ultralytics/docs/ar/models/index.md

comments	description	keywords
true	استكشف مجموعة متنوعة من عائلة YOLO، ونماذج SAM وMobileSAM وFastSAM وYOLO-NAS وRT-DETR المدعومة من Ultralytics. ابدأ بأمثلة لكل من استخدام واجهة الأوامر وPython.	Ultralytics, documentation, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, models, architectures, Python, CLI

النماذج المدعومة من Ultralytics

أهلاً بك في وثائق نماذج Ultralytics! نحن نقدم الدعم لمجموعة واسعة من النماذج، كل منها مُصمم لمهام محددة مثل الكشف عن الأجسام، تقطيع الحالات، تصنيف الصور، تقدير الوضعيات، وتتبع الأجسام المتعددة. إذا كنت مهتمًا بالمساهمة في هندسة نموذجك مع Ultralytics، راجع دليل المساهمة.

!!! Note "ملاحظة"

🚧 تحت الإنشاء: وثائقنا بلغات متعددة قيد الإنشاء حاليًا، ونحن نعمل بجد لتحسينها. شكرًا لصبرك! 🙏

النماذج المميزة

إليك بعض النماذج الرئيسية المدعومة:

1. YOLOv3: الإصدار الثالث من عائلة نموذج YOLO، الذي أنشأه أصلاً Joseph Redmon، والمعروف بقدراته الفعالة في الكشف عن الأجسام في الوقت الفعلي.
2. YOLOv4: تحديث محلي لـ YOLOv3، تم إصداره بواسطة Alexey Bochkovskiy في 2020.
3. YOLOv5: نسخة مُحسنة من هندسة YOLO من قبل Ultralytics، توفر أداءً أفضل وتوازن في السرعة مقارنة بالإصدارات السابقة.
4. YOLOv6: أُصدرت بواسطة Meituan في 2022، ويُستخدم في العديد من روبوتات التوصيل الذاتية للشركة.
5. YOLOv7: تم إصدار نماذج YOLO المحدثة في 2022 بواسطة مؤلفي YOLOv4.
6. YOLOv8 جديد 🚀: الإصدار الأحدث من عائلة YOLO، يتميز بقدرات مُعززة مثل تقطيع الحالات، تقدير الوضعيات/النقاط الرئيسية، والتصنيف.
7. Segment Anything Model (SAM): نموذج Segment Anything Model (SAM) من Meta.
8. Mobile Segment Anything Model (MobileSAM): نموذج MobileSAM للتطبيقات المحمولة، من جامعة Kyung Hee.
9. Fast Segment Anything Model (FastSAM): نموذج FastSAM من مجموعة تحليل الصور والفيديو، والمعهد الصيني للأتمتة، وأكاديمية العلوم الصينية.
10. YOLO-NAS: نماذج YOLO Neural Architecture Search (NAS).
11. Realtime Detection Transformers (RT-DETR): نماذج Realtime Detection Transformer (RT-DETR) من PaddlePaddle التابعة لشركة Baidu.

شاهد: تشغيل نماذج YOLO من Ultralytics في بضعة أسطر من الكود فقط.

البدء في الاستخدام: أمثلة على الاستخدام

يوفر هذا المثال أمثلة مبسطة على التدريب والاستدلال باستخدام YOLO. للحصول على الوثائق الكاملة عن هذه وغيرها من الأوضاع, انظر صفحات وثائق التنبؤ، والتدريب، والتقييم والتصدير.

لاحظ أن المثال أدناه هو لنماذج Detect YOLOv8 لكشف الأجسام. للاطلاع على المهام الإضافية المدعومة، راجع وثائق Segment، وClassify وPose.

!!! Example "مثال"

=== "Python"

    نماذج `*.pt` المُدربة مسبقًا وملفات الإعداد `*.yaml` يمكن أن تُمرر إلى فئات `YOLO()`, `SAM()`, `NAS()` و `RTDETR()` لإنشاء مثال نموذج في Python:

    ```python
    من ultralytics استيراد YOLO

    # تحميل نموذج YOLOv8n المُدرب مسبقًا على COCO
    النموذج = YOLO('yolov8n.pt')

    # عرض معلومات النموذج (اختياري)
    model.info()

    # تدريب النموذج على مجموعة البيانات المثالية COCO8 لمدة 100 عصر
    النتائج = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # تشغيل الاستدلال بنموذج YOLOv8n على صورة 'bus.jpg'
    النتائج = model('path/to/bus.jpg')
    ```

=== "CLI"

    الأوامر CLI متاحة لتشغيل النماذج مباشرة:

    ```bash
    # تحميل نموذج YOLOv8n المُدرب مسبقًا على COCO وتدريبه على مجموعة البيانات المثالية COCO8 لمدة 100 عصر
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # تحميل نموذج YOLOv8n المُدرب مسبقًا على COCO وتشغيل الاستدلال على صورة 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

المساهمة بنماذج جديدة

هل أنت مهتم بالمساهمة بنموذجك في Ultralytics؟ رائع! نحن دائمًا منفتحون على توسيع محفظة النماذج لدينا.

1. احفظ نسخة عن المستودع: ابدأ بحفظ نسخة عن مستودع Ultralytics على GitHub.

2. استنسخ نسختك: انسخ نسختك إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.

3. طبق نموذجك: أضف نموذجك متبعًا معايير وإرشادات البرمجة الموفرة في دليل المساهمة لدينا.

4. اختبر بدقة: تأكد من اختبار نموذجك بشكل مكثف، سواء بشكل منفصل أو كجزء من المسار البرمجي.

5. أنشئ Pull Request: بمجرد أن تكون راضًيا عن نموذجك، قم بإنشاء طلب سحب إلى المستودع الرئيسي للمراجعة.

6. مراجعة الكود والدمج: بعد المراجعة، إذا كان نموذجك يلبي معاييرنا، سيتم دمجه في المستودع الرئيسي.

للخطوات التفصيلية، يرجى الرجوع إلى دليل المساهمة.