أوضاع Ultralytics YOLO26#
مقدمة#
إن Ultralytics YOLO26 ليس مجرد نموذج آخر لكشف الكائنات؛ بل هو إطار عمل متعدد الاستخدامات مصمم لتغطية دورة حياة نماذج التعلم الآلي بأكملها — بدءًا من إدخال البيانات وتدريب النموذج وصولًا إلى التحقق والنشر والتتبع في العالم الواقعي. يخدم كل وضع غرضًا محددًا، وقد صُمّم لتوفير المرونة والكفاءة اللازمتين لمختلف المهام وحالات الاستخدام.
للاطلاع على الدعم المخطط له لـ YOLO27، راجع معاينة YOLO27. سيصدر YOLO27 قريبًا، وهو غير متاح بعد؛ يستخدم هذا الدليل نماذج YOLO26 المُصدرة.
شاهد: شرح تعليمي لأنماط Ultralytics: التدريب والتحقق والتنبؤ والتصدير وقياس الأداء.
لمحة سريعة عن الأوضاع#
يُعد فهم الأوضاع المختلفة التي يدعمها Ultralytics YOLO26 أمرًا أساسيًا للاستفادة القصوى من نماذجك:
- وضع التدريب: اضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محمّلة مسبقًا.
- وضع التحقق: نقطة تحقق بعد التدريب لتقييم أداء النموذج.
- وضع التنبؤ: أطلق العنان لقدرات نموذجك التنبؤية على بيانات العالم الواقعي.
- وضع التصدير: جهّز نموذجك للنشر بتنسيقات متعددة.
- وضع التتبع: وسّع نطاق نموذج كشف الكائنات ليشمل تطبيقات التتبع الآني.
- وضع قياس الأداء: حلّل سرعة نموذجك ودقته في بيئات نشر متنوعة.
يهدف هذا الدليل الشامل إلى تقديم نظرة عامة ورؤى عملية حول كل وضع، لمساعدتك على الاستفادة الكاملة من إمكانات YOLO26.
التدريب#
يُستخدم وضع التدريب لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا الوضع، يُدرَّب النموذج باستخدام مجموعة البيانات والمعلمات الفائقة المحددة. تتضمن عملية التدريب تحسين معلمات النموذج كي يتمكن من التنبؤ بدقة بفئات الكائنات ومواقعها في الصورة. ويُعد التدريب ضروريًا لإنشاء نماذج قادرة على التعرّف على كائنات محددة ذات صلة بتطبيقك.
التحقق#
يُستخدم وضع التحقق لتقييم نموذج YOLO26 بعد تدريبه. في هذا الوضع، يُقيَّم النموذج على مجموعة تحقق لقياس دقته وأدائه في التعميم. يساعد التحقق على تحديد المشكلات المحتملة مثل فرط التكيّف، ويوفر مقاييس مثل متوسط الدقة (mAP) لقياس أداء النموذج كمّيًا. ويُعد هذا الوضع ضروريًا لضبط المعلمات الفائقة وتحسين فعالية النموذج عمومًا.
التنبؤ#
يُستخدم وضع التنبؤ لإجراء تنبؤات باستخدام نموذج YOLO26 مدرّب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يُحمّل النموذج من ملف نقطة تحقق، ويمكن للمستخدم تقديم صور أو مقاطع فيديو لإجراء الاستدلال. يحدد النموذج الكائنات في الوسائط المدخلة ويوطّنها، ما يجعله جاهزًا لتطبيقات العالم الواقعي. ويُعد وضع التنبؤ بوابة استخدام نموذجك المدرّب لحل المشكلات العملية.
التصدير#
يُستخدم وضع التصدير لتحويل نموذج YOLO26 إلى تنسيقات مناسبة للنشر على منصات وأجهزة مختلفة. يحوّل هذا الوضع نموذج PyTorch إلى تنسيقات محسّنة مثل ONNX أو TensorRT أو CoreML، ما يتيح النشر في بيئات الإنتاج. ويُعد التصدير ضروريًا لدمج النموذج مع تطبيقات برمجية أو أجهزة متنوعة، وغالبًا ما يؤدي إلى تحسينات كبيرة في الأداء.
التتبّع#
يوسّع وضع التتبّع إمكانات اكتشاف الأجسام في YOLO26 لتتبّع الأجسام عبر إطارات الفيديو أو البث المباشر. ويُعد هذا الوضع مفيدًا بصورة خاصة للتطبيقات التي تتطلب التعرّف المستمر إلى الأجسام، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. ويتضمن ستة متتبّعات: TrackTrack (الافتراضي)، وBoT-SORT، وByteTrack، وOC-SORT، وDeep OC-SORT، وFastTracker.
