التثبيت Ultralytics
يقدم Ultralytics مجموعة متنوعة من طرق التثبيت، بما في ذلك pip وconda وDocker. يمكنك تثبيت YOLO عبر ultralytics
للحصول على أحدث إصدار مستقر، أو عن طريق استنساخ حزمة Ultralytics مستودع GitHub لأحدث إصدار. Docker هو أيضًا خيار لتشغيل الحزمة في حاوية معزولة، مما يجنبك التثبيت المحلي.
شاهد: Ultralytics YOLO دليل البدء السريع
التثبيت
قم بتثبيت أو تحديث ultralytics
باستخدام الحزمة باستخدام النقطة عن طريق تشغيل pip install -U ultralytics
. لمزيد من التفاصيل حول ultralytics
حزمة، قم بزيارة فهرس حزمة Python (PyPI).
# Install the ultralytics package from PyPI
pip install ultralytics
يمكنك أيضًا تثبيت ultralytics
مباشرة من Ultralytics مستودع GitHub. يمكن أن يكون هذا مفيدًا إذا كنت تريد أحدث إصدار للتطوير. تأكد من تثبيت أداة سطر الأوامر Git، ثم قم بتشغيلها:
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main
يمكن استخدام Conda كمدير حزم بديل لـ pip. لمزيد من التفاصيل، قم بزيارة أناكوندا. يتوفر مستودع Ultralytics لتحديث حزمة كوندا على GitHub.
# Install the ultralytics package using conda
conda install -c conda-forge ultralytics
ملاحظة
إذا كنت تقوم بالتثبيت في بيئة CUDA فمن الأفضل أن تقوم بتثبيت ultralytics
, pytorch
و pytorch-cuda
في نفس الأمر. يسمح ذلك لمدير حزم كوندا بحل أي تعارضات. بدلاً من ذلك، قم بتثبيت pytorch-cuda
الأخير لتجاوز CPU pytorch
الحزمة إذا لزم الأمر.
# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
صورة كوندا دوكر كوندا
Ultralytics تتوفر صور Conda Docker Docker أيضًا من DockerHub. تستند هذه الصور على مينيكوندا 3 وتوفير طريقة مباشرة للبدء في استخدام ultralytics
في بيئة كوندا.
# Set image name as a variable
t=ultralytics/ultralytics:latest-conda
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs
استنساخ Ultralytics مستودع GitHub إذا كنت مهتمًا بالمساهمة في التطوير أو ترغب في تجربة أحدث شيفرة مصدرية. بعد الاستنساخ، انتقل إلى الدليل وقم بتثبيت الحزمة في الوضع القابل للتحرير -e
باستخدام النقطة.
# 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 .
استخدم Docker لتنفيذ ultralytics
في حاوية معزولة، مما يضمن أداءً متسقًا عبر بيئات مختلفة. من خلال اختيار إحدى ultralytics
صور من Docker Hubفإنك تتجنب تعقيدات التثبيت المحلي وتتمكن من الوصول إلى بيئة عمل تم التحقق منها. تقدم Ultralytics خمس صور Docker رئيسية مدعومة من Docker، كل منها مصمم لتحقيق التوافق والكفاءة العالية:
- Dockerfile: GPU صورة موصى بها للتدريب.
- Dockerfile-arm64: مُحسَّن لمعمارية ARM64، ومناسب للنشر على أجهزة مثل Raspberry Pi وغيرها من المنصات القائمة على ARM64.
- cpu: إصدار Dockerfile-cpu: إصدار CPU المستندة إلى Ubuntu، وهو مناسب للاستدلال والبيئات التي لا تحتوي على وحدات معالجة رسومات.
- Dockerfile-jetson: مصممة خصيصًا لأجهزة NVIDIA Jetson، مع دمج دعم GPU المحسّنة لهذه المنصات.
- Dockerfile-python: صورة بسيطة مع Python والتبعيات الضرورية فقط، مثالية للتطبيقات خفيفة الوزن والتطوير.
- Dockerfile-conda: استنادًا إلى Miniconda3 مع تثبيت كوندا لـ
ultralytics
الحزمة.
