|
|
|
|
|
---
|
|
|
|
|
|
comments: true
|
|
|
|
|
|
description: استكشف مجموعة متنوعة من عائلة YOLO، SAM، MobileSAM، FastSAM، YOLO-NAS ونماذج RT-DETR المدعومة بواسطة Ultralytics. ابدأ مع أمثلة للإستخدام باستخدام واجهة سطر الأوامر ولغة البايثون.
|
|
|
|
|
|
keywords: Ultralytics، مستندات، YOLO، SAM، MobileSAM، FastSAM، YOLO-NAS، RT-DETR، نماذج، هندسات، Python، CLI
|
|
|
|
|
|
---
|
|
|
|
|
|
|
|
|
|
|
|
# النماذج المدعومة بواسطة Ultralytics
|
|
|
|
|
|
|
|
|
|
|
|
مرحبًا بك في مستندات نماذج Ultralytics! نحن نقدم دعمًا لمجموعة واسعة من النماذج، وكل نموذج مصمم لمهام محددة مثل [كشف الكائنات](../tasks/detect.md)، [تجزئة الحالات](../tasks/segment.md)، [تصنيف الصور](../tasks/classify.md)، [تقدير الوضع](../tasks/pose.md)، و[تتبع العديد من الكائنات](../modes/track.md). إذا كنت مهتمًا بالمساهمة في بنية نموذجك في Ultralytics ، تحقق من [دليل المساهمة](../../help/contributing.md).
|
|
|
|
|
|
|
|
|
|
|
|
!!! Note
|
|
|
|
|
|
|
|
|
|
|
|
🚧 مستنداتنا متعددة اللغات قيد الإنشاء حاليًا ونحن نعمل بجد لتحسينها. شكرا لك على صبرك! 🙏
|
|
|
|
|
|
|
|
|
|
|
|
## النماذج المميزة
|
|
|
|
|
|
|
|
|
|
|
|
فيما يلي بعض النماذج الرئيسية المدعمة:
|
|
|
|
|
|
|
|
|
|
|
|
1. **[YOLOv3](../../models/yolov3.md)**: الإصدار الثالث من عائلة نموذج YOLO، والذي أنشأه جوزيف ريدمون، والمعروف بقدرته على الكشف في الوقت الحقيقي بكفاءة.
|
|
|
|
|
|
2. **[YOLOv4](../../models/yolov4.md)**: تحديث لنموذج YOLOv3 الأصلي من قبل اليكسي بوتشكوفسكي في عام 2020.
|
|
|
|
|
|
3. **[YOLOv5](../../models/yolov5.md)**: إصدار محسن لبنية YOLO بواسطة Ultralytics ، يقدم أداءً أفضل وتفاوتات سرعة مقارنة بالإصدارات السابقة.
|
|
|
|
|
|
4. **[YOLOv6](../../models/yolov6.md)**: تم إصداره بواسطة [ميتوان](https://about.meituan.com/) في عام 2022 ، ويستخدم في العديد من روبوتات التسليم الذاتي للشركة.
|
|
|
|
|
|
5. **[YOLOv7](../../models/yolov7.md)**: نماذج YOLO المحدثة التي تم إطلاقها في عام 2022 من قبل أصحاب YOLOv4.
|
|
|
|
|
|
6. **[YOLOv8](../../models/yolov8.md)**: أحدث إصدار من عائلة YOLO ، ويتميز بقدرات محسنة مثل تجزئة الحالات، وتقدير النقاط الرئيسة، والتصنيف.
|
|
|
|
|
|
7. **[Segment Anything Model (SAM)](../../models/sam.md)**: نموذج Segment Anything Model (SAM) من Meta.
|
|
|
|
|
|
8. **[Mobile Segment Anything Model (MobileSAM)](../../models/mobile-sam.md)**: MobileSAM لتطبيقات الهواتف المحمولة ، من جامعة Kyung Hee.
|
|
|
|
|
|
9. **[Fast Segment Anything Model (FastSAM)](../../models/fast-sam.md)**: FastSAM من مجموعة تحليل الصور والفيديو، معهد الأتمتة، الأكاديمية الصينية للعلوم.
|
|
|
|
|
|
10. **[YOLO-NAS](../../models/yolo-nas.md)**: نماذج YOLO للبحث في تصميم العمارة العصبية.
|
|
|
|
|
|
11. **[Realtime Detection Transformers (RT-DETR)](../../models/rtdetr.md)**: نماذج PaddlePaddle Realtime Detection Transformer (RT-DETR) من Baidu.
