yolov8_test/docs/ar/quickstart.md

comments	description	keywords
true	استكشف أساليب مختلفة لتثبيت Ultralytics باستخدام pip و conda و git و Docker. تعرّف على كيفية استخدام Ultralytics مع واجهة سطر الأوامر أو ضمن مشاريع Python الخاصة بك.	تثبيت Ultralytics, pip install Ultralytics, Docker install Ultralytics, Ultralytics command line interface, Ultralytics Python interface

تثبيت Ultralytics

يوفر Ultralytics طرق تثبيت مختلفة بما في ذلك pip و conda و Docker. يمكنك تثبيت YOLOv8 عن طريق حزمة ultralytics من خلال pip للإصدار الأحدث والمستقر أو من خلال استنساخ مستودع Ultralytics على GitHub للحصول على الإصدار الأحدث. يمكن استخدام Docker لتنفيذ الحزمة في حاوية معزولة، وتجنب التثبيت المحلي.

!!! Note "ملاحظة"

🚧 تم بناء وثائقنا متعددة اللغات حاليًا، ونعمل بجد لتحسينها. شكرًا لك على صبرك! 🙏

!!! Example "تثبيت"

=== "تثبيت باستخدام pip (الموصَى به)"
    قم بتثبيت حزمة `ultralytics` باستخدام pip، أو قم بتحديث التثبيت الحالي عن طريق تشغيل `pip install -U ultralytics`. قم بزيارة مؤشر Python Package Index (PyPI) للحصول على مزيد من التفاصيل حول حزمة `ultralytics`: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/).

    [![نسخة PyPI](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![التنزيلات](https://static.pepy.tech/badge/ultralytics)](https://pepy.tech/project/ultralytics)

    ```bash
    # قم بتثبيت حزمة ultralytics من PyPI
    pip install ultralytics
    ```

    يمكنك أيضًا تثبيت حزمة `ultralytics` مباشرة من مستودع GitHub [repository](https://github.com/ultralytics/ultralytics). قد يكون ذلك مفيدًا إذا كنت ترغب في الحصول على الإصدار التجريبي الأحدث. تأكد من تثبيت أداة الأوامر Git على نظامك. يُثبّت الأمر `@main` الفرع `main` ويمكن تعديله إلى فرع آخر، على سبيل المثال `@my-branch`، أو يمكن إزالته تمامًا للانتقال إلى الفرع الرئيسي `main`.

    ```bash
    # قم بتثبيت حزمة ultralytics من GitHub
    pip install git+https://github.com/ultralytics/ultralytics.git@main
    ```


=== "تثبيت باستخدام conda"
    Conda هو مدير حزم بديل لـ pip ويمكن استخدامه أيضًا للتثبيت. قم بزيارة Anaconda للحصول على مزيد من التفاصيل على [https://anaconda.org/conda-forge/ultralytics](https://anaconda.org/conda-forge/ultralytics). يمكن العثور على مستودع Ultralytics feedstock لتحديث حزمة conda على [https://github.com/conda-forge/ultralytics-feedstock/](https://github.com/conda-forge/ultralytics-feedstock/).


    [![وصفة conda](https://img.shields.io/badge/recipe-ultralytics-green.svg)](https://anaconda.org/conda-forge/ultralytics) [![تنزيلات conda](https://img.shields.io/conda/dn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![إصدار conda](https://img.shields.io/conda/vn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![منصات conda](https://img.shields.io/conda/pn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics)

    ```bash
    # قم بتثبيت حزمة ultralytics باستخدام conda
    conda install -c conda-forge ultralytics
    ```

    !!! Note "ملاحظة"

        إذا كنت تقوم بالتثبيت في بيئة CUDA، فإن الممارسة الجيدة هي تثبيت `ultralytics`, `pytorch` و `pytorch-cuda` في نفس الأمر للسماح لمدير حزم conda بحل أي تعارضات، أو وإلا فقوم بتثبيت  `pytorch-cuda` في نهاية الأمر للسماح له بتجاوز حزمة `pytorch` المحددة لوحدة المعالجة المركزية إذا لزم الأمر.
        ```bash
        # قم بتثبيت كافة الحزم معًا باستخدام conda
        conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
        ```

