Link to this sectionاكتشاف الكائنات#

اكتشاف الكائنات هو مهمة تتضمن تحديد موقع وفئة الكائنات في صورة أو بث فيديو.

مخرج كاشف الكائنات هو عبارة عن مجموعة من مربعات الإحاطة التي تحيط بالكائنات في الصورة، بالإضافة إلى تصنيفات الفئات ودرجات الثقة لكل مربع. يعد اكتشاف الكائنات خياراً جيداً عندما تحتاج إلى تحديد كائنات ذات أهمية في مشهد ما، ولكنك لا تحتاج إلى معرفة مكان الكائن بدقة أو شكله المحدد.

Link to this sectionنماذج#

نماذج YOLO26 Detect المدربة مسبقاً معروضة هنا. نماذج Detect و Segment و Pose مدربة مسبقاً على مجموعة بيانات COCO، ونماذج Semantic مدربة مسبقاً على Cityscapes، ونماذج Classify مدربة مسبقاً على مجموعة بيانات ImageNet.

النماذج يتم تنزيلها تلقائياً من أحدث إصدار لـ Ultralytics عند الاستخدام الأول.

• قيم mAP^val هي لنموذج واحد وعلى مقياس واحد على مجموعة بيانات COCO val2017.
  يمكنك إعادة إنتاجها عبر yolo val detect data=coco.yaml device=0
• السرعة متوسطة عبر صور التحقق (val) من COCO باستخدام مثيل Amazon EC2 P4d.
  يمكنك إعادة إنتاجها عبر yolo val detect data=coco.yaml batch=1 device=0|cpu
• قيم المعاملات و FLOPs هي للنموذج المدمج بعد model.fuse()، الذي يدمج طبقات Conv و BatchNorm، وبالنسبة للنماذج من طرف إلى طرف (end2end)، يقوم بإزالة رأس الكشف المساعد من واحد إلى متعدد. نقاط الفحص المدربة مسبقاً تحتفظ ببنية التدريب الكاملة وقد تظهر أعداداً أعلى.

Link to this sectionتدريب#

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

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 السحابية من خلال منصة Ultralytics.

Link to this sectionتنسيق مجموعة البيانات#

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

Link to this sectionالتحقق#

تحقق من دقة نموذج YOLO26n المدرب على مجموعة بيانات COCO8. لا توجد وسائط مطلوبة حيث يحتفظ model ببيانات التدريب data 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 sectionتنبؤ#

استخدم نموذج YOLO26n مدرب 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

راجع تفاصيل وضع predict الكاملة في صفحة التنبؤ.

Link to this sectionمخرج النتائج#

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

للحصول على حقول Results الخاصة بكل مهمة عبر جميع المهام، راجع قسم نتائج التنبؤ حسب المهمة.

Link to this sectionتصدير#

تصدير 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.

طالع تفاصيل export الكاملة في صفحة Export.

Link to this sectionالأسئلة الشائعة#

Link to this sectionهل يمكنني تدريب ونشر نماذج الكشف بدون كتابة أكواد برمجية؟#

نعم. توفر Ultralytics Platform سير عمل يعتمد على المتصفح لتصنيف مجموعات البيانات، وتدريب نماذج الكشف على وحدات معالجة الرسوميات (GPUs) السحابية، ونشرها في نقاط نهاية الاستدلال. راجع دليل البدء السريع للمنصة للبدء.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 على مجموعة بياناتي المخصصة؟#

يتضمن تدريب نموذج YOLO26 على مجموعة بيانات مخصصة بضع خطوات:

1. إعداد مجموعة البيانات: تأكد من أن مجموعة بياناتك بتنسيق YOLO. للحصول على إرشادات، راجع دليل مجموعات البيانات الخاص بنا.
2. تحميل النموذج: استخدم مكتبة Ultralytics YOLO لتحميل نموذج مدرب مسبقًا أو إنشاء نموذج جديد من ملف YAML.
3. تدريب النموذج: نفذ 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 Configuration.

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

يوفر Ultralytics YOLO26 العديد من النماذج المدربة مسبقًا لـ كشف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير الوضع. تم تدريب هذه النماذج مسبقًا على مجموعة بيانات COCO، أو Cityscapes للتجزئة الدلالية، أو ImageNet لمهام التصنيف. فيما يلي بعض النماذج المتاحة:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

للحصول على قائمة مفصلة ومقاييس الأداء، راجع قسم Models.

Link to this sectionكيف يمكنني التحقق من دقة نموذج YOLO المدرب الخاص بي؟#

للتحقق من دقة نموذج YOLO26 المدرب الخاص بك، 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 Val.

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

يسمح Ultralytics YOLO26 بتصدير النماذج إلى تنسيقات مختلفة مثل ONNX، وTensorRT، وCoreML، والمزيد لضمان التوافق عبر الأنظمة الأساسية والأجهزة المختلفة.

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 في صفحة Export.

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

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

1. نماذج مدربة مسبقًا: استخدم نماذج مدربة مسبقًا على مجموعات بيانات شائعة مثل COCO وImageNet لتسريع عملية التطوير.
2. دقة عالية: يحقق نتائج mAP مبهرة، مما يضمن كشفًا موثوقًا للكائنات.
3. السرعة: تم تحسينه لـ الاستدلال في الوقت الفعلي، مما يجعله مثاليًا للتطبيقات التي تتطلب معالجة سريعة.
4. المرونة: قم بتصدير النماذج إلى تنسيقات مختلفة مثل ONNX وTensorRT للنشر عبر منصات متعددة.

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