اختبار الأداء#
يقيّم وضع اختبار الأداء سرعة تنسيقات التصدير المختلفة ودقتها في YOLO26. ويوفر هذا الوضع مقاييس شاملة لحجم النموذج ودقته (mAP50-95 للاكتشاف والتجزئة وتقدير الوضعية وOBB؛ وmIoU للتجزئة الدلالية؛ وdelta1 للعمق؛ أو accuracy_top1 للتصنيف)، وزمن الاستدلال عبر تنسيقات مختلفة مثل ONNX وOpenVINO وTensorRT. ويساعدك اختبار الأداء على اختيار تنسيق التصدير الأمثل وفقًا لمتطلبات السرعة والدقة المحددة لبيئة النشر لديك.
الأسئلة الشائعة#
يتطلب تدريب نموذج مخصص لاكتشاف الأجسام باستخدام Ultralytics YOLO26 الاستعانة بوضع التدريب. تحتاج إلى مجموعة بيانات منسقة وفق تنسيق YOLO، وتحتوي على صور وملفات التعليقات التوضيحية المقابلة لها. استخدم الأمر التالي لبدء عملية التدريب:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO مدرّب مسبقًا (يمكنك اختيار الإصدارات n أو s أو m أو l أو x) model = YOLO("yolo26n.pt") # بدء التدريب على مجموعة البيانات المخصصة model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)للحصول على تعليمات أكثر تفصيلًا، يمكنك الرجوع إلى دليل التدريب من Ultralytics.
يستخدم Ultralytics YOLO26 مقاييس متنوعة أثناء عملية التحقق لتقييم أداء النموذج. وتشمل هذه المقاييس:
- mAP (متوسط الدقة): يقيّم دقة اكتشاف الأجسام.
- IoU (التقاطع على الاتحاد): يقيس مقدار التداخل بين مربعات الإحاطة المتوقعة ومربعات الحقيقة المرجعية.
- الإحكام والاستدعاء: يقيس الإحكام نسبة الاكتشافات الإيجابية الصحيحة إلى إجمالي الاكتشافات الإيجابية، بينما يقيس الاستدعاء نسبة الاكتشافات الإيجابية الصحيحة إلى إجمالي الإيجابيات الفعلية.
يمكنك تشغيل الأمر التالي لبدء التحقق:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO مدرّب مسبقًا أو مخصص model = YOLO("yolo26n.pt") # تشغيل التحقق على مجموعة البيانات model.val(data="path/to/validation.yaml")راجع دليل التحقق لمزيد من التفاصيل.
يوفر Ultralytics YOLO26 وظيفة التصدير لتحويل النموذج المدرّب إلى تنسيقات نشر متنوعة مثل ONNX وTensorRT وCoreML وغيرها. استخدم المثال التالي لتصدير النموذج:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO المدرّب model = YOLO("yolo26n.pt") # تصدير النموذج بتنسيق ONNX (يمكنك تحديد تنسيقات أخرى حسب الحاجة) model.export(format="onnx")يمكن العثور على الخطوات التفصيلية لكل تنسيق تصدير في دليل التصدير.
يُستخدم وضع اختبار الأداء في Ultralytics YOLO26 لتحليل سرعة تنسيقات التصدير المختلفة ودقتها، مثل ONNX وTensorRT وOpenVINO. ويوفر مقاييس مثل حجم النموذج و
mAP50-95لاكتشاف الأجسام وزمن الاستدلال عبر إعدادات عتاد مختلفة، ما يساعدك على اختيار التنسيق الأنسب لاحتياجات النشر.مثالfrom ultralytics.utils.benchmarks import benchmark # تشغيل اختبار الأداء على GPU (الجهاز 0) # يمكنك ضبط معلمات مثل النموذج ومجموعة البيانات وحجم الصورة والدقة حسب الحاجة benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)لمزيد من التفاصيل، راجع دليل اختبار الأداء.
يمكن إجراء تتبّع للأجسام في الوقت الفعلي باستخدام وضع التتبّع في Ultralytics YOLO26. يوسّع هذا الوضع إمكانات اكتشاف الأجسام لتتبّعها عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتفعيل التتبّع:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLO مدرَّب مسبقًا model = YOLO("yolo26n.pt") # بدء تتبّع الأجسام في فيديو # يمكنك أيضًا استخدام بث الفيديو المباشر أو إدخال كاميرا الويب model.track(source="path/to/video.mp4")للاطلاع على تعليمات مفصلة، تفضّل بزيارة دليل التتبّع.