ultralytics/ultralyticsإطار عمل للتعلم العميق لكشف الأجسام، والتجزئة، والتصنيف، وتقدير الوضعية، والتتبع باستخدام نماذج YOLO المدربة مسبقًا وPython/CLI APIs.
Ultralytics تُنشئ نماذج YOLO متطورة وحديثة (SOTA) مبنية على سنوات من الأبحاث التأسيسية في الرؤية الحاسوبية والذكاء الاصطناعي. نماذجنا، التي يتم تحديثها باستمرار لتحقيق الأداء والمرونة، سريعة ودقيقة وسهلة الاستخدام. وهي تتفوق في مهام كشف الأجسام، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعية، ويمكنها تتبع الأجسام المكتشفة عبر إطارات الفيديو.
ستجد توثيقًا مفصلاً في وثائق Ultralytics. احصل على الدعم عبر GitHub Issues. انضم إلى النقاشات على Discord وReddit ومنتديات مجتمع Ultralytics!
اطلب ترخيصًا للمؤسسات للاستخدام التجاري على Ultralytics Licensing.
انظر أدناه للحصول على أمثلة التثبيت والاستخدام السريعة. للحصول على إرشادات شاملة حول التدريب والتحقق والتنبؤ والنشر، راجع وثائق Ultralytics الكاملة.
ثبّت حزمة ultralytics، بما في ذلك جميع المتطلبات، في بيئة Python>=3.8 مع PyTorch>=1.8.
للاطلاع على طرق التثبيت البديلة، بما في ذلك [Conda](https://anaconda.org/conda-forge/ultralytics) و[Docker](https://hub.docker.com/r/ultralytics/ultralytics) والبناء من المصدر عبر Git، يُرجى الرجوع إلى [دليل البدء السريع](https://docs.ultralytics.com/quickstart).
[](https://anaconda.org/conda-forge/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics)
</details>
<details open>
<summary>الاستخدام</summary>
### واجهة سطر الأوامر (CLI)
يمكنك استخدام Ultralytics YOLO مباشرة من واجهة سطر الأوامر (CLI) عبر الأمر `yolo`:```bash
# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
أمر yolo يدعم مهامًا وأوضاعًا متنوعة، ويقبل وسائط إضافية مثل imgsz=640. استكشف وثائق CLI الخاصة بـ YOLO لمزيد من الأمثلة.
يمكن أيضًا دمج Ultralytics YOLO مباشرةً في مشاريع Python الخاصة بك. يقبل نفس وسائط التكوين التي يقبلها CLI:```python from ultralytics import YOLO
model = YOLO("yolo26n.pt")
train_results = model.train( data="coco8.yaml", # Path to dataset configuration file epochs=100, # Number of training epochs imgsz=640, # Image size for training device="cpu", # Device to run on (e.g., 'cpu', 0, [0,1,2,3]) )
metrics = model.val()
results = model("path/to/image.jpg") # Predict on an image results[0].show() # Display results
path = model.export(format="onnx") # Returns the path to the exported model
اكتشف المزيد من الأمثلة في [وثائق YOLO الخاصة بـ Python](https://docs.ultralytics.com/usage/python).
</details>
## ✨ النماذج
تدعم Ultralytics مجموعة واسعة من نماذج YOLO، بدءًا من الإصدارات المبكرة مثل [YOLOv3](https://docs.ultralytics.com/models/yolov3) وصولًا إلى أحدث إصدار [YOLO26](https://docs.ultralytics.com/models/yolo26). تعرض الجداول أدناه نماذج YOLO26 المدربة مسبقًا على [COCO](https://docs.ultralytics.com/datasets/detect/coco) لمهام [الكشف](https://docs.ultralytics.com/tasks/detect)، و[التجزئة](https://docs.ultralytics.com/tasks/segment)، و[تقدير الوضعية](https://docs.ultralytics.com/tasks/pose). نماذج [التجزئة الدلالية](https://docs.ultralytics.com/tasks/semantic) مدربة مسبقًا على [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes)، ونماذج [تقدير العمق](https://docs.ultralytics.com/tasks/depth) مدربة مسبقًا على مزيج واسع من مجموعات بيانات متعددة ويتم تقييمها على [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html)، ونماذج [التصنيف](https://docs.ultralytics.com/tasks/classify) مدربة مسبقًا على [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet). وضع [التتبع](https://docs.ultralytics.com/modes/track) متوافق مع نماذج الكشف والتجزئة والوضعية وOBB. جميع [النماذج](https://docs.ultralytics.com/models) تُنزَّل تلقائيًا من أحدث [إصدار](https://github.com/ultralytics/assets/releases) لـ Ultralytics عند أول استخدام.
