دليل شامل لـ Ultralytics YOLOv5
مرحبًا بك في وثائق Ultralytics YOLOv5🚀! تم تصميم Ultralytics YOLOv5، الإصدار الخامس من نموذج "You Only Look Once" الثوري لاكتشاف الكائنات، لتقديم نتائج عالية السرعة وعالية الدقة في الوقت الفعلي. في حين أن YOLOv5 لا تزال أداة قوية، ضع في اعتبارك استكشاف خليفتها، Ultralytics YOLOv8، للحصول على أحدث التطورات.
تم بناء هذا الإطار القوي للتعلم العميق على PyTorch، وقد اكتسب شعبية هائلة لتعدد استخداماته وسهولة استخدامه وأدائه العالي. يرشدك التوثيق الخاص بنا خلال عملية التثبيت، ويشرح الفروق المعمارية الدقيقة للنموذج، ويعرض حالات الاستخدام المختلفة، ويقدم سلسلة من الدروس التعليمية التفصيلية. ستساعدك هذه الموارد على تسخير الإمكانات الكاملة لـ YOLOv5 لمشاريع رؤية الحاسوب الخاصة بك. هيا بنا نبدأ!
اكتشف وتعلّم
إليك تجميع للدروس التعليمية الشاملة التي ستوجهك خلال جوانب مختلفة من YOLOv5.
- تدريب بيانات مخصصة 🚀 مُوصَى به: تعرف على كيفية تدريب نموذج YOLOv5 على مجموعة البيانات المخصصة الخاصة بك.
- نصائح للحصول على أفضل نتائج التدريب ☘️: اكتشف النصائح العملية لتحسين عملية تدريب النموذج الخاص بك.
- التدريب على وحدات معالجة الرسوميات المتعددة: فهم كيفية الاستفادة من وحدات معالجة الرسوميات المتعددة لتسريع التدريب الخاص بك.
- PyTorch Hub 🌟 جديد: تعلم كيفية تحميل النماذج المدربة مسبقًا عبر PyTorch Hub.
- تصدير TFLite و ONNX و CoreML و TensorRT 🚀: فهم كيفية تصدير النموذج الخاص بك إلى تنسيقات مختلفة.
- زيادة وقت الاختبار (TTA): استكشف كيفية استخدام TTA لتحسين دقة تنبؤ النموذج الخاص بك.
- تجميع النماذج: تعلم إستراتيجية الجمع بين نماذج متعددة لتحسين الأداء.
- تقليم النموذج/التباعد: فهم مفاهيم التقليم والتباعد، وكيفية إنشاء نموذج أكثر كفاءة.
- تطوير المعلمات الفائقة: اكتشف عملية الضبط الآلي للمعلمات الفائقة لتحسين أداء النموذج.
- التعلم بالنقل مع الطبقات المجمدة: تعرف على كيفية تنفيذ التعلم بالنقل عن طريق تجميد الطبقات في YOLOv5.
- ملخص البنية 🌟 تعمق في التفاصيل الهيكلية لنموذج YOLOv5. اقرأ منشور مدونة YOLOv5 v6.0 لمزيد من الأفكار.
- ClearML Logging Integration 🌟 تعرف على كيفية دمج ClearML لتسجيل فعال أثناء تدريب النموذج الخاص بك.
- YOLOv5 مع Neural Magic اكتشف كيفية استخدام DeepSparse من Neural Magic لتقليم وتكميم نموذج YOLOv5 الخاص بك.
- Comet Logging Integration 🌟 جديد: اكتشف كيفية استخدام Comet لتحسين تسجيل تدريب النموذج.
البيئات المدعومة
توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، وكل منها مُثبت مسبقًا مع التبعيات الأساسية مثل CUDA و CuDNN و Python و PyTorch، لبدء مشاريعك. يمكنك أيضًا إدارة النماذج ومجموعات البيانات الخاصة بك باستخدام Ultralytics HUB.
- دفاتر ملاحظات GPU مجانية:
- Google Cloud: دليل البدء السريع في GCP
- Amazon: دليل البدء السريع في AWS
- Azure: دليل البدء السريع في AzureML
- Docker: دليل البدء السريع لـ Docker
حالة المشروع
تشير هذه الشارة إلى أن جميع اختبارات التكامل المستمر (CI) لـ YOLOv5 GitHub Actions قد اجتازت بنجاح. تتحقق اختبارات CI هذه بدقة من وظائف وأداء YOLOv5 عبر مختلف الجوانب الرئيسية: التدريب، التحقق، الاستدلال، التصدير، و المعايير. وهي تضمن تشغيلًا متسقًا وموثوقًا على أنظمة macOS و Windows و Ubuntu، مع إجراء الاختبارات كل 24 ساعة وعند كل commit جديد.
