رؤية YOLO 2026:

واجهة سطر الأوامر#

توفر واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم واجهة سطر الأوامر تشغيل مهام مختلفة مباشرة من الطرفية (terminal) باستخدام أمر yolo، دون الحاجة إلى أي تخصيص أو كتابة كود Python.



Watch: Mastering Ultralytics YOLO: CLI
مثال

تستخدم أوامر Ultralytics yolo الصيغة التالية:

yolo TASK MODE ARGS

حيث:

  • TASK (اختياري) هو أحد القيم [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (مطلوب) هو أحد القيم [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هي أي عدد من أزواج arg=value المخصصة مثل imgsz=320 والتي تتجاوز القيم الافتراضية.

راجع جميع الوسائط (ARGS) في دليل التكوين الكامل أو باستخدام yolo cfg.

حيث:

  • TASK (اختياري) هو أحد قيم [detect, segment, semantic, depth, classify, pose, obb]. إذا لم يتم تمريره صراحة، سيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو أحد قيم [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هي أي عدد من أزواج arg=value المخصصة مثل imgsz=320 التي تتجاوز القيم الافتراضية. للحصول على قائمة كاملة بـ ARGS المتاحة، راجع صفحة التكوين و default.yaml.
تحذير

يجب تمرير الوسائط كأزواج arg=val، مفصولة بعلامة مساواة = ومحدودة بمسافات بين الأزواج. لا تستخدم بادئات وسائط -- أو فواصل , بين الوسائط.

  • yolo predict model=yolo26n.pt imgsz=640 conf=0.25 ✅
  • yolo predict model yolo26n.pt imgsz 640 conf 0.25 ❌
  • yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25 ❌

التدريب#

تدريب YOLO على مجموعة بيانات COCO8 لمدة 100 دورة بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التكوين.

مثال

بدء تدريب YOLO26n على COCO8 لمدة 100 عصر بحجم صورة 640:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

التحقق#

التحقق من دقة النموذج المُدرب على مجموعة بيانات COCO8. لا توجد حاجة لأي وسائط حيث يحتفظ model بـ data والوسائط الخاصة بالتدريب كسمات للنموذج.

مثال

التحقق من نموذج YOLO26n رسمي:

yolo detect val model=yolo26n.pt

التنبؤ#

استخدام نموذج مُدرب لتشغيل تنبؤات على الصور.

مثال

التنبؤ باستخدام نموذج YOLO26n رسمي:

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

التصدير#

تصدير نموذج إلى تنسيق مختلف مثل ONNX أو CoreML.

مثال

تصدير نموذج YOLO26n رسمي إلى تنسيق ONNX:

yolo export model=yolo26n.pt format=onnx

توجد تنسيقات التصدير المتاحة في Ultralytics في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسيط format، أي format='onnx' أو format='engine'.

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسائط (Arguments)
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz، quantize، dynamic، simplify، opset، nms، batch، data، fraction، device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz، quantize، dynamic، nms، batch، data، fraction، device
TensorRTengineyolo26n.engine✅imgsz، quantize، dynamic، simplify، opset، workspace، nms، batch، data، fraction، device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz، keras، quantize، opset، nms، batch، data، fraction، device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz، batch، device
MNNmnnyolo26n.mnn✅imgsz، batch، dynamic، quantize، simplify، opset، nms، device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz، batch، name، quantize، simplify، opset، data، fraction، device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz، batch، device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz، batch، name، quantize، simplify، opset، data، fraction، device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz، name، quantize، data، fraction، simplify، conf، iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz، batch، quantize

راجع تفاصيل export الكاملة على صفحة التصدير.

تجاوز الوسائط الافتراضية#

تجاوز الوسائط الافتراضية عن طريق تمريرها في سطر الأوامر (CLI) كأزواج arg=value.

نصيحة

تدريب نموذج كشف لمدة 10 عصور مع معدل تعلم 0.01:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

تجاوز ملف التكوين الافتراضي#

تجاوز ملف تكوين default.yaml بالكامل عن طريق تمرير ملف جديد باستخدام وسيط cfg، مثل cfg=custom.yaml.

