أصبح YOLOv5 أقوى مع الإصدار v6.1!

يسرّ Ultralytics الإعلان عن أحدث التطورات في تقنيتنا الرائدة YOLO (أنت تنظر مرة واحدة). ومع إصدار YOLOv5 v6.1، حسّنا بنيتنا لتعزيز البساطة والسرعة والقوة. وقد أرسى إصدارنا السابق في أكتوبر 2021 الأساس لهذه التطورات، ويسرّنا الآن تقديم هذه التحديثات التي تحسن قابلية استخدام YOLO وأداءه.

تحديثات مهمة#

فيما يلي أبرز التحسينات التي ستجدها في YOLOv5 v6.1:

• دعم TensorRT: التصدير والاستدلال والتحقق باستخدام TensorRT عبر python export.py --include engine (#5699 بواسطة @imyhxy). ويُعد ذلك إنجازًا مهمًا، إذ إن TensorRT من NVIDIA أداة لتحسين استدلال التعلّم العميق وبيئة تشغيل عالية الأداء، توفر زمن استجابة منخفضًا ومعدل نقل مرتفعًا لتطبيقات التعلّم العميق.
• دعم TensorFlow Edge TPU ⭐ جديد: تصدير Edge TPU لأجهزة Google Coral باستخدام python export.py --include edgetpu (#3630 بواسطة @zldrobit). وعند دمجه مع نموذج YOLOv5n الأصغر (1.9M معلمة) الذي قُدّم في الإصدار v6.0، والذي لا يتجاوز حجمه عند التصدير 2.1 MB بصيغة INT8، يصبح هذا الحل مثاليًا على نحو خاص للتطبيقات المحمولة فائقة الخفة.
• دعم OpenVINO: التصدير باستخدام python export.py --include openvino إلى OpenVINO. وبفضل OpenVINO، تستطيع النماذج الآن الاستفادة من كامل إمكانات وحدات المعالجة المركزية ووحدات معالجة الرسومات المدمجة من Intel، لمجموعة متنوعة من التطبيقات (#6057 بواسطة @glenn-jocher).
• معايير أداء التصدير: قدمنا أداة جديدة لقياس mAP (متوسط الدقة) والسرعة عبر جميع تنسيقات تصدير YOLOv5 باستخدام python utils/benchmarks.py --weights yolov5s.pt. تعمل الأداة حاليًا على وحدات المعالجة المركزية، ونخطط لتوسيعها لتشمل قياس أداء وحدات معالجة الرسومات في التحديثات المستقبلية (#6613 بواسطة @glenn-jocher).
• المعلمات الفائقة: أجرينا تعديلًا طفيفًا لكنه مهم على معلماتنا الفائقة؛ إذ خُفّض عامل معدل التعلّم (lrf) في hyp-scratch-large.yaml من 0.2 إلى 0.1 (#6525 بواسطة @glenn-jocher).
• التدريب: حُدّث مجدول معدل التعلّم (LR) الافتراضي ليصبح خطيًا أحادي الدورة، بدلًا من المجدول السابق أحادي الدورة مع دالة جيب التمام، لتحسين نتائج التدريب (#6729 بواسطة @glenn-jocher).

يعمل YOLOv5 رسميًا الآن مع 11 تنسيقًا، ويدعم ليس التصدير فحسب، بل الاستدلال باستخدام detect.py وPyTorch Hub والتحقق لقياس mAP والسرعة أيضًا:

• ✅ PyTorch
• ✅ TorchScript
• ✅ ONNX
• ✅ OpenVINO
• ✅ TensorRT
• ✅ CoreML
• ✅ TensorFlow SavedModel
• ✅ TensorFlow GraphDef
• ✅ TensorFlow Lite
• ✅ TensorFlow Edge TPU
• ✅ TensorFlow.js

معًا من أجل ذكاء اصطناعي متاح للجميع#

في Ultralytics، لا يحركنا مجرد الرغبة في الريادة، بل يدفعنا شغفنا بالمشاركة والإسهام في المجتمع. وقد كان لعائلة YOLOv5 دور محوري في مسيرتنا، إذ ساندتنا في النجاحات والتحديات على حد سواء. ويمثل هذا التحديث نجاحًا جماعيًا، وهو ثمرة العمل الدؤوب الذي أسهم فيه 271 طلب سحب من 48 مساهمًا. ونحن ملتزمون بمهمتنا الرامية إلى إتاحة الذكاء الاصطناعي للجميع وجعله متاحًا وقابلًا للتشغيل للجميع.

انضم إلى ثورة الرؤية الحاسوبية#

نبحث باستمرار عن مواهب تنضم إلى فريقنا، ونرحب بالتعاون في مشاريعنا مفتوحة المصدر. إذا كنت مهتمًا بالانضمام إلى فريق الذكاء الاصطناعي لدينا، فتفضل بزيارة صفحة الوظائف أو فكّر في المساهمة في YOLOv5.

من عشاق الذكاء الاصطناعي إلى أشهر نظام لاكتشاف الكائنات في 2022#

حقق مستودع Ultralytics/YOLOv5 هذا العام إنجازًا مهمًا بتجاوزه مستودع pjreddie/darknet YOLOv3 الذي أنشأه Joseph Redmon من حيث إجمالي عدد نجوم GitHub، إذ تجاوز عدد نجومه الآن 22.4k. وهذا دليل على ثقة المجتمع وحماسه، ويحفزنا على مواصلة توسيع آفاق الرؤية الحاسوبية. ويشرفنا كثيرًا أن نواصل إرث You Only Look Once.

تفضّل بزيارة مستودع YOLOv5 على GitHub للاطلاع على تفاصيل شاملة حول الإصدار الجديد، والانضمام إلى مجتمع محبي اكتشاف الأجسام باستخدام YOLO.

اكتشف سحر YOLO من دون كتابة أي رمز برمجي#

لكن لدينا المزيد! إذا كنت جديدًا في مجال الرؤية الحاسوبية أو تفضل تجربة لا تتطلب كتابة التعليمات البرمجية، فإن Ultralytics HUB هو بوابتك. اكتشف كيفية الاستفادة من تقنيات YOLO والرؤية الحاسوبية ببضع نقرات فقط. تعرّف أكثر بزيارة Ultralytics HUB - بوابتك إلى الذكاء الاصطناعي، وانطلق في رحلتك في مجال الرؤية الحاسوبية.