المتطرفة
v8.3.31 - `ultralytics 8.3.31` add `max_num_obj` factor for `AutoBatch` (#17514)
中文 | 한국어 | 日本語 | Русский | الألمانية | الفرنسية | الاسبانية | البرتغالية | التركية | تينغ فيت | العربية
Ultralytics YOLO11 هو نموذج متطور ومتطور (SOTA) يعتمد على نجاح إصدارات YOLO السابقة ويقدم ميزات وتحسينات جديدة لزيادة تعزيز الأداء والمرونة. تم تصميم YOLO11 ليكون سريعًا ودقيقًا وسهل الاستخدام، مما يجعله خيارًا ممتازًا لمجموعة واسعة من مهام اكتشاف الكائنات وتتبعها وتجزئة المثيلات وتصنيف الصور ومهام تقدير الوضع.
نأمل أن تساعدك الموارد هنا في تحقيق أقصى استفادة من YOLO. يرجى تصفح مستندات Ultralytics للحصول على التفاصيل، أو إثارة مشكلة على GitHub للحصول على الدعم أو الأسئلة أو المناقشات، وتصبح عضوًا في Ultralytics Discord وReddit والمنتديات!
لطلب ترخيص مؤسسي، يرجى إكمال النموذج الموجود على Ultralytics Licensing.
التوثيق
انظر أدناه للحصول على أمثلة التثبيت والاستخدام السريع، وراجع مستنداتنا للحصول على الوثائق الكاملة حول التدريب والتحقق والتنبؤ والنشر.
يقوم Pip بتثبيت حزمة Ultralytics بما في ذلك جميع المتطلبات في بيئة Python>=3.8 مع PyTorch>=1.8 .
نقطة تثبيت Ultralytics
للتعرف على طرق التثبيت البديلة بما في ذلك Conda وDocker وGit، يرجى الرجوع إلى دليل البدء السريع.
يمكن استخدام YOLO مباشرة في واجهة سطر الأوامر (CLI) باستخدام أمر yolo :
نموذج توقع yolo=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
يمكن استخدام yolo لمجموعة متنوعة من المهام والأوضاع ويقبل وسائط إضافية، مثل imgsz=640 . راجع مستندات YOLO CLI للحصول على أمثلة.
يمكن أيضًا استخدام YOLO مباشرةً في بيئة Python، ويقبل نفس الوسائط كما في مثال CLI أعلاه:
من Ultralytics import YOLO# تحميل نموذجmodelmodel = YOLO("yolo11n.pt")# تدريب modeltrain_results = model.train( data="coco8.yaml", # المسار إلى مجموعة البيانات YAML epochs=100, # عدد عصور التدريب imgsz= 640، # حجم صورة التدريب جهاز = "وحدة المعالجة المركزية"، # جهاز للتشغيل عليه، أي الجهاز = 0 أو الجهاز = 0،1،2،3 أو Device=cpu)# تقييم أداء النموذج عند التحقق من الصحة setmetrics = model.val()# إجراء اكتشاف الكائن على imageresults = model("path/to/image.jpg")results[0].show()# تصدير النموذج إلى ONNX formatpath = model.export(format="onnx") # مسار الإرجاع إلى النموذج المُصدَّرراجع YOLO Python Docs لمزيد من الأمثلة.
نماذج
تتوفر هنا نماذج الكشف والتقسيم والتشكيل YOLO11 التي تم تدريبها مسبقًا على مجموعة بيانات COCO، بالإضافة إلى نماذج تصنيف YOLO11 التي تم تدريبها مسبقًا على مجموعة بيانات ImageNet. يتوفر وضع المسار لجميع موديلات Detect وSegment وPose.
يتم تنزيل جميع النماذج تلقائيًا من أحدث إصدار من Ultralytics عند الاستخدام الأول.
راجع مستندات الكشف للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فصلًا تم تدريبه مسبقًا.
| نموذج | مقاس (بكسل) | خريطة فال 50-95 | سرعة وحدة المعالجة المركزية ONNX (آنسة) | سرعة T4 موترRT10 (آنسة) | المعلمات (م) | يتخبط (ب) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 ± 0.8 | 1.5 ± 0.0 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 ± 1.2 | 2.5 ± 0.0 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 ± 2.0 | 4.7 ± 0.1 | 20.1 | 68.0 |
| يولو11l | 640 | 53.4 | 238.6 ± 1.4 | 6.2 ± 0.1 | 25.3 | 86.9 |
| يولو11x | 640 | 54.7 | 462.8 ± 6.7 | 11.3 ± 0.2 | 56.9 | 194.9 |
قيم mAP val مخصصة لمقياس أحادي النموذج في مجموعة بيانات COCO val2017.
