كيفية استخدام قسم Reference في مستندات Ultralytics YOLO

في الوقت الحاضر، أصبح الذكاء الاصطناعي (AI) متاحًا أكثر من أي وقت مضى، مما يتيح لأي شخص التعمق فيه والبدء سريعًا في استخدام نماذج AI مختلفة لمهام متطورة متنوعة.

على سبيل المثال، يُعد رؤية الحاسوب فرعًا من فروع AI يتيح للحواسيب تفسير المعلومات المرئية من الصور ومقاطع الفيديو وفهمها، كما يسهل البدء باستخدام نماذج رؤية الحاسوب مثل Ultralytics YOLO11.

يدعم Ultralytics YOLO11 مهامًا مثل اكتشاف الأجسام، وتقسيم الكائنات، وتصنيف الصور، ويمكن استخدامه في تطبيقات مثل القيادة الذاتية، ومراقبة الأمان، وتحليلات البيع بالتجزئة.

الشكل 1. يمكن استخدام Ultralytics YOLO11 لاكتشاف أجسام متنوعة.

توفر حزمة Ultralytics Python تحديدًا أدوات سهلة الاستخدام لتدريب نماذج AI هذه وتخصيصها ونشرها بسرعة، مما يتيح للمستخدمين من جميع مستويات المهارة إنشاء تطبيقات متقدمة لرؤية الحاسوب بسهولة.

ومع ذلك، إذا كنت مهتمًا بالتعمق في كيفية عمل كل شيء أو بإنشاء تخصيصاتك الخاصة، فإن قسم المراجع في وثائق Ultralytics يُعد موردًا رائعًا. فهو يغطي آليات عمل حزمة Ultralytics Python الداخلية، بما في ذلك كيفية التعامل مع بياناتك، وعملية تدريب النموذج، وكيفية تصور التنبؤات.

في هذه المقالة، سنلقي نظرةً أعمق على قسم المراجع في وثائق Ultralytics وكيفية استخدامه عند العمل على مشاريع رؤية الحاسوب. لنبدأ!

نظرة أعمق على العمل باستخدام نماذج Ultralytics YOLO#

يتميز العمل باستخدام حزمة Ultralytics Python بالبساطة والوضوح. يمكنك تدريب نماذج YOLO أو اكتشاف الأجسام في الصور باستخدام بضعة أسطر من التعليمات البرمجية فقط.

ومع ذلك، بمجرد أن تكتسب familiarity بالعمل مع نماذج رؤية الحاسوب، يساعدك قسم المراجع في وثائق Ultralytics على التعمق في كيفية عمل التعليمات البرمجية والوظائف التي تدعمها الحزمة. كما يتضمن شروحات سهلة المتابعة، وخيارات قابلة للتهيئة، وروابط إلى التعليمات البرمجية ذات الصلة المتاحة في مستودع Ultralytics على GitHub.

وهو يشرح بنية حزمة Ultralytics Python ويغطي المكونات الأساسية مثل إعداد النموذج، وتحميل البيانات، وعملية التدريب، وكيفية إنشاء التنبؤات وإرجاعها.

كل شيء منظّم ضمن فئات واضحة، لذلك من السهل العثور على ما تبحث عنه. فعلى سبيل المثال، إذا كنت تدرب نموذجًا باستخدام مجموعة بياناتك الخاصة، فيمكنك الانتقال إلى الجزء من قسم المراجع المخصص للبيانات، وسيمنحك فهمًا أفضل لكيفية استخدام بياناتك في تدريب النموذج.

كيفية البدء باستخدام قسم المراجع#

إذا انتقلت إلى قسم المراجع في وثائق Ultralytics YOLO، فستجد قائمةً على الجانب الأيسر من الصفحة تضم فئات مراجع مختلفة. تمثل كل فئة جزءًا محددًا من قاعدة تعليمات Ultralytics البرمجية، مثل النماذج، أو التعامل مع البيانات، أو وظائف التدريب.

ينقلك النقر على إحدى الفئات إلى صفحة تقدم لك مزيدًا من التفاصيل.

الشكل 2. ستجد على اليسار قائمة بفئات المراجع المختلفة.

