الأسئلة الشائعة (FAQ) حول Ultralytics YOLO

يتناول قسم الأسئلة الشائعة هذا الأسئلة والمشكلات الشائعة التي قد يواجهها المستخدمون أثناء العمل مع مستودعات Ultralytics YOLO.

الأسئلة الشائعة

ما هي Ultralytics وما الذي تقدمه؟

تعتبر Ultralytics شركة ذكاء اصطناعي في مجال رؤية الكمبيوتر متخصصة في أحدث نماذج اكتشاف الكائنات وتقسيم الصور، مع التركيز على عائلة YOLO (أنت تنظر مرة واحدة فقط). وتشمل عروضهم:

• تطبيقات مفتوحة المصدر لـ YOLOv8 و YOLO11
• مجموعة واسعة من النماذج المدربة مسبقًا لمهام رؤية الكمبيوتر المختلفة
• حزمة بايثون شاملة للتكامل السلس لنماذج YOLO في المشاريع
• أدوات متعددة الاستخدامات لتدريب النماذج واختبارها ونشرها
• وثائق شاملة ومجتمع داعم

كيف يمكنني تثبيت حزمة Ultralytics؟

تثبيت حزمة Ultralytics بسيط باستخدام pip:

pip install ultralytics

للحصول على أحدث إصدار تطويري، قم بالتثبيت مباشرة من مستودع GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

يمكن العثور على تعليمات التثبيت التفصيلية في دليل البدء السريع.

ما هي متطلبات النظام لتشغيل نماذج Ultralytics؟

الحد الأدنى من المتطلبات:

• Python 3.8+
• PyTorch 1.8+
• وحدة معالجة الرسوميات (GPU) متوافقة مع CUDA (لتسريع GPU)

الإعداد الموصى به:

• Python 3.8+
• PyTorch 1.10+
• NVIDIA GPU مع CUDA 11.2+
• ذاكرة وصول عشوائي (RAM) بسعة 8 جيجابايت أو أكثر
• مساحة قرص حرة تزيد عن 50 جيجابايت (لتخزين مجموعة البيانات وتدريب النموذج)

لتحديد المشاكل الشائعة وإصلاحها، قم بزيارة صفحة مشاكل YOLO الشائعة.

كيف يمكنني تدريب نموذج YOLO مخصص على مجموعة البيانات الخاصة بي؟

لتدريب نموذج YOLO مخصص:

1. قم بإعداد مجموعة البيانات الخاصة بك بتنسيق YOLO (صور وملفات txt للتسميات المقابلة).
2. أنشئ ملف YAML يصف بنية مجموعة البيانات والفئات الخاصة بك.

3. استخدم كود Python التالي لبدء التدريب:

   from ultralytics import YOLO
   
   # Load a model
   model = YOLO("yolov8n.yaml")  # build a new model from scratch
   model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
   
   # Train the model
   results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
   

للحصول على دليل أكثر تعمقًا، بما في ذلك إعداد البيانات وخيارات التدريب المتقدمة، ارجع إلى دليل التدريب الشامل.

ما هي النماذج المدربة مسبقًا المتوفرة في Ultralytics؟

تقدم Ultralytics مجموعة متنوعة من النماذج المدربة مسبقًا لمهام مختلفة:

• اكتشاف الأجسام: YOLO11n و YOLO11s و YOLO11m و YOLO11l و YOLO11x
• تجزئة المثيلات: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
• التصنيف: YOLO11n-cls، YOLO11s-cls، YOLO11m-cls، YOLO11l-cls، YOLO11x-cls
• تقدير الوضعية: YOLO11n-pose، YOLO11s-pose، YOLO11m-pose، YOLO11l-pose، YOLO11x-pose

تختلف هذه النماذج في الحجم والتعقيد، وتقدم مقايضات مختلفة بين السرعة و الدقة. استكشف المجموعة الكاملة من النماذج المدربة مسبقًا للعثور على الأنسب لمشروعك.

كيف يمكنني إجراء استدلال باستخدام نموذج Ultralytics مدرب؟

لتنفيذ الاستدلال بنموذج مُدرَّب:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

لخيارات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة واستنتاج الفيديو، تحقق من دليل التنبؤ المفصل.

