Link to this sectionاكتشاف الكائنات#

اكتشاف الكائنات هي مهمة تتضمن تحديد موقع وفئة الكائنات في صورة أو تدفق فيديو.

مخرجات كاشف الكائنات عبارة عن مجموعة من صناديق الإحاطة التي تحيط بالكائنات في الصورة، بالإضافة إلى تسميات الفئات ودرجات الثقة لكل صندوق. يعد اكتشاف الكائنات خياراً جيداً عندما تحتاج إلى تحديد كائنات ذات أهمية في مشهد ما، ولكنك لست بحاجة إلى معرفة الموقع الدقيق للكائن أو شكله بدقة.

Link to this sectionالنماذج#

يتم عرض نماذج الكشف المدربة مسبقاً من YOLO26 هنا. نماذج الكشف (Detect)، والتجزئة (Segment)، والتقدير (Pose) مدربة مسبقاً على مجموعة بيانات COCO، ونماذج Semantic مدربة مسبقاً على Cityscapes، ونماذج التصنيف (Classify) مدربة مسبقاً على مجموعة بيانات ImageNet.

يتم تنزيل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند الاستخدام الأول.

• قيم mAP^val مخصصة للنموذج الفردي والمقياس الفردي على مجموعة بيانات COCO val2017.
  يمكن إعادة إنتاجها بواسطة yolo val detect data=coco.yaml device=0
• تم حساب السرعة (Speed) كمتوسط عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
  يمكن إعادة إنتاجها بواسطة yolo val detect data=coco.yaml batch=1 device=0|cpu
• قيم Params و FLOPs هي للنموذج المدمج بعد model.fuse()، والذي يدمج طبقات Conv و BatchNorm، وبالنسبة لنماذج end2end، فإنه يزيل رأس الكشف الإضافي واحد-إلى-متعدد. تحتفظ نقاط الفحص المدربة مسبقاً ببنية التدريب الكاملة وقد تظهر أعداداً أعلى.

Link to this sectionالتدريب#

قم بتدريب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة الإعدادات.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

راجع تفاصيل وضع train الكاملة في صفحة التدريب. يمكن أيضاً تدريب نماذج الكشف على وحدات معالجة الرسومات (GPUs) السحابية من خلال منصة Ultralytics.

Link to this sectionتنسيق مجموعة البيانات#

يمكن العثور على تنسيق مجموعة بيانات الكشف YOLO بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية الخاصة بك من تنسيقات أخرى (مثل COCO وغيرها) إلى تنسيق YOLO، يرجى استخدام أداة JSON2YOLO بواسطة Ultralytics. يمكنك أيضاً تعليق وإدارة مجموعات بيانات الكشف مباشرة على منصة Ultralytics باستخدام أدوات وضع التسميات المدعومة بالذكاء الاصطناعي.

Link to this sectionالتحقق#

قم بالتحقق من دقة نموذج YOLO26n المدرب على مجموعة بيانات COCO8. لا حاجة لأي وسائط حيث يحتفظ model بـ data الخاصة بالتدريب والوسائط كسمات للنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Link to this sectionالتنبؤ#

استخدم نموذج YOLO26n المدرب لتشغيل التنبؤات على الصور.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

اطلع على تفاصيل وضع predict الكاملة في صفحة التنبؤ.

Link to this sectionمخرجات النتائج#

يعيد اكتشاف الكائنات كائن Results واحداً لكل صورة. حقل التنبؤ الأساسي هو result.boxes، الذي يحتوي على إحداثيات الصندوق، ومعرفات الفئات، ودرجات الثقة لكل كائن تم اكتشافه.

للحصول على حقول Results الخاصة بالمهمة عبر كل مهمة، راجع قسم نتائج التنبؤ حسب المهمة.