وبالمثل، ستجد على الجانب الأيمن من الصفحة جدول المحتويات الذي يقسم كل صفحة مراجع إلى مكونات أساسية مثل الدوال (كتل تعليمات برمجية قابلة لإعادة الاستخدام)، والفئات (مخططات لإنشاء الكائنات)، والأساليب (دوال معرّفة داخل الفئات). ويسهّل ذلك الانتقال مباشرةً إلى ما تبحث عنه.

الشكل 3. ستجد على اليمين جدول محتويات لصفحة المراجع المحددة التي تعرضها.

بنية مستودع Ultralytics على GitHub#

ينظَّم مستودع Ultralytics على GitHub في أدلة فرعية أو حزم فرعية استنادًا إلى الأجزاء المختلفة من حزمة Ultralytics، مثل النماذج، والتدريب، والبيانات. ويتبع قسم المراجع في الوثائق البنية نفسها، مما يسهل فهم كيفية ترابط كل شيء.

فيما يلي بعض الأدلة الفرعية أو الفئات الرئيسية التي ستراها في كلٍّ من مستودع Ultralytics على GitHub وقسم المراجع في وثائق Ultralytics:

• النماذج: يركز هذا القسم على النماذج المختلفة وأوضاعها، مثل إنشاء التنبؤات، والتحقق من الأداء، وتصدير النماذج المدرَّبة.
• المحرك: يحتوي على المنطق الأساسي لتدريب النماذج والتحقق منها وإنشاء التنبؤات وتصديرها وتقييمها.
• البيانات: يدير كيفية تحميل مجموعات البيانات ومعالجتها وزيادتها. ويشمل ذلك وظائف إنشاء محمّلات البيانات (أدوات تغذي النموذج بالبيانات على دفعات)، وتطبيق التحويلات (تغييرات تُجرى على الصور، مثل تغيير الحجم أو القلب، لمساعدة النموذج على التعلم بصورة أفضل)، وإعداد البيانات (تنظيم الصور والتسميات وتنسيقها) للتدريب.
• الأدوات: يوفر هذا القسم مجموعة واسعة من الدوال المساعدة المستخدمة في قاعدة التعليمات البرمجية، مثل أدوات التصور، ومعالجة الملفات، وحساب المقاييس.
• HUB: يتصل بـ Ultralytics HUB، وهي منصة لرؤية الحاسوب لا تتطلب كتابة تعليمات برمجية، مما يتيح ميزات سحابية مثل تسجيل الدخول، وتحميل النماذج، وإدارة مجموعات البيانات عبر API.
• أدوات التتبع: تنفذ منطق تتبع الأجسام للتطبيقات التي تتضمن الفيديو أو تسلسلات الصور إطارًا بإطار.

يملك كل دليل فرعي من هذه الأدلة في مستودع GitHub قسمًا مناظرًا في الوثائق. وقد عُكست هذه البنية عمدًا، مما يسهل الانتقال بين قراءة الوثائق واستكشاف التعليمات البرمجية المصدرية.

وفي الواقع، تُعرض التعليمات البرمجية المصدرية الفعلية أيضًا في العديد من صفحات المراجع، بحيث يمكنك رؤية كيفية تنفيذ الدوال والفئات بالضبط دون مغادرة الوثائق.

الشكل 4. التعليمات البرمجية المصدرية مضمّنة أيضًا في صفحات المراجع.

فهم مكونات النماذج والمحرك والبيانات#

بعد أن رأينا كيفية تنظيم قسم المراجع، فلنلقِ نظرةً أعمق على ثلاثة أجزاء أساسية من حزمة Ultralytics: النماذج، والمحرك، والبيانات.

يحتوي الدليل الفرعي للنماذج على التعليمات البرمجية التي تحدد كيفية عمل كل نوع من النماذج. وهو منظّم حسب أنواع النماذج (مثل YOLO وFastSAM وRT-DETR) والمهام مثل الاكتشاف أو التقسيم أو التصنيف. وستجد داخل كل منها ملفات أو وحدات تتولى إجراءات محددة، مثل كيفية إنشاء النموذج للتنبؤات، أو كيفية تدريبه، أو كيفية تقييم أدائه.

في المقابل، يعمل الدليل الفرعي للمحرك في الخلفية لإدارة العملية بأكملها. فبينما يركز الدليل الفرعي للنماذج على ما يُفترض أن يفعله كل نموذج، يركز الدليل الفرعي للمحرك على كيفية تشغيل تلك المهام فعليًا بطريقة متسقة وفعالة.

