كيفية استخدام قسم Reference في وثائق Ultralytics YOLO

أصبح الذكاء الاصطناعي (AI) اليوم متاحًا أكثر من أي وقت مضى، ما يتيح للجميع التعمق فيه والبدء سريعًا باستخدام نماذج ذكاء اصطناعي مختلفة لمجموعة متنوعة من المهام المتقدمة.

على سبيل المثال، الرؤية الحاسوبية فرع من فروع الذكاء الاصطناعي يمكّن أجهزة الكمبيوتر من تفسير المعلومات المرئية الواردة من الصور ومقاطع الفيديو وفهمها، كما يسهل البدء باستخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11.

تدعم Ultralytics YOLO11 مهام مثل اكتشاف الكائنات، وتقسيم المثيلات، وتصنيف الصور، ويمكن استخدامها في تطبيقات مثل القيادة الذاتية، ومراقبة الأمن، وتحليلات قطاع التجزئة.

الشكل 1. يمكن استخدام Ultralytics YOLO11 لاكتشاف كائنات متنوعة.

توفر حزمة Python الخاصة بـ Ultralytics أدوات سهلة الاستخدام لتدريب نماذج الذكاء الاصطناعي هذه وتخصيصها ونشرها بسرعة، ما يتيح للمستخدمين من جميع مستويات المهارة إنشاء تطبيقات متقدمة للرؤية الحاسوبية بسهولة.

لكن إذا كنت مهتمًا بالتعمق في فهم آلية عمل كل شيء أو إنشاء تخصيصاتك الخاصة، فإن قسم المرجع في وثائق Ultralytics مصدر ممتاز. فهو يشرح آليات عمل حزمة Python الخاصة بـ Ultralytics، بما في ذلك كيفية معالجة بياناتك، وعملية تدريب النموذج، وطرق عرض التنبؤات.

في هذا المقال، سنلقي نظرة عن كثب على قسم المرجع في وثائق Ultralytics وكيفية استخدامه عند العمل على مشروعات الرؤية الحاسوبية. لنبدأ!

نظرة أعمق على العمل مع نماذج Ultralytics YOLO#

العمل باستخدام حزمة Python الخاصة بـ Ultralytics بسيط ومباشر. يمكنك تدريب نماذج YOLO أو اكتشاف الكائنات في الصور باستخدام بضعة أسطر من التعليمات البرمجية فحسب.

لكن عندما تألف العمل مع نماذج الرؤية الحاسوبية، يساعدك قسم المرجع في وثائق Ultralytics على التعمق في فهم كيفية عمل التعليمات البرمجية والوظائف التي تدعمها الحزمة. ويتضمن أيضًا شروحات سهلة المتابعة، وخيارات قابلة للتهيئة، وروابط إلى التعليمات البرمجية ذات الصلة المتاحة في مستودع Ultralytics على GitHub.

يوضح هذا القسم بنية حزمة Python الخاصة بـ Ultralytics، ويغطي المكونات الأساسية مثل إعداد النموذج، وتحميل البيانات، وعملية التدريب، وكيفية إنشاء التنبؤات وإرجاعها.

كل شيء منظم ضمن فئات واضحة، ما يسهّل العثور على ما تبحث عنه. على سبيل المثال، إذا كنت تدرب نموذجًا باستخدام مجموعة بياناتك الخاصة، يمكنك الانتقال إلى الجزء من قسم المرجع المخصص للبيانات، وستحصل على فهم أفضل لكيفية استخدام بياناتك في تدريب النموذج.

كيفية البدء باستخدام قسم المرجع#

إذا انتقلت إلى قسم المرجع في وثائق Ultralytics YOLO، فستجد على الجانب الأيسر من الصفحة قائمة بفئات مرجعية مختلفة. تمثل كل فئة جزءًا محددًا من قاعدة تعليمات Ultralytics البرمجية، مثل النماذج، أو معالجة البيانات، أو وظائف التدريب.

يؤدي النقر على فئة إلى نقلك إلى صفحة تقدم مزيدًا من التفاصيل.

الشكل 2. ستجد على اليسار قائمة بفئات المرجع المختلفة.

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

الشكل 3. ستجد على اليمين جدول محتويات صفحة المرجع التي تعرضها.

بنية مستودع Ultralytics على GitHub#

ينظم مستودع Ultralytics على GitHub في أدلة فرعية أو حزم فرعية بحسب الأجزاء المختلفة من حزمة Ultralytics، مثل النماذج والتدريب والبيانات. ويتبع قسم المرجع في الوثائق البنية نفسها، ما يسهل فهم كيفية ترابط المكونات.

