النماذج المدعومة بواسطة Ultralytics

مرحبًا بك في وثائق نماذج Ultralytics! نحن نقدم الدعم لمجموعة واسعة من النماذج، كل منها مصمم خصيصًا لمهام محددة مثل الكشف عن الأجسام، و تقسيم المثيلات، و تصنيف الصور، و تقدير الوضعية، و تتبع الأجسام المتعددة. إذا كنت مهتمًا بالمساهمة بهيكلة النموذج الخاص بك في Ultralytics، فراجع دليل المساهمة الخاص بنا.

النماذج المميزة

فيما يلي بعض النماذج الرئيسية المدعومة:

1. YOLOv3: التكرار الثالث لعائلة نماذج YOLO، في الأصل بواسطة جوزيف ريدمون، والمعروف بقدراته الفعالة في الكشف عن الأجسام في الوقت الفعلي.
2. YOLOv4: تحديث أصلي لـ YOLOv3 خاص بـ darknet، تم إصداره بواسطة Alexey Bochkovskiy في عام 2020.
3. YOLOv5: نسخة محسنة من هيكلة YOLO بواسطة Ultralytics، توفر أداءً أفضل ومفاضلات في السرعة مقارنة بالإصدارات السابقة.
4. YOLOv6: تم إصداره بواسطة Meituan في عام 2022، ويستخدم في العديد من روبوتات التوصيل الذاتية للشركة.
5. YOLOv7: نماذج YOLO محدثة تم إصدارها في عام 2022 بواسطة مؤلفي YOLOv4. يتم دعم الاستدلال فقط.
6. YOLOv8: نموذج متعدد الاستخدامات يتميز بقدرات محسّنة مثل تجزئة المثيلات وتقدير الوضع/النقاط الرئيسية والتصنيف.
7. YOLOv9: نموذج تجريبي تم تدريبه على قاعدة بيانات Ultralytics YOLOv5 التي تنفذ معلومات التدرج القابلة للبرمجة (PGI).
8. YOLOv10: من جامعة Tsinghua، يتميز بالتدريب الخالي من NMS وهيكلة تعتمد على الكفاءة والدقة، مما يوفر أداءً متطورًا وزمن انتقال.
9. YOLO11 🚀 جديد: أحدث نماذج Ultralytics YOLO التي تقدم أداءً متطورًا (SOTA) عبر مهام متعددة بما في ذلك الاكتشاف والتجزئة وتقدير الوضع والتتبع والتصنيف.
10. نموذج تقسيم أي شيء (SAM): نموذج تقسيم أي شيء (SAM) الأصلي من Meta.
11. نموذج تقسيم أي شيء 2 (SAM2): الجيل التالي من نموذج تقسيم أي شيء (SAM) من Meta لمقاطع الفيديو والصور.
12. نموذج تقسيم أي شيء للهاتف المحمول (MobileSAM): MobileSAM لتطبيقات الهاتف المحمول، من جامعة Kyung Hee.
13. نموذج تقسيم أي شيء السريع (FastSAM): FastSAM بواسطة Image & Video Analysis Group، معهد الأتمتة، الأكاديمية الصينية للعلوم.
14. YOLO-NAS: نماذج YOLO البحث عن بنية عصبية (NAS).
15. محولات الكشف في الوقت الفعلي (RT-DETR): نماذج PaddlePaddle Realtime Detection Transformer (RT-DETR) من Baidu.
16. YOLO-World: نماذج الكشف عن الأجسام ذات المفردات المفتوحة في الوقت الفعلي من Tencent AI Lab.
17. YOLOE: كاشف محسّن للأجسام بمفردات مفتوحة يحافظ على أداء YOLO في الوقت الفعلي مع اكتشاف فئات عشوائية تتجاوز بيانات التدريب الخاصة به.

شاهد: قم بتشغيل نماذج Ultralytics YOLO في بضعة أسطر فقط من التعليمات البرمجية.

البدء: أمثلة الاستخدام

يوفر هذا المثال أمثلة بسيطة لتدريب واستدلال YOLO. للحصول على الوثائق الكاملة حول هذه الأنماط وغيرها، راجع صفحات وثائق التوقع و التدريب و التقييم و التصدير.

