Add Hindi हिन्दी and Arabic العربية Docs translations (#6428)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>

docs/fr/tasks/classify.md

@@ -12,7 +12,7 @@ La classification d'images est la tâche la plus simple des trois et consiste à
 
 Le résultat d'un classificateur d'images est une étiquette de classe unique et un score de confiance. La classification d'images est utile lorsque vous avez besoin de savoir seulement à quelle classe appartient une image et que vous n'avez pas besoin de connaître l'emplacement des objets de cette classe ou leur forme exacte.
 
-!!! tip "Astuce"
+!!! Tip "Astuce"
 
     Les modèles YOLOv8 Classify utilisent le suffixe `-cls`, par exemple `yolov8n-cls.pt` et sont pré-entraînés sur [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).
 
@@ -39,7 +39,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
 
 Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -76,7 +76,7 @@ Le format du dataset de classification YOLO peut être trouvé en détails dans
 
 Validez la précision du modèle YOLOv8n-cls entraîné sur le dataset MNIST160. Aucun argument n'est nécessaire car le `modèle` conserve ses données d'entraînement et arguments en tant qu'attributs du modèle.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -103,7 +103,7 @@ Validez la précision du modèle YOLOv8n-cls entraîné sur le dataset MNIST160.
 
 Utilisez un modèle YOLOv8n-cls entraîné pour exécuter des prédictions sur des images.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -130,7 +130,7 @@ Voir les détails complets du mode `predict` sur la page [Prédire](https://docs
 
 Exportez un modèle YOLOv8n-cls dans un format différent comme ONNX, CoreML, etc.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 

docs/fr/tasks/detect.md

@@ -23,7 +23,7 @@ La sortie d'un détecteur d'objets est un ensemble de boîtes englobantes qui en
   <strong>Regardez :</strong> Détection d'Objets avec le Modèle Pré-entraîné Ultralytics YOLOv8.
 </p>
 
-!!! tip "Conseil"
+!!! Tip "Conseil"
 
     Les modèles Detect YOLOv8 sont les modèles YOLOv8 par défaut, c.-à-d. `yolov8n.pt` et sont pré-entraînés sur le jeu de données [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
 
@@ -50,7 +50,7 @@ Les modèles pré-entraînés Detect YOLOv8 sont présentés ici. Les modèles D
 
 Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -86,7 +86,7 @@ Le format des jeux de données de détection YOLO est détaillé dans le [Guide
 
 Validez la précision du modèle YOLOv8n entraîné sur le jeu de données COCO128. Aucun argument n'est nécessaire puisque le `modèle` conserve ses `données` d'entraînement et arguments en tant qu'attributs du modèle.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -115,7 +115,7 @@ Validez la précision du modèle YOLOv8n entraîné sur le jeu de données COCO1
 
 Utilisez un modèle YOLOv8n entraîné pour exécuter des prédictions sur des images.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -142,7 +142,7 @@ Consultez les détails complets du mode `predict` sur la page [Prédire](https:/
 
 Exportez un modèle YOLOv8n dans un format différent tel que ONNX, CoreML, etc.
 
-!!! example ""
+!!! Example "Exemple"
 
     === "Python"
 

docs/fr/tasks/index.md

@@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Détection, Segmentation, Classification, Estimat
 
 YOLOv8 est un cadre d'intelligence artificielle qui prend en charge de multiples tâches de **vision par ordinateur**. Le cadre peut être utilisé pour effectuer de la [détection](detect.md), de la [segmentation](segment.md), de la [classification](classify.md) et de l'estimation de la [pose](pose.md). Chacune de ces tâches a un objectif et un cas d'utilisation différents.
 
-!!! note
+!!! Note
 
     🚧 Notre documentation multilingue est actuellement en construction et nous travaillons dur pour l'améliorer. Merci de votre patience ! 🙏
 

docs/fr/tasks/pose.md

@@ -42,7 +42,7 @@ Les [Modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
 
 Entraînez un modèle YOLOv8-pose sur le jeu de données COCO128-pose.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -78,7 +78,7 @@ Le format du jeu de données YOLO pose peut être trouvé en détail dans le [Gu
 
 Validez la précision du modèle YOLOv8n-pose entraîné sur le jeu de données COCO128-pose. Aucun argument n'est nécessaire car le `modèle` conserve ses données d'entraînement et arguments en tant qu'attributs du modèle.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -107,7 +107,7 @@ Validez la précision du modèle YOLOv8n-pose entraîné sur le jeu de données
 
 Utilisez un modèle YOLOv8n-pose entraîné pour exécuter des prédictions sur des images.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -134,7 +134,7 @@ Consultez les détails complets du mode `predict` sur la page [Prédire](https:/
 
 Exportez un modèle YOLOv8n Pose dans un autre format tel que ONNX, CoreML, etc.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 

docs/fr/tasks/segment.md

@@ -50,7 +50,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
 
 Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -87,7 +87,7 @@ Le format des données de segmentation YOLO peut être trouvé en détail dans l
 Validez la précision du modèle YOLOv8n-seg entraîné sur le jeu de données COCO128-seg. Aucun argument n'est nécessaire car le `modèle`
 conserve ses données de formation et ses arguments comme attributs du modèle.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -120,7 +120,7 @@ conserve ses données de formation et ses arguments comme attributs du modèle.
 
 Utilisez un modèle YOLOv8n-seg entraîné pour effectuer des prédictions sur des images.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"
 
@@ -147,7 +147,7 @@ Voir les détails complets du mode `predict` sur la page [Predict](https://docs.
 
 Exportez un modèle YOLOv8n-seg vers un format différent comme ONNX, CoreML, etc.
 
-!!! exemple ""
+!!! Example "Exemple"
 
     === "Python"