Ultralytics YOLO11 الأوضاع

مقدمة

Ultralytics YOLO11 ليس مجرد نموذج آخر للكشف عن الكائنات؛ إنه إطار عمل متعدد الاستخدامات مصمم لتغطية دورة حياة نماذج التعلم الآلي بأكملها - بدءًا من استيعاب البيانات وتدريب النموذج إلى التحقق من الصحة والنشر والتتبع في العالم الحقيقي. يخدم كل وضع غرض محدد، وقد تم تصميمه ليوفر لك المرونة والكفاءة المطلوبة لمختلف المهام وحالات الاستخدام.

شاهد: Ultralytics برنامج تعليمي للأوضاع: التدريب، والتحقق، والتنبؤ، والتنبؤ، والتصدير، والمقارنة المعيارية.

لمحة سريعة عن الأوضاع

يعد فهم الأوضاع المختلفة التي يدعمها الموقع الإلكتروني Ultralytics YOLO11 أمراً بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:

• وضع التدريب: قم بضبط نموذجك على مجموعات بيانات مخصصة أو محملة مسبقًا.
• وضع Val: نقطة فحص ما بعد التدريب للتحقق من صحة أداء النموذج.
• وضع التنبؤ: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
• وضع التصدير: اجعل نموذجك جاهزًا للنشر بتنسيقات مختلفة.
• وضع التتبع: وسّع نموذج اكتشاف الأجسام في تطبيقات التتبع في الوقت الفعلي.
• الوضع المعياري: 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 YOLO11.

القطار

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. التدريب ضروري لإنشاء نماذج يمكنها التعرف على كائنات محددة ذات صلة بالتطبيق الخاص بك.

أمثلة على القطارات

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. يساعد التحقق من الصحة في تحديد المشكلات المحتملة مثل الإفراط في التكييف ويوفر مقاييس مثل متوسط متوسط الدقة (mAP) لقياس أداء النموذج. هذا الوضع مهم لضبط المعلمات الفائقة وتحسين فعالية النموذج بشكل عام.

أمثلة فال

التنبؤ

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. يقوم النموذج بتحديد وتوطين الكائنات في وسائط الإدخال، مما يجعله جاهزًا للتطبيقات الواقعية. وضع التنبؤ هو المدخل لتطبيق النموذج المدرّب لحل المشاكل العملية.

تنبؤ الأمثلة

التصدير

يُستخدم وضع التصدير لتحويل نموذج YOLO11 إلى تنسيقات مناسبة للنشر عبر منصات وأجهزة مختلفة. يقوم هذا الوضع بتحويل نموذج PyTorch الخاص بك إلى تنسيقات محسّنة مثل ONNX أو TensorRT أو CoreML مما يتيح النشر في بيئات الإنتاج. يعد التصدير ضروريًا لدمج نموذجك مع مختلف تطبيقات البرامج أو الأجهزة المختلفة، مما يؤدي غالبًا إلى تحسينات كبيرة في الأداء.

أمثلة على التصدير

المضمار

يعمل وضع التتبع على توسيع قدرات YOLO11 في YOLO11 على اكتشاف الأجسام لتتبع الأجسام عبر إطارات الفيديو أو البث المباشر. هذا الوضع ذو قيمة خاصة للتطبيقات التي تتطلب تحديدًا مستمرًا للأجسام، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. يطبق وضع التتبع خوارزميات متطورة مثل ByteTrack للحفاظ على هوية الكائن عبر الإطارات، حتى عندما تختفي الكائنات مؤقتًا من العرض.

أمثلة على المسارات

المعيار

يحدد الوضع المعياري سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO11. يوفر هذا الوضع مقاييس شاملة حول حجم النموذج والدقة (mAP50-95 لمهام الكشف أو الدقة_أعلى_5 للتصنيف) ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX, OpenVINOو TensorRT. يساعدك القياس المعياري على تحديد تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاصة بك.

أمثلة معيارية

الأسئلة الشائعة

كيف يمكنني تدريب نموذج مخصص للكشف عن الكائنات باستخدام 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 YOLO11 يستخدم 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.
• 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 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 نموذجي YOLO11 للنشر؟

Ultralytics YOLO11 وظيفة التصدير لتحويل نموذجك المدرَّب 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 ؟

يتم استخدام الوضع المعياري في Ultralytics YOLO11 لتحليل السرعة و الدقة من تنسيقات التصدير المختلفة مثل ONNX و TensorRT و OpenVINO. يوفر مقاييس مثل حجم النموذج, 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 الحقيقي 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 4 أيام

التعليقات