YOLO

الفكرة الأصلية

1. تقسم الصورة إلى شبكة \(S \times S\).
2. كل خلية مسؤولة عن الأجسام التي يقع مركزها فيها.
3. تتنبأ كل خلية بـ \(B\) مربعات \((x, y, w, h, \text{confidence})\) واحتمالات \(C\) فئات.
4. المخرج موتر بحجم \(S \times S \times (B \cdot 5 + C)\)؛ في الورقة الأصلية \(S=7, B=2, C=20\).
5. تُطبق عتبة ثقة ثم NMS.

التطور

• إضافة صناديق المراسي والتطبيع الدفعي.
• التنبؤ على عدة مقاييس لتحسين كشف الأجسام الصغيرة (YOLOv3).
• تصاميم لاحقة من فرق مختلفة أضافت تحسينات في العمود الفقري وزيادة البيانات وتصاميم دون مراسٍ.

أرقام الإصدارات بعد v3 تصدر عن جهات مختلفة، فراجع ورقة كل إصدار وترخيصه قبل الاستخدام.

صيغة التسميات

لكل صورة ملف نصي، كل سطر جسم واحد بإحداثيات مطبَّعة بين 0 و1:

<class_id> <x_center> <y_center> <width> <height>
0 0.512 0.430 0.210 0.380

مثال باستخدام مكتبة Ultralytics

pip install ultralytics

from ultralytics import YOLO
model = YOLO("yolov8n.pt")                  # أوزان صغيرة مدربة على COCO (تُنزَّل عند أول استخدام)
results = model("street.jpg", conf=0.5)
for r in results:
    print(r.boxes.xyxy, r.boxes.cls, r.boxes.conf)

# تدريب على بيانات مخصصة يصفها ملف data.yaml (مسارات الصور وأسماء الفئات)
model.train(data="data.yaml", epochs=50, imgsz=640)
metrics = model.val()                       # يحسب mAP

تخضع مكتبة Ultralytics لترخيص AGPL-3.0 أو ترخيص تجاري؛ تحقق من توافق الترخيص مع مشروعك.

نصائح عملية

• اجمع صوراً تمثل ظروف التشغيل الحقيقية (إضاءة، زوايا، مسافات).
• تحقق من جودة التسميات؛ المربعات غير الدقيقة تحد من الأداء.
• قيّم على بيانات منفصلة تماماً، ولاحظ الأداء على الأجسام الصغيرة بشكل خاص.