انضم إلينا بينما نلقي نظرة فاحصة على كيفية استخدام Ultralytics HUB لتدريب ونشر نماذج Ultralytics YOLO11 الجديدة. سنوجهك خلال العملية خطوة بخطوة.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
انضم إلينا بينما نلقي نظرة فاحصة على كيفية استخدام Ultralytics HUB لتدريب ونشر نماذج Ultralytics YOLO11 الجديدة. سنوجهك خلال العملية خطوة بخطوة.
Ultralytics YOLO11 هو أحدث نموذج رؤية حاسوبية مصمم للمهام مثل اكتشاف الكائنات و تصنيف الصور و تجزئة المثيلات. إنه أسرع وأكثر دقة وكفاءة من الإصدارات السابقة من نماذج YOLO (أنت تنظر مرة واحدة فقط). يمكن استخدام YOLO11 لمجموعة متنوعة من تطبيقات الرؤية الحاسوبية في الوقت الفعلي. والأفضل من ذلك كله، أن البدء في استخدام Ultralytics YOLO11 بسيط ومباشر تمامًا مثل جميع نماذج Ultralytics YOLO الأخرى.
ناقشنا سابقًا الميزات والتحسينات الجديدة في YOLO11 وتطرقنا إلى الوصول إلى النموذج من خلال حزمة Ultralytics Python أو Ultralytics HUB. في هذا الدليل، سنشرح لك كيفية استخدام Ultralytics HUB خطوة بخطوة لتدريب ونشر Ultralytics YOLO11 بسهولة.
Ultralytics HUB عبارة عن منصة Ultralytics سهلة الاستخدام وبدون تعليمات برمجية مصممة لتبسيط العملية بأكملها بدءًا من التدريب وحتى نشر نماذج YOLO، بما في ذلك نماذج Ultralytics YOLO11 التي تم إطلاقها حديثًا. سواء كنت خبيرًا في الذكاء الاصطناعي أو جديدًا في مجال الرؤية الحاسوبية، يوفر HUB واجهة سهلة الاستخدام تتيح لك تحميل مجموعات البيانات وتحديد النماذج المدربة مسبقًا و ضبطها بدقة لتلبية احتياجاتك الخاصة. ببضع نقرات فقط، يمكنك تدريب النماذج للتطبيقات في الوقت الفعلي في الصناعات التي تتراوح من التصنيع إلى الزراعة. يركز HUB على جعل الذكاء الاصطناعي المتقدم في متناول الجميع دون الحاجة إلى ترميز مكثف.
يحتوي Ultralytics HUB على خيارات خطط مختلفة، مع مستوى مجاني للوصول الأساسي وخطة Pro تقدم إمكانات إضافية مثل التدريب السحابي والتعاون الجماعي وزيادة حدود الاستخدام. إليك نظرة سريعة على بعض الميزات الرئيسية التي يقدمها Ultralytics HUB:
يتكامل HUB أيضًا مع العديد من الأنظمة الأساسية، ويمكن للمستخدمين تصدير النماذج المدربة إلى تنسيقات مختلفة مثل ONNX و TensorFlow و CoreML، مما يجعل النشر عبر منصات متعددة سلسًا. بشكل أساسي، Ultralytics HUB يبسط مهام الذكاء الاصطناعي المعقدة، بدءًا من معالجة مجموعات البيانات وحتى نشر النماذج في الوقت الفعلي، كل ذلك في أداة شاملة واحدة.
لتشغيل الاستدلالات على Ultralytics HUB باستخدام YOLO11، ما عليك سوى الانتقال إلى قسم "Models" واختيار نموذج YOLO11 الذي تهتم به. بعد ذلك، يمكنك النقر فوق "Preview" لتجربة النموذج عن طريق تحميل أي صورة.
تتيح هذه الميزة في HUB لأي شخص، بغض النظر عن مستوى خبرته، اختبار توقعات النموذج باستخدام YOLO11 ورؤية كيفية أدائه. إنها طريقة سهلة الاستخدام للتعامل العملي مع Ultralytics YOLO11 مجانًا.
بعد إنشاء حساب، يمكنك الغوص مباشرة في التدريب عن طريق الوصول إلى لوحة التحكم. من هناك، يمكنك إدارة مشاريعك وتحميل مجموعات البيانات وبدء تدريب نماذج YOLO11 الخاصة بك بسهولة. تم تصميم المنصة للحفاظ على العملية سريعة وخالية من المتاعب قدر الإمكان.