هل يمكن نشر نماذج Ultralytics على الأجهزة الطرفية أو في بيئات الإنتاج؟

بالتأكيد! تم تصميم نماذج Ultralytics لنشر متعدد الاستخدامات عبر منصات مختلفة:

• الأجهزة الطرفية: يمكنك تحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو Intel Neural Compute Stick باستخدام TensorRT أو ONNX أو OpenVINO.
• الأجهزة المحمولة: انشر على أجهزة Android أو iOS عن طريق تحويل النماذج إلى TFLite أو Core ML.
• السحابة: استفد من أطر عمل مثل TensorFlow Serving أو PyTorch Serve لعمليات النشر السحابية القابلة للتطوير.
• الويب: قم بالتنفيذ في المتصفح باستخدام ONNX.js أو TensorFlow.js.

توفر Ultralytics وظائف تصدير لتحويل النماذج إلى تنسيقات مختلفة للنشر. استكشف المجموعة الواسعة من خيارات النشر للعثور على أفضل حل لحالة الاستخدام الخاصة بك.

ما الفرق بين YOLOv8 و YOLO11؟

تشمل الفروق الرئيسية ما يلي:

• البنية: يتميز YOLO11 بتصميم مُحسَّن للعمود الفقري والرأس لتحسين الأداء.
• الأداء: يوفر YOLO11 بشكل عام دقة وسرعة فائقتين مقارنة بـ YOLOv8.
• الكفاءة: يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO مع عدد أقل من المعلمات بنسبة 22٪ مقارنة بـ YOLOv8m.
• المهام: يدعم كلا النموذجين اكتشاف الكائنات، وتجزئة المثيلات، والتصنيف، وتقدير الوضعية في إطار عمل موحد.
• قاعدة الكود: تم تنفيذ YOLO11 بهندسة معيارية وقابلة للتوسيع بشكل أكبر، مما يسهل التخصيص والتوسيع.

لإجراء مقارنة متعمقة لميزات ومقاييس الأداء، قم بزيارة صفحة وثائق YOLO11.

كيف يمكنني المساهمة في مشروع Ultralytics مفتوح المصدر؟

تعد المساهمة في Ultralytics طريقة رائعة لتحسين المشروع وتوسيع مهاراتك. إليك كيف يمكنك المشاركة:

1. تَشعب مستودع Ultralytics على GitHub.
2. أنشئ فرعًا جديدًا للميزة أو إصلاح الأخطاء.
3. قم بإجراء التغييرات الخاصة بك وتأكد من اجتياز جميع الاختبارات.
4. أرسل طلب سحب مع وصف واضح للتغييرات التي أجريتها.
5. شارك في عملية مراجعة الكود.

يمكنك أيضًا المساهمة عن طريق الإبلاغ عن الأخطاء أو اقتراح الميزات أو تحسين الوثائق. للحصول على إرشادات مفصلة وأفضل الممارسات، راجع دليل المساهمة.

كيف يمكنني تثبيت حزمة Ultralytics في Python؟

يعد تثبيت حزمة Ultralytics في Python أمرًا بسيطًا. استخدم pip عن طريق تشغيل الأمر التالي في جهازك الطرفي أو موجه الأوامر:

pip install ultralytics

للحصول على أحدث إصدار تطويري، قم بالتثبيت مباشرة من مستودع GitHub:

pip install git+https://github.com/ultralytics/ultralytics.git

للحصول على إرشادات التثبيت الخاصة بالبيئة ونصائح استكشاف الأخطاء وإصلاحها، راجع دليل البدء السريع الشامل.

ما هي الميزات الرئيسية لـ Ultralytics YOLO؟

تتميز Ultralytics YOLO بمجموعة غنية من الميزات لمهام رؤية الكمبيوتر المتقدمة:

• الكشف في الوقت الحقيقي: الكشف عن الكائنات وتصنيفها بكفاءة في سيناريوهات الوقت الحقيقي.
• قدرات المهام المتعددة: قم بإجراء الكشف عن الأجسام وتجزئة المثيلات والتصنيف وتقدير الوضعية باستخدام إطار عمل موحد.
• نماذج مُدرَّبة مسبقًا: يمكنك الوصول إلى مجموعة متنوعة من النماذج المُدرَّبة مسبقًا التي توازن بين السرعة والدقة لحالات الاستخدام المختلفة.
• تدريب مخصص: يمكنك بسهولة إجراء تعديلات دقيقة على النماذج باستخدام مجموعات بيانات مخصصة مع خطوات التدريب المرنة.
• خيارات نشر واسعة: قم بتصدير النماذج إلى تنسيقات مختلفة مثل TensorRT و ONNX و CoreML للنشر عبر منصات مختلفة.
• وثائق شاملة: استفد من الوثائق الشاملة ومجتمع داعم لإرشادك خلال رحلتك في مجال رؤية الكمبيوتر.