<a href="https://docs.ultralytics.com/tasks" target="_blank">
<img width="100%" src="https://cdn.ul.run/i/c99d914c3958d0755b5a3d7204b6f24a.avif" alt="Ultralytics YOLO supported tasks">
</a>
<br>
<br>
<details open><summary>الكشف (COCO)</summary>
استكشف [وثائق الكشف](https://docs.ultralytics.com/tasks/detect) للحصول على أمثلة الاستخدام. هذه النماذج مدربة على [مجموعة بيانات COCO](https://cocodataset.org/)، وتشمل 80 فئة من الكائنات.
| Model | size<br><sup>(pixels)</sup> | mAP<sup>val<br>50-95</sup> | mAP<sup>val<br>50-95(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------- | --------------------------- | -------------------------- | ------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n) | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.5 |
| [YOLO26s](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s) | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.9 |
| [YOLO26m](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m) | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.4 |
| [YOLO26l](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l) | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.8 |
| [YOLO26x](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x) | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 194.4 |
- تشير قيم **mAP<sup>val</sup>** إلى أداء نموذج واحد بمقياس واحد على مجموعة بيانات [COCO val2017](https://cocodataset.org/). راجع [مقاييس أداء YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) للحصول على التفاصيل. <br>أعد الإنتاج باستخدام `yolo val detect data=coco.yaml device=0`
- يتم حساب متوسط مقاييس **السرعة** على صور COCO val باستخدام مثيل [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). تُقاس سرعات CPU باستخدام تصدير [ONNX](https://onnx.ai/). تُقاس سرعات GPU باستخدام تصدير [TensorRT](https://developer.nvidia.com/tensorrt). <br>أعد الإنتاج باستخدام `yolo val detect data=coco.yaml batch=1 device=0|cpu`
</details>
<details><summary>التجزئة (COCO)</summary>
راجع [وثائق التجزئة](https://docs.ultralytics.com/tasks/segment) للحصول على أمثلة الاستخدام. هذه النماذج مدربة على [COCO-Seg](https://docs.ultralytics.com/datasets/segment/coco)، وتشمل 80 فئة.
| Model | size<br><sup>(pixels)</sup> | mAP<sup>box<br>50-95(e2e)</sup> | mAP<sup>mask<br>50-95(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------------------- | -------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-seg) | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.3 |
| [YOLO26s-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-seg) | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.5 |
| [YOLO26m-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-seg) | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.7 |
| [YOLO26l-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-seg) | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 140.1 |
| [YOLO26x-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-seg) | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 314.0 |
- قيم **mAP<sup>val</sup>** هي لنموذج واحد بمقياس واحد على مجموعة بيانات [COCO val2017](https://cocodataset.org/). راجع [مقاييس أداء YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) للحصول على التفاصيل. <br>أعد الإنتاج باستخدام `yolo val segment data=coco.yaml device=0`
- يتم حساب متوسط مقاييس **السرعة** على صور COCO val باستخدام مثيل [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). تُقاس سرعات CPU باستخدام تصدير [ONNX](https://onnx.ai/). تُقاس سرعات GPU باستخدام تصدير [TensorRT](https://developer.nvidia.com/tensorrt). <br>أعد الإنتاج باستخدام `yolo val segment data=coco.yaml batch=1 device=0|cpu`
</details>
<details><summary>التجزئة الدلالية (Cityscapes)</summary>
اطلع على [وثائق التجزئة الدلالية](https://docs.ultralytics.com/tasks/semantic) للحصول على أمثلة الاستخدام. هذه النماذج مدربة على [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes)، وتشمل 19 فئة.
