دليل شامل لـ Ultralytics YOLOv5#
مرحباً بك في توثيق Ultralytics YOLOv5🚀! تم تصميم نموذج Ultralytics YOLOv5، وهو الإصدار الخامس من نموذج اكتشاف الكائنات الثوري "You Only Look Once"، لتقديم نتائج عالية السرعة والدقة في الوقت الفعلي. ورغم أن YOLOv5 يظل أداة قوية، فكر في استكشاف خلفائه، Ultralytics YOLOv8، وYOLO11، وYOLO26، للحصول على أحدث التطورات.
بُني إطار عمل التعلم العميق القوي هذا على PyTorch، وقد حظي بشعبية هائلة لتعدد استخداماته، وسهولة استخدامه، وأدائه العالي. يرشدك التوثيق الخاص بنا خلال عملية التثبيت، ويشرح الفروق الدقيقة في بنية النموذج، ويعرض حالات استخدام مختلفة، ويقدم سلسلة من الدعم التعليمي المفصل. ستساعدك هذه الموارد على تسخير الإمكانات الكاملة لـ YOLOv5 لمشاريع رؤية الكمبيوتر الخاصة بك. لنبدأ!
استكشف وتعلم#
إليك مجموعة من البرامج التعليمية الشاملة التي سترشدك عبر جوانب مختلفة من YOLOv5.
- تدريب بيانات مخصصة 🚀 مُوصى به: تعرّف على كيفية تدريب نموذج YOLOv5 على مجموعة البيانات المخصصة الخاصة بك.
- نصائح للحصول على أفضل نتائج تدريب ☘️: اكتشف نصائح عملية لتحسين عملية تدريب النموذج الخاص بك.
- تدريب وحدات معالجة رسومية متعددة (Multi-GPU): فهم كيفية الاستفادة من وحدات معالجة رسومية متعددة لتسريع عملية التدريب الخاصة بك.
- PyTorch Hub 🌟 جديد: تعرّف على تحميل النماذج المدربة مسبقاً عبر PyTorch Hub.
- تصدير TFLite و ONNX و CoreML و TensorRT 🚀: فهم كيفية تصدير نموذجك إلى تنسيقات مختلفة.
- التعزيز في وقت الاختبار (TTA): استكشف كيفية استخدام TTA لتحسين دقة تنبؤ نموذجك.
- دمج النماذج: تعرّف على استراتيجية الجمع بين نماذج متعددة لتحسين الأداء.
- تقليم النماذج / التناثر (Pruning/Sparsity): فهم مفاهيم التقليم والتناثر، وكيفية إنشاء نموذج أكثر كفاءة.
- تطور المعلمات الفائقة: اكتشف عملية ضبط المعلمات الفائقة الآلي لتحسين أداء النموذج.
- التعلم المنقول مع الطبقات المجمدة: تعرّف على كيفية تنفيذ التعلم المنقول عن طريق تجميد الطبقات في YOLOv5.
- ملخص البنية 🌟 تعمق في التفاصيل الهيكلية لنموذج YOLOv5. اقرأ مدونة YOLOv5 v6.0 لمزيد من الرؤى.
- تكامل تسجيل ClearML 🌟 تعرّف على كيفية دمج ClearML للتسجيل الفعال أثناء تدريب نموذجك.
- YOLOv5 مع Neural Magic: اكتشف كيفية استخدام DeepSparse من Neural Magic لتقليم وتكميم نموذج YOLOv5 الخاص بك.
- تكامل تسجيل Comet 🌟 جديد: استكشف كيفية استخدام Comet لتحسين تسجيل تدريب النموذج.
البيئات المدعومة#
توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، ومثبت مسبقاً في كل منها تبعيات أساسية مثل CUDA، وCuDNN، وPython، وPyTorch، لإنطلاق مشاريعك بسرعة. يمكنك أيضاً إدارة نماذجك ومجموعات البيانات الخاصة بك باستخدام منصة Ultralytics.
- دفاتر ملاحظات مجانية لوحدات معالجة الرسومات:
- Google Cloud: GCP Quickstart Guide
- Amazon: دليل البدء السريع لـ AWS
- Azure: دليل البدء السريع لـ AzureML
- Docker: Docker Quickstart Guide
حالة المشروع#
تشير هذه الشارة إلى أن جميع اختبارات التكامل المستمر (CI) لـ YOLOv5 GitHub Actions تمر بنجاح. تتحقق اختبارات CI هذه بدقة من وظائف وأداء YOLOv5 عبر جوانب رئيسية مختلفة: training، وvalidation، وinference، وexport، وbenchmarks. وهي تضمن تشغيلاً متسقاً وموثوقاً على أنظمة macOS وWindows وUbuntu، مع إجراء اختبارات كل 24 ساعة ومع كل عملية commit جديدة.
