البدء السريع

قم بتثبيت حزمة ultralytics باستخدام pip، أو قم بتحديث التثبيت الحالي عن طريق تشغيل pip install -U ultralytics. قم بزيارة مؤشر Python Package Index (PyPI) للحصول على مزيد من التفاصيل حول حزمة ultralytics: https://pypi.org/project/ultralytics/.

# قم بتثبيت حزمة ultralytics من PyPI
pip install ultralytics

يمكنك أيضًا تثبيت حزمة ultralytics مباشرة من مستودع GitHub repository. قد يكون ذلك مفيدًا إذا كنت ترغب في الحصول على الإصدار التجريبي الأحدث. تأكد من تثبيت أداة الأوامر Git على نظامك. يُثبّت الأمر @main الفرع main ويمكن تعديله إلى فرع آخر، على سبيل المثال @my-branch، أو يمكن إزالته تمامًا للانتقال إلى الفرع الرئيسي main.

# قم بتثبيت حزمة ultralytics من GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Conda هو مدير حزم بديل لـ pip ويمكن استخدامه أيضًا للتثبيت. قم بزيارة Anaconda للحصول على مزيد من التفاصيل على https://anaconda.org/conda-forge/ultralytics. يمكن العثور على مستودع Ultralytics feedstock لتحديث حزمة conda على https://github.com/conda-forge/ultralytics-feedstock/.

# قم بتثبيت حزمة ultralytics باستخدام conda
conda install -c conda-forge ultralytics

# قم بتثبيت كافة الحزم معًا باستخدام conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

صورة Docker في Conda

تتوفر أيضًا صور Docker لـ Conda لـ Ultralytics من DockerHub. تستند هذه الصور إلى Miniconda3 وهي وسيلة بسيطة لبدء استخدام ultralytics في بيئة Conda.

# قم بتعيين اسم الصورة بوصفه متغير
t=ultralytics/ultralytics:latest-conda

# اسحب أحدث صورة ultralytics من Docker Hub
sudo docker pull $t

# قم بتشغيل صورة ultralytics في حاوية مع دعم GPU
sudo docker run -it --ipc=host --gpus all $t  # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  #  قد يتم تحديد GPUs

قم بنسخ مستودع ultralytics إذا كنت مهتمًا بالمساهمة في التطوير أو ترغب في تجربة الشفرة المصدرية الأحدث. بعد الاستنساخ، انتقل إلى الدليل وقم بتثبيت الحزمة في وضع التحرير -e باستخدام pip.

# قم بنسخ مستودع ultralytics
git clone https://github.com/ultralytics/ultralytics

# انتقل إلى الدليل المنسوخ
cd ultralytics

# قم بتثبيت الحزمة في وضع التحرير
pip install -e .

تمكنك من استخدام Docker بسهولة لتنفيذ حزمة ultralytics في حاوية معزولة، مما يضمن أداءً سلسًا ومتسقًا في مختلف البيئات. عن طريق اختيار إحدى صور Docker الأصلية لـ ultralytics من Docker Hub، لن تتجنب فقط تعقيد التثبيت المحلي ولكنك ستستفيد أيضًا من وصول إلى بيئة عمل متحققة وفعالة. يقدم Ultralytics 5 صور Docker مدعومة رئيسية، يتم تصميم كل منها لتوفير توافق عالي وكفاءة لمنصات وحالات استخدام مختلفة:

• Dockerfile: صورة GPU الموصى بها للتدريب.
• Dockerfile-arm64: محسّن لبنية ARM64، مما يتيح النشر على أجهزة مثل Raspberry Pi ومنصات أخرى تعتمد على ARM64.
• Dockerfile-cpu: إصدار مناسب للتحكم بوحدة المعالجة المركزية فقط بدون دعم لل GPU.
• Dockerfile-jetson: مصمم خصيصًا لأجهزة NVIDIA Jetson، ويدمج دعمًا لل GPU المحسن لهذه المنصات.
• Dockerfile-python: صورة صغيرة بها فقط Python والتبعيات الضرورية، مثالية للتطبيقات والتطوير الخفيف.
• Dockerfile-conda: قائمة على Miniconda3 مع تثبيت conda لحزمة ultralytics.

