تثبيت Ultralytics#
ثبّت حزمة ultralytics باستخدام pip أو conda أو Docker، أو من المصدر، ثم نفّذ أول عملية تنبؤ باستخدام نموذج YOLO26 مدرّب مسبقًا. تثبّت كل طريقة التبعيات المطلوبة المدرجة في pyproject.toml.
ثبّت حزمة ultralytics أو حدّثها في بيئة Python>=3.8 مع PyTorch>=1.8:
pip install -U ultralyticsللحصول على أحدث إصدار تطويري، ثبّت الحزمة مباشرةً من مستودع Ultralytics على GitHub:
pip install git+https://github.com/ultralytics/ultralytics.git@mainتختلف متطلبات PyTorch باختلاف نظام التشغيل وإصدار CUDA. لاستخدام إصدار محدد، ثبّت PyTorch أولًا باتباع تعليمات تثبيت PyTorch، ثم ثبّت ultralytics. بالنسبة إلى وحدات معالجة الرسومات AMD على Linux، ثبّت إصدار PyTorch المبني باستخدام ROCm كما هو موضح في دليل تكامل AMD.
استخدام Ultralytics عبر CLI#
نفّذ أول عملية تنبؤ من الطرفية باستخدام الأمر yolo:
yolo predict model=yolo26n.ptتُنزَّل أوزان yolo26n.pt المدرّبة مسبقًا تلقائيًا، ويشغّل النموذج على صورتين تجريبيتين مرفقتين، ويطبع الأمر مكان حفظ النتائج المشروحة، وهو runs/detect/predict عند التشغيل لأول مرة. وجّه source إلى صورتك أو مقطع الفيديو أو المجلد أو عنوان URL أو البث الخاص بك، أو إلى كاميرا ويب باستخدام source=0:
yolo predict model=yolo26n.pt source=0 show=Truepredict هو النمط، أي ما تريد فعله بالنموذج: train أو val أو predict أو export أو track أو benchmark. وتُستنتج المهمة (detect أو segment أو semantic أو depth أو classify أو pose أو obb) من ملف النموذج، لذا لا يحتاج تركيب yolo TASK MODE ARGS عادةً إلا إلى النمط وأزواج arg=value مثل imgsz=640. راجع دليل CLI للاطلاع على جميع الأنماط، وصفحة التهيئة للاطلاع على جميع الوسيطات.
استخدام Ultralytics مع Python#
عملية التنبؤ نفسها باستخدام Python:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # حمّل نموذج كشف YOLO26n مدرّبًا مسبقًا
results = model("https://ultralytics.com/images/bus.jpg", save=True) # نفّذ التنبؤ واحفظ الصورة المشروحةresults عبارة عن قائمة من كائنات النتائج، كائن واحد لكل صورة، وتتضمن مربعات أو أقنعة أو نقاطًا مفتاحية أو احتمالات الفئات بحسب المهمة. ويشرح دليل Python التدريب والتحقق والتصدير والتتبع باستخدام الفئة YOLO نفسها.
شاهد: دليل البدء السريع لـ Ultralytics YOLO
إعدادات Ultralytics#
تُحفَظ الإعدادات الدائمة، مثل مجلدات مجموعات البيانات والأوزان وعمليات التشغيل، ومفتاح API الخاص بـمنصة Ultralytics، وخيارات تفعيل مسجّلات التجارب، في ملف JSON يُدار باستخدام yolo settings. راجع صفحة الإعدادات لعرضها أو تغييرها أو إعادة تعيينها.
ما الخطوة التالية؟#
استكشف الأنماط التي يعمل بها YOLO وأحجام نماذج YOLO26، ثم درّب النموذج على بياناتك بعد تنسيقها باستخدام دليل مجموعات البيانات.
لإلقاء نظرة على ما هو قادم، استكشف YOLO27 (قريبًا). لم تتوفر نماذجه بعد؛ وتستخدم الأمثلة أعلاه عائلة YOLO26 المطروحة.
الأسئلة الشائعة#
ثبّت Ultralytics باستخدام pip عبر الأمر:
pip install -U ultralyticsيثبّت هذا أحدث إصدار مستقر من الحزمة
ultralyticsمن PyPI. لتثبيت إصدار التطوير مباشرةً من GitHub:pip install git+https://github.com/ultralytics/ultralytics.gitتأكّد من تثبيت أداة سطر الأوامر Git على نظامك.
نعم، أنشئ بيئة conda باستخدام Python وUltralytics YOLO في أمر واحد، ثم فعّلها:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-envتُعد هذه الطريقة بديلًا ممتازًا لـ pip، إذ تضمن التوافق مع الحزم الأخرى. في بيئات CUDA، أضف الحزمة الفوقية
pytorch-gpuإلى الأمر نفسه حتى يختار conda إصدار PyTorch مُمكّنًا لـ CUDA:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-envلمزيد من التعليمات، راجع دليل البدء السريع لـ Conda.
يوفّر Docker بيئة معزولة ومتسقة لتشغيل Ultralytics YOLO، ما يضمن أداءً سلسًا عبر الأنظمة ويجنبك تعقيدات التثبيت المحلي. تتوفر صور Docker الرسمية على Docker Hub، مع إصدارات لوحدات معالجة الرسومات ووحدات المعالجة المركزية وARM64 وNVIDIA Jetson وConda. لسحب أحدث صورة وتشغيلها:
# Pull the latest ultralytics image from Docker Hub sudo docker pull ultralytics/ultralytics:latest # Run the ultralytics image in a container with GPU support sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latestفي Linux، تتطلب طلبات أجهزة CDI استخدام Docker بإصدار 28.2.0 أو أحدث، وNVIDIA Container Toolkit بإصدار 1.18 أو أحدث. للحصول على تعليمات Docker مفصّلة، راجع دليل البدء السريع لـ Docker.
استنسخ مستودع Ultralytics وأعدّ بيئة التطوير باستخدام الأمر:
# Clone the ultralytics repository git clone https://github.com/ultralytics/ultralytics # Navigate to the cloned directory cd ultralytics # Install the package in editable mode for development pip install -e .يتيح ذلك المساهمة في المشروع أو تجربة أحدث الشيفرات المصدرية. للاطلاع على التفرعات وتثبيت فرع مخصص، راجع التثبيت لأغراض التطوير.
يُبسّط CLI الخاص بـ Ultralytics YOLO تنفيذ مهام اكتشاف الكائنات دون الحاجة إلى كتابة شيفرات Python، ويتيح استخدام أوامر من سطر واحد للتدريب والتحقق والتنبؤ مباشرةً من الطرفية. الصيغة الأساسية هي:
yolo TASK MODE ARGSعلى سبيل المثال، لتدريب نموذج كشف:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10استكشف مزيدًا من الأوامر وأمثلة الاستخدام في دليل CLI الكامل.