| Model | size<br><sup>(pixels)</sup> | mIoU<sup>val</sup> | Speed<br><sup>RTX3090 PyTorch<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------ | ------------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-sem) | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 23.8 |
| [YOLO26s-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-sem) | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 91.0 |
| [YOLO26m-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-sem) | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 305.5 |
| [YOLO26l-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-sem) | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.8 | 388.2 |
| [YOLO26x-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-sem) | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.1 | 866.9 |
- قيم **mIoU<sup>val</sup>** هي لنموذج واحد بمقياس واحد على مجموعة التحقق من [Cityscapes](https://www.cityscapes-dataset.com/). <br>أعد الإنتاج باستخدام `yolo semantic val data=cityscapes.yaml device=0 imgsz=2048`
- يتم حساب متوسط مقاييس **السرعة** على صور التحقق من Cityscapes باستخدام مثيل RTX3090. <br>أعد الإنتاج باستخدام `yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048`
</details>
<details><summary>تقدير العمق (NYU Depth V2)</summary>
اطلع على [وثائق تقدير العمق](https://docs.ultralytics.com/tasks/depth) للحصول على أمثلة الاستخدام. هذه النماذج مدربة مسبقًا على مزيج واسع من مجموعات بيانات متعددة ويتم تقييمها على تقسيم اختبار Eigen الخاص بـ [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html)، مع التنبؤ بالعمق لكل بكسل بالأمتار.
| Model | size<br><sup>(pixels)</sup> | delta1<sup>NYU</sup> | abs_rel<sup>NYU</sup> | rmse<sup>NYU</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------------------- | --------------------------- | -------------------- | --------------------- | ------------------ | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-depth) | 768 | 0.882 | 0.109 | 0.414 | 272.0 ± 27.2 | 2.7 ± 0.1 | 6.3 | 46.9 |
| [YOLO26s-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-depth) | 768 | 0.896 | 0.104 | 0.399 | 393.7 ± 13.1 | 3.8 ± 0.0 | 13.2 | 68.0 |
| [YOLO26m-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-depth) | 768 | 0.921 | 0.089 | 0.364 | 621.5 ± 49.7 | 6.0 ± 0.1 | 23.3 | 130.4 |
| [YOLO26l-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-depth) | 768 | 0.930 | 0.083 | 0.351 | 821.9 ± 50.7 | 7.7 ± 0.1 | 27.7 | 157.0 |
| [YOLO26x-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-depth) | 768 | 0.933 | 0.080 | 0.344 | 1240.9 ± 73.3 | 13.6 ± 0.2 | 57.0 | 301.7 |
- **delta1<sup>NYU</sup>** هو النسبة المئوية للبكسلات التي يقع فيها العمق المتوقع ضمن عامل 1.25 من الحقيقة الأرضية، على تقسيم اختبار Eigen الخاص بـ NYU Depth V2 (654 صورة) مع TTA متعدد المقاييس + قلب أفقي ومحاذاة لوغاريتمية بأقل مربعات.
- الدقة أحادية المقياس بدون TTA قابلة لإعادة الإنتاج باستخدام `yolo depth val model=yolo26n-depth.pt data=nyu-depth.yaml imgsz=768 device=0` (استبدل `model=` لكل حجم)، والتي تستخدم محاذاة الوسيط (المقياس فقط) وتسجل درجات أقل: delta1 0.785 (n)، 0.786 (s)، 0.827 (m)، 0.839 (l)، 0.843 (x).
- **abs_rel** هو متوسط الخطأ النسبي المطلق بين قيم العمق المتوقعة والحقيقية.
- **rmse** هو الجذر التربيعي لمتوسط الخطأ التربيعي بالأمتار.
- **السرعة** هي زمن الاستجابة للاستدلال فقط (باستثناء المعالجة المسبقة/اللاحقة) عند `imgsz=768`، `batch=1`، ويُبلغ عنها كمتوسط ± انحراف معياري عبر عمليات زمنية بعد الإحماء. **CPU ONNX** هو ONNX Runtime fp32 على معالج Intel Xeon (Skylake) بـ 32 نواة؛ **T4 TensorRT10** هو TensorRT fp16 على Tesla T4.
- يتم قياس **params** و **FLOPs** عند 768×768، وهي دقة التدريب للأوزان المُصدرة.
</details>
<details><summary>التصنيف (ImageNet)</summary>
راجع [وثائق التصنيف](https://docs.ultralytics.com/tasks/classify) للحصول على أمثلة الاستخدام. هذه النماذج مدربة على [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet)، وتغطي 1000 فئة.
