yolov8_test/docs/ar/tasks/classify.md

comments	description	keywords
true	تعرّف على نماذج YOLOv8 Classify لتصنيف الصور. احصل على معلومات مفصلة حول قائمة النماذج المدرّبة مسبقًا وكيفية التدريب والتحقق والتنبؤ وتصدير النماذج.	Ultralytics، YOLOv8، تصنيف الصور، النماذج المدربة مسبقًا، YOLOv8n-cls، التدريب، التحقق، التنبؤ، تصدير النماذج

تصنيف الصور

تعتبر عملية تصنيف الصور أبسط المهام الثلاثة وتنطوي على تصنيف صورة كاملة في إحدى الفئات المحددة سابقًا.

ناتج نموذج تصنيف الصور هو تسمية فئة واحدة ودرجة ثقة. يكون تصنيف الصور مفيدًا عندما تحتاج فقط إلى معرفة فئة الصورة ولا تحتاج إلى معرفة موقع الكائنات التابعة لتلك الفئة أو شكلها الدقيق.

!!! Tip "نصيحة"

تستخدم نماذج YOLOv8 Classify اللاحقة "-cls"، مثالًا "yolov8n-cls.pt" وتم تدريبها على [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).

النماذج

تظهر هنا النماذج المدرّبة مسبقًا لـ YOLOv8 للتصنيف. تم تدريب نماذج الكشف والشعبة والموضع على مجموعة البيانات COCO، بينما تم تدريب نماذج التصنيف مسبقًا على مجموعة البيانات ImageNet.

يتم تنزيل النماذج تلقائيًا من أحدث إصدار لـ Ultralytics releases عند الاستخدام الأول.

النموذج	الحجم (بكسل)	دقة (أعلى 1) acc	دقة (أعلى 5) acc	سرعة التنفيذ ONNX للوحدة المركزية (مللي ثانية)	سرعة التنفيذ A100 TensorRT (مللي ثانية)	المعلمات (مليون)	FLOPs (مليار) لحجم 640
YOLOv8n-cls	224	66.6	87.0	12.9	0.31	2.7	4.3
YOLOv8s-cls	224	72.3	91.1	23.4	0.35	6.4	13.5
YOLOv8m-cls	224	76.4	93.2	85.4	0.62	17.0	42.7
YOLOv8l-cls	224	78.0	94.1	163.0	0.87	37.5	99.7
YOLOv8x-cls	224	78.4	94.3	232.0	1.01	57.4	154.8

• قيمة acc هي دقة النماذج على مجموعة بيانات التحقق ImageNet.
  لإعادة إنتاج ذلك، استخدم yolo val classify data=path/to/ImageNet device=0
• يتم حساب سرعة Speed بناءً على متوسط صور التحقق من ImageNet باستخدام Amazon EC2 P4d.
  لإعادة إنتاج ذلك، استخدم yolo val classify data=path/to/ImageNet batch=1 device=0|cpu

التدريب

قم بتدريب YOLOv8n-cls على مجموعة بيانات MNIST160 لمدة 100 دورة عند حجم الصورة 64 بكسل. للحصول على قائمة كاملة بالوسائط المتاحة، اطلع على صفحة تكوين.

!!! Example "مثال"

=== "Python"

    ```python
    from ultralytics import YOLO

    # تحميل نموذج
    model = YOLO('yolov8n-cls.yaml')  # إنشاء نموذج جديد من نموذج YAML
    model = YOLO('yolov8n-cls.pt')  # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)
    model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # إنشاء من YAML ونقل الأوزان

    # تدريب النموذج
    results = model.train(data='mnist160', epochs=100, imgsz=64)
    ```

=== "CLI"

    ```bash
    # إنشاء نموذج جديد من YAML وبدء التدريب من البداية
    yolo classify train data=mnist160 model=yolov8n-cls.yaml epochs=100 imgsz=64

    # بدء التدريب من نموذج مدرّب بصيغة pt
    yolo classify train data=mnist160 model=yolov8n-cls.pt epochs=100 imgsz=64

    # إنشاء نموذج جديد من YAML ونقل الأوزان المدرّبة مسبقًا وبدء التدريب
    yolo classify train data=mnist160 model=yolov8n-cls.yaml pretrained=yolov8n-cls.pt epochs=100 imgsz=64
    ```

تنسيق مجموعة البيانات

يمكن العثور على تنسيق مجموعة بيانات تصنيف YOLO بالتفصيل في مرشد المجموعة.

التحقق

قم بتحديد دقة النموذج YOLOv8n-cls المدرّب على مجموعة بيانات MNIST160. لا يلزم تمرير أي وسيطة حيث يحتفظ model ببيانات التدريب والوسائط كسمات النموذج.

!!! Example "مثال"

=== "Python"

    ```python
    from ultralytics import YOLO

    # تحميل نموذج
    model = YOLO('yolov8n-cls.pt')  # تحميل نموذج رسمي
    model = YOLO('path/to/best.pt')  # تحميل نموذج مخصص

    # التحقق من النموذج
    metrics = model.val()  # لا تحتاج إلى وسائط، يتم تذكر مجموعة البيانات والإعدادات النموذج
    metrics.top1   # دقة أعلى 1
    metrics.top5   # دقة أعلى 5
    ```
=== "CLI"

    ```bash
    yolo classify val model=yolov8n-cls.pt  # تحقق من النموذج الرسمي
    yolo classify val model=path/to/best.pt  # تحقق من النموذج المخصص
    ```

التنبؤ

استخدم نموذج YOLOv8n-cls المدرّب لتنفيذ تنبؤات على الصور.

!!! Example "مثال"

=== "Python"

    ```python
    from ultralytics import YOLO

    # تحميل نموذج
    model = YOLO('yolov8n-cls.pt')  # تحميل نموذج رسمي
    model = YOLO('path/to/best.pt')  # تحميل نموذج مخصص

    # تنبؤ باستخدام النموذج
    results = model('https://ultralytics.com/images/bus.jpg')  # تنبؤ على صورة
    ```
=== "CLI"

    ```bash
    yolo classify predict model=yolov8n-cls.pt source='https://ultralytics.com/images/bus.jpg'  # تنبؤ باستخدام النموذج الرسمي
    yolo classify predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # تنبؤ باستخدام النموذج المخصص
    ```

راجع تفاصيل كاملة حول وضع predict في الصفحة Predict.

تصدير

قم بتصدير نموذج YOLOv8n-cls إلى تنسيق مختلف مثل ONNX، CoreML، وما إلى ذلك.

!!! Example "مثال"

=== "Python"

    ```python
    from ultralytics import YOLO

    # تحميل نموذج
    model = YOLO('yolov8n-cls.pt')  # تحميل نموذج رسمي
    model = YOLO('path/to/best.pt')  # تحميل نموذج مدرّب مخصص

    # تصدير النموذج
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-cls.pt format=onnx  # تصدير النموذج الرسمي
    yolo export model=path/to/best.pt format=onnx  # تصدير نموذج مدرّب مخصص
    ```

تتوفر صيغ تصدير YOLOv8-cls في الجدول أدناه. يمكنك تنبؤ أو التحقق من الصحة مباشرةً على النماذج المصدر، أي "yolo predict model=yolov8n-cls.onnx". يتم عرض أمثلة لاستخدام النموذج الخاص بك بعد الانتهاء من التصدير.

الصيغة	وسيطة الصيغة	النموذج	البيانات الوصفية	الوسيطات
PyTorch	-	yolov8n-cls.pt	✅	-
TorchScript	torchscript	yolov8n-cls.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n-cls.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n-cls_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n-cls.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n-cls.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n-cls_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n-cls.pb	❌	imgsz
TF Lite	tflite	yolov8n-cls.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n-cls_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n-cls_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n-cls_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n-cls_ncnn_model/	✅	imgsz, half

راجع التفاصيل الكاملة حول export في الصفحة Export.