فيما يلي الأوامر للحصول على أحدث صورة وتنفيذها:
# Set image name as a variable
t=ultralytics/ultralytics:latest
# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t
# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs
يعمل الأمر أعلاه على تهيئة حاوية Docker بأحدث ultralytics
الصورة. الصورة -it
تعيّن العلامات علامة TTY زائفة وتبقي stdin مفتوحًا، مما يسمح بالتفاعل مع الحاوية. إن --ipc=host
تقوم العلامة بتعيين مساحة اسم IPC (الاتصال بين العمليات) للمضيف، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. إن --gpus all
يتيح العلم إمكانية الوصول إلى جميع وحدات معالجة الرسومات المتاحة داخل الحاوية، وهو أمر بالغ الأهمية للمهام التي تتطلب حوسبة GPU .
ملحوظة: للعمل مع الملفات الموجودة على جهازك المحلي داخل الحاوية، استخدم وحدات تخزين Docker لتحميل دليل محلي في الحاوية:
# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t
استبدل /path/on/host
بمسار الدليل على جهازك المحلي، و /path/in/container
بالمسار المطلوب داخل حاوية Docker.
لاستخدام Docker المتقدم، استكشف دليلUltralytics Docker Guide.
انظر ultralytics
بيبروجكت.تومل للحصول على قائمة بالتبعيات. لاحظ أن جميع الأمثلة أعلاه تقوم بتثبيت جميع التبعيات المطلوبة.
نصيحة
PyTorch تختلف متطلبات PyTorch حسب نظام التشغيل ومتطلبات CUDA لذا قم بتثبيت PyTorch أولاً باتباع التعليمات على PyTorch.
طرق التثبيت المخصصة
على الرغم من أن طرق التثبيت القياسية تغطي معظم حالات الاستخدام، إلا أنك قد تحتاج إلى إعداد أكثر تخصيصًا. قد يتضمن ذلك تثبيت إصدارات محددة من الحزم، أو حذف التبعيات الاختيارية، أو استبدال الحزم مثل استبدال opencv-python
مع واجهة المستخدم الرسومية opencv-python-headless
لبيئات الخوادم.
طرق مخصصة
يمكنك تثبيت ultralytics
حزمة الحزمة الأساسية بدون أي تبعيات باستخدام خاصية --no-deps
العلم. هذا يتطلب منك تثبيت جميع التبعيات الضرورية يدويًا بعد ذلك.
-
التثبيت
ultralytics
اللب:pip install ultralytics --no-deps
-
تثبيت التبعيات يدوياً: أنت بحاجة إلى تثبيت جميع الحزم المطلوبة المدرجة في
pyproject.toml
واستبدال الإصدارات أو تعديلها حسب الحاجة. بالنسبة لمثال OpenCV بدون رأس:# Install other core dependencies pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop # Install headless OpenCV instead of the default pip install opencv-python-headless
إدارة التبعية
توفر هذه الطريقة تحكمًا كاملاً ولكنها تتطلب إدارة دقيقة للتبعيات. تأكد من أن جميع الحزم المطلوبة مثبتة بإصدارات متوافقة من خلال الرجوع إلى ultralytics
pyproject.toml
الملف.
إذا كنت بحاجة إلى تعديلات مخصصة مستمرة (مثل استخدام opencv-python-headless
)، يمكنك إنشاء شوكة لمستودع Ultralytics وإجراء تغييرات على pyproject.toml
أو رمز آخر، وتثبيته من الشوكة الخاصة بك.
- انقل مستودعUltralytics GitHub إلى حساب GitHub الخاص بك.
- استنساخ شوكتك محلياً
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics
- إنشاء فرع جديد لتغييراتك
git checkout -b custom-opencv
- تعديل
pyproject.toml
: افتحpyproject.toml
في محرر نصي واستبدل السطر الذي يحتوي على"opencv-python>=4.6.0"
مع"opencv-python-headless>=4.6.0"
(اضبط الإصدار حسب الحاجة). - الالتزام والدفع تغييراتك
git add pyproject.toml git commit -m "Switch to opencv-python-headless" git push origin custom-opencv
- التثبيت باستخدام النقطة مع
git+https
بناء الجملة، مشيراً إلى فرعك:pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
تضمن هذه الطريقة استخدام مجموعة التبعية المخصصة الخاصة بك كلما قمت بالتثبيت من عنوان URL المحدد هذا. راجع الطريقة 4 لاستخدام هذا في requirements.txt
الملف.
