دليل شامل إلى Ultralytics YOLOv5#
مرحبًا بك في وثائق Ultralytics YOLOv5 🚀! صُمّم Ultralytics YOLOv5، وهو الإصدار الخامس من نموذج كشف الكائنات الثوري «You Only Look Once»، لتقديم نتائج سريعة ودقيقة في الوقت الفعلي. وعلى الرغم من أن YOLOv5 لا يزال أداة قوية، ننصحك باستكشاف الإصدارات اللاحقة، Ultralytics YOLOv8 وYOLO11 وYOLO26، للاطلاع على أحدث التطورات.
بُني إطار العمل القوي هذا على PyTorch، وهو مخصص لـالتعلم العميق، وقد حظي بشعبية هائلة بفضل تعدد استخداماته وسهولة استخدامه وأدائه العالي. ترشدك وثائقنا خلال عملية التثبيت، وتشرح التفاصيل المعمارية الدقيقة للنموذج، وتعرض حالات استخدام متنوعة، وتقدم سلسلة من الدروس المفصلة. ستساعدك هذه الموارد على تسخير الإمكانات الكاملة لـ YOLOv5 في مشاريع الرؤية الحاسوبية الخاصة بك. لنبدأ!
استكشف وتعلّم#
إليك مجموعة من الشروحات الشاملة التي سترشدك إلى الجوانب المختلفة لـ YOLOv5.
- تدريب بيانات مخصصة 🚀 موصى به: تعلّم كيفية تدريب نموذج YOLOv5 على مجموعة بياناتك المخصصة.
- نصائح للحصول على أفضل نتائج التدريب ☘️: اكتشف نصائح عملية لتحسين عملية تدريب النموذج.
- التدريب باستخدام وحدات GPU متعددة: تعرّف على كيفية الاستفادة من وحدات GPU متعددة لتسريع التدريب.
- PyTorch Hub: تعلّم تحميل النماذج المدرّبة مسبقًا عبر PyTorch Hub.
- التصدير إلى TFLite وONNX وCoreML وTensorRT 🚀: تعرّف على كيفية تصدير النموذج إلى تنسيقات مختلفة.
- زيادة البيانات وقت الاختبار (TTA): استكشف كيفية استخدام TTA لتحسين دقة تنبؤات النموذج.
- دمج النماذج: تعلّم استراتيجية الجمع بين نماذج متعددة لتحسين الأداء.
- تقليص النموذج/التناثر: تعرّف على مفهومي التقليص والتناثر، وكيفية إنشاء نموذج أكثر كفاءة.
- تطوير المعلمات الفائقة: اكتشف عملية ضبط المعلمات الفائقة آليًا لتحسين أداء النموذج.
- التعلّم بالنقل باستخدام الطبقات المجمّدة: تعلّم كيفية تطبيق التعلّم بالنقل عبر تجميد الطبقات في YOLOv5.
- ملخص البنية المعمارية 🌟 تعمّق في التفاصيل البنيوية لنموذج YOLOv5. اقرأ مقالة مدونة YOLOv5 v6.0 لمزيد من المعلومات.
- تكامل التسجيل مع ClearML 🌟 تعلّم كيفية دمج ClearML لتسجيل البيانات بكفاءة أثناء تدريب النموذج.
- YOLOv5 مع Neural Magic: اكتشف كيفية استخدام DeepSparse من Neural Magic لتقليص نموذج YOLOv5 وتكميمه.
- تكامل التسجيل مع Comet: استكشف كيفية استخدام Comet لتحسين تسجيل بيانات تدريب النموذج.
البيئات المدعومة#
توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، والمثبّت فيها مسبقًا اعتماديات أساسية مثل CUDA وCuDNN وPython وPyTorch، لتتمكن من بدء مشاريعك. ويمكنك أيضًا إدارة نماذجك ومجموعات بياناتك باستخدام منصة Ultralytics.
- دفاتر GPU مجانية:
- Google Cloud: دليل البدء السريع لـ GCP
- Amazon: دليل البدء السريع لـ AWS
- Azure: دليل البدء السريع لـ AzureML
- Docker: دليل البدء السريع لـ Docker
حالة المشروع#
تشير هذه الشارة إلى اجتياز جميع اختبارات التكامل المستمر (CI) الخاصة بـ إجراءات YOLOv5 على GitHub بنجاح. وتتحقق اختبارات CI بدقة من وظائف YOLOv5 وأدائه في جوانب رئيسية متعددة: التدريب والتحقق والاستدلال والتصدير واختبارات الأداء. وهي تضمن التشغيل المتسق والموثوق على macOS وWindows وUbuntu، مع إجراء الاختبارات كل 24 ساعة وعند كل إيداع جديد.
