تثبيت Ultralytics

تثبيت أو تحديث ultralytics باستخدام pip عن طريق تشغيل pip install -U ultralytics. لمزيد من التفاصيل حول ultralytics ، قم بزيارة فهرس حزم بايثون (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

يمكنك أيضًا تثبيت ultralytics مباشرة من مستودع Ultralytics GitHub. يمكن أن يكون هذا مفيدًا إذا كنت تريد أحدث إصدار تطوير. تأكد من تثبيت أداة سطر الأوامر Git، ثم قم بتشغيل:

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

يمكن استخدام Conda كبديل لـ pip في إدارة الحزم. لمزيد من التفاصيل، قم بزيارة Anaconda. يتوفر مستودع Ultralytics لتحديث حزمة conda على GitHub.

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

صورة Conda Docker

تتوفر أيضًا صور Ultralytics Conda Docker من DockerHub. تعتمد هذه الصور على Miniconda3 وتوفر طريقة مباشرة لبدء استخدام ultralytics في بيئة Conda.

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

استنسخ (Clone) مستودع مستودع Ultralytics GitHub إذا كنت مهتمًا بالمساهمة في التطوير أو ترغب في تجربة أحدث التعليمات البرمجية المصدر. بعد الاستنساخ، انتقل إلى الدليل وقم بتثبيت الحزمة في وضع قابل للتحرير -e باستخدام pip.

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

استخدم Docker لتنفيذ ultralytics في حاوية معزولة، مما يضمن أداءً ثابتًا عبر البيئات المختلفة. عن طريق اختيار أحد ultralytics الرسمية من Docker Hub، يمكنك تجنب تعقيد التثبيت المحلي والوصول إلى بيئة عمل تم التحقق منها. تقدم Ultralytics خمس صور Docker رئيسية مدعومة، تم تصميم كل منها لتحقيق توافق وكفاءة عالية:

• Dockerfile: صورة GPU موصى بها للتدريب.
• Dockerfile-arm64: مُحسَّن لبنية ARM64، ومناسب للنشر على أجهزة مثل Raspberry Pi والمنصات الأخرى المستندة إلى ARM64.
• Dockerfile-cpu: إصدار Ubuntu-based لوحدة المعالجة المركزية (CPU) فقط، ومناسب للاستدلال والبيئات بدون وحدات معالجة الرسوميات (GPUs).
• Dockerfile-jetson: مُصمم خصيصًا لأجهزة NVIDIA Jetson، مع دمج دعم GPU المحسّن لهذه المنصات.
• Dockerfile-python: صورة مصغرة تحتوي فقط على Python والتبعيات الضرورية، وهي مثالية للتطبيقات الخفيفة الوزن والتطوير.
• Dockerfile-conda: استنادًا إلى Miniconda3 مع تثبيت conda الخاص بـ ultralytics .

فيما يلي أوامر الحصول على أحدث صورة وتنفيذها:

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

يقوم الأمر أعلاه بتهيئة حاوية Docker بأحدث ultralytics صورة. تحدد العلامة -it تعيّن العلامات TTY زائفًا وتحافظ على فتح stdin، مما يسمح بالتفاعل مع الحاوية. إن --ipc=host مساحة اسم IPC (الاتصال بين العمليات) للمضيف، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. تتيح العلامة --gpus all تتيح العلامة الوصول إلى جميع وحدات معالجة الرسوميات (GPUs) المتاحة داخل الحاوية، وهو أمر بالغ الأهمية للمهام التي تتطلب حسابات GPU.

ملاحظة: للعمل مع الملفات الموجودة على جهازك المحلي داخل الحاوية، استخدم وحدات تخزين Docker لتركيب دليل محلي في الحاوية:

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

استبدل /path/on/host مع مسار الدليل على جهازك المحلي، و /path/in/container بالمسار المطلوب داخل حاوية Docker.

لاستخدام Docker المتقدم، استكشف دليل Ultralytics Docker.

يمكنك تثبيت ultralytics الحزمة الأساسية بدون أي تبعيات باستخدام --no-deps flag. يتطلب هذا أن تقوم بتثبيت جميع التبعيات الضرورية يدويًا بعد ذلك.

1. تثبيت ultralytics الأساسية:

   pip install ultralytics --no-deps
   

2. تثبيت التبعيات يدويًا: تحتاج إلى تثبيت جميع الحزم المطلوبة المدرجة في pyproject.toml الملف، مع استبدال أو تعديل الإصدارات حسب الحاجة. بالنسبة لمثال OpenCV بدون رأس:

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

إذا كنت بحاجة إلى تعديلات مخصصة دائمة (مثل استخدام دائمًا opencv-python-headless)، يمكنك تفرع مستودع Ultralytics، وإجراء تغييرات على pyproject.toml أو التعليمات البرمجية الأخرى، والتثبيت من نسختك المتفرعة.