بمجرد تسجيل الدخول، يمكنك النقر فوق "مجموعات البيانات" من القائمة الموجودة على اليسار لاستكشاف مجموعة من مجموعات البيانات الموجودة مسبقًا والمتوفرة على Ultralytics HUB. تلبي مجموعات البيانات هذه مهام متنوعة، مثل الكشف عن الكائنات ذات الصناديق المحيطة الموجهة (OBB) و تقدير الوضعية. على سبيل المثال، يمكنك استخدام COCO128 للكشف عن الكائنات مع 80 فئة أو Fashion-MNIST لتصنيف الصور. مجموعات البيانات هذه متاحة بسهولة و محسّنة لتدريب نماذج YOLO.
إذا كنت ترغب في العمل مع البيانات الخاصة بك، فيمكنك تحميل مجموعات بيانات مخصصة. عند القيام بذلك، تأكد من أن مجموعة البيانات الخاصة بك تتبع هيكل YOLO، بما في ذلك ملف YAML منسق بشكل صحيح في الدليل الجذر، وأنه مضغوط.
بمجرد أن تصبح مجموعة البيانات الخاصة بك جاهزة، يمكنك النقر فوق الزر "تحميل مجموعة البيانات"، وتحديد نوع المهمة، وتحميل ملف ZIP. بعد التحميل، يتحقق Ultralytics HUB تلقائيًا من صحة مجموعة البيانات الخاصة بك، ويمكنك البدء فورًا في تدريب نماذج YOLO. يمكنك أيضًا إدارة وعرض تفاصيل مجموعة البيانات الخاصة بك، مثل تقسيمات الصور (التدريب، والتحقق، والاختبار)، وتحليل البيانات للتأكد من أنها جاهزة لتدريب النموذج.
لبدء تدريب نموذج YOLO11 باستخدام ميزة التدريب السحابي في Ultralytics HUB، ستحتاج إلى الترقية إلى خطة Pro. بصفتك مستخدمًا Pro، تتوفر لك موارد GPU لتدريب أسرع وأكثر كفاءة. بمجرد الترقية، قم بالوصول إلى قسم "النماذج"، وحدد نوع نموذج YOLO11 المطلوب، وقم بتكوين إعدادات التدريب.
يمكنك اختيار عدد الحقب (التي تحدد عدد المرات التي سيمر فيها النموذج عبر مجموعة البيانات) أو تعيين مدة محددة للتدريب المحدد بوقت. قبل أن يبدأ تدريب النموذج، ستقوم Ultralytics HUB بتهيئة مثيل GPU مخصص لضمان الأداء الأمثل. اعتمادًا على الطلب، قد تستغرق التهيئة بعض الوقت، ولكن لن يتم تطبيق أي رسوم على حسابك خلال هذه العملية.
بعد الانتهاء من إعداداتك، انقر فوق "بدء التدريب" لتشغيل الجلسة. طوال فترة التدريب، يمكنك مراقبة التقدم في الوقت الفعلي من خلال لوحة التحكم. فهي تمنحك القدرة على إيقاف التدريب مؤقتًا أو إيقافه أو استئنافه حسب الحاجة. إذا انخفض رصيد حسابك أثناء التدريب القائم على الحقبة، فسيتم إيقاف الجلسة مؤقتًا، مما يتيح لك زيادة رصيدك قبل الاستئناف. تحفظ المنصة نقاط التفتيش تلقائيًا، مما يعني أنه يمكنك المتابعة من حيث توقفت.
في نهاية التدريب، يمكنك التحقق من جميع التكاليف من خلال علامة تبويب الفوترة، حيث ستجد تقارير تفصيلية بالتكاليف تسهل تتبع النفقات وإدارة التدريب بكفاءة.
عند نشر نموذج YOLO11 المدرب خصيصًا باستخدام Ultralytics HUB، هناك خياران رئيسيان: واجهة برمجة تطبيقات الاستدلال المشتركة (Shared Inference API) و واجهة برمجة تطبيقات الاستدلال المخصصة (Dedicated Inference API). لاستخدام النموذج الذي تم نشره، يمكنك تقديم طلبات استدلال إلى واجهة برمجة التطبيقات باستخدام Python أو cURL، اعتمادًا على الإعداد الخاص بك. تتضمن العملية العامة إرسال ملف صورة مع المعلمات ذات الصلة (مثل حجم الصورة وعتبات الثقة) إلى واجهة برمجة التطبيقات. ستقوم Ultralytics HUB بإرجاع التنبؤات بتنسيق JSON بسيط، والذي يمكنك معالجته بشكل أكبر.
