Ultralytics YOLOv8 وسائط

مقدمة

Ultralytics YOLOv8 ليس مجرد نموذج آخر للكشف عن الكائنات. إنه إطار عمل متعدد الاستخدامات مصمم لتغطية دورة الحياة الكاملة لنماذج التعلم الآلي - من استيعاب البيانات والتدريب على النموذج إلى التحقق من الصحة والنشر والتتبع في العالم الحقيقي. يخدم كل وضع غرضا محددا وقد تم تصميمه ليوفر لك المرونة والكفاءة المطلوبة للمهام وحالات الاستخدام المختلفة.

شاهد: Ultralytics وسائط البرنامج التعليمي: تدريب، التحقق من الصحة، والتنبؤ، والتصدير والمعيار.

أوضاع في لمحة

فهم الأوضاع المختلفة التي Ultralytics YOLOv8 يعد الدعم أمرا بالغ الأهمية لتحقيق أقصى استفادة من نماذجك:

• وضع القطار: اضبط نموذجك على مجموعات بيانات مخصصة أو محملة مسبقا.
• وضع Val: نقطة تفتيش بعد التدريب للتحقق من أداء النموذج.
• وضع التنبؤ: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
• وضع التصدير: اجعل نشر النموذج جاهزا بتنسيقات مختلفة.
• وضع التتبع: قم بتوسيع نموذج اكتشاف الكائنات الخاص بك إلى تطبيقات التتبع في الوقت الفعلي.
• وضع قياس الأداء: تحليل سرعة ودقة النموذج الخاص بك في بيئات النشر المتنوعة.

يهدف هذا الدليل الشامل إلى إعطائك نظرة عامة ورؤى عملية حول كل وضع ، مما يساعدك على تسخير الإمكانات الكاملة ل YOLOv8.

قطار

يستخدم وضع القطار لتدريب أ YOLOv8 نموذج 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.

أمثلة القطار

فال

يستخدم وضع Val للتحقق من صحة YOLOv8 نموذج بعد تدريبه. في هذا الوضع ، يتم تقييم النموذج على مجموعة التحقق من الصحة لقياس دقته وأداء التعميم. يمكن استخدام هذا الوضع لضبط المعلمات الفائقة للنموذج لتحسين أدائه.

أمثلة فال

تنبأ

يستخدم وضع التنبؤ لعمل التنبؤات باستخدام مدرب YOLOv8 نموذج على الصور أو مقاطع الفيديو الجديدة. في هذا الوضع ، يتم تحميل النموذج من ملف نقطة تفتيش ، ويمكن للمستخدم توفير صور أو مقاطع فيديو لإجراء الاستدلال. يتنبأ النموذج بفئات ومواقع الكائنات في الصور أو مقاطع الفيديو المدخلة.

توقع الأمثلة

تصدير

يستخدم وضع التصدير لتصدير ملف YOLOv8 نموذج لتنسيق يمكن استخدامه للنشر. في هذا الوضع ، يتم تحويل النموذج إلى تنسيق يمكن استخدامه بواسطة تطبيقات البرامج أو الأجهزة الأخرى. يكون هذا الوضع مفيدا عند نشر النموذج في بيئات الإنتاج.

أمثلة التصدير

المسار

يستخدم وضع المسار لتتبع الكائنات في الوقت الفعلي باستخدام ملف YOLOv8 نموذج. في هذا الوضع ، يتم تحميل النموذج من ملف نقطة تفتيش ، ويمكن للمستخدم توفير دفق فيديو مباشر لإجراء تتبع الكائن في الوقت الفعلي. هذا الوضع مفيد لتطبيقات مثل أنظمة المراقبة أو السيارات ذاتية القيادة.

أمثلة المسار

المعيار

يستخدم الوضع القياسي لتحديد سرعة ودقة تنسيقات التصدير المختلفة ل YOLOv8. توفر المعايير معلومات عن حجم التنسيق المصدر ، mAP50-95 المقاييس (لاكتشاف الكائن وتقسيمه ووضعه) أو accuracy_top5 المقاييس (للتصنيف) ، ووقت الاستدلال بالمللي ثانية لكل صورة عبر تنسيقات تصدير مختلفة مثل ONNX, OpenVINO, TensorRT وغيرها. يمكن أن تساعد هذه المعلومات المستخدمين في اختيار تنسيق التصدير الأمثل لحالة الاستخدام الخاصة بهم بناء على متطلباتهم للسرعة والدقة.

أمثلة معيارية

الأسئلة المتداولة

كيف يمكنني تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLOv8 ؟

يتضمن تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLOv8 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

# Train a custom model
model = YOLO("yolov8n.pt")
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

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 YOLOv8 للتحقق من صحة أداء النموذج؟

Ultralytics YOLOv8 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

# Validate the model
model = YOLO("yolov8n.pt")
model.val(data="path/to/validation.yaml")

yolo val data=path/to/validation.yaml

راجع دليل التحقق من الصحة لمزيد من التفاصيل.

كيف يمكنني تصدير نموذجي YOLOv8 للنشر؟

Ultralytics YOLOv8 وظيفة التصدير لتحويل نموذجك المدرَّب إلى تنسيقات نشر مختلفة مثل ONNX ، TensorRT ، CoreML ، وغيرها. استخدم المثال التالي لتصدير نموذجك:

from ultralytics import YOLO

# Export the model
model = YOLO("yolov8n.pt")
model.export(format="onnx")

yolo export model=yolov8n.pt format=onnx

يمكن الاطلاع على الخطوات التفصيلية لكل تنسيق تصدير في دليل التصدير.

ما هو الغرض من الوضع القياسي في Ultralytics YOLOv8 ؟

يُستخدم الوضع المعياري في Ultralytics YOLOv8 لتحليل سرعة ودقة تنسيقات التصدير المختلفة مثل ONNX و TensorRT و OpenVINO. وهو 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

# Benchmark on GPU
benchmark(model="yolov8n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

yolo benchmark model=yolov8n.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 YOLOv8 ؟

يمكن تحقيق تتبع الأجسام في الوقت الحقيقي باستخدام وضع التتبع في Ultralytics YOLOv8 . 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

# Track objects in a video
model = YOLO("yolov8n.pt")
model.track(source="path/to/video.mp4")

yolo track source=path/to/video.mp4

للحصول على تعليمات متعمقة، تفضل بزيارة دليل المسار.

التعليقات