Link to this sectionتثبيت Ultralytics#
توفر Ultralytics مجموعة متنوعة من طرق التثبيت، بما في ذلك pip وconda وDocker. يمكنك تثبيت YOLO عبر حزمة ultralytics على pip لأحدث إصدار مستقر، أو عن طريق استنساخ مستودع Ultralytics على GitHub للحصول على أحدث إصدار. كما يُعد Docker خياراً لتشغيل الحزمة في حاوية معزولة، مما يغنيك عن التثبيت المحلي.
Watch: Ultralytics YOLO Quick Start Guide
قم بتثبيت أو تحديث حزمة ultralytics باستخدام pip عن طريق تشغيل pip install -U ultralytics. لمزيد من التفاصيل حول حزمة ultralytics، قم بزيارة فهرس حزم Python (PyPI).
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralyticsيمكنك أيضاً تثبيت ultralytics مباشرة من مستودع Ultralytics على GitHub. قد يكون هذا مفيداً إذا كنت ترغب في الحصول على أحدث إصدار تطويري. تأكد من تثبيت أداة سطر أوامر Git، ثم قم بتشغيل:
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@mainSee the ultralytics pyproject.toml file for a list of dependencies. Note that all examples above install all required dependencies.
Link to this sectionالتثبيت على خادم بدون واجهة رسومية (Headless)#
بالنسبة لبيئات الخوادم التي لا تحتوي على شاشة (مثل الأجهزة الافتراضية السحابية، حاويات Docker، خطوط أنابيب CI/CD)، استخدم حزمة ultralytics-opencv-headless. تتطابق هذه الحزمة مع حزمة ultralytics القياسية ولكنها تعتمد على opencv-python-headless بدلاً من opencv-python، مما يجنبك تبعيات واجهة المستخدم الرسومية غير الضرورية وأخطاء libGL المحتملة.
pip install ultralytics-opencv-headlessتوفر كلتا الحزمتين نفس الوظائف وAPI. البديل headless يستبعد ببساطة مكونات واجهة المستخدم الرسومية في OpenCV التي تتطلب مكتبات عرض.
Link to this sectionالتثبيت المتقدم#
بينما تغطي طرق التثبيت القياسية معظم حالات الاستخدام، قد تحتاج إلى إعداد أكثر تخصصاً للتطوير أو التكوينات المخصصة.
إذا كنت بحاجة إلى تعديلات مخصصة دائمة، يمكنك إنشاء Fork لمستودع Ultralytics، وإجراء تغييرات على pyproject.toml أو كود آخر، والتثبيت من نسختك الخاصة.
- قم بعمل Fork لـ مستودع Ultralytics على GitHub إلى حساب GitHub الخاص بك.
- قم باستنساخ نسختك محلياً:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - أنشئ فرعاً جديداً لتغييراتك:
git checkout -b my-custom-branch - قم بإجراء تعديلاتك على
pyproject.tomlأو ملفات أخرى حسب الحاجة. - قم بعمل Commit و Push لتغييراتك:
git add . git commit -m "My custom changes" git push origin my-custom-branch - قم بالتثبيت باستخدام pip مع صيغة
git+https، مشيراً إلى فرعك:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch
Link to this sectionاستخدام Ultralytics مع CLI#
تسمح واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics بأوامر بسيطة من سطر واحد دون الحاجة إلى بيئة Python. لا تتطلب CLI أي تخصيص أو كود Python؛ قم بتشغيل جميع المهام من الجهاز باستخدام الأمر yolo. لمزيد من المعلومات حول استخدام YOLO من سطر الأوامر، راجع دليل CLI.
تستخدم أوامر yolo الخاصة بـ Ultralytics بناء الجملة التالي:
yolo TASK MODE ARGSTASK(اختياري) هو أحد (detect, segment, semantic, classify, pose, obb)MODE(مطلوب) هو أحد (train, val, predict, export, track, benchmark)ARGS(اختياري) هي أزواجarg=valueمثلimgsz=640التي تتجاوز القيم الافتراضية.
اطلع على جميع ARGS في دليل التكوين الكامل أو باستخدام أمر yolo cfg عبر CLI.
يجب تمرير الوسائط كأزواج arg=value، مقسمة بعلامة يساوي = ومحددة بمسافات. لا تستخدم بادئات الوسائط -- أو فواصل , بين الوسائط.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (علامة=مفقودة)yolo predict model=yolo26n.pt, imgsz=640, conf=0.25❌ (لا تستخدم,)yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌ (لا تستخدم--)yolo solution model=yolo26n.pt imgsz=640 conf=0.25❌ (استخدمsolutionsوليسsolution)
Link to this sectionاستخدام Ultralytics مع Python#
توفر واجهة Python لـ Ultralytics YOLO تكاملاً سلساً في مشاريع Python، مما يجعل من السهل تحميل وتشغيل ومعالجة مخرجات النموذج. صُممت واجهة Python من أجل البساطة، مما يسمح للمستخدمين بتنفيذ كشف الكائنات، تقسيم المثيلات، التقسيم الدلالي، والتصنيف بسرعة. هذا يجعل واجهة Python الخاصة بـ YOLO أداة لا تقدر بثمن لدمج هذه الوظائف في مشاريع Python.
على سبيل المثال، يمكن للمستخدمين تحميل نموذج، وتدريبه، وتقييم أدائه، وتصديره إلى تنسيق ONNX ببضعة أسطر من الكود فقط. استكشف دليل Python لمعرفة المزيد حول استخدام YOLO داخل مشاريع Python الخاصة بك.