تعد واجهة برمجة تطبيقات الاستدلال المشتركة (Shared Inference API) حلاً فعالاً من حيث التكلفة للمستخدمين في المستوى المجاني وتوفر 100 مكالمة في الساعة وما يصل إلى 1000 مكالمة شهريًا. فهو يلغي الحاجة إلى بيئة محلية ويدعم النشر السريع مباشرة من Ultralytics HUB.
تعتبر واجهة برمجة تطبيقات الاستدلال المخصصة (Dedicated Inference API)، المتوفرة لمستخدمي Pro، أكثر ملاءمةً لعمليات النشر واسعة النطاق أو التطبيقات في الوقت الفعلي. وهي توفر نشرًا بنقرة واحدة في بيئة سحابية مخصصة مدعومة من Google Cloud Run. تم تحسين هذا الخيار للتطبيقات عالية الأداء، مما يضمن زمن انتقال أقل من 100 مللي ثانية وتغطية عالمية عبر 38 منطقة للمعالجة في الوقت الفعلي. كما أنه يدعم ميزات أمان محسّنة، مما يجعله مناسبًا للصناعات ذات المتطلبات الصارمة لحماية البيانات.
بمجرد اختيارك بين واجهة برمجة تطبيقات الاستدلال المشتركة أو المخصصة لنشر نموذج YOLO11 الخاص بك، فإن الخطوات التالية بسيطة وفعالة. يمكنك فتح علامة التبويب "نشر" داخل صفحة النموذج الخاص بك على Ultralytics HUB. إذا كنت تستخدم واجهة برمجة تطبيقات الاستدلال المشتركة، فيمكنك التحقق من هذا الدليل لاتباع الإرشادات لإعداد مكالمات واجهة برمجة التطبيقات الخاصة بك. بالنسبة لمستخدمي واجهة برمجة تطبيقات الاستدلال المخصصة، ما عليك سوى النقر فوق الزر "بدء نقطة النهاية" لبدء نقطة النهاية. بمجرد التنشيط، سيمنحك HUB عنوان URL فريدًا لاستخدامه في مهام الاستدلال الخاصة بك.
إذا كان مشروعك يحتاج إلى نموذج بتنسيق معين أو للاستخدام دون اتصال بالإنترنت، فإن Ultralytics HUB يوفر خيارات تصدير مثل ONNX أو CoreML أو TensorFlow لدعم الأنظمة الأساسية المختلفة، من الأجهزة المحمولة إلى الأنظمة السحابية. بالنسبة للمطورين الذين يتطلعون إلى دمج النماذج مباشرة في التطبيقات، يوفر Ultralytics HUB-SDK طريقة فعالة لإدارة عمليات النشر من خلال Python. باستخدام مفاتيح API أو بيانات اعتماد Ultralytics، يمكنك التحكم بسهولة في النشر وتشغيل الاستدلالات في التعليمات البرمجية الخاصة بك، مما يمنحك المرونة اللازمة للتكامل السلس.
Ultralytics HUB عبارة عن منصة شاملة مصممة لجعل تدريب نماذج YOLO11 ونشرها في متناول المبتدئين والخبراء على حد سواء. وهو يدعم مجموعة واسعة من المهام، بدءًا من تحميل مجموعات البيانات وحتى تكوين التدريب، مما يوفر خيارات نشر مرنة مثل واجهات برمجة تطبيقات الاستدلال المشتركة والمخصصة. سواء كنت تقوم بالنشر من خلال واجهات برمجة التطبيقات أو تصدير النماذج للاستخدام دون اتصال بالإنترنت، فإن HUB يضمن التكامل السلس عبر الأنظمة الأساسية. مع وجود خيارات للتطبيقات في الوقت الفعلي والحلول القابلة للتطوير، يمكن استخدام Ultralytics HUB لمجموعة واسعة من احتياجات النشر لكل من المستخدمين المبتدئين والمتقدمين.
اكتشف مستودع GitHub الخاص بنا وانضم إلى مجتمعنا النابض بالحياة للتعمق في الذكاء الاصطناعي. اكتشف كيف تعمل Vision AI على تطوير الابتكار في صناعات مثل الرعاية الصحية و الزراعة.
