اكتشاف الكائنات باستخدام Ultralytics YOLO#

اكتشاف الكائنات هو مهمة تتضمن تحديد مواضع الكائنات وفئاتها في صورة أو دفق فيديو.

يتمثل ناتج كاشف الكائنات في مجموعة من المربعات المحيطة التي تحيط بالكائنات في الصورة، إلى جانب تسميات الفئات ودرجات الثقة لكل مربع. يُعد اكتشاف الكائنات خيارًا مناسبًا عندما تحتاج إلى تحديد الكائنات محل الاهتمام في مشهد، لكنك لا تحتاج إلى معرفة موضع الكائن بدقة أو شكله الدقيق.

النماذج#

تظهر هنا نماذج YOLO26 Detect المدرّبة مسبقًا. نماذج Detect وSegment وPose مدرّبة مسبقًا على مجموعة بيانات COCO، ونماذج Semantic مدرّبة مسبقًا على Cityscapes، ونماذج Classify مدرّبة مسبقًا على مجموعة بيانات ImageNet.

تُنَزَّل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند الاستخدام لأول مرة.

• mAP^val values are for single-model single-scale on COCO val2017 dataset.
  Reproduce by yolo val detect data=coco.yaml device=0. Add nms=False to reproduce the e2e column.
• السرعة هي المتوسط عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
  يمكن إعادة الإنتاج باستخدام yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• Params and FLOPs values are for fused models after Conv/BatchNorm folding and removal of the unused detection branch. Pretrained checkpoints retain the full training architecture and may show higher counts.

راجع معاينة YOLO27 غير الإصدار الرسمي للاطلاع على نتائج اكتشاف COCO الأولية.

التدريب#

درّب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة وبحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة Configuration.

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)

اطّلع على التفاصيل الكاملة لوضع train في صفحة Train. ويمكن أيضًا تدريب نماذج الكشف باستخدام التدريب السحابي على Ultralytics Platform.

تنسيق مجموعة البيانات#

يمكن العثور على تنسيق مجموعة بيانات كشف YOLO بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة بيانات COCO JSON موجودة إلى تنسيق YOLO، استخدم دالة convert_coco المدمجة الموضحة في دليل COCO إلى YOLO. يمكنك أيضًا تعليق وإدارة مجموعات بيانات الكشف باستخدام أدوات التعليق المدعومة بالذكاء الاصطناعي من منصة Ultralytics Platform.

التحقق#

تحقّق من دقة نموذج YOLO26n المدرّب على مجموعة بيانات COCO8. لا حاجة إلى أي وسائط، إذ إن model يحتفظ بـ data ووسائط التدريب 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

التنبؤ#

استخدم نموذج YOLO26n المدرّب لإجراء 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 الوضع predict الكاملة في صفحة التنبؤ.

مخرجات النتائج#

يعيد اكتشاف الكائنات كائن Results واحدًا لكل صورة. وحقل التنبؤ الأساسي هو result.boxes، الذي يحتوي على إحداثيات المربع ومعرّفات الفئات ودرجات الثقة لكل كائن مكتشف.

للاطلاع على حقول Results الخاصة بالمهمة عبر جميع المهام، راجع قسم نتائج التنبؤ حسب المهمة.

التصدير#

صدّر نموذج YOLO26n إلى تنسيق مختلف مثل ONNX أو CoreML أو غيرهما.

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")

تظهر تنسيقات تصدير YOLO26 المتاحة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيطة format، أي format='onnx' أو format='engine'. ويمكنك إجراء التنبؤ أو التحقق مباشرةً على النماذج المُصدّرة، أي yolo predict model=yolo26n.onnx. تظهر أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

يفترض nms=None المخرجات الخام لـ NMS الخارجي. قم بتعيين nms=False لتحديد رأس متاح خالٍ من NMS؛ وتتراجع التنسيقات غير المدعومة إلى مسار إخراجها الأصلي. وتحدد مُدخلات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

راجع تفاصيل export الكاملة في صفحة التصدير.

الأسئلة الشائعة#