لاحظ أن المثال أدناه خاص بنماذج YOLOv8 للكشف عن الكائنات. للحصول على مهام إضافية مدعومة، راجع مستندات التقطيع و التصنيف و الوضع.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

المساهمة بنماذج جديدة

هل أنت مهتم بالمساهمة بنموذجك في Ultralytics؟ هذا رائع! نحن منفتحون دائمًا على توسيع حافظة نماذجنا.

1. تَشعيب المستودع: ابدأ بتشعيب مستودع Ultralytics على GitHub.

2. استنساخ التشعيب الخاص بك: استنسخ التشعيب الخاص بك إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.

3. تنفيذ النموذج الخاص بك: أضف النموذج الخاص بك باتباع معايير وإرشادات البرمجة المتوفرة في دليل المساهمة الخاص بنا.

4. الاختبار بدقة: تأكد من اختبار النموذج الخاص بك بدقة، سواء بشكل مستقل أو كجزء من خط الأنابيب.

5. إنشاء طلب سحب: بمجرد رضاك عن النموذج الخاص بك، قم بإنشاء طلب سحب إلى المستودع الرئيسي للمراجعة.

6. مراجعة التعليمات البرمجية والدمج: بعد المراجعة، إذا كان النموذج الخاص بك يفي بمعاييرنا، فسيتم دمجه في المستودع الرئيسي.

للحصول على خطوات مفصلة، راجع دليل المساهمة الخاص بنا.

الأسئلة الشائعة

ما هي المزايا الرئيسية لاستخدام Ultralytics YOLO11 لاكتشاف الكائنات؟

يوفر Ultralytics YOLO11 قدرات محسّنة مثل الكشف عن الأجسام في الوقت الفعلي، وتجزئة المثيلات، وتقدير الوضع، والتصنيف. تضمن بنيته المحسّنة أداءً عالي السرعة دون التضحية بالدقة، مما يجعله مثاليًا لمجموعة متنوعة من التطبيقات عبر مجالات الذكاء الاصطناعي المتنوعة. يعتمد YOLO11 على الإصدارات السابقة مع تحسين الأداء والميزات الإضافية، كما هو مفصل في صفحة وثائق YOLO11.

كيف يمكنني تدريب نموذج YOLO على بيانات مخصصة؟

يمكن إنجاز تدريب نموذج YOLO على بيانات مخصصة بسهولة باستخدام مكتبات Ultralytics. إليك مثال سريع:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

لمزيد من الإرشادات التفصيلية، تفضل بزيارة صفحة وثائق التدريب.

ما هي إصدارات YOLO التي تدعمها Ultralytics؟

تدعم Ultralytics مجموعة شاملة من إصدارات YOLO ‏(You Only Look Once) من YOLOv3 إلى YOLO11، جنبًا إلى جنب مع نماذج مثل YOLO-NAS و SAM و RT-DETR. تم تحسين كل إصدار لمهام مختلفة مثل الاكتشاف والتجزئة والتصنيف. للحصول على معلومات مفصلة حول كل نموذج، راجع وثائق Models Supported by Ultralytics.

لماذا يجب علي استخدام Ultralytics HUB لمشاريع التعلم الآلي؟

يوفر Ultralytics HUB منصة شاملة ومتكاملة بدون تعليمات برمجية لتدريب نماذج YOLO ونشرها وإدارتها. فهو يبسط سير العمل المعقد، مما يمكّن المستخدمين من التركيز على أداء النموذج والتطبيق. كما يوفر HUB إمكانات التدريب السحابي، وإدارة شاملة لمجموعات البيانات، وواجهات سهلة الاستخدام لكل من المبتدئين والمطورين ذوي الخبرة.

ما هي أنواع المهام التي يمكن أن يؤديها YOLO11، وكيف تتم مقارنته بإصدارات YOLO الأخرى؟

YOLO11 هو نموذج متعدد الاستخدامات قادر على أداء مهام تشمل الكشف عن الكائنات وتقسيم المثيلات والتصنيف وتقدير الوضعية. بالمقارنة مع الإصدارات السابقة، يقدم YOLO11 تحسينات كبيرة في السرعة والدقة نظرًا لبنيته المحسّنة وتصميمه الخالي من المرساة. لإجراء مقارنة أعمق، راجع وثائق YOLO11 و صفحات المهام للحصول على مزيد من التفاصيل حول مهام محددة.

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

تعليقات