Ultralytics YOLO27:
Get Started

واجهة سطر الأوامر#

توفر واجهة سطر الأوامر (CLI) من Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون كتابة شيفرة Python. وتدعم CLI تشغيل مهام متنوعة مباشرةً من الطرفية باستخدام الأمر yolo.



شاهد: إتقان Ultralytics YOLO: CLI
مثال

تستخدم أوامر yolo في Ultralytics الصيغة التالية:

yolo TASK MODE ARGS

حيث:

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

اطّلع على جميع ARGS في دليل التهيئة الكامل أو باستخدام yolo cfg.

حيث:

  • TASK (اختياري) هو أحد الخيارات [detect, segment, semantic, depth, classify, pose, obb]. إذا لم يُمرَّر صراحةً، فسيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو أحد الخيارات [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هو أي عدد من أزواج arg=value المخصصة، مثل imgsz=320، التي تتجاوز القيم الافتراضية. للاطلاع على قائمة كاملة بـARGS المتاحة، راجع صفحة التهيئة وdefault.yaml.
تحذير

يجب تمرير الوسيطات على شكل أزواج arg=val، تفصل بينها علامة يساوي =، وتُفصل الأزواج بعضها عن بعض بمسافات. لا تستخدم بادئات الوسيطات -- أو الفواصل , بين الوسيطات.

  • 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#

درّب YOLO على مجموعة بيانات COCO8 لمدة 100 دورة تدريب بحجم صورة 640. للاطلاع على القائمة الكاملة بالوسيطات المتاحة، راجع صفحة التهيئة.

مثال

ابدأ تدريب YOLO26n على COCO8 لمدة 100 دورة تدريب بحجم صورة 640:

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

التحقق#

تحقّق من دقة النموذج المدرّب على مجموعة بيانات COCO8. يعيد النموذج المخصص استخدام data الخاص بتدريبه عند إغفال data؛ أما الأوزان الرسمية فتستخدم القيمة الافتراضية للمهمة coco8.yaml.

مثال

تحقّق من نموذج YOLO26n رسمي:

yolo detect val model=yolo26n.pt data=coco8.yaml

التنبؤ#

استخدم نموذجًا مدرّبًا لإجراء تنبؤات على الصور.

مثال

نفّذ التنبؤ باستخدام نموذج YOLO26n رسمي:

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

التصدير#

صدّر نموذجًا إلى تنسيق آخر مثل ONNX أو CoreML.

مثال

صدّر نموذج YOLO26n رسميًا إلى تنسيق ONNX:

yolo export model=yolo26n.pt format=onnx

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

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسيطات
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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـ export في صفحة التصدير.

تجاوز الوسيطات الافتراضية#

يمكنك تجاوز الوسيطات الافتراضية بتمريرها عبر CLI في أزواج arg=value.

نصيحة

درّب نموذجًا للكشف لمدة 10 عصور بمعدل تعلّم قدره 0.01:

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

تجاوز ملف الإعدادات الافتراضي#

تجاوز ملف الإعدادات default.yaml بالكامل بتمرير ملف جديد باستخدام الوسيطة cfg، مثل cfg=custom.yaml.

للقيام بذلك، أنشئ أولًا نسخة من default.yaml في دليل العمل الحالي باستخدام الأمر yolo copy-cfg، الذي ينشئ ملف default_copy.yaml.

يمكنك بعد ذلك تمرير هذا الملف على أنه cfg=default_copy.yaml 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 حلولًا جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة عبر CLI. يتيح الأمر yolo solutions عدّ الكائنات، والقص، والتمويه، ومراقبة التمارين، والخرائط الحرارية، وتقسيم الكائنات، وVisionEye، وتقدير السرعة، وإدارة الطوابير، والتحليلات، والاستدلال باستخدام Streamlit، والتتبع القائم على المناطق، وعدّ المناطق، وإنذارات الأمان، وإدارة مواقف السيارات — راجع صفحة الحلول للاطلاع على الكتالوج الكامل. شغّل yolo solutions help لسرد كل الحلول المدعومة ووسائطها.

مثال

عدّ الكائنات في مقطع 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، تفضّل بزيارة صفحة الحلول.

الأسئلة الشائعة#

  • لتدريب نموذج باستخدام CLI، نفّذ أمرًا في سطر واحد في الطرفية. على سبيل المثال، لتدريب نموذج كشف لمدة 10 عصور، شغّل:

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

    يستخدم هذا الأمر وضع train مع وسائط محددة. للاطلاع على القائمة الكاملة بالوسائط المتاحة، راجع دليل الإعدادات.

  • يدعم CLI الخاص بـ Ultralytics YOLO مهامًا متنوعة، منها الكشف، والتقسيم، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وكشف مربعات الإحاطة الموجّهة. ويمكنك أيضًا تنفيذ عمليات مثل:

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

    خصّص كل مهمة باستخدام وسائط متنوعة. للاطلاع على الصياغة والأمثلة التفصيلية، راجع الأقسام ذات الصلة مثل التدريب، والتنبؤ، والتصدير.

  • للتحقق من دقة نموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج كشف مُدرّب مسبقًا باستخدام حجم دفعة يساوي 1 وحجم صورة يساوي 640، شغّل:

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

    يقيّم هذا الأمر النموذج على مجموعة البيانات المحددة، ويوفر مقاييس أداء مثل mAP، والإحكام، والاستدعاء. لمزيد من التفاصيل، راجع قسم Val.

  • يمكنك تصدير نماذج YOLO إلى تنسيقات متنوعة، منها ONNX وTensorRT وCoreML وTensorFlow وغيرها. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، شغّل:

    yolo export model=yolo26n.pt format=onnx

    يدعم أمر التصدير خيارات عديدة لتحسين نموذجك لبيئات نشر محددة. للاطلاع على التفاصيل الكاملة لجميع تنسيقات التصدير المتاحة ومعلماتها الخاصة، تفضّل بزيارة صفحة التصدير.

  • توفر Ultralytics حلولًا جاهزة للاستخدام عبر الأمر solutions. على سبيل المثال، لعدّ الكائنات في مقطع فيديو:

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

    لا تتطلب هذه الحلول سوى إعدادات بسيطة، وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. للاطلاع على جميع الحلول المتاحة، شغّل yolo solutions help. لكل حل معلمات محددة يمكن تخصيصها لتلبية احتياجاتك.

المساهمون
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

التعليقات