للقيام بذلك، قم أولاً بتنشئة نسخة من default.yaml في دليل العمل الحالي الخاص بك باستخدام أمر yolo copy-cfg، والذي ينشئ ملف default_copy.yaml.

يمكنك بعد ذلك تمرير هذا الملف كـ cfg=default_copy.yaml إلى جانب أي وسائط إضافية، مثل imgsz=320 في هذا المثال:

مثال
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

أوامر الحلول#

توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة من خلال واجهة سطر الأوامر (CLI). يكشف أمر yolo solutions عن عد الكائنات، القص، التغبيش، مراقبة التمارين، الخرائط الحرارية، تجزئة المثيلات، VisionEye، تقدير السرعة، إدارة صفوف الانتظار، التحليلات، الاستدلال باستخدام Streamlit، والتتبع القائم على المناطق — راجع صفحة الحلول للاطلاع على الكتالوج الكامل. قم بتشغيل yolo solutions help لسرد كل حل مدعوم ووسائطه.

مثال

عد الكائنات في فيديو أو بث مباشر:

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

لمزيد من المعلومات حول حلول Ultralytics، تفضل بزيارة صفحة الحلول.

الأسئلة الشائعة#

  • لتدريب نموذج باستخدام واجهة سطر الأوامر (CLI)، نفذ أمرًا في سطر واحد داخل الطرفية. على سبيل المثال، لتدريب نموذج اكتشاف لمدة 10 دورات بمعدل تعلم قدره 0.01، قم بتشغيل:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    يستخدم هذا الأمر وضع train مع وسائط محددة. للحصول على قائمة كاملة بالوسائط المتاحة، راجع دليل التكوين.

  • تدعم واجهة سطر الأوامر (CLI) لـ Ultralytics YOLO مهام مختلفًا، بما في ذلك الاكتشاف، التجزئة، التجزئة الدلالية، تقدير العمق، التصنيف، تقدير الوضعية، واكتشاف مربعات التحديد الموجهة. يمكنك أيضًا تنفيذ عمليات مثل:

    • تدريب نموذج: قم بتشغيل yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • تشغيل التنبؤات: استخدم yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • تصدير نموذج: نفذ yolo export model=<model.pt> format=<export_format>.
    • استخدام الحلول: قم بتشغيل yolo solutions <solution_name> للتطبيقات الجاهزة.

    قم بتخصيص كل مهمة بوسائط مختلفة. للاطلاع على بناء الجملة المفصل والأمثلة، راجع الأقسام ذات الصلة مثل Train، وPredict، وExport.

  • للتحقق من دقة النموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج اكتشاف مُدرب مسبقًا بـ حجم دفعة قدره 1 وحجم صورة 640، قم بتشغيل:

    yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

    يُقيّم هذا الأمر النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء مثل mAP، والدقة (precision)، والاسترجاع (recall). لمزيد من التفاصيل، راجع قسم Val.

  • يمكنك تصدير نماذج YOLO إلى تنسيقات متنوعة بما في ذلك ONNX وTensorRT وCoreML وTensorFlow والمزيد. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، قم بتشغيل:

    yolo export model=yolo26n.pt format=onnx

    يدعم أمر التصدير خيارات عديدة لتحسين نموذجك لبيئات نشر محددة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، تفضل بزيارة صفحة التصدير.

  • توفر Ultralytics حلولاً جاهزة للاستخدام من خلال أمر solutions. على سبيل المثال، لعد الكائنات في فيديو:

    yolo solutions count source="path/to/video.mp4"

    تتطلب هذه الحلول الحد الأدنى من التكوين وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. لرؤية جميع الحلول المتاحة، قم بتشغيل yolo solutions help. يحتوي كل حل على معاملات محددة يمكن تخصيصها لتناسب احتياجاتك.

المساهمون
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

التعليقات