Ultralytics YOLO27:

واجهة سطر الأوامر#

توفر واجهة سطر الأوامر (CLI) من Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم واجهة سطر الأوامر (CLI) تشغيل المهام المختلفة مباشرة من الطرفية باستخدام أمر yolo، دون الحاجة إلى أي تخصيص أو كود Python.



Watch: Mastering Ultralytics YOLO: CLI
مثال

تستخدم أوامر Ultralytics yolo بناء الجملة التالي:

yolo TASK MODE ARGS

حيث:

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

اطّلع على كافة الوسائط في دليل التكوين الكامل أو باستخدام yolo cfg.

حيث:

  • TASK (اختياري) هو أحد [detect, segment, semantic, depth, classify, pose, obb]. إذا لم يتم تمريره صراحة، سيحاول نموذج YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو أحد [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 وdefault.yaml.
تحذير

يجب تمرير الوسائط كأزواج arg=val، مفصولة بعلامة المساواة = ومحددة بمسافات بين الأزواج. لا تستخدم بادئات الوسائط -- أو الفواصل , 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 نموذج YOLO على مجموعة بيانات COCO8 لمدة 100 عصر عند حجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التكوين.

مثال

بدء تدريب YOLO26n على COCO8 لمدة 100 عصر عند حجم صورة 640:

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

التحقق#

التحقق من دقة (Accuracy) النموذج المدرب على مجموعة بيانات COCO8. لا توجد حاجة لأي وسائط حيث يحتفظ model بـ data الخاص بالتدريب والوسائط كخصائص للنموذج.

مثال

التحقق من صحة نموذج YOLO26n رسمي:

yolo detect val model=yolo26n.pt

التنبؤ#

استخدام نموذج مدرب لتشغيل التنبؤات 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

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

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسائط
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

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.

اطّلع على تفاصيل export الكاملة في صفحة التصدير.

تجاوز الوسائط الافتراضية#

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

نصيحة

تدريب نموذج كشف لمدة 10 عصور بمعدل تعلم قدره 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.

ل القيام بذلك، قم أولاً بإنشاء 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 جنباً إلى جنب مع 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). يعرض أمر yolo solutions عد الأشياء، والقص، والتغبيش، ومراقبة التمارين الرياضية، وخرائط الحرارة، وتجزئة المثيلات، وVisionEye، وتقدير السرعة، وإدارة طوابير الانتظار، والتحليلات، والاستدلال عبر Streamlit، والتتبع القائم على المناطق — راجع صفحة الحلول للاطلاع على الكتالوج الكامل. قم بتشغيل yolo solutions help لسرد كل حل مدعوم ووسائطه.

مثال

عد الأشياء 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 أمراً من سطر واحد في الطرفية. على سبيل المثال، لتدريب نموذج كشف لمدة 10 عصور 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 مهاماً متنوعة، بما في ذلك الكشف، والتجزئة، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعيات، وكشف مربعات المحاصرة الموجهة. يمكنك أيضاً إجراء 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 النحو المفصل والأمثلة، راجع الأقسام المعنية مثل التدريب، والتنبؤ، والتصدير.

  • للتحقق من دقة النموذج، استخدم وضع val. على سبيل المثال، للتحقق من صحة نموذج كشف مدرب مسبقاً بحجم دفعة قدره 1 وحجم صورة 640، قم بتشغيل:

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

    يقيم هذا الأمر النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء مثل متوسط الدقة المتوسطة، والدقة (Precision)، والاسترجاع (Recall). لمزيد من التفاصيل، راجع قسم التحقق.

  • يمكنك تصصدير 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 كافة تنسيقات التصدير المتاحة ومعلماتها المحددة، تفضل بزيارة صفحة التصدير.

  • توفر Ultralytics حلولاً جاهزة للاستخدام من خلال أمر solutions. على سبيل المثال، لعد الأشياء 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 معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.

المساهمون
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

التعليقات