أوضاع Ultralytics YOLO26#
مقدمة#
يُعد نموذج Ultralytics YOLO26 أكثر من مجرد نموذج كشف عن الكائنات؛ فهو إطار عمل متعدد الاستخدامات مصمم لتغطية دورة الحياة بأكملها لنماذج تعلم الآلة بدءاً من جمع البيانات وتدريب النموذج وصولاً إلى التحقق والنشر والتتبع في الوقت الفعلي. يخدم كل وضع غرضاً محدداً وهو مصمم ليوفر لك المرونة والكفاءة المطلوبة للمهام المختلفة وحالات الاستخدام.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
نظرة عامة على الأوضاع#
يعد فهم الأوضاع المختلفة التي يدعمها Ultralytics YOLO26 أمراً بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:
- Train (التدريب): قم بضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محملة مسبقاً.
- Val (التحقق): نقطة فحص ما بعد التدريب للتحقق من أداء النموذج.
- Predict (التنبؤ): أطلق العنان لقدرة نموذجك على التنبؤ باستخدام بيانات من العالم الحقيقي.
- وضع التصدير (Export): اجعل نشر النموذج الخاص بك جاهزاً بمختلف التنسيقات.
- Track (التتبع): قم بتوسيع نموذج اكتشاف الكائنات الخاص بك ليشمل تطبيقات التتبع في الوقت الفعلي.
- Benchmark (قياس الأداء): قم بتحليل سرعة ودقة نموذجك في بيئات نشر متنوعة.
يهدف هذا الدليل الشامل إلى منحك نظرة عامة ورؤى عملية حول كل وضع، مما يساعدك على تسخير الإمكانات الكاملة لـ YOLO26.
تدريب#
يُستخدم وضع التدريب (Train) لتدريب نموذج YOLO26 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات الكائنات ومواقعها في الصورة. يعد التدريب ضرورياً لإنشاء نماذج يمكنها التعرف على كائنات محددة ذات صلة بتطبيقك.
التحقق#
يُستخدم وضع التحقق (Val) للتحقق من صحة نموذج YOLO26 بعد تدريبه. في هذا الوضع، يتم تقييم النموذج على مجموعة تحقق لقياس دقته وأدائه في التعميم. يساعد التحقق في تحديد المشكلات المحتملة مثل التفرط في التخصيص ويوفر مقاييس مثل متوسط الدقة المتوسطة (mAP) لتحديد أداء النموذج كمياً. يُعد هذا الوضع بالغ الأهمية لضبط المعلمات الفائقة وتحسين فعالية النموذج بشكل عام.
التنبؤ#
يُستخدم وضع التنبؤ (Predict) لإجراء تنبؤات باستخدام نموذج YOLO26 مدرب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة فحص (checkpoint)، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يحدد النموذج الكائنات في وسائط الإدخال ويحدد مواقعها، مما يجعله جاهزاً للتطبيقات الواقعية. يعد وضع التنبؤ هو البوابة لتطبيق نموذجك المدرب لحل المشكلات العملية.
التصدير#
يُستخدم وضع التصدير (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 مختلفة، وغالباً ما يؤدي إلى تحسينات كبيرة في الأداء.
التتبع#
يعمل وضع Track على توسيع قدرات 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. يتضمن ستة متتبعات: TrackTrack (الافتراضي)، BoT-SORT، ByteTrack، OC-SORT، Deep OC-SORT، و FastTracker.
قياس الأداء#
يقوم وضع قياس الأداء (Benchmark) بتقييم السرعة والدقة لمختلف تنسيقات التصدير الخاصة بـ YOLO26. يوفر هذا الوضع مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الكشف أو accuracy_top1 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX وOpenVINO وTensorRT. يساعدك قياس الأداء على اختيار تنسيق التصدير الأمثل بناءً على متطلباتك المحددة للسرعة والدقة في بيئة النشر الخاصة بك.
الأسئلة الشائعة#
يتضمن تدريب نموذج كشف كائنات مخصص باستخدام Ultralytics YOLO26 استخدام وضع التدريب. أنت بحاجة إلى مجموعة بيانات منسقة بتنسيق YOLO format، تحتوي على صور وملفات تعليقات 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)للحصول على إرشادات أكثر تفصيلاً، يمكنك الرجوع إلى دليل التدريب لـ Ultralytics.
يستخدم Ultralytics YOLO26 مقاييس متنوعة أثناء عملية التحقق لتقييم أداء النموذج. وتشمل هذه:
- mAP (متوسط دقة الدقة): يقيم هذا دقة اكتشاف الكائنات.
- IOU (التقاطع فوق الاتحاد): يقيس التداخل بين صناديق الإحاطة المتوقعة والحقيقية.
- الدقة والاسترجاع: تقيس الدقة نسبة عمليات الكشف الإيجابية الصحيحة إلى إجمالي الكشف الإيجابي، بينما يقيس الاسترجاع نسبة عمليات الكشف الإيجابية الصحيحة إلى إجمالي الحالات الإيجابية الفعلية.
يمكنك تشغيل الأمر التالي لبدء 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 المدرب إلى تنسيقات نشر متنوعة 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 قياس الأداء في Ultralytics YOLO26 لتحليل السرعة والدقة لمختلف تنسیقات التصدير مثل ONNX وTensorRT وOpenVINO. وهو يوفر مقاييس مثل حجم النموذج، و
mAP50-95للكشف عن الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك في اختيار التنسيق الأنسب 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 قياس الأداء.
يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام وضع التتبع (track) في Ultralytics YOLO26. يوسع هذا الوضع قدرات 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.