Ultralytics YOLO27: انضم إلى قائمة الانتظار.
Get Started
من تثبيت pip إلى كاشف مخصّص جاهز للنشر
مسار الأساسياتمبتدئ ~4 ساعات 10 درسًاالاختبار النهائي · الشهادة

درّب أول نموذج YOLO لديك

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.

بواسطة Ultralytics Academy

ابدأ الدورةسجّل الدخول لحفظ التقدم
ما الذي ستتعلمه

درّب نموذج Ultralytics YOLO26 على مجموعة بيانات مخصّصة، وتحقّق من صحته وصدّره، وشغّله على الفيديو، وتعلّم تشخيص كل خطوة عند حدوث خلل — باستخدام Python وسطر الأوامر.

  • ثبّت Ultralytics، وتحقّق من الجهاز الذي سيستخدمه، ونفّذ تنبؤات YOLO26 باستخدام Python وسطر الأوامر.

  • اختر حجم النموذج استنادًا إلى ميزانية زمن استجابة مقاسة بدلًا من ترتيب قائمة المتصدرين.

  • هيّئ مجموعة بيانات بتنسيق Ultralytics YOLO، وحوّل الوسوم، واكتب data.yaml بحيث يمكن حله من أي موقع.

  • درّب عمليات التشغيل وتحقّق من صحتها واستأنفها وابدأها بتهيئة أولية، وحوّل نواتج التحقق إلى قائمة بالإصلاحات المطلوبة.

  • عالج الفيديو المتدفق وتتبع عناصره، ثم صدّر إلى ONNX وTensorRT وOpenVINO وغيرها، وأثبت تطابق التصدير مع PyTorch.

ما الذي ستنشئه

  • مجموعة بيانات للأقراص بتنسيق YOLO، مع data.yaml يقرأها Ultralytics من دون أي وسوم تالفة.

  • كاشف best.pt مدرّب، مع أرقام التحقق من صحته إلى جانب خط الأساس المدرّب مسبقًا.

  • برنامج فيديو متدفق يحصي العناصر الفريدة باستخدام التتبّع، ويتحقق من قدرته على مواكبة معدل الإطارات.

  • تصدير ONNX تتطابق اكتشافاته وقيمة mAP فيه مع نموذج PyTorch عند استخدام إعدادات متطابقة.

المتطلبات الأساسية

  • Python 3.10 أو أحدث، مع القدرة على تشغيل نصوص Python وأوامر shell براحة.

  • لا حاجة إلى GPU: تعمل كل أمثلة هذه الدورة على CPU محمول في غضون دقائق. ويسرّع استخدام GPU من NVIDIA أو Apple Silicon عمليات التشغيل الأكبر.

  • موصى به: أكمِل أولًا أساسيات الرؤية الحاسوبية وبناء مجموعات بيانات YOLO عالية الأداء.

محتوى الدورة

5 وحدة · 10 درسًا

الوحدة 1

الإعداد
1

تثبيت Ultralytics

ثبّت Ultralytics في بيئة نظيفة، واقرأ تقرير فحوصات yolo للتأكد من جهازك، وأثبت سلامة الإعداد بتنفيذ تنبؤ واحد.

الوحدة 2

التنبؤ
2

التنبؤ على صورة

شغّل نموذج YOLO26 مدرّبًا مسبقًا من Python، واقرأ الفئات ودرجات الثقة ومربعات البكسل من النتائج، واضبط الوسائط التي تعالج معظم حالات عدم الكشف.

3

اختر حجم نموذج Ultralytics YOLO

قارن بين أحجام YOLO26 ‏n وs وm وl وx، واختبرها على العتاد المستهدف، واختر أصغر حجم يلائم ميزانية زمن الاستجابة.

الوحدة 3

البيانات
4

إعداد مجموعة بيانات مخصصة

رتّب الصور والتسميات بتنسيق Ultralytics YOLO، وحوّل مربعات البكسل إلى أسطر تسميات مُطبَّعة، واكتشف التسميات المعطوبة قبل التدريب.

5

كتابة ملف YAML لمجموعة البيانات

اكتب ملف data.yaml لتحديد مجلداتك لـ Ultralytics وتسمية فئاتك، واجعل مساراته صالحة من أي مكان، واختبره سريعًا باستخدام yolo val.

الوحدة 4

التدريب
6

درّب نموذجك الأول

اضبط YOLO26 بدقة على مجموعة بياناتك باستدعاء واحد، وتابع سجل التدريب المباشر سطرًا سطرًا، واعثر على best.pt والمخططات المهمة في مجلد التشغيل.

7

التحقق والتشخيص

تحقق من best.pt بمقارنته بقيمة أساسية، واقرأ مصفوفة الالتباس والأرقام لكل فئة وصور التنبؤ، وحوّلها إلى قائمة إصلاحات محددة.

8

استئناف التدريب والتكرار

استأنف عملية تشغيل انقطعت من دون أي تغيير، وابدأ جولة جديدة بأوزان best.pt ومعدل تعلّم يُطبّق فعليًا، ثم قارن بين عمليات التشغيل جنبًا إلى جنب.

الوحدة 5

النشر
9

تشغيل الاستدلال على الفيديو

شغّل YOLO26 على ملفات الفيديو والكاميرات المباشرة مع ذاكرة محدودة، وتتبع الأجسام لاحتساب كل جسم مرة واحدة، وتحقق من أن النموذج يواكب معدل الإطارات.

10

التصدير للنشر

صدّر best.pt إلى ONNX أو OpenVINO أو TensorRT أو CoreML أو LiteRT أو QNN، ثم أثبت تطابق التصدير مع نموذج PyTorch قبل نشره.