على غرار طريقة "استنساخ Git Clone" القياسية للتطوير، يمكنك استنساخ المستودع محليًا، وتعديل ملفات التبعية قبل التثبيت، ثم التثبيت في الوضع القابل للتحرير.
- استنساخ مستودع Ultralytics :
git clone https://github.com/ultralytics/ultralytics cd ultralytics
- تعديل
pyproject.toml
: قم بتحرير الملف لإجراء التغييرات التي تريدها. على سبيل المثال، استخدمsed
(على لينكس/ماكوس) أو محرر نصوص لاستبدالopencv-python
معopencv-python-headless
. استخدامsed
(تحقق من السطر الدقيق فيpyproject.toml
أولاً):أو تحرير يدويًا# Example: Replace the line starting with "opencv-python..." # Adapt the pattern carefully based on the current file content sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
pyproject.toml
للتغيير"opencv-python>=...
إلى"opencv-python-headless>=..."
. - التثبيت الحزمة في الوضع القابل للتحرير (
-e
). سيستخدم بيب الآنpyproject.toml
لحل التبعيات وتثبيتها:pip install -e .
هذا النهج مفيد لاختبار التغييرات المحلية على التبعيات أو تكوينات الإنشاء قبل الالتزام بها أو لإعداد بيئات تطوير محددة.
إذا كنت تدير تبعيات مشروعك باستخدام requirements.txt
يمكنك تحديد شوكة Ultralytics المخصصة الخاصة بك مباشرةً داخله. وهذا يضمن أن يحصل أي شخص يقوم بإعداد المشروع على الإصدار الخاص بك مع تبعياته المعدلة (مثل opencv-python-headless
).
- إنشاء أو تحرير
requirements.txt
: أضف سطرًا يشير إلى الشوكة المخصصة والفرع المخصص (كما تم إعداده في الطريقة 2).المتطلبات.txtملاحظة: لا تحتاج إلى سرد التبعيات المطلوبة بالفعل من قبل المخصص الخاص بك# Core dependencies numpy matplotlib pandas pyyaml Pillow psutil requests>=2.23.0 tqdm torch>=1.8.0 # Or specific version/variant torchvision>=0.9.0 # Or specific version/variant # Install ultralytics from a specific git commit or branch # Replace YOUR_USERNAME and custom-branch with your details git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch # Other project dependencies flask # ... etc
ultralytics
شوكة (مثلopencv-python-headless
) هنا، حيث ستقوم pip بتثبيتها بناءً على شوكةpyproject.toml
. - التثبيت التبعيات من الملف:
pip install -r requirements.txt
تتكامل هذه الطريقة بسلاسة مع تدفقات عمل إدارة تبعية مشروع Python القياسية مع السماح لك بتثبيت ultralytics
إلى مصدر Git المخصص الخاص بك.
استخدم Ultralytics مع CLI
تتيح واجهة سطر أوامر Ultralytics CLI) أوامر بسيطة من سطر واحد دون الحاجة إلى بيئة Python . لا تتطلب CLI ) أي تخصيص أو كود Python قم بتشغيل جميع المهام من المحطة الطرفية باستخدام yolo
الأمر. لمعرفة المزيد حول استخدام YOLO من سطر الأوامر، راجع أمر CLI الدليل.
مثال على ذلك
Ultralytics yolo
تستخدم الأوامر الصيغة التالية:
yolo TASK MODE ARGS
TASK
(اختياري) هو واحد من (الكشف عن, الجزء, التصنيف, تشكل, أوبب) - MODE
(مطلوب) هو واحد من (القطار, فال, توقع, التصدير, المسار, المعيار) - ARGS
(اختياري) هي arg=value
أزواج مثل imgsz=640
التي تتجاوز الإعدادات الافتراضية.
شاهد الكل ARGS
في كامل دليل التكوين أو مع yolo cfg
CLI الأمر.
