تعلّم الرؤية الحاسوبية باستخدام Ultralytics YOLO

تعلّم كيفية اتخاذ القرارات اللازمة لبناء نظام رؤية يعمل — بدءًا من تحديد المهمة واختيار واحدة من مهام Ultralytics YOLO السبع، وصولًا إلى تدقيق البيانات والتسميات، وتقسيم البيانات بإنصاف، وقراءة المقاييس — مع أمثلة YOLO26 قابلة للتشغيل على صور ومجموعات بيانات حقيقية.

دليل عملي للعمل الذي يسبق التدريب: حوّل هدفًا تجاريًا إلى اختبار قبول، وحدّد البيانات التمثيلية واجمعها، وضع التسميات باتساق، ودقّق الجودة باستخدام نصوص برمجية، وقسّم البيانات من دون تسرب، واضبط الزيادة الاصطناعية للبيانات، واشترط اجتياز ضبط Ultralytics YOLO26 الدقيق الأول لفحص الجاهزية.

انقل Ultralytics YOLO26 من تثبيت جديد إلى كاشف مدرّب على بيانات مخصّصة، ومُتحقَّق من صحته ومُصدَّر. ستنفّذ تنبؤات على الصور، وتُهيّئ مجموعة بيانات حقيقية، وتدرّب كاشفًا للأقراص وتُشخّص أداءه، وتشغّل النماذج على الفيديو مع التتبّع، وتُصدّر إلى ONNX مع إثبات تطابقه مع PyTorch. تُنفَّذ كل خطوة باستخدام Python وسطر الأوامر، على CPU محمول، مع عرض المخرجات الفعلية. يتناول درس بناء مجموعات بيانات YOLO عالية الأداء تخطيط مجموعة البيانات وجمعها وإضافة الوسوم إليها.

يمكنك تدريب كاشف. تدعم Ultralytics YOLO سبع مهام للرؤية الحاسوبية، وتعلّمك هذه الدورة المهام الخمس التي ستصادفها غالبًا بعد الكشف — تجزئة الكائنات وتجزئة الدلالات، وتقدير الوضعية، والصناديق المحيطة الموجّهة، والتصنيف — بدءًا من تنسيق التسميات والتدريب، وصولًا إلى قراءة النتائج برمجيًا، وربط النماذج، والتقييم والتصدير لكل مهمة. أما تقدير العمق، وهو المهمة السابعة، فيُتناول ضمن خطة المهام ودروس التقييم والتصدير.

انقل نموذج Ultralytics YOLO المدرّب إلى بيئة الإنتاج: اختر بيئة التشغيل، وصدّر النموذج وتحقق منه، وحسّنه ليناسب أجهزتك، وتتبع الأجسام، وأنشئ خطوط أنابيب للعد، وشغّل تدفقات متعددة، واكتشف الانجراف قبل أن يلاحظه المستخدمون.

نفّذ مشروع كشف حقيقيًا على Ultralytics Platform: ضع ميزانيته، وأدخِل البيانات ووسّمها، وتأكد من خلو التقسيمات من التسرب، ودرّب عمليات التشغيل وقارن بينها، وانشر نقطة نهاية مخصصة، وراقب الدقة، وأتمت حلقة إعادة التدريب.