كيف يمكنني تحسين أداء نموذج YOLO الخاص بي؟

يمكن تحقيق تحسين أداء نموذج YOLO الخاص بك من خلال عدة تقنيات:

1. ضبط المعلمات الفائقة: جرب معلمات فائقة مختلفة باستخدام دليل ضبط المعلمات الفائقة لتحسين أداء النموذج.
2. زيادة البيانات: قم بتطبيق تقنيات مثل التقليب والقياس والتدوير وتعديلات الألوان لتحسين مجموعة بيانات التدريب الخاصة بك وتحسين تعميم النموذج.
3. التعلم بالنقل: استفد من النماذج المدربة مسبقًا وقم بضبطها بدقة على مجموعة البيانات الخاصة بك باستخدام دليل التدريب.
4. التصدير إلى تنسيقات فعالة: حوّل نموذجك إلى تنسيقات محسّنة مثل TensorRT أو ONNX لاستدلال أسرع باستخدام دليل التصدير.
5. القياس: استخدم وضع القياس لقياس وتحسين سرعة ودقة الاستدلال بشكل منهجي.

هل يمكنني نشر نماذج Ultralytics YOLO على الأجهزة المحمولة والحافة؟

نعم، تم تصميم نماذج Ultralytics YOLO لنشر متعدد الاستخدامات، بما في ذلك الأجهزة المحمولة والحافة:

• الأجهزة المحمولة: قم بتحويل النماذج إلى TFLite أو CoreML لدمجها بسلاسة في تطبيقات Android أو iOS. راجع دليل تكامل TFLite و دليل تكامل CoreML للحصول على إرشادات خاصة بالنظام الأساسي.
• الأجهزة الطرفية: يمكنك تحسين الاستدلال على أجهزة مثل NVIDIA Jetson أو أجهزة طرفية أخرى باستخدام TensorRT أو ONNX. يوفر دليل تكامل Edge TPU خطوات مفصلة للنشر على الحافة.

للحصول على نظرة عامة شاملة حول استراتيجيات النشر عبر مختلف المنصات، راجع دليل خيارات النشر.

كيف يمكنني إجراء استدلال باستخدام نموذج Ultralytics YOLO مُدرَّب؟

إن إجراء الاستدلال بنموذج Ultralytics YOLO المدرب أمر واضح ومباشر:

1. تحميل النموذج:

   from ultralytics import YOLO
   
   model = YOLO("path/to/your/model.pt")
   

2. تشغيل الاستدلال:

   results = model("path/to/image.jpg")
   
   for r in results:
       print(r.boxes)  # print bounding box predictions
       print(r.masks)  # print mask predictions
       print(r.probs)  # print class probabilities
   

لتقنيات الاستدلال المتقدمة، بما في ذلك المعالجة المجمعة واستنتاج الفيديو والمعالجة المسبقة المخصصة، راجع دليل التنبؤ المفصل.

أين يمكنني العثور على أمثلة ودروس تعليمية لاستخدام Ultralytics؟

توفر Ultralytics ثروة من الموارد لمساعدتك على البدء وإتقان أدواتها:

• 📚 الوثائق الرسمية: أدلة شاملة ومراجع API وأفضل الممارسات.
• 💻 مستودع GitHub: التعليمات البرمجية المصدرية ونصوص الأمثلة ومساهمات المجتمع.
• ✍️ مدونة Ultralytics: مقالات متعمقة وحالات استخدام ورؤى فنية.
• 💬 منتديات المجتمع: تواصل مع المستخدمين الآخرين واطرح الأسئلة وشارك خبراتك.
• 🎥 قناة يوتيوب: دروس فيديو وعروض توضيحية وندوات عبر الإنترنت حول مواضيع Ultralytics مختلفة.

توفر هذه الموارد أمثلة للتعليمات البرمجية وحالات استخدام واقعية وأدلة تفصيلية لمهام مختلفة باستخدام نماذج Ultralytics.

إذا كنت بحاجة إلى مزيد من المساعدة، فلا تتردد في الرجوع إلى وثائق Ultralytics أو التواصل مع المجتمع من خلال مشكلات GitHub أو منتدى المناقشة الرسمي.

📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات