YOLO Vision 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 تنفيذ مهام متنوعة مباشرة من الطرفية باستخدام الأمر yolo، دون الحاجة إلى تخصيص أو كتابة كود Python.



Watch: Mastering Ultralytics YOLO: CLI
مثال

تستخدم أوامر yolo الخاصة بـ Ultralytics بناء الجملة التالي:

yolo TASK MODE ARGS

حيث:

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

اطلع على جميع ARGS في دليل التكوين الكامل أو باستخدام yolo cfg.

حيث:

  • TASK (اختياري) هو أحد الخيارات التالية: [detect, segment, semantic, depth, classify, pose, obb]. إذا لم يتم تمريره بشكل صريح، سيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو واحد من [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 وملف default.yaml.
تحذير

يجب تمرير الوسائط كأزواج arg=val، مفصولة بعلامة يساوي = ومحددة بمسافات بين الأزواج. لا تستخدم بادئات الوسائط -- 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 عصر 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 حاجة لأي وسائط حيث يحتفظ model ببيانات التدريب data والوسائط 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

تنسيقات التصدير المتاحة في Ultralytics موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسيط format، مثل 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

اطلع على تفاصيل export الكاملة في صفحة التصدير.

تجاوز الوسائط الافتراضية#

تجاوز الوسائط الافتراضية عن طريق تمريرها في واجهة سطر الأوامر 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 التكوين default.yaml بالكامل عن طريق تمرير ملف جديد باستخدام وسيط cfg، مثل cfg=custom.yaml.

للقيام 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 جنبًا 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. يكشف أمر yolo solutions عن ميزات عد الكائنات، القص، التمويه، مراقبة التمارين الرياضية، الخرائط الحرارية، تقسيم المثيلات، VisionEye، تقدير السرعة، إدارة الطوابير، التحليلات، استدلال Streamlit، والتتبع القائم على المناطق — راجع صفحة الحلول للحصول 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، قم بزيارة صفحة الحلول.

الأسئلة الشائعة#

كيف يمكنني استخدام واجهة سطر أوامر Ultralytics YOLO (CLI) لتدريب النماذج؟#

لتدريب نموذج باستخدام واجهة سطر الأوامر، قم بتنفيذ أمر من سطر واحد في الطرفية. على سبيل المثال، لتدريب نموذج كشف لمدة 10 عصور مع معدل 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.

ما هي المهام التي يمكنني تنفيذها باستخدام واجهة سطر أوامر Ultralytics YOLO؟#

تدعم واجهة أوامر Ultralytics YOLO مهاماً متنوعة، بما في ذلك detection، وsegmentation، وsemantic segmentation، وdepth estimation، وclassification، وpose estimation، وoriented bounding box detection. يمكنك أيضاً 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: قم بتنفيذ yolo export model=<model.pt> format=<export_format>.
  • استخدام الحلول: قم بتشغيل yolo solutions <solution_name> للتطبيقات الجاهزة.

يمكنك تخصيص كل مهمة بوسائط مختلفة. للحصول على بناء جملة مفصل وأمثلة، راجع الأقسام المعنية مثل التدريب، والتنبؤ، والتصدير.

كيف يمكنني التحقق من دقة نموذج YOLO مُدرب باستخدام واجهة سطر الأوامر؟#

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

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

يقوم هذا الأمر بتقييم النموذج على مجموعة البيانات المحددة ويوفر مقاييس أداء مثل mAP، والدقة، والاستدعاء. لمزيد من التفاصيل، راجع قسم التحقق (Val).

ما هي التنسيقات التي يمكنني تصدير نماذج YOLO إليها باستخدام واجهة سطر الأوامر؟#

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 العديد من الخيارات لتحسين نموذجك لبيئات نشر معينة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، قم بزيارة صفحة التصدير.

كيف يمكنني استخدام الحلول الجاهزة في واجهة سطر أوامر Ultralytics؟#

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 تكويناً بسيطاً 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