أوضاع Ultralytics YOLO26#
مقدمة#
نموذج Ultralytics YOLO26 ليس مجرد نموذج آخر لاكتشاف الكائنات؛ بل هو إطار عمل متعدد الاستخدامات مصمم لتغطية دورة الحياة بأكملها لنماذج التعلم الآلي — بدءاً من إدخال البيانات وتدريب النموذج ووصولاً إلى التحقق والشرع والتتبع في العالم الحقيقي. يخدم كل وضع غرضاً محدداً وقد تم تصميمه ليمنحك المرونة والكفاءة المطلوبة لمختلف المهام وحالات الاستخدام.
للحصول على دعم YOLO27 المخطط له، راجع معاينة YOLO27. إن YOLO27 قريباً وليست متاحة بعد؛ يستخدم هذا الدليل نماذج YOLO26 المُصْدرة.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
نظرة سريعة على الأوضاع#
يعد فهم الأوضاع المختلفة التي يدعمها Ultralytics YOLO26 أمراً بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:
- وضع التدريب (Train): قم بضبط نموذجك على مجموعات بيانات مخصصة أو محملة مسبقاً.
- وضع التحقق (Val): نقطة تحقق بعد التدريب لتقييم أداء النموذج.
- وضع التنبؤ (Predict): أطلق العنان لقوة التنبؤ لنموذجك على بيانات العالم الحقيقي.
- وضع التصدير (Export): اجعل نشر النموذج جاهزاً بمختلف التنسيقات.
- وضع التتبع (Track): قم بتوسيع نموذج اكتشاف الكائنات الخاص بك ليشمل تطبيقات التتبع في الوقت الفعلي.
- وضع المقارنة المعيارية (Benchmark): قم بتحليل سرعة ودقة نموذجك في بيئات نشر متنوعة.
يهدف هذا الدليل الشامل إلى منحك نظرة عامة ورؤى عملزية حول كل وضع، مما يساعدك على تسخير الإمكانات الكاملة لـ YOLO26.
التدريب#
يُستخدم وضع التدريب (Train) لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات المحددة والمعلمات الفائقة. تتضمن عملية التدريب تحسين معاملات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة. يُعد التدريب أمراً أساسياً لإنشاء نماذج قادرة على التعرف على كائنات محددة ذات صلة بتطبيقك.
التحقق (Val)#
يُستخدم وضع التحقق (Val) للتحقق من صحة نموذج YOLO26 بعد تدريبه. في هذا الوضع، يتم تقييم نموذج YOLO26 على مجموعة تحقق لقياس داقته وأدائه التعميمي. يساعد التحقق في تحديد المشكلات المحتملة مثل الفرط في التخصيص (overfitting) ويوفر مقاييس مثل متوسط الدقة المتوسطة (mAP) لتحديد أداء النموذج كمياً. يُعد هذا الوضع بالغ الأهمية لضبط المعلمات الفائقة وتحسين فعالية النموذج الإجمالية.
التنبؤ#
يُستخدم وضع التنبؤ (Predict) لإجراء تنبؤات باستخدام نموذج YOLO26 مُدرّب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل نموذج YOLO26 من ملف نقطة تفتيش، ويمكن للمستخدم توفير صور أو مقاطع فيديو لتنفيذ الاستدلال. يقوم نموذج YOLO26 بتحديد وتوطين الكائنات في الوسائط المدخلة، مما يجعله جاهزاً لتطبيقات العالم الحقيقي. يُعد وضع التنبؤ البوابة لتطبيق نموذجك المُدرّب لحل المشكلات العملية.
التصدير#
يُستخدم وضع التصدير (Export) لتحويل نموذج YOLO26 إلى تنسيقات مناسبة للنشر عبر منصات وأجهزة مختلفة. يقوم وضع التصدير بتحويل نموذج PyTorch الخاص بك إلى تنسيقات مُحسّنة مثل ONNX أو TensorRT أو CoreML، مما يتيح النشر في بيئات الإنتاج. يُعد التصدير أمراً أساسياً لتكامل نموذجك مع مختلف تطبيقات البرمجيات أو الأجهزة، وغالباً ما يؤدي إلى تحسينات كبيرة في الأداء.
التتبع (Track)#
يعمل وضع التتبع (Track) على توسيع إمكانات اكتشاف الكائنات في YOLO26 لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. يُعد هذا الوضع قيماً بشكل خاص للتبيقات التي تتطلب تحديداً مستمراً للكائنات، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. وهو يتضمن ستة متتبعات: TrackTrack (افتراضي)، وBoT-SORT، وByteTrack، وOC-SORT، وDeep OC-SORT، وFastTracker.
المقارنة المعيارية (Benchmark)#
يقوم وضع المقارنة المعيارية (Benchmark) بتقييم سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO26. يوفر وضع المقارنة المعيارية مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الاكتشاف أو accuracy_top1 لمهام التصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX، وOpenVINO، وTensorRT. تساعدك المقارنة المعيارية في اختيار تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاص بك.
الأسئلة الشائعة#
يتضمن تدريب نموذج مخصص لاكتشاف الكائنات باستخدام Ultralytics YOLO26 استخدام وضع التدريب (Train). أنت بحاجة إلى مجموعة بيانات مُنسقة في تنسيق YOLO، تحتوي على صور وملفات توضيحية مطابقة. استخدم الأمر التالي لبدء عملية التدريب:
مثالfrom 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 دليل التدريب لـ Ultralytics.
يستخدم Ultralytics YOLO26 مقاييس مختلفة أثناء عملية التحقق لتقييم أداء النموذج. وتشمل هذه:
- mAP (متوسط الدقة المتوسطة): يقيم هذا دقة اكتشاف الكائنات.
- IOU (التقاطع على الاتحاد): يقيس التداخل بين صناديق الإحاطة المتنبأ بها وتلك الحقيقية.
- الدقة (Precision) والاسترجاع (Recall): تقيس الدقة نسبة اكتشافات الإيجابيات الحقيقية إلى إجمالي الإيجابيات المكتشفة، بينما يقيس الاسترجاع نسبة اكتشافات الإيجابيات الحقيقية إلى إجمالي الإيجابيات الفعلية.
يمكنك تشغيل الأمر التالي لبدء عملية التحقق:
مثالfrom 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.
يوفر Ultralytics YOLO26 وظيفة تصدير لتحويل نموذجك المُدرب إلى تنسيقات نشر مختلفة مثل ONNX وTensorRT وCoreML والمزيد. استخدم المثال التالي لتصدير نموذجك:
مثالfrom 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 الخطوات التفصيلية لكل تنسيق تصدير في دليل التصدير.
يُستخدم وضع المقارنة المعيارية في Ultralytics YOLO26 لتحليل سرعة ودقة تنسيقات التصدير المختلفة مثل ONNX وTensorRT وOpenVINO. وهو يوفر مقاييس مثل حجم النموذج، و
mAP50-95لاكتشاف الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك في اختيار التنسيق الأكثر ملاءمة لاحتياجات النشر الخاصة بك.مثالfrom 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, device=0)لمزيد من التفاصيل، راجع دليل المقارنة المعيارية.
يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام وضع التتبع (Track) في Ultralytics YOLO26. يعمل هذا الوضع على توسيع إمكانات اكتشاف الكائنات لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتمكين التتبع:
مثالfrom 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 إرشادات متعمقة، تفضل بزيارة دليل التتبع.