النماذج (Models)#

توفر Ultralytics Platform إدارة شاملة للنماذج لتدريب وتحليلات ون نشر نماذج YOLO. قم بتحميل النماذج المدربة مسبقاً أو تدريب نماذج جديدة مباشرة على المنصة.

تحميل نموذج#

تحميل أوزان النماذج الموجودة إلى المنصة:

1. انتقل إلى مشروعك
2. اسحب وأفلت ملفات .pt في صفحة المشروع أو الشريط الجانبي للنماذج، أو انقر على أيقونة تحميل النماذج
3. يتم تحليل البيانات الوصفية للنموذج تلقائيًا من الملف

يمكن تحميل ملفات متعددة في وقت واحد (بحد أقصى 3 ملفات في آن واحد).

صيغ النماذج المدعومة:

بعد التحميل، تقوم المنصة بتحليل البيانات الوصفية للنموذج:

• نوع المهمة (detect، segment، semantic، depth، classify، pose، OBB)
• البنية (YOLO26n، YOLO26s، إلخ.)
• أسماء الفئات وعددها
• حجم المدخلات والمعاملات
• نتائج التدريب والمقاييس (إذا كانت موجودة في نقطة التحقق)

تدريب نموذج#

تدريب نموذج جديد مباشرة على المنصة:

1. انتقل إلى مشروعك
2. انقر على نموذج جديد
3. اختر النموذج الأساسي ومجموعة البيانات
4. تكوين معلمات التدريب
5. اختر التدريب السحابي أو المحلي
6. بدء التدريب

راجع قسم تدريب السحابة للحصول على تعليمات مفصلة.

دورة حياة النموذج#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

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

علامات تبويب صفحة النموذج#

تحتوي كل صفحة نموذج على علامات التبويب التالية:

علامة تبويب نظرة عامة#

تعرض البيانات الوصفية للنموذج والمقاييس الرئيسية:

• اسم النموذج (قابل للتعديل)، شارة الحالة، نوع المهمة
• المقاييس النهائية (mAP50، mAP50-95، الدقة، الاستدعاء)
• مخططات المقاييس المصغرة التي توضح تقدم التدريب
• وسائط التدريب (عدد الحقب (epochs)، حجم الدفعة (batch size)، حجم الصورة، إلخ.)
• رابط مجموعة البيانات (عند التدريب باستخدام مجموعة بيانات من المنصة)
• زر تنزيل لأوزان النموذج

علامة تبويب تدريب#

تحتوي علامة تبويب التدريب على ثلاث علامات تبويب فرعية:

علامة تبويب فرعية للمخططات#

مخططات مقاييس التدريب التفاعلية التي تعرض منحنيات الخسارة ومقاييس الأداء عبر الحقب:

علامة تبويب فرعية لوحدة التحكم#

مخرجات وحدة التحكم المباشرة من عملية التدريب:

• بث السجلات في الوقت الفعلي أثناء التدريب
• أشرطة تقدم الحقب ونتائج التحقق
• الكشف عن الأخطاء مع لافتات خطأ مميزة
• دعم ألوان ANSI للمخرجات المنسقة

علامة تبويب فرعية للنظام#

مقاييس GPU والنظام أثناء التدريب:

علامة تبويب التنبؤ#

تشغيل استدلال تفاعلي مباشرة في المتصفح:

• تحميل صورة، استخدام صور نموذجية، أو استخدام كاميرا الويب
• عرض النتائج مع مربعات الإحاطة، الأقنعة، خرائط الفئات الدلالية، أو النقاط الرئيسية
• استدلال تلقائي عند تقديم صورة
• تدعم جميع أنواع المهام (detect، segment، semantic، depth، classify، pose، OBB)

علامة تبويب التصدير#

قم بتصدير نموذجك إلى 20 صيغة نشر. راجع قسم تصدير النموذج أدناه ودليل وضع التصدير الأساسي للحصول على التفاصيل الكاملة.

علامة تبويب النشر#

أنشئ وأدر نقاط نهاية استدلال مخصصة. راجع قسم النتائج والنقاط للحصول على التفاصيل.

مخططات التحقق#

بعد اكتمال التدريب، عرض تحليل التحقق المفصل:

مصفوفة الارتباك#

خريطة حرارية تفاعلية تعرض دقة التنبؤ لكل فئة:

منحنيات PR/F1#

عندما توفرها عملية التدريب، تعرض التبويب الفرعي التحقق (Validation) أيضاً منحنيات الأداء عند عتبات ثقة مختلفة. تعتمد مخططات التحقق المتاحة على العناصر الناتجة عن التشغيل.

تصدير النموذج#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

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

قم بتصدير نموذجك إلى 20 تنسيق نشر:

1. انتقل إلى علامة التبويب تصدير (Export)
2. اختر الصيغة المستهدفة
3. قم بتهيئة وسائط التصدير (حجم الصورة، نصف الدقة، ديناميكي، إلخ)
4. بالنسبة للصيغ التي تتطلب GPU (مثل TensorRT)، اختر نوع GPU
5. انقر على بدء التصدير
6. قم بالتنزيل عند الاكتمال

قم بتوصيل تنبيهات Slack لتلقي رسالة عندما يكون التصدير جاهزاً أو يفشل.

