دروس شاملة لـ Ultralytics YOLO
مرحبًا بك في أدلة Ultralytics' YOLO 🚀! تغطي دروسنا التعليمية الشاملة جوانب مختلفة من نموذج YOLO للكشف عن الكائنات، بدءًا من التدريب والتنبؤ وحتى النشر. يعتمد YOLO على PyTorch، ويتميز بسرعته الاستثنائية و دقته في مهام الكشف عن الكائنات في الوقت الفعلي.
سواء كنت مبتدئًا أو خبيرًا في التعلم العميق، فإن دروسنا التعليمية تقدم رؤى قيمة حول تنفيذ وتحسين YOLO لمشاريع الرؤية الحاسوبية الخاصة بك. هيا بنا نتعمق!
شاهد: نظرة عامة على أدلة Ultralytics YOLO11
الأدلة
إليك مجموعة من الأدلة المتعمقة لمساعدتك على إتقان جوانب مختلفة من Ultralytics YOLO.
- مشكلات YOLO الشائعة ⭐ مُوصى به: حلول عملية ونصائح لاستكشاف الأخطاء وإصلاحها للمشكلات الأكثر شيوعًا التي تواجهها عند العمل مع نماذج Ultralytics YOLO.
- مقاييس أداء YOLO ⭐ ضروري: فهم المقاييس الرئيسية مثل mAP و IoU و درجة F1 المستخدمة لتقييم أداء نماذج YOLO الخاصة بك. يتضمن أمثلة عملية ونصائح حول كيفية تحسين دقة وسرعة الكشف.
- استدلال YOLO الآمن لسير العمليات المتوازية 🚀 جديد: إرشادات لإجراء الاستدلال باستخدام نماذج YOLO بطريقة آمنة لسير العمليات المتوازية. تعرف على أهمية سلامة سير العمليات المتوازية وأفضل الممارسات لمنع حالات السباق وضمان تنبؤات متسقة.
- زيادة البيانات في YOLO 🚀 جديد: أتقن المجموعة الكاملة من تقنيات زيادة البيانات في YOLO، من التحويلات الأساسية إلى الاستراتيجيات المتقدمة لتحسين قوة وأداء النموذج.
- خيارات نشر النموذج: نظرة عامة على تنسيقات نشر نموذج YOLO مثل ONNX و OpenVINO و TensorRT، مع إيجابيات وسلبيات لكل منها لإرشاد إستراتيجية النشر الخاصة بك.
- التحقق المتبادل K-Fold 🚀 جديد: تعرف على كيفية تحسين تعميم النموذج باستخدام تقنية التحقق المتبادل K-Fold.
- ضبط المعلمات الفائقة 🚀 جديد: اكتشف كيفية تحسين نماذج YOLO الخاصة بك عن طريق الضبط الدقيق للمعلمات الفائقة باستخدام فئة Tuner وخوارزميات التطور الجيني.
- SAHI Tiled Inference 🚀 جديد: دليل شامل حول الاستفادة من إمكانات الاستدلال المقسم في SAHI مع YOLO11 للكشف عن الكائنات في الصور عالية الدقة.
- AzureML Quickstart 🚀 جديد: ابدأ العمل بنماذج Ultralytics YOLO على نظام Azure للتعلم الآلي الخاص بـ Microsoft. تعرف على كيفية تدريب ونشر وتوسيع نطاق مشاريع الكشف عن الكائنات الخاصة بك في السحابة.
- Conda Quickstart 🚀 جديد: دليل تفصيلي لإعداد بيئة Conda لـ Ultralytics. تعرف على كيفية تثبيت حزمة Ultralytics والبدء في استخدامها بكفاءة مع Conda.
- Docker Quickstart 🚀 جديد: دليل كامل لإعداد واستخدام نماذج Ultralytics YOLO مع Docker. تعرف على كيفية تثبيت Docker وإدارة دعم GPU وتشغيل نماذج YOLO في حاويات معزولة لتطوير ونشر متسقين.
- Raspberry Pi 🚀 جديد: برنامج تعليمي للبدء السريع لتشغيل نماذج YOLO على أحدث أجهزة Raspberry Pi.
- NVIDIA Jetson 🚀 جديد: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson.