تواصل وساهم#
رحلتك مع YOLOv5 لا يجب أن تكون وحيدة. انضم إلى مجتمعنا النابض بالحياة على GitHub، وتواصل مع المحترفين على LinkedIn، وشارك نتائجك على Twitter، واعثر على الموارد التعليمية على YouTube. تابعنا على TikTok وBiliBili لمزيد من المحتوى الجذاب.
هل أنت مهتم بالمساهمة؟ نرحب بالمساهمات بجميع أشكالها، بدءاً من تحسينات الكود وتقارير الأخطاء وصولاً إلى تحديثات التوثيق. تحقق من إرشادات المساهمة الخاصة بنا لمزيد من المعلومات.
نحن متحمسون لرؤية الطرق المبتكرة التي ستستخدم بها YOLOv5. ابدأ، جرب، وأحدث ثورة في مشاريع الرؤية الحاسوبية الخاصة بك! 🚀
الأسئلة الشائعة#
يُعرف Ultralytics YOLOv5 بقدراته على اكتشاف الكائنات بسرعة عالية ودقة عالية. بناءً على PyTorch، فهو متعدد الاستخدامات وسهل الاستخدام، مما يجعله مناسباً لمختلف مشاريع رؤية الكمبيوتر. تتضمن الميزات الرئيسية الاستدلال في الوقت الفعلي، ودعم حيل التدريب المتعددة مثل تعزيز وقت الاختبار (TTA) ودمج النماذج، والتوافق مع تنسيقات التصدير مثل TFLite وONNX وCoreML وTensorRT. للتعمق أكثر في كيف يمكن لـ Ultralytics YOLOv5 الارتقاء بمشروعك، استكشف دليل تصدير TFLite وONNX وCoreML وTensorRT.
يتضمن تدريب نموذج YOLOv5 مخصص على مجموعة البيانات الخاصة بك خطوات رئيسية قليلة. أولاً، قم بإعداد مجموعة البيانات الخاصة بك بالتنسيق المطلوب، مع التعليقات التوضيحية والتسميات. بعد ذلك، قم بتكوين بارامترات تدريب YOLOv5 وابدأ عملية التدريب باستخدام برنامج نصي
train.py. للحصول على برنامج تعليمي متعمق حول هذه العملية، راجع دليل تدريب البيانات المخصصة الخاص بنا. فهو يوفر إرشادات خطوة بخطوة لضمان النتائج المثلى لحالتك الاستخدامية المحددة.يُفضل استخدام Ultralytics YOLOv5 على نماذج مثل R-CNN نظراً لسرعته الفائقة ودقته في اكتشاف الكائنات في الوقت الفعلي. يقوم YOLOv5 معالجة الصورة بأكملها دفعة واحدة، مما يجعله أسرع بكثير مقارنة بنهج R-CNN القائم على المناطق والذي يتضمن تمريرات متعددة. بالإضافة إلى ذلك، فإن التكامل السلس لـ YOLOv5 مع تنسيقات التصدير المختلفة والتوثيق الشامل يجعله خياراً ممتازاً للمبتدئين والمحترفين على حد سواء. تعرف على المزيد حول المزايا الهيكلية في ملخص البنية الخاص بنا.
يتضمن تحسين أداء نموذج YOLOv5 ضبط مختلف المعلمات الفائقة ودمج تقنيات مثل تعزيز البيانات والتعلم المنقول. توفر Ultralytics موارد شاملة حول تطور المعلمات الفائقة والتقليم والتناثر لتحسين كفاءة النموذج. يمكنك اكتشاف نصائح عملية في دليل نصائح لأفضل نتائج التدريب الخاص بنا، والذي يقدم رؤى قابلة للتنفيذ لتحقيق الأداء الأمثل أثناء التدريب.
يدعم Ultralytics YOLOv5 مجموعة متنوعة من البيئات، بما في ذلك دفاتر ملاحظات وحدة معالجة الرسومات المجانية على Gradient، وGoogle Colab، وKaggle، بالإضافة إلى منصات السحابة الكبرى مثل Google Cloud، وAmazon AWS، وAzure. تتوفر أيضاً صور Docker لإعداد مريح. للحصول على دليل مفصل حول إعداد هذه البيئات، تحقق من قسم البيئات المدعومة الخاص بنا، والذي يتضمن إرشادات خطوة بخطوة لكل منصة.