع التصدير (Export) لتحويل نموذج YOLO26 إلى تنسيقات مناسبة للنشر عبر منصات وأجهزة مختلفة. يقوم هذا الوضع بتحويل نموذج PyTorch الخاص بك إلى تنسيقات محسنة مثل ONNX، أو TensorRT، أو CoreML، مما يتيح النشر في بيئات الإنتاج. يعد التصدير ضرورياً لدمج نموذجك مع تطبيقات برمجية أو أجهزة مختلفة، وغالباً ما يؤدي إلى تحسينات كبيرة في الأداء.

أمثلة على التصدير

Link to this sectionTrack#

يُوسع وضع التتبع (Track mode) قدرات اكتشاف الكائنات في YOLO26 لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. يُعد هذا الوضع قيماً بشكل خاص للتطبيقات التي تتطلب تحديداً مستمراً للكائنات، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. يطبق وضع التتبع متتبعات متطورة مثل BoT-SORT (الافتراضي) و ByteTrack للحفاظ على هوية الكائن عبر الإطارات، حتى عندما تختفي الكائنات مؤقتاً من المشهد.

أمثلة على التتبع

Link to this sectionBenchmark#

يقوم وضع قياس الأداء (Benchmark) بتحليل سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO26. يوفر هذا الوضع مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الاكتشاف أو accuracy_top1 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX، وOpenVINO، وTensorRT. يساعدك قياس الأداء في اختيار تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاصة بك.

أمثلة على قياس الأداء

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تدريب نموذج اكتشاف كائنات مخصص باستخدام Ultralytics YOLO26؟#

يتضمن تدريب نموذج مخصص لاكتشاف الكائنات باستخدام Ultralytics YOLO26 استخدام وضع التدريب (train). تحتاج إلى مجموعة بيانات منسقة بـ تنسيق YOLO، تحتوي على صور وملفات توضيحية مقابلة. استخدم الأمر التالي لبدء عملية التدريب:

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)

لمزيد من التعليمات التفصيلية، يمكنك الرجوع إلى دليل تدريب Ultralytics.

Link to this sectionما 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 دقة الدقة): يقيم هذا دقة اكتشاف الكائنات.
• IOU (التقاطع فوق الاتحاد): يقيس التداخل بين صناديق الإحاطة المتوقعة والحقيقية.
• الدقة والاستدعاء: تقيس الدقة نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات المكتشفة، بينما يقيس الاستدعاء نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات الفعلية.

يمكنك تشغيل الأمر التالي لبدء التحقق:

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")

ارجع إلى دليل التحقق لمزيد من التفاصيل.

Link to this sectionكيف يمكنني تصدير نموذج YOLO26 الخاص بي للنشر؟#

يوفر Ultralytics YOLO26 وظيفة تصدير لتحويل نموذجك المدرب إلى تنسيقات نشر متنوعة مثل ONNX، وTensorRT، وCoreML، والمزيد. استخدم المثال التالي لتصدير نموذجك:

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")

يمكن العثور على خطوات مفصلة لكل تنسيق تصدير في دليل التصدير.

Link to this sectionما هو الغرض من وضع قياس الأداء في Ultralytics YOLO26؟#

يُستخدم وضع قياس الأداء (Benchmark) في Ultralytics YOLO26 لتحليل سرعة ودقة تنسيقات التصدير المختلفة مثل ONNX، وTensorRT، وOpenVINO. يوفر مقاييس مثل حجم النموذج، وmAP50-95 لاكتشاف الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك على اختيار التنسيق الأكثر ملاءمة لاحتياجات النشر الخاصة بك.

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)

لمزيد من التفاصيل، راجع دليل قياس الأداء.

Link to this sectionكيف يمكنني إجراء تتبع الكائنات في الوقت الفعلي باستخدام Ultralytics YOLO26؟#

يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام وضع التتبع (track) في Ultralytics YOLO26. يوسع هذا الوضع قدرات اكتشاف الكائنات لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتمكين التتبع:

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")

للحصول على تعليمات متعمقة، تفضل بزيارة دليل التتبع.