<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>دليل شامل حول Ultralytics YOLOv5
مرحبًا بك في توثيق Ultralytics YOLOv5🚀! تم تصميم Ultralytics YOLOv5، الإصدار الخامس من نموذج اكتشاف الكائنات الثوري "You Only Look Once"، لتقديم نتائج عالية السرعة والدقة في الوقت الفعلي. وبينما لا يزال YOLOv5 أداة قوية، ضع في اعتبارك استكشاف خلفائه، Ultralytics YOLOv8 وYOLO11 وYOLO26، للحصول على أحدث التطورات.
Built on PyTorch, this powerful deep learning framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your computer vision projects. Let's get started!
استكشف وتعلم
إليك مجموعة من البرامج التعليمية الشاملة التي سترشدك عبر جوانب مختلفة من YOLOv5.
- تدريب بيانات مخصصة 🚀 موصى به: تعلم كيفية تدريب نموذج YOLOv5 على مجموعة بياناتك المخصصة.
- نصائح للحصول على أفضل نتائج تدريب ☘️: اكتشف نصائح عملية لتحسين عملية تدريب النموذج الخاصة بك.
- التدريب متعدد وحدات معالجة الرسومات (Multi-GPU): افهم كيفية الاستفادة من وحدات معالجة الرسومات المتعددة لتسريع تدريبك.
- PyTorch Hub 🌟 جديد: تعلم كيفية تحميل نماذج مدربة مسبقًا عبر PyTorch Hub.
- تصدير TFLite، ONNX، CoreML، TensorRT 🚀: افهم كيفية تصدير نموذجك إلى تنسيقات مختلفة.
- تعزيز البيانات أثناء وقت الاختبار (TTA): استكشف كيفية استخدام TTA لتحسين دقة تنبؤ نموذجك.
- تجميع النماذج: تعلم استراتيجية دمج نماذج متعددة لتحسين الأداء.
- تقليم النموذج/الندرة (Pruning/Sparsity): افهم مفاهيم التقليم والندرة، وكيفية إنشاء نموذج أكثر كفاءة.
- تطور المعلمات الفائقة: اكتشف عملية ضبط المعلمات الفائقة الآلي لتحسين أداء النموذج.
- التعلم بنقل المعرفة مع الطبقات المجمدة: تعلم كيفية تنفيذ التعلم بنقل المعرفة عن طريق تجميد الطبقات في YOLOv5.
- ملخص البنية 🌟 تعمق في التفاصيل الهيكلية لنموذج YOLOv5. اقرأ منشور مدونة YOLOv5 v6.0 لمزيد من الأفكار.
- تكامل سجلات ClearML 🌟 تعلم كيفية دمج ClearML من أجل تسجيل فعال أثناء تدريب نموذجك.
- YOLOv5 مع Neural Magic: اكتشف كيفية استخدام DeepSparse الخاص بـ Neural Magic لتقليم وتكميم نموذج YOLOv5 الخاص بك.
- تكامل سجلات Comet 🌟 جديد: استكشف كيفية الاستفادة من Comet لتحسين تسجيل تدريب النموذج.
البيئات المدعومة
توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، كل منها مثبت مسبقًا بالتبعيات الأساسية مثل CUDA وCuDNN وPython وPyTorch، لبدء مشاريعك. يمكنك أيضًا إدارة نماذجك ومجموعات بياناتك باستخدام منصة Ultralytics.
- 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 أن جميع اختبارات التكامل المستمر (CI) الخاصة بـ YOLOv5 GitHub Actions تمر بنجاح. تتحقق اختبارات CI هذه بصرامة من وظائف وأداء YOLOv5 عبر جوانب رئيسية مختلفة: التدريب، والتحقق، والاستدلال، والتصدير، والمعايير. وهي تضمن التشغيل المتسق والموثوق على macOS وWindows وUbuntu، مع إجراء اختبارات كل 24 ساعة وعند كل التزام (commit) جديد.
تواصل وساهم
لا يجب أن تكون رحلتك مع YOLOv5 رحلة 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 للحصول على محتوى أكثر جاذبية.
