ما هو

يُعد Ultralytics YOLO إطار عمل قياسي في الصناعة للكشف عن الكائنات وتقسيمها وتصنيفها في الوقت الفعلي. على عكس مكتبات الرؤية الحاسوبية المجزأة، يوفر واجهة برمجة تطبيقات (API) موحدة تجرد بنيات النماذج المعقدة (YOLOv8, YOLOv11, NAS) في واجهة Python بسيطة. يتميز بتحسين فائق للأجهزة الطرفية (Edge devices)، مع دعم التصدير إلى TensorRT وCoreML وONNX. تم تصميم إطار العمل للمطورين والباحثين الذين يحتاجون إلى الانتقال من النموذج الأولي إلى خطوط إنتاج الاستدلال (Inference pipelines) دون إعادة كتابة الكود، مما يوفر أداءً عالي الإنتاجية على بيئات CPU وGPU.

الميزات الأساسية

بنية API موحدة

يوفر Ultralytics واجهة برمجة تطبيقات متسقة وموجهة للكائنات عبر جميع إصدارات النماذج. هذا يلغي الحاجة إلى تعلم صيغ جديدة عند التبديل بين مهام الكشف أو التقسيم أو تقدير الوضع. من خلال توحيد سير عمل التدريب والتحقق والتنبؤ، يمكن للمطورين تقليل الكود المكرر بنسبة تصل إلى 70% مقارنة بتطبيقات PyTorch المخصصة، مما يضمن دورات تكرار أسرع في بيئات الإنتاج.

دعم التصدير متعدد المنصات

يدعم إطار العمل أكثر من 10 تنسيقات تصدير، بما في ذلك TensorRT وCoreML وTFLite وONNX. يسمح هذا للمطورين بتدريب النماذج على وحدات معالجة رسومات NVIDIA المتطورة ونشرها بسلاسة على الأجهزة الطرفية محدودة الموارد مثل Raspberry Pi أو الهواتف المحمولة أو الأنظمة المدمجة. تتعامل أداة التصدير تلقائياً مع التكميم (Quantization) وتحسين الرسم البياني، مما يضمن حداً أدنى من زمن الوصول أثناء الاستدلال.

محرك استدلال عالي الأداء

تم تصميم محرك Ultralytics للسرعة، حيث يحقق أوقات استدلال أقل من ميلي ثانية على الأجهزة الحديثة. من خلال الاستفادة من أنوية CUDA المحسنة وإدارة الذاكرة الفعالة، فإنه يتفوق على تطبيقات PyTorch القياسية. وهذا يجعله مناسباً لمعالجة الفيديو في الوقت الفعلي بمعدل 60+ إطاراً في الثانية، وهو أمر بالغ الأهمية لتطبيقات مثل الروبوتات المستقلة ومراقبة حركة المرور ومراقبة الجودة الصناعية حيث يعد زمن الوصول قيداً أساسياً.

خط أنابيب متقدم لتعزيز البيانات

يتضمن خط أنابيب تعزيز (Augmentation) مدمج وقابل للتكوين بدرجة عالية يطبق تحويلات الفسيفساء (Mosaic) والمزج (Mixup) والتحويلات الهندسية أثناء التدريب. هذا يحسن بشكل كبير من قوة النموذج وقدرته على التعميم، مما يقلل الحاجة إلى مجموعات بيانات يدوية ضخمة. من خلال أتمتة خطوات المعالجة المسبقة المعقدة هذه، يمكن للمطورين تحقيق نتائج mAP (متوسط دقة متوسط) متطورة باستخدام مجموعات تدريب أصغر وأكثر تنوعاً.

مكتبة نماذج قابلة للتوسع

يوفر مكتبة شاملة من النماذج المدربة مسبقاً تتراوح من 'Nano' (n) للأجهزة الطرفية إلى 'Extra Large' (x) لمهام الخادم عالية الدقة. تسمح هذه القابلية للتوسع للفرق باختيار التوازن الأمثل بين السرعة والدقة لقيود أجهزتهم المحددة. كل نموذج مدرب مسبقاً على مجموعة بيانات COCO، مما يوفر أساساً قوياً للتعلم بنقل المعرفة (Transfer learning) على بيانات مخصصة خاصة بالمجال.

كيفية الاستخدام

تثبيت المكتبة عبر pip: 'pip install ultralytics'.,استيراد فئة YOLO في سكربت Python الخاص بك: 'from ultralytics import YOLO'.,تحميل نموذج مدرب مسبقاً: 'model = YOLO("yolo11n.pt")'.,تشغيل الاستدلال على مصدر صورة أو فيديو: 'results = model.predict("source.jpg")'.,الوصول إلى نتائج الكشف عبر كائن النتائج لاستخراج مربعات الإحاطة أو الأقنعة أو احتمالات الفئات.,تصدير النموذج المدرب للنشر باستخدام 'model.export(format="onnx")' للحصول على استدلال إنتاجي محسن.

حالات الاستخدام

مراقبة الجودة الصناعية

تستخدم شركات التصنيع Ultralytics لاكتشاف عيوب السطح على خطوط التجميع في الوقت الفعلي. من خلال نشر نماذج YOLO على الكاميرات الطرفية، يحققون تحديداً فورياً للمكونات المعيبة، مما يقلل الهدر ويضمن تغطية فحص بنسبة 100% دون تدخل بشري.

الروبوتات المستقلة

يدمج مهندسو الروبوتات YOLO للكشف عن الكائنات في الوقت الفعلي والوعي المكاني. يسمح إطار العمل للروبوتات بتحديد العقبات، والتنقل في البيئات، والتفاعل مع الأشياء، مما يوفر التغذية الراجعة البصرية ذات زمن الوصول المنخفض الضرورية للتشغيل المستقل الآمن والفعال.

مراقبة المدن الذكية

تستخدم أنظمة إدارة المرور إطار العمل لتحليل خلاصات الفيديو لعد المركبات، واكتشاف لوحات الترخيص، وسلامة المشاة. يسمح الاستدلال عالي الإنتاجية لخادم واحد بمعالجة تدفقات كاميرات متعددة في وقت واحد، مما يوفر بيانات قابلة للتنفيذ للتخطيط الحضري.

من يستفيد

مهندسو الرؤية الحاسوبية

يحتاجون إلى نشر نماذج جاهزة للإنتاج بسرعة. يوفر Ultralytics الأدوات اللازمة للانتقال من البحث إلى النشر دون عبء بناء خطوط أنابيب استدلال مخصصة من الصفر.

مطوروا الذكاء الاصطناعي الطرفي (Edge AI)

يركزون على نشر النماذج على أجهزة ذات قدرة حوسبة محدودة. يعتمدون على ميزات التصدير والتكميم القوية في Ultralytics للحفاظ على أداء عالٍ على الأجهزة المدمجة.

علماء البيانات

يتطلبون إطار عمل موثوقاً وموثقاً جيداً للنماذج الأولية السريعة والتجريب. تسمح سهولة استخدام Ultralytics ووثائقه الشاملة لهم باختبار الفرضيات والتكرار على مجموعات البيانات بكفاءة.

Ultralytics