دليل البدء السريع لـ Ultralytics Platform#

توفر Ultralytics Platform سيرงาน موجهًا لتحميل مجموعة البيانات، وتدريب نماذج YOLO جديدة من الأوزان المدربة مسبقًا، واختبار النماذج المكتملة في المتصفح، وتكوين نقاط نهاية استدلال مخصصة.

يوضح الرسم التفاعلي التالي المراحل الأربع الأساسية لسير عمل Ultralytics Platform. اضغط على أي مرحلة أو خطوة فرعية للوصول إلى تعليمات مفصلة لهذا القسم.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

ابدأ الآن#

توفر Ultralytics Platform مجموعة متنوعة من خيارات التسجيل السهلة. يمكنك التسجيل وتسجيل الدخول باستخدام حسابات Google أو GitHub الخاصة بك، أو باستخدام عنوان بريدك الإلكتروني.

اختيار المنطقة#

أثناء الإعداد، سيُطلب منك تحديد منطقة البيانات الخاصة بك. تقيس المنصة تلقائيًا زمن الانتقال لكل منطقة وتوصي بالأقرب. يحدد هذا الاختيار المكان الذي يتم فيه تخزين مجموعات البيانات والنماذج وبيانات التدريب المُدارة. يتم تحديد مناطق نقاط النهاية المخصصة بشكل منفصل عند نشر النموذج.

أرصدة مجانية#

يحصل كل حساب جديد على أرصدة مجانية لتدريب النماذج على GPU السحابي:

أكمل ملفك الشخصي#

يرشدك مسار التهيئة عبر ثلاث خطوات:

1. الملف الشخصي - أدخل اسم العرض الخاص بك، واسم المستخدم الفريد (دائم، لا يمكن تغييره لاحقاً)، والمؤسسة (اختياري)، وحالة الاستخدام الأساسية
2. منطقة البيانات - اختر US أو EU أو AP مع خريطة عالمية مرئية توضح زمن الاستجابة
3. الإكمال - راجع اختياراتك، ويمكنك اختيارياً تطبيق رمز ترويجي، وإنهاء التسجيل للمطالبة بأرصدة الترحيب الخاصة بك

لوحة التحكم الرئيسية#

بعد تسجيل الدخول، سيتم توجيهك إلى الصفحة الرئيسية لـ Ultralytics Platform، والتي توفر بطاقة ترحيب مع إحصائيات مساحة العمل، ووصول سريع إلى مجموعات البيانات، والمشاريع، والتخزين، وخلاصة النشاط الأخير.

التنقل في الشريط الجانبي#

يوفر الشريط الجانبي إمكانية الوصول إلى جميع أقسام المنصة:

بطاقة الترحيب#

تعرض بطاقة الترحيب ملفك الشخصي، وشارة الخطة، وإحصائيات مساحة العمل في لمحة:

إجراءات سريعة#

أسفل بطاقة الترحيب، تعرض لوحة التحكم ثلاث بطاقات:

• مجموعات البيانات: أنشئ مجموعة بيانات جديدة أو قم بإفلات الصور أو مقاطع الفيديو أو ملفات مجموعات البيانات للرفع. تعرض مجموعات بياناتك الأخيرة.
• المشاريع: أنشئ مشروعاً جديداً أو قم بإفلات ملفات النماذج .pt للرفع. تعرض مشاريعك الأخيرة.
• التخزين: نظرة عامة على استخدام التخزين الخاص بك (مجموعات البيانات، النماذج، الصادرات) مع حدود الخطة.

يوجد جدول نشاط حديث في الأسفل يعرض أحدث مجموعات بياناتك ونماذجك وعمليات التدريب.

بحث عالمي#

اضغط على Cmd+K (أجهزة Mac) أو Ctrl+K (أجهزة Windows/Linux) لفتح شريط البحث. ابحث عبر الصفحات والمشاريع ومجموعات البيانات وعمليات النشر فوراً.