إعادة إنتاج بواسطة yolo val detect data=coco.yaml device=0
تم حساب متوسط السرعة عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
إعادة إنتاج بواسطة yolo val detect data=coco.yaml batch=1 device=0|cpu
راجع مستندات التجزئة للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO-Seg، والتي تتضمن 80 فصلًا تم تدريبه مسبقًا.
| نموذج | مقاس (بكسل) | صندوق الخريطة 50-95 | قناع الخريطة 50-95 | سرعة وحدة المعالجة المركزية ONNX (آنسة) | سرعة T4 موترRT10 (آنسة) | المعلمات (م) | يتخبط (ب) |
|---|---|---|---|---|---|---|---|
| YOLO11n-seg | 640 | 38.9 | 32.0 | 65.9 ± 1.1 | 1.8 ± 0.0 | 2.9 | 10.4 |
| YOLO11s-seg | 640 | 46.6 | 37.8 | 117.6 ± 4.9 | 2.9 ± 0.0 | 10.1 | 35.5 |
| YOLO11m-seg | 640 | 51.5 | 41.5 | 281.6 ± 1.2 | 6.3 ± 0.1 | 22.4 | 123.3 |
| YOLO11l-seg | 640 | 53.4 | 42.9 | 344.2 ± 3.2 | 7.8 ± 0.2 | 27.6 | 142.2 |
| YOLO11x-seg | 640 | 54.7 | 43.8 | 664.5 ± 3.2 | 15.8 ± 0.7 | 62.1 | 319.0 |
قيم mAP val مخصصة لمقياس أحادي النموذج في مجموعة بيانات COCO val2017.
إعادة إنتاج بواسطة yolo val segment data=coco-seg.yaml device=0
تم حساب متوسط السرعة عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
إعادة إنتاج بواسطة yolo val segment data=coco-seg.yaml batch=1 device=0|cpu
راجع مستندات التصنيف للحصول على أمثلة الاستخدام مع هذه النماذج التي تم تدريبها على ImageNet، والتي تتضمن 1000 فئة تم تدريبها مسبقًا.
| نموذج | مقاس (بكسل) | لجنة التنسيق الإدارية أعلى 1 | لجنة التنسيق الإدارية top5 | سرعة وحدة المعالجة المركزية ONNX (آنسة) | سرعة T4 موترRT10 (آنسة) | المعلمات (م) | يتخبط (ب) في 640 |
|---|---|---|---|---|---|---|---|
| YOLO11n-cls | 224 | 70.0 | 89.4 | 5.0 ± 0.3 | 1.1 ± 0.0 | 1.6 | 3.3 |
| YOLO11s-cls | 224 | 75.4 | 92.7 | 7.9 ± 0.2 | 1.3 ± 0.0 | 5.5 | 12.1 |
| YOLO11m-cls | 224 | 77.3 | 93.9 | 17.2 ± 0.4 | 2.0 ± 0.0 | 10.4 | 39.3 |
| YOLO11l-cls | 224 | 78.3 | 94.3 | 23.2 ± 0.3 | 2.8 ± 0.0 | 12.9 | 49.4 |
| YOLO11x-cls | 224 | 79.5 | 94.9 | 41.4 ± 0.9 | 3.8 ± 0.0 | 28.4 | 110.4 |
تمثل قيم acc دقة النموذج في مجموعة التحقق من صحة مجموعة بيانات ImageNet.
إعادة إنتاج بواسطة yolo val classify data=path/to/ImageNet device=0
تم حساب متوسط السرعة عبر صور ImageNet val باستخدام مثيل Amazon EC2 P4d.
إعادة إنتاج بواسطة yolo val classify data=path/to/ImageNet batch=1 device=0|cpu
راجع Pose Docs للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO-Pose، والتي تتضمن فصلًا واحدًا تم تدريبه مسبقًا، شخصًا.
| نموذج | مقاس (بكسل) | وضعية الخريطة 50-95 | وضعية الخريطة 50 | سرعة وحدة المعالجة المركزية ONNX (آنسة) | سرعة T4 موترRT10 (آنسة) | المعلمات (م) | يتخبط (ب) |
|---|---|---|---|---|---|---|---|
| YOLO11n-pose | 640 | 50.0 | 81.0 | 52.4 ± 0.5 | 1.7 ± 0.0 | 2.9 | 7.6 |
| YOLO11s-pose | 640 | 58.9 | 86.3 | 90.5 ± 0.6 | 2.6 ± 0.0 | 9.9 | 23.2 |
| YOLO11m-pose | 640 | 64.9 | 89.4 | 187.3 ± 0.8 | 4.9 ± 0.1 | 20.9 | 71.7 |
| YOLO11l-pose | 640 | 66.1 | 89.9 | 247.7 ± 1.1 | 6.4 ± 0.1 | 26.2 | 90.7 |
| YOLO11x-pose | 640 | 69.5 | 91.1 | 488.0 ± 13.9 | 12.1 ± 0.2 | 58.8 | 203.3 |
قيم mAP val مخصصة لمقياس أحادي النموذج في مجموعة بيانات COCO Keypoints val2017.
