أنماط Ultralytics YOLO26

مقدمة

إن Ultralytics YOLO26 ليس مجرد نموذج آخر للكشف عن الكائنات؛ بل هو إطار عمل متعدد الاستخدامات مصمم لتغطية دورة حياة كاملة لـ تعلم الآلة النماذج—بدءاً من استيعاب البيانات وتدريب النماذج وصولاً إلى التحقق من الصحة، والنشر، والتتبع في العالم الحقيقي. كل نمط يخدم غرضاً محدداً ومصمم ليمنحك المرونة والكفاءة المطلوبة للمهام وحالات الاستخدام المختلفة.

لمحة سريعة على الأنماط

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

• Train نمط: قم بضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محملة مسبقاً.
• Val نمط: نقطة تحقق بعد التدريب للتحقق من أداء النموذج.
• التنبؤ نمط: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
• Export نمط: اجعل نشر النموذج جاهزاً بتنسيقات مختلفة.
• Track نمط: وسع نطاق نموذج الكشف عن الكائنات ليشمل تطبيقات التتبع في الوقت الفعلي.
• Benchmark نمط: قم بتحليل سرعة ودقة نموذجك في بيئات نشر متنوعة.

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

Train

يُستخدم نمط Train لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا النمط، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة. التدريب ضروري لإنشاء نماذج قادرة على التعرف على كائنات معينة ذات صلة بتطبيقك.

أمثلة على نمط التدريب (Train Examples)

Val

يُستخدم نمط Val للتحقق من نموذج YOLO26 بعد تدريبه. في هذا النمط، يتم تقييم النموذج على مجموعة تحقق لقياس دقته وأداء التعميم الخاص به. يساعد التحقق من الصحة في تحديد المشكلات المحتملة مثل overfitting ويوفر مقاييس مثل mean Average Precision (mAP) لتحديد أداء النموذج كمياً. هذا النمط بالغ الأهمية لضبط المعلمات الفائقة وتحسين فعالية النموذج بشكل عام.

أمثلة على نمط التحقق (Val Examples)

التنبؤ

يُستخدم نمط Predict لإجراء تنبؤات باستخدام نموذج YOLO26 مدرب على صور أو فيديوهات جديدة. في هذا النمط، يتم تحميل النموذج من ملف نقطة تحقق، ويمكن للمستخدم تقديم صور أو فيديوهات لإجراء الاستدلال. يحدد النموذج الكائنات ويحدد موقعها في الوسائط المدخلة، مما يجعله جاهزاً لتطبيقات العالم الحقيقي. نمط Predict هو البوابة لتطبيق نموذجك المدرب لحل المشكلات العملية.

أمثلة على نمط التنبؤ (Predict Examples)

Export

يُستخدم نمط Export 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 العديد من تطبيقات البرمجيات أو الأجهزة، مما يؤدي غالباً إلى تحسينات كبيرة في الأداء.

أمثلة على نمط التصدير (Export Examples)

Track

يوسع نمط Track قدرات YOLO26 في الكشف عن الكائنات لتتبعها عبر إطارات الفيديو أو البث المباشر. هذا النمط مفيد بشكل خاص للتطبيقات التي تتطلب تحديداً مستمراً للكائنات، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. ينفذ نمط Track خوارزميات متطورة مثل ByteTrack للحفاظ على هوية الكائن عبر الإطارات، حتى عندما تختفي الكائنات مؤقتاً عن الأنظار.

أمثلة على نمط التتبع (Track Examples)

Benchmark

يقوم نمط Benchmark بتقييم سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO26. يوفر هذا النمط مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الكشف أو accuracy_top5 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX وOpenVINO، وTensorRT. تساعد المقارنة المعيارية في اختيار تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاصة بك.

أمثلة على نمط القياس المعياري (Benchmark Examples)

الأسئلة الشائعة (FAQ)

كيف يمكنني تدريب اكتشاف الكائنات نموذج مخصص باستخدام Ultralytics YOLO26؟

يتضمن تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO26 استخدام نمط train. تحتاج إلى مجموعة بيانات بتنسيق YOLO format، تحتوي على صور وملفات شرح 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 الإرشادات التفصيلية، يمكنك الرجوع إلى Ultralytics Train Guide.

ما المقاييس التي يستخدمها Ultralytics YOLO26 للتحقق من أداء النموذج؟

يستخدم Ultralytics YOLO26 مقاييس مختلفة أثناء عملية التحقق لتقييم أداء النموذج. وتشمل هذه:

• mAP (mean Average Precision): هذا يقيم دقة الكشف عن الكائنات.
• IOU (Intersection over Union): يقيس التداخل بين الصناديق المحيطة المتوقعة والحقيقية.
• Precision و Recall: يقيس Precision نسبة الكائنات المكتشفة بشكل صحيح من إجمالي الكائنات المكتشفة، بينما يقيس recall نسبة الكائنات المكتشفة بشكل صحيح من إجمالي الكائنات 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")

راجع Validation Guide لمزيد من التفاصيل.

كيف يمكنني تصدير نموذج YOLO26 الخاص بي للنشر؟

يوفر Ultralytics YOLO26 وظيفة تصدير لتحويل نموذجك المدرب إلى تنسيقات نشر مختلفة 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 تفصيلية لكل تنسيق تصدير في Export Guide.

ما الغرض من نمط benchmark في Ultralytics YOLO26؟

يُستخدم نمط Benchmark في Ultralytics YOLO26 لتحليل سرعة و دقة تنسيقات التصدير المختلفة مثل ONNX وTensorRT وOpenVINO. يوفر مقاييس مثل حجم النموذج، و mAP50-95 للكشف عن الكائنات، 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، راجع Benchmark Guide.

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

يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام نمط track في Ultralytics YOLO26. يوسع هذا النمط قدرات الكشف عن الكائنات 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 مفصلة، قم بزيارة Track Guide.