مساعد الدردشة المدعوم بالذكاء الاصطناعي#

تتوفر أداة دردشة عائمة في كل صفحة. اضغط عليها لطرح أسئلة حول تدريب YOLO، أو التسمية، أو النشر، أو أي ميزة في المنصة. يقدم المساعد مساعدة مدركة للسياق بناءً على الصفحة الحالية.

جولات التهيئة#

تتضمن المنصة جولات إرشادية تقدم الميزات الرئيسية أثناء استكشافك للأقسام المختلفة:

إعادة تشغيل الجولات#

لإعادة تشغيل أي جولة:

• زر إعادة الجولة — انقر فوق الصورة الرمزية لملفك الشخصي (أسفل يسار الشريط الجانبي) لفتح قائمة المستخدم، ثم حدد إعادة الجولة. هذا يعيد ضبط جميع الجولات بحيث يتم تشغيلها في زيارتك التالية لكل قسم.
• معامل URL — انتقل إلى platform.ultralytics.com/home?tour=nav لإعادة تشغيل جولة التنقل مباشرة.

ارفع مجموعة بياناتك الأولى#

انتقل إلى Annotate في الشريط الجانبي وانقر على New Dataset لإضافة بيانات التدريب الخاصة بك. يمكنك أيضًا سحب الملفات وإفلاتها مباشرة في بطاقة مجموعات البيانات على لوحة تحكم الصفحة الرئيسية.

تدعم Ultralytics Platform تنسيقات تحميل متعددة (التفاصيل الكاملة في Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

بعد الرفع، تقوم المنصة بمعالجة بياناتك تلقائيًا:

1. يتم تغيير حجم الصور الأكبر من 4096 بكسل (مع الحفاظ على نسبة العرض إلى الارتفاع)
2. يتم إنشاء صور مصغرة بحجم 256 بكسل للتصفح السريع
3. يتم تحليل والتحقق من صحة تسميات YOLO وCOCO وتسميات Ultralytics NDJSON
4. يتم حساب الإحصائيات (توزيع الفئات، الخرائط الحرارية، الأبعاد)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

اقرأ المزيد حول datasets والتنسيقات المدعومة لـ detect, segment, pose, OBB, و classify.

أنشئ مشروعك الأول#

تساعدك المشاريع على تنظيم النماذج والتجارب ذات الصلة. انتقل إلى المشاريع وانقر على New Project.

أدخل اسمًا ووصفًا اختياريًا. تنظم المشاريع عمليات تشغيل النموذج وأوزان النموذج المستوردة أو المستسخة، مع رسوم بيانية لمقارنة نتائج التدريب المكتملة.

اقرأ المزيد حول projects.

درب نموذجك الأول#

من مشروعك، انقر على New Model لبدء التدريب السحابي.

تكوين التدريب#

1. Select Dataset: اختر مجموعة بيانات جاهزة تحتوي على صورة تدريب واحدة على الأقل، وصورة تحقق أو اختبار واحدة على الأقل، وصورة واحدة على الأقل تحمل تسمية
2. اختيار النموذج: حدد نموذجًا أساسيًا - نماذج Ultralytics الرسمية أو نماذجك المدربة الخاصة
3. تعيين الحقبات (Epochs): عدد تكرارات التدريب (الافتراضي: 100)
4. اختيار GPU: اختر موارد الحوسبة بناءً على ميزانيتك وحجم النموذج. الخيار الافتراضي هو RTX PRO 6000 (بذاكرة 96 GB من طراز Blackwell، بسعر 2.09 دولار/ساعة)، والذي يمكنه معالجة جميع متغيرات YOLO26. راجع جدول أسعار GPU الكامل أو خطوة اختيار GPU للتدريب السحابي للاطلاع على القائمة الكاملة وقيود المستويات.

