استخدام Python

مرحباً بكم في وثائق استخدام Ultralytics YOLO بلغة Python! صُمم هذا الدليل لمساعدتك على دمج Ultralytics YOLO في مشاريعك البرمجية بلغة Python بسلاسة لمهام اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، والتصنيف. ستتعلم هنا كيفية تحميل واستخدام النماذج المدربة مسبقاً، وتدريب نماذج جديدة، وإجراء التنبؤات على الصور. تُعد واجهة Python سهلة الاستخدام مورداً قيماً لأي شخص يتطلع إلى دمج YOLO في مشاريع Python الخاصة به، مما يتيح لك تنفيذ قدرات اكتشاف كائنات متقدمة بسرعة. لنبدأ!

على سبيل المثال، يمكن للمستخدمين تحميل نموذج، وتدريبه، وتقييم أدائه على مجموعة التحقق، وحتى تصديره إلى تنسيق ONNX ببضعة أسطر من الكود فقط.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

تدريب

وضع التدريب يُستخدم لتدريب نموذج YOLO على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات الفائقة (hyperparameters) المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

أمثلة التدريب

تحقق (Val)

وضع التحقق يُستخدم للتحقق من نموذج YOLO بعد تدريبه. في هذا الوضع، يتم تقييم النموذج على مجموعة تحقق لقياس دقته وأدائه في التعميم. يمكن استخدام هذا الوضع لضبط المعلمات الفائقة للنموذج لتحسين أدائه.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

أمثلة التحقق

التنبؤ

وضع التنبؤ يُستخدم لإجراء تنبؤات باستخدام نموذج YOLO مدرب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة فحص (checkpoint)، ويمكن للمستخدم تقديم صور أو مقاطع فيديو لإجراء الاستنتاج. يتنبأ النموذج بفئات ومواقع الكائنات في الصور أو مقاطع الفيديو المدخلة.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

أمثلة التنبؤ

تصدير

وضع التصدير يُستخدم لتصدير نموذج YOLO إلى تنسيق يمكن استخدامه للنشر. في هذا الوضع، يتم تحويل النموذج إلى تنسيق يمكن استخدامه بواسطة تطبيقات برمجية أو أجهزة أخرى. هذا الوضع مفيد عند نشر النموذج في بيئات الإنتاج.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

أمثلة التصدير

تتبع

وضع التتبع يُستخدم لتتبع الكائنات في الوقت الفعلي باستخدام نموذج YOLO. في هذا الوضع، يتم تحميل النموذج من ملف نقطة فحص، ويمكن للمستخدم تقديم بث فيديو مباشر لإجراء تتبع للكائنات في الوقت الفعلي. هذا الوضع مفيد لتطبيقات مثل أنظمة المراقبة أو السيارات ذاتية القيادة.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official detection model
model = YOLO("yolo26n-seg.pt")  # load an official segmentation model
model = YOLO("path/to/best.pt")  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

أمثلة التتبع

قياس الأداء (Benchmark)

وضع قياس الأداء يُستخدم لتحليل سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO. توفر مقاييس الأداء معلومات حول حجم التنسيق المصدر، ومقاييس mAP50-95 الخاصة به (لاكتشاف الكائنات والتجزئة) أو مقاييس accuracy_top5 (للتصنيف)، ووقت الاستنتاج بالملي ثانية لكل صورة عبر تنسيقات تصدير متنوعة مثل ONNX، وOpenVINO، وTensorRT وغيرها. يمكن لهذه المعلومات مساعدة المستخدمين في اختيار تنسيق التصدير الأمثل لحالة استخدامهم الخاصة بناءً على متطلبات السرعة والدقة.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

أمثلة قياس الأداء

استخدام المدربين (Trainers)

تعمل فئة النموذج YOLO كغلاف عالي المستوى لفئات المدرب (Trainer). كل مهمة YOLO لها مدربها الخاص، الذي يرث من BaseTrainer. تسمح هذه البنية بمرونة أكبر وتخصيص في سير عمل تعلم الآلة الخاص بك.

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

# Validator
val = DetectionValidator(args=...)
val(model=trained_model)

# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)

يمكنك بسهولة تخصيص المدربين لدعم مهام مخصصة أو استكشاف أفكار البحث والتطوير. يسمح التصميم المعياري لـ Ultralytics YOLO بتكييف الإطار ليلائم احتياجاتك الخاصة، سواء كنت تعمل على مهمة رؤية حاسوبية جديدة أو تقوم بضبط النماذج الحالية لتحسين الأداء.

دروس التخصيص

الأسئلة الشائعة

كيف يمكنني دمج YOLO في مشروع Python الخاص بي لاكتشاف الكائنات؟

دمج Ultralytics YOLO في مشاريع Python الخاصة بك أمر بسيط. يمكنك تحميل نموذج مدرب مسبقاً أو تدريب نموذج جديد من الصفر. إليك كيفية البدء:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

شاهد المزيد من الأمثلة التفصيلية في قسم وضع التنبؤ الخاص بنا.

ما هي الأوضاع المختلفة المتاحة في YOLO؟

يوفر Ultralytics YOLO أوضاعاً متنوعة لتلبية احتياجات تعلم الآلة المختلفة. وتشمل هذه الأوضاع:

• تدريب: تدريب نموذج باستخدام مجموعات بيانات مخصصة.
• تحقق: التحقق من أداء النموذج على مجموعة تحقق.
• تنبؤ: إجراء تنبؤات على صور جديدة أو بث فيديو.
• تصدير: تصدير النماذج إلى تنسيقات متنوعة مثل ONNX وTensorRT.
• تتبع: تتبع الكائنات في الوقت الفعلي في بث الفيديو.
• قياس الأداء: قياس أداء النموذج عبر تكوينات مختلفة.

تم تصميم كل وضع لتوفير وظائف شاملة لمراحل مختلفة من تطوير ونشر النماذج.

كيف أقوم بتدريب نموذج YOLO مخصص باستخدام مجموعة البيانات الخاصة بي؟

لتدريب نموذج YOLO مخصص، تحتاج إلى تحديد مجموعة البيانات الخاصة بك ومعلمات فائقة أخرى. إليك مثال سريع:

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.yaml")

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

لمزيد من التفاصيل حول التدريب وروابط لأمثلة الاستخدام، قم بزيارة صفحة وضع التدريب.

كيف أقوم بتصدير نماذج YOLO للنشر؟

تصدير نماذج YOLO بتنسيق مناسب للنشر أمر مباشر باستخدام وظيفة export. على سبيل المثال، يمكنك تصدير نموذج إلى تنسيق ONNX:

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

للحصول على خيارات تصدير متنوعة، راجع وثائق وضع التصدير.

هل يمكنني التحقق من نموذج YOLO الخاص بي على مجموعات بيانات مختلفة؟

نعم، التحقق من نماذج YOLO على مجموعات بيانات مختلفة ممكن. بعد التدريب، يمكنك استخدام وضع التحقق لتقييم الأداء:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

تحقق من صفحة وضع التحقق للحصول على أمثلة مفصلة وطريقة الاستخدام.