تدريب نموذج اكتشاف ل 10 حلقات بمعدل تعلم أولي 0.01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
توقّع مقطع فيديو YouTube باستخدام نموذج تجزئة مُدرّب مسبقًا بحجم صورة 320:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
تحقق من صحة نموذج اكتشاف تم تدريبه مسبقًا بحجم دفعة 1 وحجم صورة 640:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
قم بتصدير نموذج تصنيف YOLOv11n إلى تنسيق ONNX بحجم صورة 224x128 (لا يتطلب الأمر TASK):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
عد الكائنات في فيديو أو بث مباشر باستخدام YOLO11:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
راقب تمارين مراقبة التمارين الرياضية باستخدام نموذج وضعيات YOLO11 :
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side
استخدم YOLO11 لعد الكائنات في قائمة انتظار أو منطقة معينة:
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
قم بإجراء اكتشاف الكائن أو تجزئة المثيل أو تقدير الوضع في متصفح الويب باستخدام Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package
قم بتشغيل أوامر خاصة لمعرفة الإصدار، وعرض الإعدادات، وتشغيل الفحوصات، والمزيد:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help
تحذير
يجب تمرير الحجج على شكل arg=value
أزواج، مقسومة بمساواة =
علامة ومحددة بمسافات. لا تستخدم --
بادئات الوسيطة أو الفواصل ,
بين الحجج.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
❌ (مفقود=
)yolo predict model=yolo11n.pt, imgsz=640, conf=0.25
❌ (لا تستخدم,
)yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌ (لا تستخدم--
)yolo solution model=yolo11n.pt imgsz=640 conf=0.25
❌ (استخدمsolutions
، لاsolution
)
استخدم Ultralytics مع Python
توفر واجهة Ultralytics YOLO Python تكاملاً سلسًا في مشاريع Python مما يسهل تحميل وتشغيل ومعالجة مخرجات النموذج. تتيح واجهة Python المصممة للتبسيط للمستخدمين تنفيذ اكتشاف الكائنات وتجزئتها وتصنيفها 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 من التعليمات البرمجية. استكشف دليلPython لمعرفة المزيد حول استخدام YOLO في مشاريع Python الخاصة بك.
مثال على ذلك
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.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")
Ultralytics الإعدادات
تشتمل مكتبة Ultralytics على SettingsManager
للتحكم الدقيق في التجارب، مما يسمح للمستخدمين بالوصول إلى الإعدادات وتعديلها بسهولة. تُخزَّن هذه الإعدادات في ملف JSON داخل دليل تكوين المستخدم الخاص بالبيئة، ويمكن عرض هذه الإعدادات أو تعديلها في بيئة Python أو عبر واجهة سطر الأوامرCLI.
فحص الإعدادات
لعرض التكوين الحالي لإعداداتك:
عرض الإعدادات
استخدم Python لعرض الإعدادات الخاصة بك عن طريق استيراد settings
من الكائن من ultralytics
الوحدة النمطية. طباعة وإرجاع الإعدادات باستخدام هذه الأوامر:
from ultralytics import settings
# View all settings
print(settings)
# Return a specific setting
value = settings["runs_dir"]
تتيح لك واجهة سطر الأوامر التحقق من إعداداتك باستخدام:
yolo settings
تعديل الإعدادات
تسهّل Ultralytics تعديل الإعدادات بالطرق التالية:
تحديث الإعدادات
في Python استخدم update
على طريقة settings
الكائن:
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()
لتعديل الإعدادات باستخدام واجهة سطر الأوامر:
# Update a setting
yolo settings runs_dir='/path/to/runs'
# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False
# Reset settings to default values
yolo settings reset
فهم الإعدادات
يعرض الجدول أدناه نظرة عامة على الإعدادات القابلة للتعديل داخل Ultralytics بما في ذلك أمثلة على القيم وأنواع البيانات والأوصاف.