الاتصال والمساهمة
رحلتك مع YOLOv5 ليست بالضرورة أن تكون رحلة منفردة. انضم إلى مجتمعنا النابض بالحياة على GitHub، وتواصل مع المحترفين على LinkedIn، وشارك نتائجك على Twitter، وابحث عن موارد تعليمية على YouTube. تابعنا على TikTok و BiliBili لمزيد من المحتوى الجذاب.
هل أنت مهتم بالمساهمة؟ نرحب بالمساهمات بجميع أشكالها، من تحسينات التعليمات البرمجية وتقارير الأخطاء إلى تحديثات الوثائق. تحقق من إرشادات المساهمة الخاصة بنا لمزيد من المعلومات.
نحن متحمسون لرؤية الطرق المبتكرة التي ستستخدم بها YOLOv5. انطلق، وجرّب، وأحدث ثورة في مشاريع رؤية الكمبيوتر الخاصة بك! 🚀
الأسئلة الشائعة
ما هي الميزات الرئيسية لـ Ultralytics YOLOv5؟
يشتهر Ultralytics YOLOv5 بقدراته عالية السرعة وعالية الدقة في الكشف عن الكائنات. تم بناؤه على PyTorch، وهو متعدد الاستخدامات وسهل الاستخدام، مما يجعله مناسبًا لمشاريع رؤية الكمبيوتر المختلفة. تتضمن الميزات الرئيسية الاستدلال في الوقت الفعلي، ودعم العديد من حيل التدريب مثل Test-Time Augmentation (TTA) و Model Ensembling، والتوافق مع تنسيقات التصدير مثل TFLite و ONNX و CoreML و TensorRT. للتعمق أكثر في كيف يمكن لـ Ultralytics YOLOv5 الارتقاء بمشروعك، استكشف دليل تصدير TFLite و ONNX و CoreML و TensorRT الخاص بنا.
كيف يمكنني تدريب نموذج YOLOv5 مخصص على مجموعة البيانات الخاصة بي؟
يتضمن تدريب نموذج YOLOv5 مخصص على مجموعة البيانات الخاصة بك عدة خطوات أساسية. أولاً، قم بإعداد مجموعة البيانات الخاصة بك بالتنسيق المطلوب، مع إضافة التعليقات التوضيحية بالتسميات. بعد ذلك، قم بتهيئة معلمات تدريب YOLOv5 وابدأ عملية التدريب باستخدام train.py البرنامج النصي. للحصول على برنامج تعليمي متعمق حول هذه العملية، راجع دليل تدريب البيانات المخصصة. يوفر إرشادات خطوة بخطوة لضمان الحصول على أفضل النتائج لحالة الاستخدام الخاصة بك.
لماذا يجب علي استخدام Ultralytics YOLOv5 بدلاً من نماذج الكشف عن الكائنات الأخرى مثل RCNN؟
يُفضل Ultralytics YOLOv5 على نماذج مثل R-CNN نظرًا لسرعته ودقته الفائقتين في اكتشاف الكائنات في الوقت الفعلي. يعالج YOLOv5 الصورة بأكملها مرة واحدة، مما يجعله أسرع بكثير مقارنة بالنهج القائم على المنطقة لـ RCNN، والذي يتضمن تمريرات متعددة. بالإضافة إلى ذلك، فإن التكامل السلس لـ YOLOv5 مع تنسيقات التصدير المختلفة والوثائق الشاملة يجعله خيارًا ممتازًا لكل من المبتدئين والمحترفين. تعرف على المزيد حول المزايا المعمارية في ملخص الهندسة المعمارية الخاص بنا.
كيف يمكنني تحسين أداء نموذج YOLOv5 أثناء التدريب؟
يتضمن تحسين أداء نموذج YOLOv5 ضبط مختلف المعلمات الفائقة ودمج تقنيات مثل زيادة البيانات والتعلم بالنقل. توفر Ultralytics موارد شاملة حول تطوير المعلمات الفائقة و التقليم/التباعد لتحسين كفاءة النموذج. يمكنك اكتشاف نصائح عملية في دليل نصائح للحصول على أفضل نتائج التدريب الخاص بنا، والذي يقدم رؤى قابلة للتنفيذ لتحقيق الأداء الأمثل أثناء التدريب.
ما هي البيئات المدعومة لتشغيل تطبيقات YOLOv5؟
يدعم Ultralytics YOLOv5 مجموعة متنوعة من البيئات، بما في ذلك دفاتر ملاحظات GPU المجانية على Gradient وGoogle Colab وKaggle، بالإضافة إلى الأنظمة الأساسية السحابية الرئيسية مثل Google Cloud وAmazon AWS وAzure. تتوفر أيضًا صور Docker لإعداد مريح. للحصول على دليل مفصل حول إعداد هذه البيئات، راجع قسم البيئات المدعومة لدينا، والذي يتضمن إرشادات خطوة بخطوة لكل نظام أساسي.