فيما يلي الأوامر للحصول على أحدث صورة وتشغيلها:

# قم بتعيين اسم الصورة بوصفه متغير
t=ultralytics/ultralytics:latest

# اسحب أحدث صورة ultralytics من Docker Hub
sudo docker pull $t

# قم بتشغيل صورة ultralytics في حاوية مع دعم GPU
sudo docker run -it --ipc=host --gpus all $t  # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  #  قد يتم تحديد GPUs

يقوم الأمر أعلاه بتهيئة حاوية Docker بأحدث صورة ultralytics. يُسند العلامة -it جهازًا افتراضيًا TTY ويحافظ على فتح stdin لتمكينك من التفاعل مع الحاوية. تعيين العلامة --ipc=host مساحة اسم IPC (Inter-Process Communication) إلى المضيف، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. تُمكّن العلامة --gpus all الوصول إلى كل وحدات المعالجة المركزية الرسومية المتاحة داخل الحاوية، مما هو أمر حاسم للمهام التي تتطلب حسابات GPU.

ملاحظة: للعمل مع الملفات على جهازك المحلي داخل الحاوية، استخدم مجلدات Docker لتوصيل دليل محلي بالحاوية:

# مجلد الدليل المحلي بالحاوية
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

قم بتغيير /path/on/host بمسار الدليل على جهازك المحلي، و /path/in/container باالمسار المطلوب داخل حاوية Docker للوصول إليه.

للاستفادة القصوى من استخدام Docker المتقدم، لا تتردد في استكشاف دليل Ultralytics Docker.

تستخدم أوامر Ultralytics yolo الصيغة التالية:

yolo TASK MODE ARGS

• TASK (اختياري) أحد التالي (detect, segment, classify, pose)
• MODE (مطلوب) واحد من (train, val, predict, export, track)
• ARGS (اختياري) أزواج "arg=value" مثل imgsz=640 التي تستبدل القيم الافتراضية.

راجع جميع ARGS هنا أو باستخدام الأمر yolo cfg في سطر الأوامر.

قم بتدريب نموذج اكتشاف لمدة 10 حلقات مع سعر تعلم بدءي 0.01

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

تنبؤ بفيديو YouTube باستخدام نموذج تجزئة معتمد مسبقًا عند حجم الصورة 320:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

التحقق من نموذج اكتشاف معتمد مسبقًا على دُفعَة واحدة وحجم صورة قدره 640:

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

قم بتصدير نموذج فئة YOLOv8n إلى تنسيق ONNX على حجم صورة 224 بواسطة 128 (لا يلزم TASK)

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

قم بتشغيل أوامر خاصة لعرض الإصدارة وعرض الإعدادات وتشغيل عمليات التحقق والمزيد:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

يُمكنك استخدام Python لعرض الإعدادات الخاصة بك. ابدأ بـاستيراد الكائن settings من وحدة ultralytics. استخدم الأوامر التالية لطباعة الإعدادات والعودة منها:

from ultralytics import settings

# عرض كل الإعدادات
print(settings)

# إرجاع إعداد محدد
value = settings['runs_dir']

بدلاً من ذلك، واجهة سطر الأوامر تسمح لك بالتحقق من الإعدادات الخاصة بك باستخدام أمر بسيط:

yolo settings

داخل بيئة Python، اطلب الطريقة update على الكائن settings لتغيير إعداداتك:

from ultralytics import settings

# تحديث إعداد واحد
settings.update({'runs_dir': '/path/to/runs'})

# تحديث إعدادات متعددة
settings.update({'runs_dir': '/path/to/runs', 'tensorboard': False})

# إعادة الإعدادات إلى القيم الافتراضية
settings.reset()

إذا كنت تفضل استخدام واجهة سطر الأوامر، يمكنك استخدام الأوامر التالية لتعديل إعداداتك:

# تحديث إعداد واحد
yolo settings runs_dir='/path/to/runs'

# تحديث إعدادات متعددة
yolo settings runs_dir='/path/to/runs' tensorboard=False

# إعادة الإعدادات إلى القيم الافتراضية
yolo settings reset