تثبيت Ultralytics
توفر Ultralytics مجموعة متنوعة من طرق التثبيت، بما في ذلك pip و conda و Docker. يمكنك تثبيت YOLO عبر حزمة ultralytics على pip للحصول على أحدث إصدار مستقر، أو عن طريق استنساخ مستودع Ultralytics على GitHub للحصول على أحدث نسخة. يعد Docker أيضاً خياراً لتشغيل الحزمة في حاوية معزولة، مما يتجنب 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 نسخة تطويرية. تأكد من تثبيت أداة Git بسطر الأوامر، 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.
تثبيت الخادم بدون شاشة (Headless Server)
بالنسبة لبيئات الخوادم التي لا تحتوي على شاشة (مثل الأجهزة الافتراضية السحابية، حاويات Docker، خطوط أنابيب CI/CD)، استخدم حزمة ultralytics-opencv-headless. هذه مطابقة لحزمة ultralytics القياسية ولكنها تعتمد على opencv-python-headless بدلاً من opencv-python، مما يتجنب تبعيات واجهة المستخدم الرسومية غير الضرورية وأخطاء libGL المحتملة.
pip install ultralytics-opencv-headlessتوفر كلتا الحزمتين نفس الوظائف و API. الإصدار المخصص للتشغيل بدون شاشة يستبعد ببساطة مكونات واجهة المستخدم الرسومية لـ OpenCV التي تتطلب مكتبات العرض.
التثبيت المتقدم
على الرغم من أن طرق التثبيت القياسية تغطي معظم حالات الاستخدام، فقد تحتاج إلى إعداد أكثر تخصيصاً للتطوير أو التكوينات الخاصة.
إذا كنت بحاجة إلى تعديلات مخصصة مستمرة، يمكنك عمل فرع (fork) لمستودع Ultralytics، وإجراء تغييرات على pyproject.toml أو أي كود آخر، والتثبيت من فرعك.
- قم بعمل فرع (Fork) لـ مستودع Ultralytics على GitHub إلى حسابك الخاص على GitHub.
- استنسخ فرعك 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
استخدام Ultralytics مع CLI
تسمح واجهة سطر أوامر Ultralytics (CLI) بأوامر بسيطة من سطر واحد دون الحاجة إلى بيئة Python. لا تتطلب CLI أي تخصيص أو كود Python؛ قم بتشغيل جميع المهام من الطرفية (terminal) باستخدام أمر yolo. لمزيد من المعلومات حول استخدام YOLO من سطر الأوامر، راجع دليل CLI.
تستخدم أوامر yolo في Ultralytics الصيغة التالية:
yolo TASK MODE ARGSTASK(اختياري) هو أحد (detect, segment, classify, pose, obb)MODE(مطلوب) هو أحد (train, val, predict, export, track, benchmark)ARGS(اختيارية) هي أزواجarg=valueمثلimgsz=640التي تتجاوز القيم الافتراضية.
شاهد جميع ARGS في دليل التكوين الكامل أو باستخدام أمر yolo cfg في CLI.
يجب تمرير الوسيطات كأزواج arg=value، مقسمة بعلامة يساوي = ومفصولة بمسافات. لا تستخدم بادئات -- للوسيطات أو فواصل , بين الوسيطات.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (فقدان=)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)
استخدام Ultralytics مع Python
توفر واجهة YOLO Python من Ultralytics تكاملاً سلساً في مشاريع Python، مما يسهل تحميل وتشغيل ومعالجة مخرجات النموذج. صُممت واجهة Python للبساطة، مما يسمح للمستخدمين بتنفيذ كشف الكائنات، والتجزئة، والتصنيف بسرعة. وهذا يجعل واجهة YOLO Python 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 فقط من الكود. 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")إعدادات Ultralytics
تتضمن مكتبة Ultralytics أداة 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).
فحص 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"]تعديل 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()فهم الإعدادات
يقدم الجدول أدناه نظرة عامة على الإعدادات القابلة للتعديل داخل Ultralytics، بما في ذلك قيم الأمثلة، وأنواع البيانات، والأوصاف.
| الاسم | قيمة مثال | نوع البيانات | الوصف |
|---|---|---|---|
settings_version | '0.0.4' | str | Ultralytics settings version (distinct from the Ultralytics pip version) |
datasets_dir | '/path/to/datasets' | str | الدليل حيث يتم تخزين مجموعات البيانات |
weights_dir | '/path/to/weights' | str | الدليل حيث يتم تخزين أوزان النموذج |
runs_dir | '/path/to/runs' | str | الدليل حيث يتم تخزين عمليات التجربة |
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 | True | bool | Option to use TensorBoard for visualization |
wandb | True | 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.
الأسئلة الشائعة
كيف يمكنني تثبيت Ultralytics باستخدام pip؟
ثبّت Ultralytics باستخدام pip عبر:
pip install -U ultralyticsيؤدي هذا إلى تثبيت 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.
هل يمكنني تثبيت Ultralytics YOLO باستخدام conda؟
نعم، ثبّت Ultralytics YOLO باستخدام conda عبر:
conda install -c conda-forge ultralyticsتعد هذه الطريقة بديلاً رائعاً لـ pip، مما يضمن التوافق مع الحزم الأخرى. بالنسبة لبيئات CUDA، ثبّت 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، راجع دليل البدء السريع لـ Conda.
ما 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، راجع دليل البدء السريع لـ Docker.
كيف يمكنني استنساخ مستودع Ultralytics للتطوير؟
استنسخ مستودع Ultralytics وأنشئ 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 .يسمح هذا بالمساهمة في المشروع أو التجربة بأحدث كود مصدري. لمزيد من التفاصيل، تفضل بزيارة مستودع Ultralytics على GitHub.
لماذا يجب أن أستخدم CLI الخاص بـ Ultralytics YOLO؟
يبسط CLI الخاص بـ Ultralytics YOLO تشغيل مهام كشف الكائنات دون الحاجة إلى كود Python، مما يتيح أوامر من سطر واحد للتدريب والتحقق والتنبؤ مباشرة من محطتك الطرفية. 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.