    ### صورة Docker في Conda

    تتوفر أيضًا صور Docker لـ Conda لـ Ultralytics من [DockerHub](https://hub.docker.com/r/ultralytics/ultralytics). تستند هذه الصور إلى [Miniconda3](https://docs.conda.io/projects/miniconda/en/latest/) وهي وسيلة بسيطة لبدء استخدام `ultralytics` في بيئة Conda.

    ```bash
    # قم بتعيين اسم الصورة بوصفه متغير
    t=ultralytics/ultralytics:latest-conda

    # اسحب أحدث صورة ultralytics من Docker Hub
    sudo docker pull $t

    # قم بتشغيل صورة ultralytics في حاوية مع دعم GPU
    sudo docker run -it --ipc=host --gpus all $t  # all GPUs
    sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  #  قد يتم تحديد GPUs
    ```

=== "استنساخ Git"
    قم بنسخ مستودع `ultralytics` إذا كنت مهتمًا بالمساهمة في التطوير أو ترغب في تجربة الشفرة المصدرية الأحدث. بعد الاستنساخ، انتقل إلى الدليل وقم بتثبيت الحزمة في وضع التحرير `-e` باستخدام pip.
    ```bash
    # قم بنسخ مستودع ultralytics
    git clone https://github.com/ultralytics/ultralytics

    # انتقل إلى الدليل المنسوخ
    cd ultralytics

    # قم بتثبيت الحزمة في وضع التحرير
    pip install -e .
    ```

=== "Docker"

     تمكنك من استخدام Docker بسهولة لتنفيذ حزمة `ultralytics` في حاوية معزولة، مما يضمن أداءً سلسًا ومتسقًا في مختلف البيئات. عن طريق اختيار إحدى صور Docker الأصلية لـ `ultralytics` من [Docker Hub](https://hub.docker.com/r/ultralytics/ultralytics)، لن تتجنب فقط تعقيد التثبيت المحلي ولكنك ستستفيد أيضًا من وصول إلى بيئة عمل متحققة وفعالة. يقدم Ultralytics 5 صور Docker مدعومة رئيسية، يتم تصميم كل منها لتوفير توافق عالي وكفاءة لمنصات وحالات استخدام مختلفة:

    <a href="https://hub.docker.com/r/ultralytics/ultralytics"><img src="https://img.shields.io/docker/pulls/ultralytics/ultralytics?logo=docker" alt="Docker Pulls"></a>

    - **Dockerfile:** صورة GPU الموصى بها للتدريب.
    - **Dockerfile-arm64:** محسّن لبنية ARM64، مما يتيح النشر على أجهزة مثل Raspberry Pi ومنصات أخرى تعتمد على ARM64.
    - **Dockerfile-cpu:** إصدار مناسب للتحكم بوحدة المعالجة المركزية فقط بدون دعم لل GPU.
    - **Dockerfile-jetson:** مصمم خصيصًا لأجهزة NVIDIA Jetson، ويدمج دعمًا لل GPU المحسن لهذه المنصات.
    - **Dockerfile-python:** صورة صغيرة بها فقط Python والتبعيات الضرورية، مثالية للتطبيقات والتطوير الخفيف.
    - **Dockerfile-conda:** قائمة على Miniconda3 مع تثبيت conda لحزمة ultralytics.