- DeepStream على NVIDIA Jetson 🚀 جديد: دليل البدء السريع لنشر نماذج YOLO على أجهزة NVIDIA Jetson باستخدام DeepStream و TensorRT.
- تكامل خادم الاستدلال Triton 🚀 جديد: تعمق في تكامل Ultralytics YOLO11 مع خادم الاستدلال Triton من NVIDIA لعمليات نشر استدلال التعلم العميق الفعالة والقابلة للتطوير.
- عزل كائنات التجزئة 🚀 جديد: وصفة خطوة بخطوة وشرح لكيفية استخراج و/أو عزل الكائنات من الصور باستخدام تجزئة Ultralytics.
- Edge TPU على Raspberry Pi: Google Edge TPU يسرع استدلال YOLO على Raspberry Pi.
- عرض صور الاستدلال في الوحدة الطرفية: استخدم الوحدة الطرفية المدمجة في VSCode لعرض نتائج الاستدلال عند استخدام Remote Tunnel أو جلسات SSH.
- أوضاع زمن الوصول مقابل الإنتاجية في OpenVINO - تعلم تقنيات تحسين زمن الوصول والإنتاجية لتحقيق ذروة أداء استدلال YOLO.
- البدء السريع لنظام ROS 🚀 جديد: تعرف على كيفية دمج YOLO مع نظام تشغيل الروبوت (ROS) للكشف عن الكائنات في الوقت الفعلي في تطبيقات الروبوتات، بما في ذلك Point Cloud وصور العمق.
- خطوات مشروع رؤية الكمبيوتر 🚀 جديد: تعرف على الخطوات الرئيسية المتضمنة في مشروع رؤية الكمبيوتر، بما في ذلك تحديد الأهداف واختيار النماذج وإعداد البيانات وتقييم النتائج.
- تحديد أهداف مشروع رؤية الكمبيوتر 🚀 جديد: تعرف على كيفية تحديد أهداف واضحة وقابلة للقياس لمشروع رؤية الكمبيوتر الخاص بك بشكل فعال. تعرف على أهمية وجود بيان مشكلة محدد جيدًا وكيفية إنشائه لخريطة طريق لمشروعك.
- جمع البيانات والتعليقات التوضيحية 🚀 جديد: استكشف الأدوات والتقنيات وأفضل الممارسات لجمع البيانات وإضافة التعليقات التوضيحية لإنشاء مدخلات عالية الجودة لنماذج رؤية الكمبيوتر الخاصة بك.
- المعالجة المسبقة للبيانات المشروحة 🚀 جديد: تعرف على المعالجة المسبقة وتوسيع بيانات الصور في مشاريع رؤية الكمبيوتر باستخدام YOLO11، بما في ذلك التسوية وتوسيع مجموعة البيانات والتقسيم وتحليل البيانات الاستكشافي (EDA).
- نصائح لتدريب النموذج 🚀 جديد: استكشف نصائح حول تحسين أحجام الدُفعات، واستخدام الدقة المختلطة، وتطبيق الأوزان المدربة مسبقًا، والمزيد لجعل تدريب نموذج رؤية الكمبيوتر الخاص بك أمرًا سهلاً.
- رؤى حول تقييم النموذج والضبط الدقيق 🚀 جديد: اكتسب رؤى حول الاستراتيجيات وأفضل الممارسات لتقييم وضبط نماذج رؤية الكمبيوتر الخاصة بك. تعرف على العملية التكرارية لتحسين النماذج لتحقيق أفضل النتائج.
- دليل حول اختبار النموذج 🚀 جديد: دليل شامل حول اختبار نماذج رؤية الكمبيوتر الخاصة بك في بيئات واقعية. تعرف على كيفية التحقق من الدقة والموثوقية والأداء بما يتماشى مع أهداف المشروع.
- أفضل الممارسات لنشر النموذج 🚀 جديد: تعرف على النصائح وأفضل الممارسات لنشر النماذج بكفاءة في مشاريع رؤية الكمبيوتر، مع التركيز على التحسين واستكشاف الأخطاء وإصلاحها والأمان.
