أوضاع Ultralytics YOLO11
مقدمة
إن Ultralytics YOLO11 ليس مجرد نموذج آخر للكشف عن الكائنات؛ إنه إطار عمل متعدد الاستخدامات مصمم لتغطية دورة الحياة الكاملة لنماذج التعلم الآلي - من استيعاب البيانات وتدريب النموذج إلى التحقق والنشر والتتبع في العالم الحقيقي. يخدم كل وضع غرضًا محددًا وهو مصمم ليمنحك المرونة والكفاءة اللازمة للمهام وحالات الاستخدام المختلفة.
شاهد: البرنامج التعليمي لأوضاع Ultralytics: التدريب والتحقق والتنبؤ والتصدير ووضع المعايير.
لمحة عن الأوضاع
يعد فهم الأوضاع المختلفة التي يدعمها Ultralytics YOLO11 أمرًا بالغ الأهمية لتحقيق أقصى استفادة من النماذج الخاصة بك:
- وضع التدريب: اضبط نموذجك بدقة على مجموعات بيانات مخصصة أو محملة مسبقًا.
- وضع التحقق: نقطة تفتيش بعد التدريب للتحقق من أداء النموذج.
- وضع التنبؤ: أطلق العنان للقوة التنبؤية لنموذجك على بيانات العالم الحقيقي.
- وضع التصدير: اجعل نشر النموذج الخاص بك جاهزًا بتنسيقات مختلفة.
- وضع التتبع: قم بتوسيع نموذج الكشف عن الكائنات الخاص بك إلى تطبيقات التتبع في الوقت الفعلي.
- وضع المعايير: قم بتحليل سرعة ودقة النموذج الخاص بك في بيئات نشر متنوعة.
يهدف هذا الدليل الشامل إلى تزويدك بنظرة عامة ورؤى عملية حول كل وضع، مما يساعدك على تسخير الإمكانات الكاملة لـ YOLO11.
تدريب
يستخدم وضع التدريب لتدريب نموذج YOLO11 على مجموعة بيانات مخصصة. في هذا الوضع، يتم تدريب النموذج باستخدام مجموعة البيانات والمعلمات الفائقة المحددة. تتضمن عملية التدريب تحسين معلمات النموذج بحيث يمكنه التنبؤ بدقة بفئات ومواقع الكائنات في الصورة. التدريب ضروري لإنشاء نماذج يمكنها التعرف على كائنات معينة ذات صلة بتطبيقك.
التحقق
يستخدم وضع Val للتحقق من صحة نموذج YOLO11 بعد تدريبه. في هذا الوضع، يتم تقييم النموذج على مجموعة التحقق لقياس دقته وأداء التعميم. يساعد التحقق في تحديد المشكلات المحتملة مثل التجاوز ويوفر مقاييس مثل متوسط الدقة المتوسطة (mAP) لتحديد الأداء الكمي للنموذج. هذا الوضع ضروري لضبط المعلمات الفائقة وتحسين الفعالية الشاملة للنموذج.
توقع
يُستخدم وضع التنبؤ لعمل تنبؤات باستخدام نموذج YOLO11 مُدرَّب على صور أو مقاطع فيديو جديدة. في هذا الوضع، يتم تحميل النموذج من ملف نقطة تفتيش، ويمكن للمستخدم تزويد الصور أو مقاطع الفيديو لإجراء الاستدلال. يحدد النموذج ويضع الكائنات في الوسائط المدخلة، مما يجعله جاهزًا للتطبيقات الواقعية. وضع التنبؤ هو البوابة لتطبيق النموذج المُدرَّب لحل المشكلات العملية.
تصدير
يُستخدم وضع التصدير لتحويل نموذج YOLO11 إلى تنسيقات مناسبة للنشر عبر مختلف الأنظمة الأساسية والأجهزة. يحول هذا الوضع نموذج PyTorch الخاص بك إلى تنسيقات محسّنة مثل ONNX أو TensorRT أو CoreML، مما يتيح النشر في بيئات الإنتاج. يعد التصدير ضروريًا لدمج النموذج الخاص بك مع تطبيقات برمجية أو أجهزة متنوعة، وغالبًا ما يؤدي إلى تحسينات كبيرة في الأداء.