| Model | size<br><sup>(pixels)</sup> | acc<br><sup>top1</sup> | acc<br><sup>top5</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B) at 224</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ---------------------- | ---------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ------------------------------ |
| [YOLO26n-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-cls) | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.4 |
| [YOLO26s-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-cls) | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.5 |
| [YOLO26m-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-cls) | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.8 |
| [YOLO26l-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-cls) | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.0 |
| [YOLO26x-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-cls) | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.5 |
- تمثل قيم **acc** دقة النموذج على مجموعة التحقق من [ImageNet](https://www.image-net.org/). <br>أعد الإنتاج باستخدام `yolo val classify data=path/to/ImageNet device=0`
- يتم حساب متوسط مقاييس **السرعة** على صور ImageNet val باستخدام مثيل [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). تُقاس سرعات CPU باستخدام تصدير [ONNX](https://onnx.ai/). تُقاس سرعات GPU باستخدام تصدير [TensorRT](https://developer.nvidia.com/tensorrt). <br>أعد الإنتاج باستخدام `yolo val classify data=path/to/ImageNet batch=1 device=0|cpu`
</details>
<details><summary>الوضعية (COCO)</summary>
اطلع على [وثائق تقدير الوضعية](https://docs.ultralytics.com/tasks/pose) للحصول على أمثلة الاستخدام. هذه النماذج مدربة على [COCO-Pose](https://docs.ultralytics.com/datasets/pose/coco)، مع التركيز على فئة "person".
| Model | size<br><sup>(pixels)</sup> | mAP<sup>pose<br>50-95(e2e)</sup> | mAP<sup>pose<br>50(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| -------------------------------------------------------------------------------- | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-pose) | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.6 |
| [YOLO26s-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-pose) | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 24.1 |
| [YOLO26m-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-pose) | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.3 |
| [YOLO26l-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-pose) | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.7 |
| [YOLO26x-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-pose) | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 202.3 |
- قيم **mAP<sup>val</sup>** هي لنموذج واحد بمقياس واحد على مجموعة بيانات [COCO Keypoints val2017](https://docs.ultralytics.com/datasets/pose/coco). راجع [مقاييس أداء YOLO](https://docs.ultralytics.com/guides/yolo-performance-metrics) للحصول على التفاصيل. <br>أعد الإنتاج باستخدام `yolo val pose data=coco-pose.yaml device=0`
- يتم حساب متوسط مقاييس **السرعة** على صور COCO val باستخدام مثيل [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). تُقاس سرعات CPU باستخدام تصدير [ONNX](https://onnx.ai/). تُقاس سرعات GPU باستخدام تصدير [TensorRT](https://developer.nvidia.com/tensorrt). <br>أعد الإنتاج باستخدام `yolo val pose data=coco-pose.yaml batch=1 device=0|cpu`</details>
<details><summary>الصناديق المحيطة الموجهة (DOTAv1)</summary>
راجع [وثائق OBB](https://docs.ultralytics.com/tasks/obb) للحصول على أمثلة الاستخدام. تم تدريب هذه النماذج على [DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10)، وتشمل 15 فئة.
| النموذج | الحجم<br><sup>(بكسل)</sup> | mAP<sup>اختبار<br>50-95(e2e)</sup> | mAP<sup>اختبار<br>50(e2e)</sup> | السرعة<br><sup>CPU ONNX<br>(مللي ثانية)</sup> | السرعة<br><sup>T4 TensorRT10<br>(مللي ثانية)</sup> | المعاملات<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-obb) | 1024 | 52.4 | 78.9 | 97.7 ± 0.9 | 2.8 ± 0.0 | 2.4 | 14.8 |
| [YOLO26s-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-obb) | 1024 | 54.8 | 80.9 | 218.0 ± 1.4 | 4.9 ± 0.1 | 9.8 | 56.7 |
| [YOLO26m-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-obb) | 1024 | 55.3 | 81.0 | 579.2 ± 3.8 | 10.2 ± 0.3 | 21.2 | 184.9 |
| [YOLO26l-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-obb) | 1024 | 56.2 | 81.6 | 735.6 ± 3.1 | 13.0 ± 0.2 | 25.6 | 232.4 |
| [YOLO26x-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-obb) | 1024 | 56.7 | 81.7 | 1485.7 ± 11.5 | 30.5 ± 0.9 | 57.6 | 520.1 |
- قيم **mAP<sup>test</sup>** هي لأداء نموذج واحد متعدد المقاييس على [مجموعة اختبار DOTAv1](https://captain-whu.github.io/DOTA/dataset.html). <br>يمكن إعادة إنتاجها عبر `yolo val obb data=DOTAv1.yaml device=0 split=test` وإرسال النتائج المدمجة إلى [خادم تقييم DOTA](https://captain-whu.github.io/DOTA/evaluation.html).