التنسيقات المدعومة#

تدعم المنصة التصدير إلى 20 صيغة نشر: ONNX و TorchScript و OpenVINO و TensorRT و CoreML و TF SavedModel و TF GraphDef و LiteRT و TF Edge TPU و PaddlePaddle و NCNN و MNN و RKNN و Qualcomm (QNN) و IMX500 و Axelera و ExecuTorch و DeepX و Hailo و Huawei Ascend.

دليل اختيار الصيغة#

أهداف NVIDIA Jetson TensorRT#

توفر Ultralytics Platform خيارات استهداف Jetson التالية لتصديرات TensorRT لـ .engine. اعتباراً من يوليو 2026، تستخدم عمال التصدير لـ Jetson إصدار JetPack 7.2 / L4T r39.2، و Python 3.12.3، و NVIDIA PyTorch 2.12.0a0 (إصدار 26.04)، و CUDA 13.2، و TensorRT 10.16.1.11 داخل حاوية التصدير.

التوقيتات المذكورة هي اختبارات توجيه إنتاج شاملة وملاحظة بشكل فردي من يوليو 2026، مقربة لأقرب ثانية؛ وهي قياسات مرجعية، وليست SLA أو معيار أداء لكل وحدة حفظ مخزون (SKU). تم بناء كلا خياري Thor على مجموعة تطوير T5000 في ملف تعريف التوافق T4000 الخاص بـ NVIDIA. تم بناء مسارات Orin الستة على AGX Orin سعة 64 جيجابايت، حيث تم تحميل وتشغيل كل محرك ناتج.

دعم رقاقة RKNN#

عند التصدير إلى صيغة RKNN، اختر جهاز Rockchip المستهدف الخاص بك:

دورة حياة وظيفة التصدير#

تمر وظائف التصدير بالحالات التالية:

إجراءات التصدير المجمعة#

• تصدير الكل: انقر على Export All لبدء مهام التصدير لجميع الصيغ القائمة على وحدة المعالجة المركزية (CPU) باستخدام الإعدادات الافتراضية.
• حذف كل الصادرات: انقر على Delete All لإزالة جميع الصادرات الخاصة بالنموذج.

قيود الصيغ#

بعض صيغ التصدير لها قيود على البنية أو المهام:

استنساخ نموذج#

استنساخ نموذج إلى مشروع مختلف:

1. افتح صفحة النموذج
2. انقر على استنساخ النموذج
3. اختر المشروع الوجهة
4. انقر على استنساخ النموذج

يتم نسخ النموذج وأوزانه إلى المشروع المستهدف.

تنزيل نموذج#

تنزيل أوزان نموذجك:

1. انتقل إلى علامة تبويب نظرة عامة (Overview) الخاصة بالنموذج
2. انقر على زر تنزيل (Download)
3. يتم تنزيل نقطة التحقق الأساسية .pt للنموذج تلقائياً

يمكن تنزيل الصيغ المصدرة من علامة تبويب تصدير (Export) بعد اكتمال عملية التصدير.

ربط مجموعة البيانات#

يمكن ربط النماذج بمجموعة بياناتها الأصلية:

• عرض مجموعة البيانات التي استخدمت للتدريب
• انقر على بطاقة مجموعة البيانات في علامة تبويب النظرة العامة للانتقال إليها
• تتبع أصل البيانات

عند التدريب باستخدام مجموعات بيانات المنصة باستخدام تنسيق معرف URI ul://، يكون الربط تلقائياً.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

البيانات الوصفية المخصصة#

افتح المزيد من الإجراءات وحدد معلومات لمراجعة قسمين:

• بيانات وصفية لـ Ultralytics: تفاصيل المنصة للقراءة فقط مثل معرف النموذج، المشروع، مجموعة البيانات المصدر، المهمة، الحالة، والطوابع الزمنية
• بيانات وصفية مخصصة: كائن JSON الخاص بك لسياق التقييم، وتتبع الإصدارات، والحوكمة، أو البيانات الأخرى الخاصة بالنموذج

البيانات الوصفية المخصصة منفصلة عن معلومات النموذج المملوكة للتدريب، وتفاصيل البيئة، ومعاملات التدريب. يمكن لمشاهدي مساحة العمل فحصها، بينما يمكن للأعضاء الذين لديهم صلاحية التحرير استبدال الكائن. يقتصر كائن البيانات الوصفية المتسلسل على 500,000 حرف، ويقتصر كل مفتاح رئيسي على 128 حرفاً. احفظ كائناً فارغاً ({}) لمسح البيانات الوصفية المخصصة.

إعدادات الرؤية#

تحكم في من يمكنه رؤية نموذجك:

لتغيير الرؤية، انقر على شارة الرؤية (مثل private أو public) في ترويسة الصفحة. يتم تعيين الرؤية على مستوى المشروع، لذا يتحكم هذا في جميع النماذج الموجودة في المشروع. يسري التبديل إلى الخاص على الفور. يعرض التبديل إلى العام مربع حوار تأكيد قبل التطبيق.

حذف نموذج#

إزالة نموذج لم تعد بحاجة إليه:

1. انقر على أيقونة سلة المهملات حذف النموذج في ترويسة النموذج
2. تأكيد الحذف

شاهد أيضًا#

• الاستدلال: اختبر النماذج في المتصفح باستخدام علامة التبويب Predict
• نقاط النهاية: انشر النماذج للإنتاج باستخدام نقاط نهاية مخصصة
• تدريب السحابة: تكوين وتشغيل مهام التدريب على وحدات معالجة الرسومات السحابية
• صيغ التصدير: دليل شامل لجميع صيغ التصدير الـ 20

الأسئلة الشائعة#