- الحفاظ على نموذج رؤية الكمبيوتر الخاص بك 🚀 جديد: فهم الممارسات الأساسية لمراقبة نماذج رؤية الكمبيوتر وصيانتها وتوثيقها لضمان الدقة واكتشاف الحالات الشاذة وتخفيف انجراف البيانات.
ساهم في أدلتنا
نحن نرحب بمساهمات المجتمع! إذا كنت قد أتقنت جانبًا معينًا من Ultralytics YOLO لم يتم تناوله بعد في أدلتنا، فنحن نشجعك على مشاركة خبرتك. يعد كتابة دليل طريقة رائعة لرد الجميل للمجتمع ومساعدتنا في جعل وثائقنا أكثر شمولاً وسهولة في الاستخدام.
للبدء، يرجى قراءة دليل المساهمة الخاص بنا للحصول على إرشادات حول كيفية فتح طلب سحب (PR) 🛠️. نحن نتطلع إلى مساهماتكم!
دعونا نعمل معًا لجعل نظام Ultralytics YOLO البيئي أكثر قوة وتنوعًا 🙏!
الأسئلة الشائعة
كيف يمكنني تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO؟
يعد تدريب نموذج مخصص للكشف عن الكائنات باستخدام Ultralytics YOLO أمرًا بسيطًا. ابدأ بإعداد مجموعة البيانات الخاصة بك بالتنسيق الصحيح وتثبيت حزمة Ultralytics. استخدم الكود التالي لبدء التدريب:
مثال
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50
للحصول على تنسيق مفصل لمجموعة البيانات وخيارات إضافية، راجع دليل نصائح لتدريب النموذج الخاص بنا.
ما هي مقاييس الأداء التي يجب أن أستخدمها لتقييم نموذج YOLO الخاص بي؟
يعد تقييم أداء نموذج YOLO الخاص بك أمرًا بالغ الأهمية لفهم فعاليته. تتضمن المقاييس الرئيسية متوسط الدقة المتوسطة (mAP) و التقاطع على الاتحاد (IoU) ودرجة F1. تساعد هذه المقاييس في تقييم الدقة و الدقة لمهام الكشف عن الكائنات. يمكنك معرفة المزيد حول هذه المقاييس وكيفية تحسين النموذج الخاص بك في دليل مقاييس أداء YOLO الخاص بنا.
لماذا يجب علي استخدام Ultralytics HUB لمشاريع الرؤية الحاسوبية الخاصة بي؟
Ultralytics HUB عبارة عن نظام أساسي بدون تعليمات برمجية يبسط إدارة نماذج YOLO وتدريبها ونشرها. وهو يدعم التكامل السلس والتتبع في الوقت الفعلي والتدريب السحابي، مما يجعله مثاليًا للمبتدئين والمحترفين على حد سواء. اكتشف المزيد حول ميزاته وكيف يمكنه تبسيط سير عملك من خلال دليل البدء السريع Ultralytics HUB الخاص بنا.
ما هي المشكلات الشائعة التي تواجه أثناء تدريب نموذج YOLO، وكيف يمكنني حلها؟
تشمل المشكلات الشائعة أثناء تدريب نموذج YOLO أخطاء تنسيق البيانات، وعدم تطابق بنية النموذج، وعدم كفاية بيانات التدريب. لمعالجة هذه المشكلات، تأكد من تنسيق مجموعة البيانات الخاصة بك بشكل صحيح، وتحقق من وجود إصدارات نموذج متوافقة، وقم بزيادة بيانات التدريب الخاصة بك. للحصول على قائمة شاملة بالحلول، راجع دليل مشكلات YOLO الشائعة الخاص بنا.
كيف يمكنني نشر نموذج YOLO الخاص بي للكشف عن الكائنات في الوقت الفعلي على الأجهزة الطرفية؟
يتطلب نشر نماذج YOLO على الأجهزة الطرفية مثل NVIDIA Jetson و Raspberry Pi تحويل النموذج إلى تنسيق متوافق مثل TensorRT أو TFLite. اتبع الأدلة التفصيلية الخاصة بنا لعمليات نشر NVIDIA Jetson و Raspberry Pi للبدء في الكشف عن الكائنات في الوقت الفعلي على الأجهزة الطرفية. سترشدك هذه الأدلة خلال التثبيت والتكوين وتحسين الأداء.
