YOLOv5 Quickstart 🚀

انطلق في رحلتك نحو عالم اكتشاف الكائنات فائق السرعة مع Ultralytics YOLOv5! صُمم 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 بكل ثقة باستخدام أحدث أساليب التعلم العميق. لنبدأ تشغيل المحركات وننطلق في عالم YOLOv5!

تثبيت

استعد للإطلاق عن طريق استنساخ مستودع YOLOv5 وإعداد البيئة. يضمن هذا 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

الاستنتاج باستخدام PyTorch Hub

جرب بساطة الاستنتاج باستخدام PyTorch Hub الخاص بـ 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.

الاستنتاج باستخدام detect.py

استخدم detect.py للحصول على استنتاج مرن على مصادر متنوعة. يقوم النص البرمجي تلقائياً بجلب النماذج من أحدث إصدار لـ YOLOv5 ويحفظ النتائج بسهولة. هذا النص البرمجي مثالي للاستخدام عبر سطر الأوامر ودمج YOLOv5 في أنظمة أكبر، مع دعم مدخلات مثل الصور ومقاطع الفيديو والأدلة 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

التدريب

قم بتقليد معايير مجموعة بيانات COCO الخاصة بـ YOLOv5 باتباع تعليمات التدريب أدناه. يتم سحب النماذج ومجموعات البيانات اللازمة (مثل coco128.yaml أو ملف coco.yaml الكامل) مباشرة من أحدث إصدار لـ YOLOv5. يتطلب تدريب YOLOv5n/s/m/l/x على GPU من طراز V100 عادةً 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 ممكنة أو استخدم --batch-size -1 لميزة AutoBatch في YOLOv5، والتي تجد تلقائياً حجم الدفعة الأمثل. أحجام الدفعات التالية مثالية لـ GPUs من طراز V100-16GB. راجع دليل التكوين الخاص بنا للحصول على تفاصيل حول ملفات تكوين النموذج (*.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 لاكتشاف الكائنات فحسب، بل هو أيضاً دليل 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، قادرة على تحقيق إنجازات رائعة في الرؤية الحاسوبية. إذا كنت بحاجة إلى مزيد من الأفكار أو الدعم من زملائك المبدعين، فأنت مدعو إلى مستودع GitHub الخاص بنا، الذي يضم مجتمعاً مزدهراً من المطورين والباحثين. استكشف المزيد من الموارد مثل منصة Ultralytics لإدارة مجموعات البيانات وتدريب النماذج بدون كود، أو تحقق من صفحة حلولنا للحصول على تطبيقات واقعية وإلهام. استمر في الاستكشاف، استمر في الابتكار، واستمتع بعجائب YOLOv5. اكتشافاً سعيداً! 🌠🔍