كما يتولى الدليل الفرعي للبيانات تحميل مجموعات البيانات وإعدادها. ويضمن هذا الجزء من قاعدة التعليمات البرمجية أن تكون بيانات التدريب نظيفة ومنظمة ومتنوعة، مما يساعد النموذج على التعلم بصورة أفضل والتعميم بفعالية أكبر.

يجعل هذا الفصل الواضح التعليمات البرمجية أسهل في الصيانة، كما يمنح المستخدمين المرونة اللازمة لتخصيصها.

أمثلة على استخدام قسم المراجع#

قد تتساءل: لماذا من المهم فهم الأجزاء المختلفة من قاعدة تعليمات Ultralytics البرمجية؟ إذا كنت تعرف الجزء الذي يتولى كل مهمة، فسيصبح من الأسهل بكثير العثور على المعلومات التي تحتاج إليها، أو إجراء التغييرات، أو استكشاف المشكلات وإصلاحها.

فيما يلي بعض الأمثلة على كيفية استخدام قسم المراجع في الوثائق:

• إذا كنت تتساءل: «كيف ينشئ النموذج التنبؤات؟»، فيمكنك الانتقال إلى فئة النماذج في قسم المراجع، وتحديد نوع نموذج (مثل YOLO)، واختيار مهمة (مثل detect)، ثم فتح صفحة Predict للاطلاع على التفاصيل.
• إذا أردت معرفة كيفية تطبيق زيادات البيانات، فيمكنك استكشاف صفحة Augment ضمن فئة البيانات. فهي تسرد تقنيات زيادة البيانات المضمّنة المستخدمة لتحسين أداء النموذج وتنوع بيانات التدريب.

استكشاف النتائج من خلال قسم المراجع#

يفيد قسم المراجع أيضًا عندما تحاول فهم المخرجات التي يُرجعها نموذجك. بعد استخدام نموذج مثل Ultralytics YOLO11 لإجراء استدلال على صورة، يُرجع مجموعةً من النتائج التي تصف ما تم اكتشافه.

على سبيل المثال، في بث من كاميرا، قد يكتشف النموذج شخصًا ويحدد موقعه باستخدام مربع إحاطة، إلى جانب درجة ثقة - وهي قيمة بين 0 و1 تشير إلى مدى يقين النموذج من الاكتشاف.

إذا كنت تحاول فهم كيفية استخدام ذلك الإخراج في مشروعك، فيمكن لقسم المراجع إرشادك. فهو يتضمن صفحةً لوحدة Results تفصّل محتوياتها وكيفية الوصول إليها في التعليمات البرمجية. كما تتوفر تفاصيل حول كيفية عرض مربعات الاكتشاف، والتحقق من درجات الثقة، وإظهار النتائج، أو حفظها.

الشكل 5. مثال على كيفية تصور النتائج التي يُرجعها YOLO11.

أهم النقاط المستخلصة#

تساعدك وثائق Ultralytics على فهم كيفية استخدام نماذج YOLO بفعالية. فهي تشرح العمليات الأساسية مثل تدريب النماذج، وإعداد البيانات، والعمل مع النتائج. وتحتوي كل صفحة على شروحات واضحة ومقتطفات من التعليمات البرمجية التوضيحية لمساعدتك على البدء بسرعة.

إذا كنت فضوليًا لمعرفة ما يحدث في الخلفية، فإن قسم المراجع في الوثائق يفصّل ذلك أيضًا خطوةً بخطوة. فهو يوضح كيفية تنظيم التعليمات البرمجية، وما يفعله كل جزء، وكيف تعمل جميع الأجزاء معًا. وهذا يسهل التعلم والتخصيص وإنشاء مشاريع رؤية الحاسوب الخاصة بك بثقة.

كن جزءًا من مجتمعنا النشط واستكشف مستودع GitHub لمعرفة المزيد حول البناء باستخدام AI. هل أنت مستعد لإطلاق أفكارك الخاصة في مجال رؤية الحاسوب؟ تفضل بزيارة خيارات الترخيص لدينا للبدء. تعرّف على كيفية إحداث AI في قطاع السيارات وAI في الرعاية الصحية أثرًا من خلال زيارة صفحات حلولنا.