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/ru/tasks/classify.md

@@ -12,7 +12,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
 
 Выход классификатора изображений - это один классовый ярлык и уровень доверия. Классификация изображений полезна, когда вам нужно знать только к какому классу относится изображение, и не нужно знать, где находятся объекты данного класса или какова их точная форма.
 
-!!! tip "Совет"
+!!! Tip "Совет"
 
     Модели YOLOv8 Classify используют суффикс `-cls`, например `yolov8n-cls.pt`, и предварительно обучены на [ImageNet](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ImageNet.yaml).
 
@@ -39,7 +39,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
 
 Обучите модель YOLOv8n-cls на наборе данных MNIST160 на протяжении 100 эпох с размером изображения 64. Полный список доступных аргументов приведен на странице [Конфигурация](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -76,7 +76,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
 
 Проверьте точность обученной модели YOLOv8n-cls на наборе данных MNIST160. Не нужно передавать какие-либо аргументы, так как `model` сохраняет свои `data` и аргументы в качестве атрибутов модели.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -103,7 +103,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
 
 Используйте обученную модель YOLOv8n-cls для выполнения предсказаний на изображениях.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -130,7 +130,7 @@ keywords: Ultralytics, YOLOv8, классификация изображений
 
 Экспортируйте модель YOLOv8n-cls в другой формат, например, ONNX, CoreML и т. д.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 

docs/ru/tasks/detect.md

@@ -23,7 +23,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
   <strong>Смотрите:</strong> Обнаружение объектов с предобученной моделью Ultralytics YOLOv8.
 </p>
 
-!!! tip "Совет"
+!!! Tip "Совет"
 
     YOLOv8 Detect модели являются стандартными моделями YOLOv8, то есть `yolov8n.pt`, и предобучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
 
@@ -50,7 +50,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
 
 Обучите модель YOLOv8n на датасете COCO128 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -86,7 +86,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
 
 Проверьте точность обученной модели YOLOv8n на датасете COCO128. Необходимо передать аргументы, поскольку `model` сохраняет свои `data` и аргументы обучения как атрибуты модели.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -115,7 +115,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
 
 Используйте обученную модель YOLOv8n для выполнения предсказаний на изображениях.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -142,7 +142,7 @@ keywords: YOLOv8, Ultralytics, обнаружение объектов, пред
 
 Экспортируйте модель YOLOv8n в другой формат, такой как ONNX, CoreML и др.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 

docs/ru/tasks/index.md

@@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Обнаружение, Сегментация,
 
 YOLOv8 — это AI фреймворк, поддерживающий множество задач компьютерного зрения **задачи**. Фреймворк может быть использован для выполнения [обнаружения](detect.md), [сегментации](segment.md), [классификации](classify.md) и оценки [позы](pose.md). Каждая из этих задач имеет различные цели и области применения.
 
-!!! note
+!!! Note
 
     🚧 Наша многоязычная документация в настоящее время находится в стадии разработки, и мы усердно работаем над ее улучшением. Спасибо за ваше терпение! 🙏
 

docs/ru/tasks/pose.md

@@ -13,7 +13,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
 
 [Смотрите: Оценка позы с Ultralytics YOLOv8.](https://www.youtube.com/embed/Y28xXQmju64?si=pCY4ZwejZFu6Z4kZ)
 
-!!! tip "Совет"
+!!! Tip "Совет"
 
     Модели _pose_ YOLOv8 используют суффикс `-pose`, т.е. `yolov8n-pose.pt`. Эти модели обучены на наборе данных [COCO keypoints](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml) и подходят для различных задач оценки позы.
 
@@ -41,7 +41,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
 
 Обучите модель YOLOv8-pose на наборе данных COCO128-pose.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -78,7 +78,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
 Проверьте точность обученной модели YOLOv8n-pose на наборе данных COCO128-pose. Аргументы не нужны, так как `model`
 запоминает свои `data` и аргументы как атрибуты модели.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -107,7 +107,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
 
 Используйте обученную модель YOLOv8n-pose для выполнения предсказаний на изображениях.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -134,7 +134,7 @@ description: Узнайте, как использовать Ultralytics YOLOv8
 
 Экспортируйте модель YOLOv8n Pose в другой формат, такой как ONNX, CoreML и т.д.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 

docs/ru/tasks/segment.md

@@ -23,7 +23,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
   <strong>Смотрите:</strong> Запуск сегментации с предварительно обученной моделью Ultralytics YOLOv8 на Python.
 </p>
 
-!!! tip "Совет"
+!!! Tip "Совет"
 
     Модели YOLOv8 Segment используют суффикс `-seg`, например `yolov8n-seg.pt` и предварительно обучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).
 
@@ -51,7 +51,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
 
 Обучите модель YOLOv8n-seg на наборе данных COCO128-seg в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице [Конфигурация](/../usage/cfg.md).
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -87,7 +87,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
 
 Проверьте точность обученной модели YOLOv8n-seg на наборе данных COCO128-seg. Аргументы передавать не нужно, так как `model` сохраняет `data` и аргументы обучения в качестве атрибутов модели.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -120,7 +120,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
 
 Используйте обученную модель YOLOv8n-seg для выполнения предсказаний на изображениях.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"
 
@@ -147,7 +147,7 @@ keywords: yolov8, сегментация объектов, Ultralytics, набо
 
 Экспортируйте модель YOLOv8n-seg в другой формат, например ONNX, CoreML и т.д.
 
-!!! example ""
+!!! Example "Пример"
 
     === "Python"