    فيما يلي الأوامر للحصول على أحدث صورة وتشغيلها:

    ```bash
    # قم بتعيين اسم الصورة بوصفه متغير
    t=ultralytics/ultralytics:latest

    # اسحب أحدث صورة ultralytics من Docker Hub
    sudo docker pull $t

    # قم بتشغيل صورة ultralytics في حاوية مع دعم GPU
    sudo docker run -it --ipc=host --gpus all $t  # all GPUs
    sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  #  قد يتم تحديد GPUs
    ```

    يقوم الأمر أعلاه بتهيئة حاوية Docker بأحدث صورة `ultralytics`. يُسند العلامة `-it` جهازًا افتراضيًا TTY ويحافظ على فتح stdin لتمكينك من التفاعل مع الحاوية. تعيين العلامة `--ipc=host` مساحة اسم IPC (Inter-Process Communication) إلى المضيف، وهو أمر ضروري لمشاركة الذاكرة بين العمليات. تُمكّن العلامة `--gpus all` الوصول إلى كل وحدات المعالجة المركزية الرسومية المتاحة داخل الحاوية، مما هو أمر حاسم للمهام التي تتطلب حسابات GPU.

    ملاحظة: للعمل مع الملفات على جهازك المحلي داخل الحاوية، استخدم مجلدات Docker لتوصيل دليل محلي بالحاوية:

    ```bash
    # مجلد الدليل المحلي بالحاوية
    sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t
    ```

    قم بتغيير `/path/on/host` بمسار الدليل على جهازك المحلي، و `/path/in/container` باالمسار المطلوب داخل حاوية Docker للوصول إليه.

    للاستفادة القصوى من استخدام Docker المتقدم، لا تتردد في استكشاف [دليل Ultralytics Docker](https://docs.ultralytics.com/guides/docker-quickstart/).

راجع ملف requirements.txt الخاص بـ ultralytics هنا للحصول على قائمة المتطلبات. يُرجى ملاحظة أن جميع الأمثلة أعلاه يتم تثبيت جميع المتطلبات المطلوبة.

شاهد: دليل فتع Ultralytics YOLO السريع

!!! Tip "نصيحة"

يختلف متطلبات PyTorch حسب نظام التشغيل ومتطلبات CUDA، لذا يُوصَى بتثبيت PyTorch أولاً باستخدام التعليمات الموجودة في [https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally).

<a href="https://pytorch.org/get-started/locally/">
    <img width="800" alt="PyTorch تعليمات التثبيت" src="https://user-images.githubusercontent.com/26833433/228650108-ab0ec98a-b328-4f40-a40d-95355e8a84e3.png">
</a>

استخدم Ultralytics مع واجهة سطر الأوامر (CLI)

تتيح واجهة سطر الأوامر (CLI) في Ultralytics تشغيل أوامر بسيطة بدون الحاجة إلى بيئة Python. لا تحتاج CLI إلى أي تخصيص أو كود Python. يمكنك ببساطة تشغيل جميع المهام من الطرفية باستخدام الأمر yolo. تحقق من دليل CLI لمعرفة المزيد حول استخدام YOLOv8 من سطر الأوامر.

!!! Example "مثال"

=== "الصيغة"
    تستخدم أوامر Ultralytics `yolo` الصيغة التالية:
    ```bash
    yolo TASK MODE ARGS
    ```

    - `TASK` (اختياري) أحد التالي ([detect](tasks/detect.md), [segment](tasks/segment.md), [classify](tasks/classify.md), [pose](tasks/pose.md))
    - `MODE` (مطلوب) واحد من ([train](modes/train.md), [val](modes/val.md), [predict](modes/predict.md), [export](modes/export.md), [track](modes/track.md))
    - `ARGS` (اختياري) أزواج "arg=value" مثل `imgsz=640` التي تستبدل القيم الافتراضية.

    راجع جميع `ARGS` [هنا](/../usage/cfg.md) أو باستخدام الأمر `yolo cfg` في سطر الأوامر.