تتبع
يقوم وضع التتبع بتوسيع قدرات الكشف عن الكائنات في YOLO11 لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. يعتبر هذا الوضع ذا قيمة خاصة للتطبيقات التي تتطلب تحديدًا مستمرًا للكائنات، مثل أنظمة المراقبة أو السيارات ذاتية القيادة. ينفذ وضع التتبع خوارزميات متطورة مثل ByteTrack للحفاظ على هوية الكائن عبر الإطارات، حتى عندما تختفي الكائنات مؤقتًا عن الأنظار.
قياس الأداء
يقوم وضع القياس بتقييم سرعة ودقة تنسيقات التصدير المختلفة لـ YOLO11. يوفر هذا الوضع مقاييس شاملة حول حجم النموذج، والدقة (mAP50-95 لمهام الكشف أو accuracy_top5 للتصنيف)، ووقت الاستدلال عبر تنسيقات مختلفة مثل ONNX و OpenVINO و TensorRT. يساعدك القياس في اختيار تنسيق التصدير الأمثل بناءً على متطلباتك الخاصة للسرعة والدقة في بيئة النشر الخاصة بك.
الأسئلة الشائعة
كيف يمكنني تدريب نموذج اكتشاف كائنات مخصص باستخدام Ultralytics YOLO11؟
يتضمن تدريب نموذج اكتشاف كائنات مخصص باستخدام Ultralytics YOLO11 استخدام وضع التدريب. أنت بحاجة إلى مجموعة بيانات منسقة بتنسيق YOLO، تحتوي على صور وملفات شرح توضيحي مقابلة. استخدم الأمر التالي لبدء عملية التدريب:
مثال
from ultralytics import YOLO
# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640
للحصول على إرشادات أكثر تفصيلاً، يمكنك الرجوع إلى دليل تدريب Ultralytics.
ما هي المقاييس التي يستخدمها Ultralytics YOLO11 للتحقق من أداء النموذج؟
تستخدم Ultralytics YOLO11 مقاييس مختلفة أثناء عملية التحقق من الصحة لتقييم أداء النموذج. وتشمل هذه:
- mAP (متوسط الدقة المتوسطة): يقيم هذا دقة اكتشاف الكائنات.
- IOU (التقاطع على الاتحاد): يقيس التداخل بين مربعات الإحاطة المتوقعة والحقيقية.
- الدقة و الاسترجاع: تقيس الدقة نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات المكتشفة، بينما يقيس الاسترجاع نسبة الاكتشافات الإيجابية الحقيقية إلى إجمالي الإيجابيات الفعلية.
يمكنك تشغيل الأمر التالي لبدء التحقق من الصحة:
مثال
from ultralytics import YOLO
# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")
# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml
راجع دليل التحقق من الصحة لمزيد من التفاصيل.
كيف يمكنني تصدير نموذج YOLO11 الخاص بي للنشر؟
توفر Ultralytics YOLO11 وظيفة تصدير لتحويل النموذج المدرب إلى تنسيقات نشر مختلفة مثل ONNX و TensorRT و CoreML والمزيد. استخدم المثال التالي لتصدير النموذج الخاص بك:
مثال
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx
يمكن العثور على خطوات تفصيلية لكل صيغة تصدير في دليل التصدير.
ما هو الغرض من وضع المعايير في Ultralytics YOLO11؟
يُستخدم وضع القياس المعياري في Ultralytics YOLO11 لتحليل سرعة و الدقة لصيغ التصدير المختلفة مثل ONNX و TensorRT و OpenVINO. وهو يوفر مقاييس مثل حجم النموذج، mAP50-95 لاكتشاف الكائنات، ووقت الاستدلال عبر إعدادات الأجهزة المختلفة، مما يساعدك على اختيار التنسيق الأنسب لاحتياجات النشر الخاصة بك.
مثال
from ultralytics.utils.benchmarks import benchmark
# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0
لمزيد من التفاصيل، راجع دليل القياس المعياري.
كيف يمكنني إجراء تتبع الكائنات في الوقت الفعلي باستخدام Ultralytics YOLO11؟
يمكن تحقيق تتبع الكائنات في الوقت الفعلي باستخدام وضع التتبع في Ultralytics YOLO11. يوسع هذا الوضع قدرات الكشف عن الكائنات لتتبع الكائنات عبر إطارات الفيديو أو البث المباشر. استخدم المثال التالي لتمكين التتبع:
مثال
from ultralytics import YOLO
# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4
للحصول على تعليمات متعمقة، قم بزيارة دليل التتبع.