- يتم حساب مقاييس **السرعة** كمتوسط على [صور التحقق من DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10) باستخدام مثيل [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/). تُقاس سرعات CPU باستخدام تصدير [ONNX](https://onnx.ai/). تُقاس سرعات GPU باستخدام تصدير [TensorRT](https://developer.nvidia.com/tensorrt). <br>يمكن إعادة إنتاجها عبر `yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu`
</details>
## 🧩 التكاملات
تعمل تكاملاتنا الرئيسية مع منصات الذكاء الاصطناعي الرائدة على توسيع وظائف عروض Ultralytics، مما يعزز مهام مثل وضع العلامات على مجموعات البيانات، والتدريب، والتصور، وإدارة النماذج. اكتشف كيف يمكن لـ Ultralytics، بالتعاون مع شركاء مثل [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases)، و[Comet ML](https://docs.ultralytics.com/integrations/comet)، و[Roboflow](https://docs.ultralytics.com/integrations/roboflow)، و[Intel OpenVINO](https://docs.ultralytics.com/integrations/openvino)، تحسين سير عمل الذكاء الاصطناعي لديك. استكشف المزيد على [تكاملات Ultralytics](https://docs.ultralytics.com/integrations).
<a href="https://platform.ultralytics.com" target="_blank">
<img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-integrations.png" alt="تكاملات التعلم النشط من Ultralytics">
</a>
## 🤝 المساهمة
نزدهر بالتعاون المجتمعي! لم يكن Ultralytics YOLO ليكون الإطار الرائد (SOTA) الذي هو عليه اليوم دون مساهمات من مطورين مثلك. يرجى الاطلاع على [دليل المساهمة](https://docs.ultralytics.com/help/contributing) للبدء. نرحب أيضًا بملاحظاتك—شاركنا تجربتك من خلال إكمال [الاستبيان](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey). **شكرًا جزيلاً** 🙏 لكل من يساهم!
<!-- SVG image from https://opencollective.com/ultralytics/contributors.svg?width=1280 -->
[](https://github.com/ultralytics/ultralytics/graphs/contributors)
نتطلع إلى مساهماتكم للمساعدة في جعل نظام Ultralytics البيئي أفضل!
## 📜 الترخيص
تقدم Ultralytics خيارين للترخيص لتناسب الاحتياجات المختلفة:
- **ترخيص AGPL-3.0**: هذا الترخيص مفتوح المصدر [المعتمد من OSI](https://opensource.org/license/agpl-3.0) مثالي للطلاب والباحثين والمتحمسين. إنه يشجع التعاون المفتوح وتبادل المعرفة. راجع ملف [LICENSE](https://github.com/ultralytics/ultralytics/blob/main/LICENSE) للحصول على التفاصيل الكاملة.
- **ترخيص Ultralytics للمؤسسات**: للتطوير والاستخدام الإنتاجي، يتيح هذا الترخيص دمجًا سلسًا لبرامج ونماذج الذكاء الاصطناعي من Ultralytics في المنتجات والخدمات التجارية، بما في ذلك الأدوات الداخلية وسير العمل الآلي والنشر الإنتاجي، متجاوزًا متطلبات المصدر المفتوح لـ AGPL-3.0. للبدء، يرجى الاتصال بنا عبر [ترخيص Ultralytics](https://www.ultralytics.com/license).
## 📞 الاتصال
للتقارير عن الأخطاء وطلبات الميزات المتعلقة ببرامج Ultralytics، يرجى زيارة [GitHub Issues](https://github.com/ultralytics/ultralytics/issues). للأسئلة والمناقشات والدعم المجتمعي، انضم إلى مجتمعاتنا النشطة على [Discord](https://discord.com/invite/ultralytics)، و[Reddit](https://www.reddit.com/r/ultralytics/)، و[منتديات مجتمع Ultralytics](https://community.ultralytics.com). نحن هنا لمساعدتك في كل ما يتعلق بـ Ultralytics!
<br>
<div align="center">
<a href="https://github.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-github.png" width="3%" alt="Ultralytics GitHub"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://www.linkedin.com/company/ultralytics/"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-linkedin.png" width="3%" alt="Ultralytics LinkedIn"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://twitter.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-twitter.png" width="3%" alt="Ultralytics Twitter"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://www.youtube.com/ultralytics?sub_confirmation=1"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-youtube.png" width="3%" alt="Ultralytics YouTube"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://www.tiktok.com/@ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-tiktok.png" width="3%" alt="Ultralytics TikTok"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://ultralytics.com/bilibili"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-bilibili.png" width="3%" alt="Ultralytics BiliBili"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="مسافة">
<a href="https://discord.com/invite/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-discord.png" width="3%" alt="Ultralytics Discord"></a>
</div>