ultralytics/docs/ar/models/index.md

comments	description	keywords
true	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.	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، تجزئة الحالات، تصنيف الصور، تقدير الوضع، وتتبع العديد من الكائنات. إذا كنت مهتمًا بالمساهمة في بنية نموذجك في Ultralytics ، تحقق من دليل المساهمة.

!!! Note "ملاحظة"

🚧 مستنداتنا متعددة اللغات قيد الإنشاء حاليًا ونحن نعمل بجد لتحسينها. شكرا لك على صبرك! 🙏

النماذج المميزة

فيما يلي بعض النماذج الرئيسية المدعمة:

1. YOLOv3: الإصدار الثالث من عائلة نموذج YOLO، والذي أنشأه جوزيف ريدمون، والمعروف بقدرته على الكشف في الوقت الحقيقي بكفاءة.
2. YOLOv4: تحديث لنموذج YOLOv3 الأصلي من قبل اليكسي بوتشكوفسكي في عام 2020.
3. YOLOv5: إصدار محسن لبنية YOLO بواسطة Ultralytics ، يقدم أداءً أفضل وتفاوتات سرعة مقارنة بالإصدارات السابقة.
4. YOLOv6: تم إصداره بواسطة ميتوان في عام 2022 ، ويستخدم في العديد من روبوتات التسليم الذاتي للشركة.
5. YOLOv7: نماذج YOLO المحدثة التي تم إطلاقها في عام 2022 من قبل أصحاب YOLOv4.
6. YOLOv8: أحدث إصدار من عائلة YOLO ، ويتميز بقدرات محسنة مثل تجزئة الحالات، وتقدير النقاط الرئيسة، والتصنيف.
7. Segment Anything Model (SAM): نموذج Segment Anything Model (SAM) من Meta.
8. Mobile Segment Anything Model (MobileSAM): MobileSAM لتطبيقات الهواتف المحمولة ، من جامعة Kyung Hee.
9. Fast Segment Anything Model (FastSAM): FastSAM من مجموعة تحليل الصور والفيديو، معهد الأتمتة، الأكاديمية الصينية للعلوم.
10. YOLO-NAS: نماذج YOLO للبحث في تصميم العمارة العصبية.
11. Realtime Detection Transformers (RT-DETR): نماذج PaddlePaddle Realtime Detection Transformer (RT-DETR) من Baidu.

شاهد: قم بتشغيل نماذج Ultralytics YOLO في بضعة أسطر من الكود.

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 .

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.

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.