=== "التدريب"
    قم بتدريب نموذج اكتشاف لمدة 10 حلقات مع سعر تعلم بدءي 0.01
    ```bash
    yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
    ```

=== "التنبؤ"
    تنبؤ بفيديو YouTube باستخدام نموذج تجزئة معتمد مسبقًا عند حجم الصورة 320:
    ```bash
    yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
    ```

=== "التحقق"
    التحقق من نموذج اكتشاف معتمد مسبقًا على دُفعَة واحدة وحجم صورة قدره 640:
    ```bash
    yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
    ```

=== "التصدير"
    قم بتصدير نموذج فئة YOLOv8n إلى تنسيق ONNX على حجم صورة 224 بواسطة 128 (لا يلزم TASK)
    ```bash
    yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128
    ```

=== "خاص"
    قم بتشغيل أوامر خاصة لعرض الإصدارة وعرض الإعدادات وتشغيل عمليات التحقق والمزيد:
    ```bash
    yolo help
    yolo checks
    yolo version
    yolo settings
    yolo copy-cfg
    yolo cfg
    ```

!!! Warning "تحذير" يجب تمرير الوسوم كأزواج "arg=val"، وأن تُفصل بعلامة تساوي = وأن تُفصل بمسافات بين الأزواج. لا تستخدم بادئات الوسوم -- أو فواصل , بين الوسوم.

- `yolo predict model=yolov8n.pt imgsz=640 conf=0.25`  ✅
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25`  ❌  (مفقود العلامة المساواة)
- `yolo predict model=yolov8n.pt, imgsz=640, conf=0.25`  ❌ (لا تستخدم `,`)
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`  ❌ (لا تستخدم `--`)

دليل CLI{ .md-button }

استخدم Ultralytics مع Python

تسمح واجهة Python في YOLOv8 بالتكامل السلس في مشاريع Python الخاصة بك، مما يجعل من السهل تحميل النموذج وتشغيله ومعالجة نتائجه. المصممة ببساطة وسهولة الاستخدام في الاعتبار، تمكن واجهة Python المستخدمين من تنفيذ الكشف على الكائنات والتجزئة والتصنيف في مشاريعهم. يجعل هذا واجهة YOLOv8 Python أداة قيمة لأي شخص يرغب في دمج هذه الوظائف في مشاريعهم باسياتو.

على سبيل المثال، يمكن للمستخدمين تحميل نموذج، تدريبه، تقييم أدائه على مجموعة التحقق، وحتى تصديره إلى تنسيق ONNX ببضعة أسطر فقط من الشفرة. تحقق من دليل Python لمعرفة المزيد حول استخدام YOLOv8 داخل مشاريعك الخاصة.

!!! Example "مثال"

```python
from ultralytics import YOLO

# أنشئ نموذج YOLO جديد من البداية
model = YOLO('yolov8n.yaml')

# قم بتحميل نموذج YOLO معتمد مسبقًا (موصَى به للتدريب)
model = YOLO('yolov8n.pt')

# قم بتدريب النموذج باستخدام مجموعة البيانات 'coco128.yaml' لمدة 3 حلقات
results = model.train(data='coco128.yaml', epochs=3)

# قم بتقييم أداء النموذج على مجموعة التحقق
results = model.val()

# قم بإجراء الكشف على صورة باستخدام النموذج
results = model('https://ultralytics.com/images/bus.jpg')

# قم بتصدير النموذج إلى تنسيق ONNX
success = model.export(format='onnx')
```

دليل Python{.md-button .md-button--primary}

إعدادات Ultralytics

يوفر مكتبة Ultralytics نظامًا قويًا لإدارة الإعدادات لتمكين التحكم بمحاكاة تفصيلية لتجاربك. من خلال استخدام SettingsManager في الوحدة ultralytics.utils، يمكن للمستخدمين الوصول بسهولة إلى إعداداتهم وتعديلها. يتم تخزينها في ملف YAML ويمكن عرضها أو تعديلها إما مباشرة في بيئة Python أو من خلال واجهة سطر الأوامر (CLI).

فحص الإعدادات

للحصول على فهم للتكوين الحالي لإعداداتك، يمكنك عرضها مباشرةً:

!!! Example "عرض الإعدادات"

=== "Python"
    يُمكنك استخدام Python لعرض الإعدادات الخاصة بك. ابدأ بـاستيراد الكائن `settings` من وحدة `ultralytics`. استخدم الأوامر التالية لطباعة الإعدادات والعودة منها:
    ```python
    from ultralytics import settings

    # عرض كل الإعدادات
    print(settings)

    # إرجاع إعداد محدد
    value = settings['runs_dir']
    ```

=== "CLI"
    بدلاً من ذلك، واجهة سطر الأوامر تسمح لك بالتحقق من الإعدادات الخاصة بك باستخدام أمر بسيط:
    ```bash
    yolo settings
    ```

تعديل الإعدادات

يسمح لك Ultralytics بتعديل الإعدادات بسهولة. يمكن تنفيذ التغييرات بالطرق التالية:

!!! Example "تحديث الإعدادات"

=== "Python"
    داخل بيئة Python، اطلب الطريقة `update` على الكائن `settings` لتغيير إعداداتك:

    ```python
    from ultralytics import settings

    # تحديث إعداد واحد
    settings.update({'runs_dir': '/path/to/runs'})

    # تحديث إعدادات متعددة
    settings.update({'runs_dir': '/path/to/runs', 'tensorboard': False})

    # إعادة الإعدادات إلى القيم الافتراضية
    settings.reset()
    ```

=== "CLI"
    إذا كنت تفضل استخدام واجهة سطر الأوامر، يمكنك استخدام الأوامر التالية لتعديل إعداداتك:

    ```bash
    # تحديث إعداد واحد
    yolo settings runs_dir='/path/to/runs'

    # تحديث إعدادات متعددة
    yolo settings runs_dir='/path/to/runs' tensorboard=False

    # إعادة الإعدادات إلى القيم الافتراضية
    yolo settings reset
    ```

فهم الإعدادات

يوفر الجدول أدناه نظرة عامة على الإعدادات المتاحة للضبط في Ultralytics. يتم توضيح كل إعداد بالإضافة إلى قيمة مثالية ونوع البيانات ووصف موجز.

الاسم	القيمة المثالية	نوع البيانات	الوصف
settings_version	'0.0.4'	str	إصدار إعدادات Ultralytics (مختلف عن إصدار Ultralytics pip)
datasets_dir	'/path/to/datasets'	str	المسار الذي يتم تخزينه فيه مجموعات البيانات
weights_dir	'/path/to/weights'	str	المسار الذي يتم تخزينه فيه أوزان النموذج
runs_dir	'/path/to/runs'	str	المسار الذي يتم تخزينه فيه تشغيل التجارب
uuid	'a1b2c3d4'	str	مُعرِّف فريد لإعدادات الحالية
sync	True	bool	ما إذا كان يتم مزامنة التحليلات وحوادث الأعطال إلى HUB
api_key	''	str	HUB الخاص بـ Ultralytics API Key
clearml	True	bool	ما إذا كان يتم استخدام ClearML لتسجيل التجارب
comet	True	bool	ما إذا كان يتم استخدام Comet ML لتتبع وتصور التجارب
dvc	True	bool	ما إذا كان يتم استخدام DVC لتتبع التجارب والتحكم في النسخ
hub	True	bool	ما إذا كان يتم استخدام Ultralytics HUB للتكامل
mlflow	True	bool	ما إذا كان يتم استخدام MLFlow لتتبع التجارب
neptune	True	bool	ما إذا كان يتم استخدام Neptune لتتبع التجارب
raytune	True	bool	ما إذا كان يتم استخدام Ray Tune لضبط الحساسية
tensorboard	True	bool	ما إذا كان يتم استخدام TensorBoard للتصور
wandb	True	bool	ما إذا كان يتم استخدام Weights & Biases لتسجيل البيانات

أثناء تنقلك في مشاريعك أو تجاربك، تأكد من مراجعة هذه الإعدادات لضمان تكوينها بشكل مثالي وفقًا لاحتياجاتك.