الاسم | مثال على القيمة | نوع البيانات | الوصف |
---|---|---|---|
settings_version |
'0.0.4' |
str |
إصدارإعدادات Ultralytics (يختلف عن إصدارنقطة Ultralytics ) |
datasets_dir |
'/path/to/datasets' |
str |
الدليل حيث يتم تخزين مجموعات البيانات |
weights_dir |
'/path/to/weights' |
str |
الدليل حيث يتم تخزين أوزان النماذج |
runs_dir |
'/path/to/runs' |
str |
الدليل حيث يتم تخزين عمليات تشغيل التجارب |
uuid |
'a1b2c3d4' |
str |
المعرف الفريد للإعدادات الحالية |
sync |
True |
bool |
خيار مزامنة التحليلات والأعطال مع Ultralytics HUB |
api_key |
'' |
str |
مفتاح واجهة برمجة التطبيقات Ultralytics HUB |
clearml |
True |
bool |
خيار استخدام ClearML التسجيل |
comet |
True |
bool |
خيار استخدام Comet ML لتتبع التجارب وتصورها |
dvc |
True |
bool |
خيار استخدام DVC لتتبع التجارب والتحكم في الإصدار |
hub |
True |
bool |
خيار استخدام تكامل Ultralytics HUB |
mlflow |
True |
bool |
خيار استخدام MLFlow لتتبع التجارب |
neptune |
True |
bool |
خيار الاستخدام Neptune لتتبع التجارب |
raytune |
True |
bool |
خيار استخدام Ray Tune لضبط البارامتر الفائق |
tensorboard |
True |
bool |
خيار استخدام لوحة تينسور بورد للتصور |
wandb |
True |
bool |
خيار الاستخدام Weights & Biases التسجيل |
vscode_msg |
True |
bool |
عندما يتم اكتشاف محطة VS Code الطرفية لـ VS Code، يتم تمكين مطالبة بتنزيل ملحق Ultralytics. |
قم بإعادة النظر في هذه الإعدادات أثناء تقدمك في المشاريع أو التجارب لضمان التكوين الأمثل.
الأسئلة الشائعة
كيف يمكنني تثبيت Ultralytics باستخدام pip؟
قم بتثبيت Ultralytics باستخدام النقطة باستخدام:
pip install ultralytics
يؤدي هذا إلى تثبيت أحدث إصدار مستقر من ultralytics
حزمة من PyPI. لتثبيت إصدار التطوير مباشرة من GitHub:
pip install git+https://github.com/ultralytics/ultralytics.git
تأكد من تثبيت أداة سطر الأوامر Git على نظامك.
هل يمكنني تثبيت Ultralytics YOLO باستخدام كوندا؟
نعم، قم بتثبيت Ultralytics YOLO باستخدام كوندا مع:
conda install -c conda-forge ultralytics
تُعد هذه الطريقة بديلاً رائعًا لـ pip، مما يضمن التوافق مع الحزم الأخرى. بالنسبة لبيئات CUDA قم بتثبيت ultralytics
, pytorch
و pytorch-cuda
معًا لحل النزاعات:
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
لمزيد من الإرشادات، راجع دليل البدء السريع Conda.
ما هي مزايا استخدام Docker لتشغيل Ultralytics YOLO ؟
يوفر Docker بيئة معزولة ومتسقة لـ Ultralytics YOLO مما يضمن أداءً سلسًا عبر الأنظمة وتجنب تعقيدات التثبيت المحلي. تتوافر صور Docker الرسمية على Docker Hub، مع متغيرات GPU CPU و ARM64، و NVIDIA Jetson، و Conda. 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 --gpus all ultralytics/ultralytics:latest
للحصول على تعليمات Docker المفصلة، راجع دليل البدء السريع لـ Docker.
كيف يمكنني استنساخ مستودع Ultralytics للتطوير؟
استنساخ مستودع Ultralytics وإعداد بيئة تطوير باستخدام:
# 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 .
وهذا يسمح بالمساهمات في المشروع أو تجربة أحدث شفرة مصدرية. للحصول على التفاصيل، يرجى زيارة مستودع GitHub الخاص بـ Ultralytics .
لماذا يجب أن أستخدم Ultralytics YOLO CLI ؟
تعملCLI Ultralytics YOLO CLI على تبسيط تشغيل مهام الكشف عن الكائنات بدون كود Python مما يتيح أوامر من سطر واحد للتدريب والتحقق والتنبؤ مباشرةً من جهازك الطرفي. الصيغة الأساسية هي:
yolo TASK MODE ARGS
على سبيل المثال، لتدريب نموذج الكشف:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
استكشف المزيد من الأوامر وأمثلة الاستخدام في دليلCLI الكامل.