1. تَفرّع (Fork) مستودع Ultralytics على GitHub إلى حسابك الخاص على GitHub.
2. استنساخ نسختك محليًا:

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. إنشاء فرع جديد لتغييراتك:

   git checkout -b custom-opencv
   

4. تعديل pyproject.toml: فتح pyproject.toml في محرر نصوص واستبدل السطر الذي يحتوي على "opencv-python>=4.6.0" مع "opencv-python-headless>=4.6.0" (اضبط الإصدار حسب الحاجة).
5. تنفيذ ودفع تغييراتك:

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. تثبيت باستخدام pip مع git+https بناء الجملة، مشيرًا إلى فرعك:

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

تضمن هذه الطريقة استخدام مجموعة التبعيات المخصصة الخاصة بك متى قمت بالتثبيت من عنوان URL المحدد هذا. راجع الطريقة 4 لاستخدام هذا في requirements.txt ملف.

على غرار طريقة "Git Clone" القياسية للتطوير، يمكنك استنساخ المستودع محليًا، وتعديل ملفات التبعية قبل التثبيت، ثم التثبيت في وضع قابل للتحرير.

1. استنساخ مستودع Ultralytics:

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. تعديل pyproject.toml: عدّل الملف لإجراء التغييرات المطلوبة. على سبيل المثال، استخدم sed (على Linux/macOS) أو محرر نصوص لاستبدال opencv-python مع opencv-python-headless. استخدام sed (تحقق من السطر المحدد في pyproject.toml أولاً):

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   أو التعديل يدويًا pyproject.toml للتغيير "opencv-python>=... إلى "opencv-python-headless>=...".
3. تثبيت الحزمة في الوضع القابل للتحرير (-e). سيستخدم Pip الآن التعديل الخاص بك pyproject.toml لحل وتثبيت التبعيات:

   pip install -e .
   

هذا الأسلوب مفيد لاختبار التغييرات المحلية على التبعيات أو تكوينات البناء قبل الالتزام بها أو لإعداد بيئات تطوير محددة.

إذا كنت تدير تبعيات مشروعك باستخدام requirements.txt الملف، يمكنك تحديد نسخة Ultralytics المخصصة الخاصة بك مباشرةً بداخله. يضمن هذا حصول أي شخص يقوم بإعداد المشروع على الإصدار المحدد الخاص بك مع التبعيات المعدلة (مثل opencv-python-headless).

1. إنشاء أو تعديل requirements.txt: أضف سطرًا يشير إلى التفرع المخصص والفرع الخاص بك (كما هو مُعدّ في الطريقة 2).
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   pandas
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   tqdm
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   ملاحظة: لست بحاجة إلى سرد التبعيات المطلوبة بالفعل بواسطة ultralytics تفرع (مثل opencv-python-headless) هنا، حيث سيقوم pip بتثبيتها بناءً على تفرع pyproject.toml.
2. تثبيت التبعيات من الملف:

   pip install -r requirements.txt
   

تتكامل هذه الطريقة بسلاسة مع سير عمل إدارة تبعيات مشاريع Python القياسية مع السماح لك بتثبيت ultralytics إلى مصدر Git المخصص الخاص بك.

تستخدم Ultralytics yolo الأوامر بناء الجملة التالي:

yolo TASK MODE ARGS

اطلع على جميع ARGS في دليل التهيئة الكامل أو باستخدام yolo cfg أمر سطر الأوامر CLI.

تدريب نموذج الكشف لـ 10 حقبات بمعدل تعلم أولي قدره 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

توقع فيديو YouTube باستخدام نموذج تجزئة مدرب مسبقًا بحجم صورة 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

التحقق من صحة نموذج الكشف المدرب مسبقًا بحجم دفعة 1 وحجم صورة 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

تصدير نموذج تصنيف YOLOv11n إلى تنسيق ONNX بحجم صورة 224 × 128 (لا يلزم وجود TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

عدّ الكائنات في فيديو أو بث مباشر باستخدام YOLO11:

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

مراقبة تمارين التمرين باستخدام نموذج وضعية YOLO11:

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

استخدم YOLO11 لعد الكائنات في قائمة انتظار أو منطقة محددة:

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

إجراء الكشف عن الكائنات، أو تجزئة المثيلات، أو تقدير الوضعية في متصفح الويب باستخدام Streamlit:

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

قم بتشغيل أوامر خاصة لرؤية الإصدار، وعرض الإعدادات، وتشغيل الفحوصات، والمزيد:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help

استخدم Python لعرض إعداداتك عن طريق استيراد settings من الوحدة ultralytics الوحدة النمطية. اطبع وأرجع الإعدادات بهذه الأوامر:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

تتيح لك واجهة سطر الأوامر التحقق من إعداداتك باستخدام:

yolo settings

في Python، استخدم update على الكائن settings كائن:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

لتعديل الإعدادات باستخدام واجهة سطر الأوامر:

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset