النماذج المدعومة من Ultralytics

مرحبًا بك في وثائق نماذج Ultralytics! نحن نقدم دعمًا لمجموعة واسعة من النماذج، حيث تم تصميم كل منها لمهام محددة مثل اكتشاف الأجسام، وتجزئة الحالات، وتصنيف الصور، وتقدير الوضعية، وتتبع الأجسام المتعددة. إذا كنت مهتمًا بالمساهمة ببنية النموذج الخاصة بك في Ultralytics، طالع دليل المساهمة الخاص بنا.

النماذج المميزة

فيما يلي بعض النماذج الرئيسية المدعومة:

1. YOLOv3: التكرار الثالث لعائلة نماذج YOLO، الذي قدمه في الأصل Joseph Redmon، والمعروف بقدراته الفعالة على اكتشاف الأجسام في الوقت الفعلي.
2. YOLOv4: تحديث أصلي لـ YOLOv3 يعتمد على darknet، أصدره Alexey Bochkovskiy في عام 2020.
3. YOLOv5: نسخة محسنة من بنية YOLO بواسطة Ultralytics، توفر توازناً أفضل بين الأداء والسرعة مقارنة بالإصدارات السابقة.
4. YOLOv6: أصدرته شركة Meituan في عام 2022، ويُستخدم في العديد من روبوتات التوصيل الذاتية التابعة للشركة.
5. YOLOv7: نماذج YOLO محدثة تم إصدارها في عام 2022 بواسطة مؤلفي YOLOv4. يتم دعم الاستدلال فقط.
6. YOLOv8: نموذج متعدد الاستخدامات يتميز بقدرات معززة مثل تجزئة الحالات، وتقدير الوضعية/النقاط الرئيسية، والتصنيف.
7. YOLOv9: نموذج تجريبي تم تدريبه على قاعدة تعليمات برمجية لـ YOLOv5 من Ultralytics، يطبق معلومات التدرج القابلة للبرمجة (PGI).
8. YOLOv10: من جامعة تسينغخوا، يتميز بتدريب خالٍ من NMS وبنية تعتمد على الكفاءة والدقة، مما يوفر أداءً وزمن انتقال رائدين في المجال.
9. YOLO11: نماذج YOLO من Ultralytics التي تقدم أداءً عاليًا عبر مهام متعددة بما في ذلك الاكتشاف، والتجزئة، وتقدير الوضعية، والتتبع، والتصنيف.
10. YOLO26 🚀 جديد: أحدث نموذج YOLO من الجيل التالي من Ultralytics، مُحسَّن للنشر على الحافة مع استدلال شامل خالٍ من NMS.
11. نموذج Segment Anything (SAM): نموذج Segment Anything (SAM) الأصلي من Meta.
12. نموذج Segment Anything 2 (SAM2): الجيل التالي من نموذج Segment Anything من Meta للفيديوهات والصور.
13. نموذج Segment Anything 3 (SAM3) 🚀 جديد: الجيل الثالث من نموذج Segment Anything من Meta مع تجزئة المفاهيم القابلة للتوجيه (Promptable Concept Segmentation) للتجزئة المستندة إلى أمثلة النص والصور.
14. نموذج Mobile Segment Anything (MobileSAM): MobileSAM للتطبيقات المحمولة، من جامعة كيونغ هي.
15. نموذج Fast Segment Anything (FastSAM): FastSAM من مجموعة تحليل الصور والفيديو، معهد الأتمتة، الأكاديمية الصينية للعلوم.
16. YOLO-NAS: نماذج YOLO البحث عن البنية العصبية (NAS).
17. محولات الاكتشاف في الوقت الفعلي (RT-DETR): نماذج Transformer للاكتشاف في الوقت الفعلي (RT-DETR) من PaddlePaddle التابعة لشركة Baidu.
18. YOLO-World: نماذج اكتشاف الأجسام ذات المفردات المفتوحة في الوقت الفعلي من مختبر Tencent AI.
19. YOLOE: كاشف أجسام متطور بكلمات مفتوحة يحافظ على أداء YOLO في الوقت الفعلي مع اكتشاف فئات عشوائية تتجاوز بيانات تدريبه.

البدء: أمثلة على الاستخدام

يقدم هذا المثال أمثلة بسيطة لتدريب YOLO والاستدلال. للحصول على وثائق كاملة حول هذه الأنماط وغيرها، راجع صفحات وثائق التنبؤ، والتدريب، والتحقق، والتصدير.

لاحظ أن المثال أدناه يسلط الضوء على نماذج YOLO11 للاكتشاف لغرض اكتشاف الأجسام. للمزيد من المهام المدعومة، راجع وثائق التجزئة، والتصنيف، والوضعية.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

المساهمة بنماذج جديدة

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

1. تفرع المستودع (Fork the Repository): ابدأ بتفرع مستودع Ultralytics على GitHub.

2. استنساخ الفرع (Clone Your Fork): قم باستنساخ فرعك إلى جهازك المحلي وأنشئ فرعًا جديدًا للعمل عليه.

3. تنفيذ نموذجك (Implement Your Model): أضف نموذجك باتباع معايير البرمجة والإرشادات الواردة في دليل المساهمة الخاص بنا.

4. الاختبار الشامل (Test Thoroughly): تأكد من اختبار نموذجك بدقة، سواء بشكل منفصل أو كجزء من خط المعالجة.

5. إنشاء طلب سحب (Create a Pull Request): بمجرد أن تشعر بالرضا عن نموذجك، أنشئ طلب سحب إلى المستودع الرئيسي للمراجعة.

6. مراجعة الكود والدمج (Code Review & Merging): بعد المراجعة، إذا كان نموذجك يستوفي معاييرنا، فسيتم دمجه في المستودع الرئيسي.

للحصول على خطوات تفصيلية، راجع دليل المساهمة الخاص بنا.

الأسئلة الشائعة

ما هو أحدث نموذج YOLO من Ultralytics؟

أحدث نموذج YOLO من Ultralytics هو YOLO26، الذي تم إصداره في يناير 2026. يتميز YOLO26 باستدلال شامل خالٍ من NMS، ونشر مُحسَّن على الحافة، ويدعم جميع المهام الخمس (الاكتشاف، والتجزئة، والتصنيف، وتقدير الوضعية، وOBB) بالإضافة إلى إصدارات الكلمات المفتوحة. بالنسبة لأحمال عمل الإنتاج المستقرة، يُنصح باستخدام كل من YOLO26 وYOLO11.

كيف يمكنني تدريب نموذج YOLO على بيانات مخصصة؟

يمكن إنجاز تدريب نموذج YOLO على بيانات مخصصة بسهولة باستخدام مكتبات Ultralytics. إليك مثال سريع:

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

للحصول على تعليمات أكثر تفصيلاً، قم بزيارة صفحة وثائق التدريب.

ما هي إصدارات YOLO المدعومة من قبل Ultralytics؟

تدعم Ultralytics مجموعة شاملة من إصدارات YOLO (You Only Look Once) من YOLOv3 إلى YOLO11، جنبًا إلى جنب مع نماذج مثل YOLO-NAS وSAM وRT-DETR. تم تحسين كل إصدار لمهام مختلفة مثل الاكتشاف والتجزئة والتصنيف. للحصول على معلومات مفصلة حول كل نموذج، راجع وثائق النماذج المدعومة من Ultralytics.

لماذا يجب أن أستخدم منصة Ultralytics لمشاريع التعلم الآلي؟

توفر منصة Ultralytics منصة شاملة وبدون كود لتدريب ونشر وإدارة نماذج YOLO. إنها تبسط مهام العمل المعقدة، مما يتيح للمستخدمين التركيز على أداء النموذج والتطبيق. يوفر HUB أيضًا قدرات التدريب السحابي، وإدارة شاملة لمجموعات البيانات، وواجهات سهلة الاستخدام لكل من المبتدئين والمطورين ذوي الخبرة.

ما هي أنواع المهام التي يمكن لنماذج YOLO من Ultralytics تنفيذها؟

نماذج YOLO من Ultralytics متعددة الاستخدامات ويمكنها تنفيذ مهام تشمل اكتشاف الأجسام، وتجزئة الحالات، والتصنيف، وتقدير الوضعية، واكتشاف الأجسام الموجهة (OBB). يدعم أحدث نموذج، YOLO26، جميع المهام الخمس بالإضافة إلى الاكتشاف ذي المفردات المفتوحة. للحصول على تفاصيل حول مهام محددة، راجع صفحات المهام.