إعادة إنتاج بواسطة yolo val pose data=coco-pose.yaml device=0
تم حساب متوسط السرعة عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
إعادة إنتاج بواسطة yolo val pose data=coco-pose.yaml batch=1 device=0|cpu
راجع مستندات OBB للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على DOTAv1، والتي تتضمن 15 فصلًا تم تدريبه مسبقًا.
| نموذج | مقاس (بكسل) | اختبار الخريطة 50 | سرعة وحدة المعالجة المركزية ONNX (آنسة) | سرعة T4 موترRT10 (آنسة) | المعلمات (م) | يتخبط (ب) |
|---|---|---|---|---|---|---|
| YOLO11n-obb | 1024 | 78.4 | 117.6 ± 0.8 | 4.4 ± 0.0 | 2.7 | 17.2 |
| YOLO11s-obb | 1024 | 79.5 | 219.4 ± 4.0 | 5.1 ± 0.0 | 9.7 | 57.5 |
| YOLO11m-obb | 1024 | 80.9 | 562.8 ± 2.9 | 10.1 ± 0.4 | 20.9 | 183.5 |
| YOLO11l-obb | 1024 | 81.0 | 712.5 ± 5.0 | 13.5 ± 0.6 | 26.2 | 232.0 |
| YOLO11x-obb | 1024 | 81.3 | 1408.6 ± 7.7 | 28.6 ± 1.0 | 58.8 | 520.2 |
قيم اختبار mAP مخصصة لمقاييس متعددة للنموذج الواحد في مجموعة بيانات DOTAv1.
قم بالاستنساخ بواسطة yolo val obb data=DOTAv1.yaml device=0 split=test وإرسال النتائج المدمجة لتقييم DOTA.
تم حساب متوسط السرعة عبر صور DOTAv1 باستخدام مثيل Amazon EC2 P4d.
إعادة إنتاج بواسطة yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu
التكامل
تعمل عمليات التكامل الرئيسية لدينا مع منصات الذكاء الاصطناعي الرائدة على توسيع وظائف عروض Ultralytics، مما يعزز المهام مثل تصنيف مجموعة البيانات والتدريب والتصور وإدارة النماذج. اكتشف كيف يمكن لـ Ultralytics، بالتعاون مع W&B وComet وRoboflow وOpenVINO، تحسين سير عمل الذكاء الاصطناعي لديك.
| مركز Ultralytics؟ | دبليو آند بي | المذنب ⭐ جديد | السحر العصبي |
|---|---|---|---|
| تبسيط سير عمل YOLO: قم بتسمية وتدريب ونشر بسهولة باستخدام Ultralytics HUB. حاول الآن! | تتبع التجارب والمعلمات الفائقة والنتائج باستخدام الأوزان والتحيزات | مجانًا إلى الأبد، يتيح لك Comet حفظ نماذج YOLO11 واستئناف التدريب وتصور التنبؤات وتصحيح الأخطاء بشكل تفاعلي | قم بتشغيل استنتاج YOLO11 بشكل أسرع بما يصل إلى 6 مرات باستخدام Neural Magic DeepSparse |
مركز Ultralytics
استمتع بتجربة الذكاء الاصطناعي السلس مع Ultralytics HUB ⭐، الحل الشامل لتصور البيانات، YOLO11؟ تدريب النموذج ونشره، دون أي ترميز. قم بتحويل الصور إلى رؤى قابلة للتنفيذ وإضفاء الحيوية على رؤى الذكاء الاصطناعي الخاصة بك بسهولة باستخدام نظامنا الأساسي المتطور وتطبيق Ultralytics سهل الاستخدام. ابدأ رحلتك مجانًا الآن!
يساهم
نحن نحب مدخلاتك! لن يكون Ultralytics YOLO ممكنًا بدون مساعدة من مجتمعنا. يرجى الاطلاع على دليل المساهمة الخاص بنا للبدء، وملء الاستبيان الخاص بنا لإرسال تعليقات إلينا حول تجربتك. شكرًا لك ؟ لجميع المساهمين لدينا!
رخصة
تقدم Ultralytics خيارين للترخيص لاستيعاب حالات الاستخدام المتنوعة:
ترخيص AGPL-3.0 : يعد هذا الترخيص مفتوح المصدر المعتمد من OSI مثاليًا للطلاب والمتحمسين، حيث يعزز التعاون المفتوح ومشاركة المعرفة. راجع ملف الترخيص لمزيد من التفاصيل.
ترخيص المؤسسة : مصمم للاستخدام التجاري، يسمح هذا الترخيص بالتكامل السلس لبرامج Ultralytics ونماذج الذكاء الاصطناعي في السلع والخدمات التجارية، متجاوزًا متطلبات المصدر المفتوح لـ AGPL-3.0. إذا كان السيناريو الخاص بك يتضمن دمج حلولنا في عرض تجاري، فاتصل من خلال ترخيص Ultralytics.
اتصال
للحصول على تقارير أخطاء Ultralytics وطلبات الميزات، يرجى زيارة مشكلات GitHub. كن عضوًا في Ultralytics Discord أو Reddit أو المنتديات لطرح الأسئلة أو مشاركة المشاريع أو مناقشات التعلم أو للمساعدة في كل ما يتعلق بـ Ultralytics!