|
|
|
|
|
|
|
|
|
|
|
|
<p align="center">
|
|
|
|
|
|
<br>
|
|
|
|
|
|
<iframe width="720" height="405" src="https://www.youtube.com/embed/MWq1UxqTClU?si=nHAW-lYDzrz68jR0"
|
|
|
|
|
|
title="YouTube video player" frameborder="0"
|
|
|
|
|
|
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share"
|
|
|
|
|
|
allowfullscreen>
|
|
|
|
|
|
</iframe>
|
|
|
|
|
|
<br>
|
|
|
|
|
|
<strong>شاهد:</strong> قم بتشغيل نماذج Ultralytics YOLO في بضعة أسطر من الكود.
|
|
|
|
|
|
</p>
|
|
|
|
|
|
|
|
|
|
|
|
## البدء: أمثلة للإستخدام
|
|
|
|
|
|
|
|
|
|
|
|
!!! Example "مثال"
|
|
|
|
|
|
|
|
|
|
|
|
=== "Python"
|
|
|
|
|
|
|
|
|
|
|
|
يمكن تمرير نماذج PyTorch مدربة سابقًا بتنسيق `*.pt` بالإضافة إلى ملفات التكوين بتنسيق `*.yaml` إلى فئات `YOLO()`، `SAM()`، `NAS()` و `RTDETR()` لإنشاء نموذج في Python:
|
|
|
|
|
|
|
|
|
|
|
|
```python
|
|
|
|
|
|
from ultralytics import YOLO
|
|
|
|
|
|
|
|
|
|
|
|
# قم بتحميل نموذج YOLOv8n المدرب بـ COCO المسبق
|
|
|
|
|
|
model = YOLO('yolov8n.pt')
|
|
|
|
|
|
|
|
|
|
|
|
# عرض معلومات النموذج (اختياري)
|
|
|
|
|
|
model.info()
|
|
|
|
|
|
|
|
|
|
|
|
# قم بتدريب النموذج على مجموعة بيانات COCO8 لمدة 100 حقبة
|
|
|
|
|
|
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
|
|
|
|
|
|
|
|
|
|
|
|
# قم بتشغيل الاستدلال مع نموذج YOLOv8n على صورة 'bus.jpg'
|
|
|
|
|
|
results = model('path/to/bus.jpg')
|
|
|
|
|
|
```
|
|
|
|
|
|
=== "CLI"
|
|
|
|
|
|
|
|
|
|
|
|
هناك أوامر CLI متاحة لتشغيل النماذج مباشرةً:
|
|
|
|
|
|
|
|
|
|
|
|
```bash
|
|
|
|
|
|
# قم بتحميل نموذج YOLOv8n المدرب بـ COCO المسبق و تدريبه على مجموعة بيانات COCO8 لمدة 100 حقبة
|
|
|
|
|
|
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640
|
|
|
|
|
|
|
|
|
|
|
|
# قم بتحميل نموذج YOLOv8n المدرب بـ COCO المسبق و قم بتشغيل الاستدلال على صورة 'bus.jpg'
|
|
|
|
|
|
yolo predict model=yolov8n.pt source=path/to/bus.jpg
|
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
|
|
## المساهمة في نماذج جديدة
|
|
|
|
|
|
|
|
|
|
|
|
هل ترغب في المساهمة بنموذجك في Ultralytics؟ رائع! نحن مفتوحون دائمًا لتوسيع مجموعة النماذج الخاصة بنا.
|
|
|
|
|
|
|
|
|
|
|
|
1. **انسخ المستودع**: ابدأ بإنشاء فرع جديد في مستودع [Ultralytics GitHub repository ](https://github.com/ultralytics/ultralytics).
|
|
|
|
|
|
|
|
|
|
|
|
2. **نسخ Fork الخاص بك**: نسخ Fork الخاص بك إلى جهاز الكمبيوتر المحلي الخاص بك وأنشئ فرعًا جديدًا للعمل عليه.
|
|
|
|
|
|
|
|
|
|
|
|
3. **اتبع نموذجك**: قم بإضافة نموذجك وفقًا لمعايير البرمجة والتوجيهات المقدمة في [دليل المساهمة](../../help/contributing.md).
|
|
|
|
|
|
|
|
|
|
|
|
4. **اختبر بدقة**: تأكد من اختبار نموذجك بدقة ، سواء بشكل منفصل أم كجزء من السلسلة.
|
|
|
|
|
|
|
|
|
|
|
|
5. **أنشئ طلبًا للدمج**: بمجرد أن تكون راضيًا عن نموذجك، قم بإنشاء طلب للدمج إلى البرنامج الرئيسي للمراجعة.
|
|
|
|
|
|
|
|
|
|
|
|
6. **استعراض ودمج الكود**: بعد المراجعة، إذا كان نموذجك يلبي معاييرنا، فسيتم دمجه في البرنامج الرئيسي.
|
|
|
|
|
|
|
|
|
|
|
|
للخطوات المفصلة ، استشر [دليل المساهمة](../../help/contributing.md).
|