مراقبة التدريب#

بمجرد بدء التدريب، يمكنك مراقبة التقدم في الوقت الفعلي من خلال ثلاث علامات تبويب فرعية:

يتم بث المقاييس في الوقت الفعلي عبر SSE (أحداث الخادم المرسلة). بعد اكتمال التدريب، يتم إنشاء مخططات التحقق بما في ذلك مصفوفة الارتباك ومنحنيات PR ومنحنيات F1.

اقرأ المزيد حول cloud training.

اختبر نموذجك#

بعد اكتمال التدريب، اختبر نموذجك مباشرة في المتصفح:

1. انتقل إلى علامة تبويب Predict الخاصة بنموذجك
2. ارفع صورة، اسحب وأفلت، أو استخدم صورًا تجريبية (استنتاج تلقائي عند الإفلات)
3. عرض تراكبات التنبؤ المناسبة للمهمة استجابة JSON الخام

ضبط معلمات الاستدلال:

تعرض علامة التبويب Predict أيضًا نموذجًا لرمز النشر. انشر النموذج أولاً، ثم استبدل عنوان URL والمفتاح العنصريين بالقيم من نقطة النهاية الخاصة بك:

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

with open("image.jpg", "rb") as f:
    response = requests.post(url, headers=headers, files={"file": f})

print(response.json())

اقرأ المزيد حول inference.

النشر في بيئة الإنتاج#

انشر نموذجك إلى نقطة نهاية مخصصة لاستخدام الإنتاج:

1. انتقل إلى علامة تبويب Deploy الخاصة بنموذجك
2. اختر منطقة من خريطة العالم التفاعلية (تتوفر 42 منطقة)
3. تُظهر الخريطة قياسات زمن الانتقال في الوقت الفعلي بألوان على تدرج من الأخضر إلى الأحمر (زمن انتقال أقل يعني لونًا أخضر أكثر، وزمن انتقال أعلى يعني لونًا أحمر أكثر)
4. انقر فوق Deploy لإنشاء نقطة النهاية الخاصة بك

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

بمجرد اكتمال توفير الموارد، توفر نقطة النهاية الخاصة بك ما يلي:

• URL فريد: نقطة نهاية HTTPS لطلبات API
• Scale-to-zero behavior: تنخفض نقاط النهاية الخاملة إلى الصفر (تشغيل عمليات النشر حاليًا مثيل نشط واحد)
• المراقبة: مقاييس الطلبات والسجلات

بعد النشر، يمكنك إدارة جميع نقاط النهاية الخاصة بك من قسم Deploy في الشريط الجانبي، الذي يعرض خريطة عالمية مع عمليات النشر النشطة، ومقاييس نظرة عامة، وقائمة بجميع نقاط النهاية.

اقرأ المزيد حول endpoints.

التدريب عن بعد (اختياري)#

إذا كنت تفضل التدريب على الأجهزة الخاصة بك، يمكنك استخدام مفتاح API الخاص بك للتدريب في أي مكان وبث المقاييس إلى Ultralytics Platform.

1. قم بإنشاء مفتاح API في Settings > API Keys
2. قم بتعيين متغير البيئة والتدريب باستخدام تنسيق project/name:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

اقرأ المزيد حول API keys، وdataset URIs، وremote training.

التعليقات والمساعدة#

تتضمن صفحة Help الموجودة في تذييل الشريط الجانبي نموذج تعليقات داخل التطبيق. يمكنك تقييم تجربتك، واختيار نوع التعليق (خطأ برمج، طلب ميزة، أو عام)، وإرفاق لقطات شاشة.

إذا كنت بحاجة إلى مزيد من المساعدة:

• AI Chat: انقر على أداة الدردشة العائمة في أي صفحة للحصول على مساعدة فورية
• Documentation: تصفح هذه المستندات للحصول على أدلة تفصيلية حول datasets، وannotation، وtraining، وdeployment، وbilling
• Discord: انضم إلى Discord community للمناقشات
• GitHub: أبلغ عن المشكلات على GitHub
• REST API: راجع API reference أو جرب interactive API docs للوصول البرمجي إلى جميع ميزات Platform