מבוא לבינה מלאכותית : RB33-16 YOLO

מחבר:admin
פורסם:יוני 30, 2026
קטגוריה:רובוטרוניקס כללי

מבוא לבינה מלאכותית : RB33-16

קישור : https://docs.ultralytics.com/models/yolo11#supported-tasks-and-modes

נורמוליזיישן של הנתונים YOLO

איך מנרמלים

Oriented Bounding Boxes Object Detection

נעבור על : https://docs.ultralytics.com/tasks/obb#visual-samples

חזרה קצרה על מבנה קבצי ה DATASET — YOLO

מבנה הספרייה הייחודי של YOLO ב PC
נניח שהתקנו את הקבצים הרלוונטיים c:\temp1

ניתן לראות ההרכב הידוע של TRAIN , VAL ,TEST

תוכן הקבצים למשל ב TRAIN IMAGES

תוכן הקבצים למשל ב TRAIN LABELS

קישור להורדה : https://drive.google.com/file/d/1QFRAFagc–lyL3l0pxGHf6d8I8sR32XS/view?usp=sharing

נזכיר

  0: circle
  1: triangle

מבנה קובץ ה YAMAL data.yaml

עבור הרצה מ COLAB המבנה יהיה כך (במקרה שלנו)

הערה : אם נריץ ב PC עבור אנקונדה או VS STUDIO CODE יהיה מותאם ל PC

יצירת קובץ אוטומטי לאימון YOLO שלבים

כתוב קוד Python מלא עבור Google Colab שמבצע אימון למודל YOLO11 על דאטהסט בפורמט YOLO.

הקוד צריך לבצע את השלבים הבאים:

התקנת הספריות הנדרשות, כולל Ultralytics YOLO (קוד התקנה בבלוק ראשון לאחריו כתוב את שאר הקוד בבלוק נוסף )
טעינת הדאטהסט מקובץ ZIP שהמשתמש מעלה מהמחשב ל-Colab.
חילוץ קובץ ה-ZIP והצגת מבנה התיקיות לאחר החילוץ.
בדיקה שקיים קובץ data.yaml תקין, כולל:
train
val
test
names
nc
יצירת מודל YOLO11 חדש או טעינת מודל YOLO11 מוכן מראש.
אימון המודל במשך 30 epochs.
שמירת תוצאות האימון בתיקיית runs/detect/train.
הצגת גרפים של תהליך האימון, כולל:
train loss
val loss
precision
recall
mAP50
mAP50-95
בסיום האימון יש להדפיס הודעת סיום ברורה.
יש להציג את הנתיבים המלאים לקובצי המודל:
best.pt
last.pt
לאחר האימון יש להריץ בדיקה על תיקיית test ולחשב את ביצועי המודל.
יש להציג סיכום תוצאות על test, כולל:
precision
recall
mAP50
mAP50-95
יש להריץ prediction על מספר תמונות מתוך תיקיית test ולהציג את התמונות עם תיבות הזיהוי.
כתוב את כל הקוד בצורה ברורה, עם הערות באנגלית ליד כל שורת קוד חשובה.

ניתוח הנתונים

Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 10/10 0G 0.3358 0.3325 0.8169 8 320: 100% ━━━━━━━━━━━━ 9/9 10.6s/it 1:35 Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 2/2 5.1s/it 10.3s all 20 25 0.931 0.867 0.944 0.906

train loss שגיאת המודל בזמן האימון.
דוגמה טובה: 0.3 — המודל למד לזהות טוב עיגול ומשולש.
דוגמה גרועה: 3.0 — המודל עדיין טועה הרבה בצורה או במיקום.

val loss שגיאה על תמונות חדשות שלא היו באימון.
טוב: 0.4 — המודל מצליח גם על תמונות חדשות.
גרוע: 2.5 — המודל לא מכליל טוב, אולי למד בעל פה.

mAP50 דיוק הזיהוי כאשר מספיק שהתיבה תחפוף לפחות 50% לאובייקט.
טובה: 0.95 — המודל מזהה כמעט את כל העיגולים והמשולשים.
גרועה: 0.45 — הרבה תיבות לא במקום או זיהויים חסרים.

mAP50-95 מדד קשה יותר שבודק תיבות מדויקות מאוד.
טובה: 0.75 — התיבות סביב העיגול והמשולש מדויקות.
גרועה: 0.25 — המודל אולי מזהה, אבל התיבה לא מדו

precision recall

נתון : בתמונה יש באמת 4 משולשים.

המודל סימן 5 משולשים. מתוך 5 הסימונים:
3 באמת משולשים 2 טעויות — למשל עיגולים שסומנו כמשולש

precision בודק מתוך מה שהמודל סימן:

3 / 5 = 60%

מתוך 5 זיהויים של משולש, רק 3 היו נכונים.

recall בודק מתוך מה שבאמת היה בתמונה:

3/4 = 75%

כלומר: מתוך 4 משולשים אמיתיים, המודל מצא 3.