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")Link to this sectionإعدادات Ultralytics#
تتضمن مكتبة Ultralytics SettingsManager للتحكم الدقيق في التجارب، مما يسمح للمستخدمين بالوصول إلى الإعدادات وتعديلها بسهولة. يتم تخزين هذه الإعدادات في ملف JSON داخل دليل تكوين المستخدم الخاص بالبيئة، ويمكن عرضها أو تعديلها في بيئة Python أو عبر واجهة سطر الأوامر (CLI).
Link to this sectionفحص الإعدادات#
لعرض التكوين الحالي لإعداداتك:
استخدم Python لعرض إعداداتك عن طريق استيراد كائن settings من وحدة ultralytics. اطبع الإعدادات وأرجعها باستخدام هذه الأوامر:
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]Link to this sectionتعديل الإعدادات#
تسهل Ultralytics تعديل الإعدادات بالطرق التالية:
في Python، استخدم طريقة update على كائن settings:
from ultralytics import settings
# Update a setting
settings.update({"runs_dir": "/path/to/runs"})
# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})
# Reset settings to default values
settings.reset()Link to this sectionفهم الإعدادات#
يقدم الجدول أدناه نظرة عامة على الإعدادات القابلة للتعديل داخل Ultralytics، بما في ذلك قيم الأمثلة، وأنواع البيانات، والأوصاف.
| الاسم | قيمة المثال | نوع البيانات | الوصف |
|---|---|---|---|
settings_version | '0.0.6' | str | Ultralytics settings version (distinct from the Ultralytics pip version) |
datasets_dir | '/path/to/datasets' | str | الدليل الذي يتم تخزين مجموعات البيانات فيه |
weights_dir | '/path/to/weights' | str | الدليل الذي يتم تخزين أوزان النموذج فيه |
runs_dir | '/path/to/runs' | str | الدليل الذي يتم تخزين عمليات التجربة فيه |
uuid | 'a1b2c3d4' | str | معرف فريد للإعدادات الحالية |
sync | True | bool | Option to sync analytics and crashes to Ultralytics Platform |
api_key | '' | str | Ultralytics Platform API Key |
clearml | True | bool | Option to use ClearML logging |
comet | True | bool | Option to use Comet ML for experiment tracking and visualization |
dvc | True | bool | Option to use DVC for experiment tracking and version control |
hub | True | bool | Option to use Ultralytics Platform integration |
mlflow | True | bool | Option to use MLFlow for experiment tracking |
neptune | True | bool | Option to use Neptune for experiment tracking |
raytune | True | bool | Option to use Ray Tune for hyperparameter tuning |
tensorboard | False | bool | Option to use TensorBoard for visualization |
wandb | False | bool | Option to use Weights & Biases logging |
vscode_msg | True | bool | When a VS Code terminal is detected, enables a prompt to download the Ultralytics-Snippets extension. |
راجع هذه الإعدادات أثناء تقدمك في المشاريع أو التجارب لضمان التكوين الأمثل.
Link to this sectionالأسئلة الشائعة#
Link to this sectionكيف أقوم بتثبيت Ultralytics باستخدام pip؟#
قم بتثبيت Ultralytics باستخدام pip عبر:
pip install -U ultralyticsهذا يثبت أحدث إصدار مستقر من حزمة ultralytics من PyPI. لتثبيت إصدار التطوير مباشرة من GitHub:
pip install git+https://github.com/ultralytics/ultralytics.gitتأكد من تثبيت أداة سطر أوامر Git على نظامك.
Link to this sectionهل يمكنني تثبيت Ultralytics YOLO باستخدام conda؟#
نعم، قم بتثبيت Ultralytics YOLO باستخدام conda عبر:
conda install -c conda-forge ultralyticsهذه الطريقة بديل رائع لـ pip، حيث تضمن التوافق مع الحزم الأخرى. بالنسبة لبيئات CUDA، قم بتثبيت ultralytics و pytorch و pytorch-cuda معاً لحل التعارضات:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralyticsلمزيد من التعليمات، انظر دليل البدء السريع لـ Conda.
Link to this sectionما هي مزايا استخدام Docker لتشغيل Ultralytics YOLO؟#
يوفر Docker بيئة معزولة ومتسقة لـ Ultralytics YOLO، مما يضمن أداءً سلساً عبر الأنظمة ويتجنب تعقيدات التثبيت المحلي. تتوفر صور Docker الرسمية على Docker Hub، مع متغيرات لـ GPU و CPU و ARM64 و NVIDIA Jetson و Conda. لسحب وتشغيل أحدث صورة:
# 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 --runtime=nvidia --gpus all ultralytics/ultralytics:latestللحصول على تعليمات Docker مفصلة، انظر دليل البدء السريع لـ Docker.
Link to this sectionكيف يمكنني استنساخ مستودع Ultralytics للتطوير؟#
استنسخ مستودع Ultralytics وقم بإعداد بيئة تطوير عبر:
# 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 .هذا يسمح بالمساهمة في المشروع أو التجربة بأحدث كود مصدري. للحصول على تفاصيل، تفضل بزيارة مستودع Ultralytics على GitHub.
Link to this sectionلماذا يجب أن أستخدم واجهة Ultralytics YOLO CLI؟#
تعمل واجهة Ultralytics YOLO CLI على تبسيط تشغيل مهام كشف الكائنات دون الحاجة إلى كود Python، مما يتيح أوامر من سطر واحد للتدريب، والتحقق، والتنبؤ مباشرة من محطتك. الصيغة الأساسية هي:
yolo TASK MODE ARGSعلى سبيل المثال، لتدريب نموذج كشف:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01استكشف المزيد من الأوامر وأمثلة الاستخدام في دليل CLI الكامل.