أوضاع Ultralytics YOLO26

مقدمة

إن Ultralytics YOLO26 ليس مجرد نموذج آخر للكشف عن الأشياء؛ بل هو إطار عمل متعدد الاستخدامات مصمم لتغطية دورة حياة نماذج تعلم الآلة بالكامل—بدءاً من استيعاب البيانات وتدريب النموذج وصولاً إلى التحقق من الصحة والنشر والتتبع في العالم الحقيقي. يخدم كل وضع غرضاً محدداً وقد تم تصميمه ليمنحك المرونة والكفاءة المطلوبة للمهام وحالات الاستخدام المختلفة.

نظرة عامة على الأوضاع

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

• وضع Train: قم بضبط نموذجك بدقة باستخدام مجموعات بيانات مخصصة أو محملة مسبقاً.
• وضع Val: نقطة فحص ما بعد التدريب للتحقق من أداء النموذج.
• وضع Predict: أطلق العنان لقوة التنبؤ الخاصة بنموذجك على بيانات العالم الحقيقي.
• وضع Export: اجعل نشر النموذج جاهزاً بتنسيقات متنوعة.
• وضع Track: قم بتوسيع نموذج الكشف عن الأشياء الخاص بك ليشمل تطبيقات التتبع في الوقت الفعلي.
• وضع Benchmark: قم بتحليل سرعة ودقة نموذجك في بيئات نشر متنوعة.

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

Train

يُستخدم وضع Train لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات الفائقة المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الأشياء في الصورة. يعد التدريب ضرورياً لإنشاء نماذج قادرة على التعرف على أشياء محددة ذات صلة بتطبيقك.

أمثلة على التدريب

Val

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

أمثلة على التحقق

Predict

يُستخدم وضع Predict لإجراء تنبؤات باستخدام نموذج YOLO26 مدرب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة فحص، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يحدد النموذج الأشياء ويحدد مواقعها في الوسائط المدخلة، مما يجعله جاهزاً لتطبيقات العالم الحقيقي. يعد وضع Predict بوابة لتطبيق نموذجك المدرب لحل المشكلات العملية.

أمثلة على التنبؤ

Export

يُستخدم وضع 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 متنوعة، وغالباً ما يؤدي ذلك إلى تحسينات كبيرة في الأداء.

أمثلة على التصدير

Track

يعمل وضع Track على توسيع قدرات الكشف عن الأشياء في YOLO26 لتتبع الأشياء عبر إطارات الفيديو أو البث المباشر. يعد هذا الوضع قيماً بشكل خاص للتطبيقات التي تتطلب تحديداً مستمراً للأشياء، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. ينفذ وضع Track خوارزميات متطورة مثل ByteTrack للحفاظ على هوية الأشياء عبر الإطارات، حتى عندما تختفي الأشياء مؤقتاً من العرض.

أمثلة على التتبع

Benchmark

يقوم وضع Benchmark بقياس سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO26. يوفر هذا الوضع مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الكشف أو accuracy_top5 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX وOpenVINO وTensorRT. تساعدك عملية القياس في اختيار تنسيق التصدير الأمثل بناءً على متطلباتك الخاصة للسرعة والدقة في بيئة النشر الخاصة بك.

أمثلة على القياس

الأسئلة الشائعة

كيف يمكنني تدريب نموذج مخصص للكشف عن الأشياء باستخدام Ultralytics YOLO26؟

يتضمن تدريب نموذج مخصص للكشف عن الأشياء باستخدام Ultralytics YOLO26 استخدام وضع التدريب (train mode). تحتاج إلى مجموعة بيانات مهيأة بتنسيق YOLO format، 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 التدريب لـ Ultralytics.

ما المقاييس التي يستخدمها Ultralytics YOLO26 للتحقق من أداء النموذج؟

يستخدم Ultralytics YOLO26 مقاييس متنوعة أثناء عملية التحقق لتقييم أداء النموذج. تشمل هذه المقاييس:

• mAP (متوسط دقة التنبؤ): يقيم هذا دقة الكشف عن الأشياء.
• IOU (التقاطع فوق الاتحاد): يقيس التداخل بين الصناديق المحيطة المتوقعة والحقيقية.
• الدقة والاستدعاء: تقيس الدقة نسبة الكشف الإيجابي الصحيح إلى إجمالي الكشوفات الإيجابية، بينما يقيس الاستدعاء نسبة الكشف الإيجابي الصحيح 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.

كيف يمكنني تصدير نموذج YOLO26 الخاص بي للنشر؟

يوفر Ultralytics YOLO26 وظيفة تصدير لتحويل نموذجك المدرب إلى تنسيقات نشر متنوعة مثل ONNX وTensorRT وCoreML وغيرها. 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.

ما الغرض من وضع القياس (benchmark mode) في Ultralytics YOLO26؟

يُستخدم وضع القياس في Ultralytics YOLO26 لتحليل سرعة ودقة تنسيقات التصدير المختلفة مثل ONNX وTensorRT وOpenVINO. يوفر مقاييس مثل حجم النموذج، وmAP50-95 للكشف عن الأشياء، ووقت الاستدلال عبر إعدادات أجهزة مختلفة، 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، ارجع إلى دليل القياس.

كيف يمكنني إجراء تتبع للأشياء في الوقت الفعلي باستخدام Ultralytics YOLO26؟

يمكن تحقيق تتبع الأشياء في الوقت الفعلي باستخدام وضع التتبع (track mode) في Ultralytics YOLO26. يعمل هذا الوضع على توسيع قدرات الكشف عن الأشياء لتتبعها 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، قم بزيارة دليل التتبع.