ההבדל:

precision מתוך כל מה שהמודל זיהה — כמה באמת נכון.
תוצאה טובה: 95% — זיהה 100 עיגולים, אבל רק 95 באמת עיגולים.
תוצאה גרועה: 50% — חצי מהזיהויים שגויים.

recall מתוך כל העיגולים האמיתיים — כמה המודל מצא.
טובה: 90% — היו 100 עיגולים, המודל מצא 90.
גרועה: 40% — המודל מפספס הרבה עיגולים.

\\\

יצירת תוויות

תרגיל כיתה 1 YOLO

תרגיל כיתה 1 יצירת תוויות

הורד את ה dataset

https://drive.google.com/file/d/1klzB_6dKuv5M7YsPZB6eT8M1KLua1YOa/view?usp=sharing

2.העלה לקובלאב בנה קוד שפותח אותו ומסדר אותו לפורמט yolo ויוצר קובץ yamal

חלק ב

תרגיל כיתה 1 YOLO

קוד תוכנה זה מעלה קובץ ARJ מ pc ל לקולאב ואז פותח את הקבצים בCOLAB

# ==========================
# COLAB: upload RAR and extract
# ==========================

from google.colab import files
import os

# install RAR extractor
!apt-get update -qq
!apt-get install -y unrar

# output folder
OUT_DIR = "/content/my_uploaded_files"
os.makedirs(OUT_DIR, exist_ok=True)

# upload file from PC
uploaded = files.upload()

# extract uploaded RAR
for filename in uploaded.keys():
    print("Uploaded:", filename)

    if filename.lower().endswith(".rar"):
        print("Extracting RAR...")
        !unrar x -y "$filename" "$OUT_DIR/"
        print("Done extracting")
    else:
        print("Unsupported file type:", filename)

# show extracted files
print("\nLoaded and extracted files:")

count = 0
for root, dirs, files_list in os.walk(OUT_DIR):
    for f in files_list:
        count += 1
        print(os.path.join(root, f))

print("\nTotal extracted files:", count)
print("Output folder:", OUT_DIR)

# ==========================

# COLAB: upload RAR and extract

# ==========================

from google.colab import files

import os

# install RAR extractor

!apt-get update -qq

!apt-get install -y unrar

# output folder

OUT_DIR = "/content/my_uploaded_files"

os.makedirs(OUT_DIR, exist_ok=True)

# upload file from PC

uploaded = files.upload()

# extract uploaded RAR

for filename in uploaded.keys():

print("Uploaded:", filename)

if filename.lower().endswith(".rar"):

print("Extracting RAR...")

!unrar x -y "$filename" "$OUT_DIR/"

print("Done extracting")

else:

print("Unsupported file type:", filename)

# show extracted files

print("\nLoaded and extracted files:")

count = 0

for root, dirs, files_list in os.walk(OUT_DIR):

for f in files_list:

count += 1

print(os.path.join(root, f))

print("\nTotal extracted files:", count)

print("Output folder:", OUT_DIR)

כתוב קוד Python מלא עבור Google Colab שמבצע אימון למודל YOLO11 על דאטהסט בפורמט YOLO.

הקוד צריך לבצע את השלבים הבאים:

התקנת הספריות הנדרשות, כולל Ultralytics YOLO (קוד התקנה בבלוק ראשון לאחריו כתוב את שאר הקוד בבלוק נוסף )
טעינת הדאטהסט מקובץ ZIP שהמשתמש מעלה מהמחשב ל-Colab.
חילוץ קובץ ה-ZIP והצגת מבנה התיקיות לאחר החילוץ.
בדיקה שקיים קובץ data.yaml תקין, כולל:
train
val
test
names
nc
יצירת מודל YOLO11 חדש או טעינת מודל YOLO11 מוכן מראש.
אימון המודל במשך 30 epochs.
שמירת תוצאות האימון בתיקיית runs/detect/train.
הצגת גרפים של תהליך האימון, כולל:
train loss
val loss
precision
recall
mAP50
mAP50-95
בסיום האימון יש להדפיס הודעת סיום ברורה.
יש להציג את הנתיבים המלאים לקובצי המודל:
best.pt
last.pt
לאחר האימון יש להריץ בדיקה על תיקיית test ולחשב את ביצועי המודל.
יש להציג סיכום תוצאות על test, כולל:
precision
recall
mAP50
mAP50-95
יש להריץ prediction על מספר תמונות מתוך תיקיית test ולהציג את התמונות עם תיבות הזיהוי.
כתוב את כל הקוד בצורה ברורה, עם הערות באנגלית ליד כל שורת קוד חשובה.