هل أنت مهتم بالمساهمة؟ نرحب بالمساهمات بجميع أشكالها، من تحسينات الكود وتقارير الأخطاء إلى تحديثات التوثيق. تحقق من إرشادات المساهمة الخاصة بنا لمزيد من المعلومات.
نحن متحمسون لرؤية الطرق المبتكرة التي ستستخدم بها YOLOv5. تعمق في الأمر، وقم بالتجربة، وأحدث ثورة في مشاريع الرؤية الحاسوبية الخاصة بك! 🚀
الأسئلة الشائعة
ما هي الميزات الرئيسية لـ Ultralytics YOLOv5؟
يشتهر Ultralytics YOLOv5 بقدراته العالية في اكتشاف الكائنات بسرعة ودقة عاليتين. تم بناؤه على PyTorch، وهو متعدد الاستخدامات وسهل الاستخدام، مما يجعله مناسبًا لمشاريع الرؤية الحاسوبية المختلفة. تشمل الميزات الرئيسية الاستدلال في الوقت الفعلي، ودعم حيل التدريب المتعددة مثل تعزيز البيانات أثناء وقت الاختبار (TTA) وتجميع النماذج، والتوافق مع تنسيقات التصدير مثل TFLite وONNX وCoreML وTensorRT. للتعمق أكثر في كيفية ارتقاء Ultralytics YOLOv5 بمشروعك، استكشف دليل تصدير TFLite وONNX وCoreML وTensorRT الخاص بنا.
كيف يمكنني تدريب نموذج YOLOv5 مخصص على مجموعة بياناتي؟
يتضمن تدريب نموذج YOLOv5 مخصص على مجموعة بياناتك بضع خطوات رئيسية. أولاً، قم بإعداد مجموعة بياناتك بالتنسيق المطلوب، مع التعليقات التوضيحية بالتصنيفات. بعد ذلك، قم بتهيئة 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 استخدامك المحددة.
لماذا يجب أن أستخدم Ultralytics YOLOv5 بدلاً من نماذج اكتشاف الكائنات الأخرى مثل RCNN؟
يُفضل Ultralytics YOLOv5 على نماذج مثل R-CNN بسبب سرعته ودقته الفائقتين في اكتشاف الكائنات في الوقت الفعلي. يعالج YOLOv5 الصورة بأكملها دفعة واحدة، مما يجعله أسرع بكثير مقارنة بنهج RCNN القائم على المنطقة، والذي يتضمن عمليات تمرير متعددة. بالإضافة إلى ذلك، فإن التكامل السلس لـ YOLOv5 مع تنسيقات التصدير المختلفة والتوثيق الشامل يجعله خيارًا ممتازًا للمبتدئين والمحترفين على حد سواء. تعرف على المزيد حول المزايا المعمارية في ملخص البنية الخاص بنا.
كيف يمكنني تحسين أداء نموذج YOLOv5 أثناء التدريب؟
يتضمن تحسين أداء نموذج YOLOv5 ضبط المعلمات الفائقة المختلفة ودمج تقنيات مثل تعزيز البيانات والتعلم بنقل المعرفة. توفر Ultralytics موارد شاملة حول تطور المعلمات الفائقة والتقليم/الندرة لتحسين كفاءة النموذج. يمكنك اكتشاف نصائح عملية في دليل نصائحنا للحصول على أفضل نتائج تدريب، والذي يقدم رؤى قابلة للتنفيذ لتحقيق الأداء الأمثل أثناء التدريب.
ما هي البيئات المدعومة لتشغيل تطبيقات YOLOv5؟
يدعم Ultralytics YOLOv5 مجموعة متنوعة من البيئات، بما في ذلك دفاتر ملاحظات GPU المجانية على Gradient وGoogle Colab وKaggle، بالإضافة إلى منصات سحابية رئيسية مثل Google Cloud وAmazon AWS وAzure. تتوفر أيضًا صور Docker للإعداد المريح. للحصول على دليل مفصل حول إعداد هذه البيئات، راجع قسم البيئات المدعومة الخاص بنا، والذي يتضمن تعليمات خطوة بخطوة لكل منصة.