فيما يلي بعض الأدلة الفرعية أو الفئات الرئيسية التي ستجدها في كل من مستودع Ultralytics على GitHub وقسم المرجع في وثائق Ultralytics:

• النماذج: يركز هذا القسم على النماذج المختلفة وأوضاعها، مثل إنشاء التنبؤات والتحقق من الأداء وتصدير النماذج المدرّبة.
• المحرك: يتضمن المنطق الأساسي لتدريب النماذج والتحقق منها وإنشاء التنبؤات وتصديرها وتقييمها.
• البيانات: يدير تحميل مجموعات البيانات ومعالجتها وزيادتها. ويشمل ذلك وظائف إنشاء محمّلات البيانات (أدوات تمرر البيانات إلى النموذج 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 المساعدة: يقدم هذا القسم مجموعة واسعة من الوظائف المساعدة المستخدمة في مختلف أجزاء قاعدة التعليمات البرمجية، مثل أدوات التصور، ومعالجة الملفات، وحساب المقاييس.
• HUB: يتصل بـ Ultralytics HUB، وهي منصة للرؤية الحاسوبية لا تتطلب كتابة تعليمات برمجية، وتتيح ميزات سحابية مثل تسجيل الدخول وتحميل النماذج وإدارة مجموعات البيانات عبر API.
• أدوات التتبع: تنفذ منطق تتبع الكائنات للتطبيقات التي تتعامل مع الفيديو أو تسلسلات الصور إطارًا بإطار.

يقابل كل دليل فرعي من هذه الأدلة في مستودع GitHub قسم في الوثائق. وقد عُكست هذه البنية عمدًا، ما يسهل الانتقال بين قراءة الوثائق واستكشاف الشيفرة المصدرية.

وفي الواقع، تعرض صفحات مرجعية كثيرة الشيفرة المصدرية الفعلية أيضًا، ما يتيح لك رؤية كيفية تنفيذ الدوال والفئات بدقة من دون مغادرة الوثائق.

الشكل 4. تتضمن صفحات المرجع الشيفرة المصدرية أيضًا.

فهم مكونات النماذج والمحرك والبيانات#

بعد أن تعرفنا على تنظيم قسم المرجع، دعونا نلقي نظرة عن كثب على ثلاثة أجزاء أساسية من حزمة Ultralytics: النماذج والمحرك والبيانات.

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

أما الدليل الفرعي للمحرك فيعمل في الخلفية لإدارة العملية بأكملها. فبينما يركز الدليل الفرعي للنماذج على المهام التي يُفترض أن يؤديها كل نموذج، يركز دليل المحرك على كيفية تنفيذ هذه المهام فعليًا بطريقة متسقة وفعالة.

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

يسهّل هذا الفصل الواضح صيانة التعليمات البرمجية، كما يمنح المستخدمين مرونة تخصيصها.

أمثلة على استخدام قسم المرجع#

قد تتساءل: لماذا من المهم فهم الأجزاء المختلفة من قاعدة تعليمات Ultralytics البرمجية؟ إذا عرفت الجزء المسؤول عن كل وظيفة، فسيصبح العثور على المعلومات التي تحتاج إليها وإجراء التغييرات واستكشاف المشكلات وإصلاحها أسهل بكثير.

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

• إذا كنت تتساءل: «كيف ينشئ النموذج التنبؤات؟»، يمكنك الانتقال إلى فئة النماذج في قسم المرجع، واختيار نوع نموذج (مثل YOLO)، وتحديد مهمة (مثل detect)، ثم فتح صفحة Predict للاطلاع على التفاصيل.
• إذا أردت معرفة كيفية تطبيق زيادات البيانات، يمكنك استكشاف صفحة Augment ضمن فئة البيانات. وتسرد الصفحة تقنيات الزيادة المضمنة المستخدمة لتحسين أداء النموذج وتعزيز تنوع بيانات التدريب.

استكشاف النتائج عبر قسم المرجع#

يفيدك قسم المرجع أيضًا عندما تحاول فهم المخرجات التي يعيدها النموذج. فبعد استخدام نموذج مثل Ultralytics YOLO11 لإجراء استدلال على صورة، يعيد مجموعة من النتائج التي تصف ما اكتشفه.

على سبيل المثال، قد يكتشف النموذج شخصًا في بث الكاميرا 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 هذا الناتج في مشروعك، فيمكن لقسم المرجع إرشادك. فهو يتضمن صفحة وحدة Results التي تشرح محتوياتها وكيفية الوصول إليها في التعليمات البرمجية. وتفصّل الصفحة كيفية عرض مربعات الاكتشاف والتحقق من درجات الثقة وعرض النتائج أو حفظها.

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

أبرز النقاط#

تساعدك وثائق Ultralytics على فهم كيفية استخدام نماذج YOLO بفعالية. وهي تشرح العمليات الأساسية، مثل تدريب النماذج وإعداد البيانات والعمل مع النتائج. وتتضمن كل صفحة شروحات واضحة ومقاطع تعليمات برمجية نموذجية تساعدك على البدء بسرعة.

إذا كنت مهتمًا بما يحدث في الخلفية، فإن قسم المرجع في الوثائق يشرح ذلك أيضًا خطوة بخطوة. فهو يوضح بنية التعليمات البرمجية، ووظيفة كل جزء، وكيفية عمل المكونات معًا. وهذا يسهّل التعلم والتخصيص وبناء مشروعاتك الخاصة في مجال الرؤية الحاسوبية بثقة.

كن جزءًا من مجتمعنا النشط، واستكشف مستودع GitHub لمعرفة المزيد عن بناء الحلول باستخدام الذكاء الاصطناعي. هل أنت مستعد لإطلاق أفكارك الخاصة في مجال الرؤية الحاسوبية؟ تفضل بزيارة خيارات الترخيص لدينا للبدء. تعرّف على أثر الذكاء الاصطناعي للرؤية في قطاع السيارات والذكاء الاصطناعي في الرعاية الصحية بزيارة صفحات الحلول لدينا.