Link to this sectionدليل البدء السريع لـ YOLOv5 🚀#

ابدأ رحلتك في العالم الديناميكي لـ كشف الأشياء في الوقت الفعلي مع Ultralytics YOLOv5! تم تصميم هذا الدليل ليكون نقطة انطلاق شاملة لعشاق ومحترفي الذكاء الاصطناعي الذين يهدفون إلى إتقان YOLOv5. من الإعداد الأولي إلى تقنيات التدريب المتقدمة، نحن نوفر لك كل ما تحتاجه. بنهاية هذا الدليل، ستمتلك المعرفة اللازمة لتنفيذ YOLOv5 في مشاريعك بثقة باستخدام أحدث أساليب التعلم العميق. لنشغل المحركات وننطلق في عالم YOLOv5!

Link to this sectionتثبيت#

استعد للانطلاق عن طريق استنساخ مستودع YOLOv5 وإعداد البيئة. هذا يضمن تثبيت جميع المتطلبات اللازمة. تأكد من أن لديك Python>=3.8.0 و PyTorch>=1.8 جاهزين للإقلاع. هذه الأدوات الأساسية ضرورية لتشغيل YOLOv5 بفعالية.

git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies

Link to this sectionالاستدلال باستخدام PyTorch Hub#

جرب بساطة الاستدلال عبر PyTorch Hub في YOLOv5، حيث يتم تنزيل النماذج بسلاسة من أحدث إصدار لـ YOLOv5. تستفيد هذه الطريقة من قوة PyTorch لتحميل النماذج وتنفيذها بسهولة، مما يجعل الحصول على التوقعات أمراً مباشراً.

import torch

# Model loading
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # Can be 'yolov5n' - 'yolov5x6', or 'custom'

# Inference on images
img = "https://ultralytics.com/images/zidane.jpg"  # Can be a file, Path, PIL, OpenCV, numpy, or list of images

# Run inference
results = model(img)

# Display results
results.print()  # Other options: .show(), .save(), .crop(), .pandas(), etc. Explore these in the Predict mode documentation.

Link to this sectionالاستدلال باستخدام detect.py#

استخدم detect.py لعمليات استدلال مرنة على مصادر متنوعة. يقوم البرنامج تلقائياً بجلب النماذج من أحدث إصدار لـ YOLOv5 ويحفظ النتائج بسهولة. هذا النص البرمجي مثالي للاستخدام عبر سطر الأوامر ودمج YOLOv5 في أنظمة أكبر، ويدعم مدخلات مثل الصور، ومقاطع الفيديو، والمجلدات، وكاميرات الويب، وحتى البث المباشر.

python detect.py --weights yolov5s.pt --source 0                              # webcam
python detect.py --weights yolov5s.pt --source image.jpg                      # image
python detect.py --weights yolov5s.pt --source video.mp4                      # video
python detect.py --weights yolov5s.pt --source screen                         # screenshot
python detect.py --weights yolov5s.pt --source path/                          # directory
python detect.py --weights yolov5s.pt --source list.txt                       # list of images
python detect.py --weights yolov5s.pt --source list.streams                   # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg'                   # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream

Link to this sectionالتدريب#

قم بتكرار معايير مجموعة بيانات COCO الخاصة بـ YOLOv5 باتباع تعليمات التدريب أدناه. يتم جلب النماذج ومجموعات البيانات الضرورية (مثل coco128.yaml أو coco.yaml الكاملة) مباشرة من أحدث إصدار لـ YOLOv5. عادةً ما يستغرق تدريب YOLOv5n/s/m/l/x على GPU من نوع V100 حوالي 1/2/4/6/8 أيام على التوالي (لاحظ أن إعدادات التدريب متعدد GPU تعمل بشكل أسرع). حقق أقصى قدر من الأداء باستخدام أعلى --batch-size ممكن أو استخدم --batch-size -1 لميزة AutoBatch في YOLOv5، التي تجد تلقائياً حجم الدفعة الأمثل. أحجام الدفعات التالية مثالية لـ GPUs من نوع V100-16GB. ارجع إلى دليل التكوين الخاص بنا للحصول على تفاصيل حول ملفات تكوين النماذج (*.yaml).

# Train YOLOv5n on COCO128 for 3 epochs
python train.py --data coco128.yaml --epochs 3 --weights yolov5n.pt --batch-size 128

# Train YOLOv5s on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64

# Train YOLOv5m on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40

# Train YOLOv5l on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24

# Train YOLOv5x on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16

ختاماً، لا يُعد YOLOv5 أداة متطورة لكشف الأشياء فحسب، بل هو أيضاً شهادة على قوة التعلم الآلي في تغيير طريقة تفاعلنا مع العالم من خلال الفهم البصري. بينما تتقدم في هذا الدليل وتبدأ في تطبيق YOLOv5 على مشاريعك، تذكر أنك في طليعة ثورة تكنولوجية، وقادر على تحقيق إنجازات رائعة في الرؤية الحاسوبية. إذا كنت بحاجة إلى مزيد من الرؤى أو الدعم من زملائك من أصحاب الرؤى، فأنت مدعو إلى مستودع GitHub الخاص بنا، وهو موطن لمجتمع مزدهر من المطورين والباحثين. استكشف موارد إضافية مثل منصة Ultralytics لإدارة مجموعات البيانات وتدريب النماذج بدون برمجة، أو تحقق من صفحة الحلول الخاصة بنا للاطلاع على تطبيقات العالم الحقيقي والإلهام. استمر في الاستكشاف، استمر في الابتكار، واستمتع بروائع YOLOv5. كشفاً سعيداً! 🌠🔍