تواصل وساهم#
ليس عليك أن تخوض رحلتك مع YOLOv5 بمفردك. انضم إلى مجتمعنا الحيوي على GitHub، وتواصل مع المتخصصين على LinkedIn، وشارك نتائجك على Twitter، واعثر على موارد تعليمية على YouTube. تابعنا على TikTok وBiliBili لمزيد من المحتوى الجذاب.
هل ترغب في المساهمة؟ نرحب بالمساهمات بمختلف أشكالها، من تحسينات الشيفرة البرمجية وتقارير الأخطاء إلى تحديثات الوثائق. اطّلع على إرشادات المساهمة لمزيد من المعلومات.
يسعدنا أن نرى الطرق المبتكرة التي ستستخدم بها YOLOv5. انطلق وجرّب وارتقِ بمشاريع الرؤية الحاسوبية لديك! 🚀
الأسئلة الشائعة#
يشتهر Ultralytics YOLOv5 بقدراته على كشف الكائنات بسرعة عالية ودقة مرتفعة. وقد بُني على PyTorch، وهو متعدد الاستخدامات وسهل الاستخدام، ما يجعله مناسبًا لمشاريع الرؤية الحاسوبية المتنوعة. تشمل الميزات الرئيسية الاستدلال في الوقت الفعلي، ودعم تقنيات الاستدلال مثل زيادة البيانات وقت الاختبار (TTA) ودمج النماذج، والتوافق مع تنسيقات التصدير مثل TFLite وONNX وCoreML وTensorRT. للتعمق في كيفية الارتقاء بمشروعك باستخدام Ultralytics YOLOv5، استكشف دليل التصدير إلى TFLite وONNX وCoreML وTensorRT.
يتطلب تدريب نموذج YOLOv5 مخصص على مجموعة بياناتك اتباع بضع خطوات أساسية. أولًا، أعدّ مجموعة بياناتك بالتنسيق المطلوب، مع إضافة التسميات التوضيحية. ثم اضبط معلمات تدريب YOLOv5 وابدأ عملية التدريب باستخدام النص البرمجي
train.py. للاطلاع على شرح مفصل لهذه العملية، راجع دليل تدريب البيانات المخصصة. يقدم الدليل تعليمات خطوة بخطوة لضمان أفضل النتائج لحالة الاستخدام الخاصة بك.يُفضّل Ultralytics YOLOv5 على نماذج مثل R-CNN بفضل تفوقه في السرعة والدقة في كشف الكائنات في الوقت الفعلي. يعالج YOLOv5 الصورة بأكملها دفعة واحدة، ما يجعله أسرع بكثير من النهج القائم على المناطق في RCNN، الذي يتضمن تمريرات متعددة. إضافةً إلى ذلك، فإن تكامله السلس مع تنسيقات التصدير المختلفة ووثائقه الشاملة يجعلان YOLOv5 خيارًا ممتازًا للمبتدئين والمحترفين على حد سواء. تعرّف على المزيد حول مزايا البنية في ملخص البنية.
يتطلب تحسين أداء نموذج YOLOv5 ضبط معلمات فائقة مختلفة وتطبيق تقنيات مثل زيادة البيانات والتعلّم بالنقل. توفر Ultralytics موارد شاملة حول تطوير المعلمات الفائقة والتقليص/التناثر لتحسين كفاءة النموذج. يمكنك اكتشاف نصائح عملية في دليل نصائح الحصول على أفضل نتائج التدريب، الذي يقدم إرشادات قابلة للتطبيق لتحقيق أفضل أداء أثناء التدريب.
يدعم Ultralytics YOLOv5 مجموعة متنوعة من البيئات، بما فيها دفاتر GPU المجانية على Gradient وGoogle Colab وKaggle، إضافةً إلى منصات سحابية رئيسية مثل Google Cloud وAmazon AWS وAzure. تتوفر أيضًا صور Docker لتسهيل الإعداد. للحصول على دليل مفصل لإعداد هذه البيئات، راجع قسم البيئات المدعومة، الذي يتضمن تعليمات خطوة بخطوة لكل منصة.