Ultralytics أوضاع YOLO11

مقدمة

Ultralytics YOLO11 is not just another object detection model; it's a versatile framework designed to cover the entire lifecycle of machine learning models—from data ingestion and model training to validation, deployment, and real-world tracking. Each mode serves a specific purpose and is engineered to offer you the flexibility and efficiency required for different tasks and use-cases.

شاهد: Ultralytics وسائط البرنامج التعليمي: تدريب، التحقق من الصحة، والتنبؤ، والتصدير والمعيار.

أوضاع في لمحة

Understanding the different modes that Ultralytics YOLO11 supports is critical to getting the most out of your models:

• وضع القطار: اضبط نموذجك على مجموعات بيانات مخصصة أو محملة مسبقا.
• وضع Val: نقطة تفتيش بعد التدريب للتحقق من أداء النموذج.
• وضع التنبؤ: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
• Export mode: Make your model deployment-ready in various formats.
• وضع التتبع: قم بتوسيع نموذج اكتشاف الكائنات الخاص بك إلى تطبيقات التتبع في الوقت الفعلي.
• وضع قياس الأداء: تحليل سرعة ودقة النموذج الخاص بك في بيئات النشر المتنوعة.

يهدف هذا الدليل الشامل إلى تزويدك بنظرة عامة ورؤى عملية حول كل وضع، مما يساعدك على الاستفادة من الإمكانات الكاملة لـ YOLO11.

قطار

يُستخدم وضع التدريب لتدريب نموذج YOLO11 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات المحددة والمعلمات الفائقة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة.

أمثلة القطار

فال

يُستخدم وضع Val للتحقق من صحة نموذج YOLO11 بعد تدريبه. في هذا الوضع، يتم تقييم النموذج على مجموعة التحقق من الصحة لقياس دقته وأداء التعميم. يمكن استخدام هذا الوضع لضبط المعلمات الفائقة للنموذج لتحسين أدائه.

أمثلة فال

تنبأ

يُستخدم وضع التنبؤ لإجراء تنبؤات باستخدام نموذج YOLO11 المدرّب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة تدقيق، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يتنبأ النموذج بفئات ومواقع الكائنات في الصور أو مقاطع الفيديو المدخلة.

توقع الأمثلة

تصدير

يُستخدم وضع التصدير لتصدير نموذج YOLO11 إلى تنسيق يمكن استخدامه للنشر. في هذا الوضع، يتم تحويل النموذج إلى تنسيق يمكن استخدامه من قبل تطبيقات برمجية أو أجهزة أخرى. هذا الوضع مفيد عند نشر النموذج في بيئات الإنتاج.

أمثلة التصدير

المسار

يُستخدم وضع التتبع لتتبع الأجسام في الوقت الفعلي باستخدام نموذج YOLO11. في هذا الوضع، يتم تحميل النموذج من ملف نقطة تفتيش، ويمكن للمستخدم توفير دفق فيديو مباشر لإجراء تتبع الأجسام في الوقت الفعلي. هذا الوضع مفيد لتطبيقات مثل أنظمة المراقبة أو السيارات ذاتية القيادة.

أمثلة المسار

المعيار

يُستخدم الوضع المعياري لتحديد سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO11. توفر المقاييس المرجعية معلومات عن حجم التنسيق المُصدَّر، و mAP50-95 المقاييس (لاكتشاف الأجسام، والتجزئة، والوضعية) أو accuracy_top5 والمقاييس (للتصنيف)، وزمن الاستدلال بالمللي ثانية لكل صورة عبر تنسيقات مختلفة مثل ONNX و OpenVINO و TensorRT وغيرها. يمكن أن تساعد هذه المعلومات المستخدمين على اختيار تنسيق التصدير الأمثل لحالة الاستخدام الخاصة بهم بناءً على متطلباتهم من حيث السرعة والدقة.

أمثلة معيارية

الأسئلة المتداولة

How do I train a custom object detection model with Ultralytics YOLO11?

يتضمن تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO11 استخدام وضع التدريب. أنت بحاجة إلى مجموعة بيانات منسقة بتنسيق YOLO ، تحتوي على صور وملفات التعليقات التوضيحية المقابلة. استخدم الأمر التالي لبدء عملية التدريب:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.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 train data=path/to/dataset.yaml epochs=100 imgsz=640

لمزيد من التعليمات التفصيلية، يمكنك الرجوع إلى دليل القطارUltralytics .

ما هي المقاييس التي يستخدمها Ultralytics YOLO11 للتحقق من صحة أداء النموذج؟

Ultralytics يستخدم YOLO11 مقاييس مختلفة أثناء عملية التحقق من الصحة لتقييم أداء النموذج. وتشمل هذه المقاييس ما يلي:

• mAP (متوسط متوسط الدقة): يقيّم هذا دقة اكتشاف الأجسام.
• IOU (التقاطع على الاتحاد): يقيس التداخل بين المربعات المحددة المتوقعة والحقيقة الأرضية.
• Precision and Recall: Precision measures the ratio of true positive detections to the total detected positives, while recall measures the ratio of true positive detections to the total actual positives.

يمكنك تشغيل الأمر التالي لبدء التحقق من الصحة:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

راجع دليل التحقق من الصحة لمزيد من التفاصيل.

كيف يمكنني تصدير نموذج YOLO11 الخاص بي للنشر؟

Ultralytics يوفر YOLO11 وظيفة التصدير لتحويل نموذجك المدرب إلى تنسيقات نشر مختلفة مثل ONNX ، TensorRT ، CoreML ، وغيرها. استخدم المثال التالي لتصدير نموذجك:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.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=yolo11n.pt format=onnx

يمكن الاطلاع على الخطوات التفصيلية لكل تنسيق تصدير في دليل التصدير.

ما هو الغرض من الوضع القياسي في Ultralytics YOLO11؟

Benchmark mode in Ultralytics YOLO11 is used to analyze the speed and الدقة of various export formats such as ONNX, TensorRT, and OpenVINO. It provides metrics like model size, mAP50-95 لاكتشاف الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك على اختيار التنسيق الأنسب 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="yolo11n.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=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

لمزيد من التفاصيل، راجع دليل المعايير.

كيف يمكنني إجراء تتبع الأجسام في الوقت الفعلي باستخدام Ultralytics YOLO11؟

يمكن تحقيق تتبع الأجسام في الوقت الحقيقي باستخدام وضع التتبع في Ultralytics YOLO11. يعمل هذا الوضع على توسيع إمكانيات اكتشاف الكائنات لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتمكين التتبع:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.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 source=path/to/video.mp4

للحصول على تعليمات متعمقة، تفضل بزيارة دليل المسار.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات