دليل شامل لـ Ultralytics YOLOv5#
مرحبًا بك في وثائق YOLOv5🚀 من Ultralytics! إن Ultralytics YOLOv5، وهو الإصدار الخامس من نموذج اكتشاف الأجسام الثوري «ترى مرة واحدة فقط»، مصمم لتقديم نتائج عالية السرعة والدقة في الوقت الفعلي. مع أن YOLOv5 لا يزال أداة قوية، فكّر في استكشاف خلفائه، Ultralytics YOLOv8 وYOLO11 وYOLO26، للاستفادة من أحدث التطورات.
بُني إطار التعلّم العميق القوي هذا على PyTorch، وقد اكتسب شعبية هائلة بفضل تعدد استخداماته وسهولة استعماله وأدائه العالي. ترشدك وثائقنا خلال عملية التثبيت، وتشرح التفاصيل المعمارية للنموذج، وتستعرض حالات استخدام متنوعة، وتوفر مجموعة من البرامج التعليمية المفصلة. ستساعدك هذه الموارد على الاستفادة من الإمكانات الكاملة لـ YOLOv5 في مشاريع الرؤية الحاسوبية الخاصة بك. لنبدأ!
استكشف وتعلّم#
إليك مجموعة من البرامج التعليمية الشاملة التي سترشدك خلال الجوانب المختلفة لـ YOLOv5.
- تدريب البيانات المخصصة 🚀 موصى به: تعلّم كيفية تدريب نموذج YOLOv5 على مجموعة بياناتك المخصصة.
- نصائح للحصول على أفضل نتائج التدريب ☘️: اكتشف نصائح عملية لتحسين عملية تدريب نموذجك.
- التدريب باستخدام وحدات GPU متعددة: تعرّف على كيفية الاستفادة من وحدات GPU متعددة لتسريع عملية التدريب.
- PyTorch Hub: تعلم كيفية تحميل النماذج المدربة مسبقاً عبر PyTorch Hub.
- تصدير TFLite وONNX وCoreML وTensorRT 🚀: تعرّف على كيفية تصدير نموذجك إلى تنسيقات مختلفة.
- زيادة البيانات وقت الاختبار (TTA): استكشف كيفية استخدام TTA لتحسين دقة تنبؤات نموذجك.
- تجميع النماذج: تعلّم استراتيجية دمج نماذج متعددة لتحسين الأداء.
- تشذيب النموذج/التناثر: تعرّف على مفاهيم تشذيب النموذج والتناثر، وكيفية إنشاء نموذج أكثر كفاءة.
- تطوّر المعلمات الفائقة: اكتشف عملية ضبط المعلمات الفائقة تلقائيًا لتحسين أداء النموذج.
- التعلّم بالنقل باستخدام الطبقات المجمّدة: تعلّم كيفية تطبيق التعلّم بالنقل من خلال تجميد الطبقات في YOLOv5.
- ملخص البنية 🌟 تعمّق في التفاصيل الهيكلية لنموذج YOLOv5. اقرأ منشور مدونة YOLOv5 v6.0 لمزيد من الرؤى.
- تكامل تسجيل ClearML 🌟 تعلّم كيفية دمج ClearML لتسجيل البيانات بكفاءة أثناء تدريب نموذجك.
- YOLOv5 مع Neural Magic: اكتشف كيفية استخدام DeepSparse من Neural Magic لتشذيب نموذج YOLOv5 وتكميمه.
- Comet Logging Integration: استكشف كيفية استخدام Comet لتحسين تسجيل تدريب النماذج.
البيئات المدعومة#
توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، وكل منها مثبت مسبقًا مع التبعيات الأساسية مثل CUDA وCuDNN وPython وPyTorch، لبدء مشاريعك بسرعة. يمكنك أيضًا إدارة نماذجك ومجموعات بياناتك باستخدام Ultralytics Platform.
- دفاتر ملاحظات 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 إجراءات YOLOv5 على GitHub الخاصة بـالتكامل المستمر (CI) بنجاح. تتحقق اختبارات CI هذه بدقة من وظائف YOLOv5 وأدائه عبر جوانب رئيسية متنوعة: التدريب والتحقق والاستدلال والتصدير والمعايير. وتضمن التشغيل المتسق والموثوق على macOS وWindows وUbuntu، مع إجراء الاختبارات كل 24 ساعة وعند كل التزام جديد.
تواصل وساهم#
لا يجب أن تكون رحلتك مع YOLOv5 فردية. انضم إلى مجتمعنا النابض بالحياة على GitHub، وتواصل مع المحترفين على LinkedIn، وشارك نتائجك على Twitter، واعثر على موارد تعليمية على YouTube. تابعنا على TikTok وBiliBili لمزيد من المحتوى التفاعلي.
هل ترغب في المساهمة؟ نرحب بالمساهمات بجميع أشكالها، بدءًا من تحسينات التعليمات البرمجية وتقارير الأخطاء ووصولًا إلى تحديثات الوثائق. اطّلع على إرشادات المساهمة لمزيد من المعلومات.
نحن متحمسون لرؤية الطرق المبتكرة التي ستستخدم بها YOLOv5. انطلق وجرّب وأحدث ثورة في مشاريع الرؤية الحاسوبية الخاصة بك! 🚀
الأسئلة الشائعة#
تشتهر Ultralytics YOLOv5 بقدراتها على اكتشاف الأجسام بسرعة عالية ودقة عالية. وقد بُنيت على PyTorch، وهي متعددة الاستخدامات وسهلة الاستخدام، ما يجعلها مناسبة لمختلف مشاريع الرؤية الحاسوبية. تشمل الميزات الرئيسية الاستدلال في الوقت الفعلي، ودعم حيل تدريب متعددة مثل زيادة البيانات وقت الاختبار (TTA) وتجميع النماذج، والتوافق مع تنسيقات التصدير مثل TFLite وONNX وCoreML وTensorRT. للتعمق أكثر في كيفية تمكين Ultralytics YOLOv5 لمشروعك، استكشف دليل تصدير TFLite وONNX وCoreML وTensorRT.
يتضمن تدريب نموذج YOLOv5 مخصص على مجموعة بياناتك بضع خطوات رئيسية. أولًا، جهّز مجموعة بياناتك بالتنسيق المطلوب مع إضافة التسميات التوضيحية. ثم اضبط معلمات تدريب YOLOv5 وابدأ عملية التدريب باستخدام البرنامج النصي
train.py. للحصول على برنامج تعليمي متعمق حول هذه العملية، راجع دليل تدريب البيانات المخصصة. فهو يوفر تعليمات خطوة بخطوة لضمان تحقيق أفضل النتائج لحالة الاستخدام الخاصة بك.يُفضَّل استخدام Ultralytics YOLOv5 على نماذج مثل R-CNN بفضل سرعتها ودقتها المتفوقتين في اكتشاف الأجسام في الوقت الفعلي. تعالج YOLOv5 الصورة بأكملها دفعة واحدة، ما يجعلها أسرع بكثير مقارنة بالنهج القائم على المناطق في RCNN، الذي يتضمن تمريرات متعددة. بالإضافة إلى ذلك، فإن تكامل YOLOv5 السلس مع تنسيقات التصدير المختلفة ووثائقها الشاملة يجعلانها خيارًا ممتازًا للمبتدئين والمحترفين على حد سواء. تعرّف على المزيد من المزايا المعمارية في ملخص البنية.
يتضمن تحسين أداء نموذج YOLOv5 ضبط معلمات فائقة متنوعة وإدراج تقنيات مثل زيادة البيانات والتعلّم بالنقل. توفر Ultralytics موارد شاملة حول تطوّر المعلمات الفائقة والتشذيب/التناثر لتحسين كفاءة النموذج. يمكنك اكتشاف نصائح عملية في دليل نصائح الحصول على أفضل نتائج التدريب، الذي يقدم رؤى قابلة للتنفيذ لتحقيق أفضل أداء أثناء التدريب.
تدعم Ultralytics YOLOv5 مجموعة متنوعة من البيئات، بما في ذلك دفاتر GPU المجانية على Gradient وGoogle Colab وKaggle، بالإضافة إلى المنصات السحابية الرئيسية مثل Google Cloud وAmazon AWS وAzure. كما تتوفر صور Docker لإعداد مريح. للحصول على دليل مفصل حول إعداد هذه البيئات، راجع قسم البيئات المدعومة، الذي يتضمن تعليمات خطوة بخطوة لكل منصة.