Link to this sectionالتصدير#

قم بتصدير نموذج YOLO26n إلى تنسيق مختلف مثل ONNX، CoreML، إلخ.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

تنسيقات تصدير YOLO26 المتاحة موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسيط format، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق مباشرة على النماذج المصدرة، أي yolo predict model=yolo26n.onnx. يتم عرض أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

راجع تفاصيل export الكاملة في صفحة التصدير (Export).

Link to this sectionالأسئلة الشائعة#

Link to this sectionهل يمكنني تدريب ونشر نماذج الكشف دون برمجة؟#

نعم. توفر منصة Ultralytics سير عمل يعتمد على المتصفح لتعليق مجموعات البيانات، وتدريب نماذج الكشف على وحدات معالجة الرسومات السحابية، ونشرها في نقاط نهاية الاستدلال. راجع التشغيل السريع للمنصة للبدء.

Link to this sectionكيف أقوم بتدريب نموذج YOLO26 على مجموعة بيانات مخصصة؟#

يتضمن تدريب نموذج YOLO26 على مجموعة بيانات مخصصة بضع خطوات:

1. تجهيز مجموعة البيانات: تأكد من أن مجموعة البيانات الخاصة بك بتنسيق YOLO. للحصول على إرشادات، راجع دليل مجموعة البيانات.
2. تحميل النموذج: استخدم مكتبة Ultralytics YOLO لتحميل نموذج مدرب مسبقاً أو إنشاء نموذج جديد من ملف YAML.
3. تدريب النموذج: قم بتنفيذ طريقة train في Python أو أمر yolo detect train في CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

للحصول على خيارات تكوين مفصلة، قم بزيارة صفحة الإعدادات.

Link to this sectionما هي النماذج المدربة مسبقاً المتاحة في YOLO26؟#

تقدم Ultralytics YOLO26 نماذج متنوعة مدربة مسبقاً لـ اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير الوضع. هذه النماذج مدربة مسبقاً على مجموعة بيانات COCO، أو Cityscapes للتجزئة الدلالية، أو ImageNet لمهام التصنيف. إليك بعض النماذج المتاحة:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

للحصول على قائمة مفصلة ومقاييس الأداء، راجع قسم النماذج.

Link to this sectionكيف يمكنني التحقق من دقة نموذج YOLO الذي قمت بتدريبه؟#

للتحقق من دقة نموذج YOLO26 الذي قمت بتدريبه، يمكنك استخدام طريقة .val() في Python أو أمر yolo detect val في CLI. سيوفر هذا مقاييس مثل mAP50-95، وmAP50، والمزيد.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

لمزيد من تفاصيل التحقق، قم بزيارة صفحة التحقق.

Link to this sectionما هي التنسيقات التي يمكنني تصدير نموذج YOLO26 إليها؟#

تسمح Ultralytics YOLO26 بتصدير النماذج إلى تنسيقات متنوعة مثل ONNX، وTensorRT، وCoreML، والمزيد لضمان التوافق عبر مختلف المنصات والأجهزة.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

تحقق من القائمة الكاملة للتنسيقات المدعومة والتعليمات على صفحة التصدير.

Link to this sectionلماذا يجب أن أستخدم Ultralytics YOLO26 لاكتشاف الكائنات؟#

تم تصميم Ultralytics YOLO26 لتقديم أداء متطور لـ اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير الوضع. إليك بعض المزايا الرئيسية:

1. نماذج مدربة مسبقاً: استفد من النماذج المدربة مسبقاً على مجموعات بيانات شائعة مثل COCO وImageNet لتسريع التطوير.
2. دقة عالية: تحقق درجات mAP رائعة، مما يضمن اكتشافاً موثوقاً للكائنات.
3. السرعة: محسنة لـ الاستدلال في الوقت الفعلي، مما يجعلها مثالية للتطبيقات التي تتطلب معالجة سريعة.
4. المرونة: قم بتصدير النماذج إلى تنسيقات متنوعة مثل ONNX وTensorRT للنشر عبر منصات متعددة.

استكشف مدونتنا لحالات الاستخدام وقصص النجاح التي تعرض YOLO26 في العمل.