التدريب السحابي

Q: How long does training take?

يعتمد وقت التدريب على: الأوقات النموذجية (1000 صورة، 100 حقبة):

Q: What happens if I run out of credits?

إذا وصل رصيدك إلى الصفر أثناء عملية تدريب، فسيستمر التدريب حتى اكتماله وسيصبح رصيدك سالبًا. وهذا يضمن عدم انقطاع مهمة التدريب أبدًا أثناء سير العملية. بعد اكتمال التدريب، ستحتاج إلى إضافة رصيد لإعادة رصيدك إلى حالة إيجابية قبل بدء مهام تدريب جديدة. ويتم الاحتفاظ بالنموذج المكتمل ونقاط التحقق وجميع مخرجات التدريب بالكامل بغض النظر عن الرصيد.

Q: Can I use custom training arguments?

نعم، قم بتوسيع قسم "الإعدادات المتقدمة" في مربع حوار التدريب للوصول إلى محرر YAML الذي يحتوي على أكثر من 40 معلمة قابلة للتكوين. يتم تضمين القيم غير الافتراضية في كل من أوامر التدريب السحابية والمحلية. كما يدعم محرر YAML استيراد التكوينات من عمليات التدريب السابقة: وهذا يسهل إعادة إنتاج تكوينات التدريب السابقة أو تكرارها دون الحاجة إلى إعادة إدخال كل معلمة يدويًّا.

Q: Can I train from a dataset page?

نعم، يفتح زر "تدريب" الموجود في صفحات مجموعة البيانات مربع حوار التدريب مع مجموعة البيانات محددة مسبقًا ومقفلة. ثم تحدد مشروعًا ونموذجًا لبدء التدريب.

منصة Ultralytics للتدريب السحابي توفر تدريبًا بنقرة واحدة على وحدات معالجة الرسوميات (GPU) السحابية، مما يجعل تدريب النماذج متاحًا دون إعداد معقد. قم بتدريب نماذج YOLO مع بث المقاييس في الوقت الفعلي وحفظ نقاط الفحص تلقائيًا.

graph LR
    A[Configure] --> B[Start Training]
    B --> C[Provision GPU]
    C --> D[Download Dataset]
    D --> E[Train]
    E --> F[Stream Metrics]
    F --> G[Save Checkpoints]
    G --> H[Complete]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

حوار التدريب

ابدأ التدريب من واجهة المستخدم للمنصة بالنقر فوق " نموذج جديد" في أي صفحة مشروع (أو "تدريب من صفحة مجموعة بيانات"). يحتوي مربع حوار التدريب على علامتي تبويب: "تدريب سحابي " و" تدريب محلي".

تدريب على Ultralytics علامة تبويب Dialog Cloud

الخطوة 1: حدد النموذج الأساسي

اختر من نماذج YOLO26 الرسمية أو نماذجك المدربة الخاصة:

الفئة	الوصف
رسمي	جميع نماذج YOLO26 الـ 25 (5 أحجام × 5 مهام)
نماذجك	نماذجك المكتملة للتحسين

يتم تنظيم النماذج الرسمية حسب نوع المهمة (الكشف، التجزئة، الوضع، OBB، التصنيف) بأحجام تتراوح من النانو إلى xlarge.

الخطوة 2: حدد مجموعة البيانات

اختر مجموعة بيانات للتدريب عليها (انظر مجموعات البيانات):

الخيار	الوصف
رسمي	مجموعات بيانات منسقة من Ultralytics
مجموعات بياناتك	مجموعات البيانات التي قمت بتحميلها

متطلبات مجموعة البيانات

يجب أن تكون مجموعات البيانات في ready الحالة مع صورة واحدة على الأقل في تقسيم التدريب، وصورة واحدة في تقسيم التحقق أو الاختبار، وصورة واحدة على الأقل مصنفة.

عدم التوافق بين المهام

يظهر تحذير عدم تطابق المهام إذا كانت مهمة النموذج (مثل detect) لا تتطابق مع مهمة مجموعة البيانات (مثل segment). سيفشل التدريب إذا تابعت بمهام غير متطابقة. تأكد من أن كل من النموذج ومجموعة البيانات يستخدمان نفس نوع المهمة، كما هو موضح في أدلة المهام.

الخطوة 3: تكوين المعلمات

تعيين معلمات التدريب الأساسية:

المعلمة	الوصف	افتراضي
الحقب	عدد تكرارات التدريب	100
حجم الدفعة	العينات لكل تكرار	16
حجم الصورة	دقة الإدخال (قائمة منسدلة 320/416/512/640/1280، أو 32-4096 في محرر YAML)	640
اسم التشغيل	اسم اختياري للتدريب	تلقائي

الخطوة 4: الإعدادات المتقدمة (اختياري)

قم بتوسيع الإعدادات المتقدمة للوصول إلى محرر المعلمات الكامل المستند إلى YAML مع أكثر من 40 معلمة تدريب منظمة حسب المجموعة (انظر مرجع التكوين):

المجموعة	المعلمات
معدل التعلم	lr0، lrf، momentum، weight_decay، warmup_epochs، warmup_momentum، warmup_bias_lr
المحسّن	SGD MuSGD، Adam AdamW NAdam، RAdam، RMSProp، Adamax
أوزان الخسارة	box, cls, dfl, pose, kobj, label_smoothing
تعزيز الألوان	hsv_h، hsv_s، hsv_v
التعزيز الهندسي.	درجات، إزاحة، تحجيم، قص، منظور
تقوية Flip & Mix.	flipud، fliplr، mosaic، mixup، copy_paste
التحكم في التدريب	الصبر، البذرة، الحتمية، amp، cos_lr، close_mosaic، save_period
مجموعة البيانات	fraction، freeze، single_cls، rect، multi_scale، resume

المعلمات مدركة للمهام (على سبيل المثال، copy_paste يظهر فقط segment المقطع، pose/kobj فقط لمهام الوضع). A معدل تظهر شارة عندما تختلف القيم عن الإعدادات الافتراضية، ويمكنك إعادة تعيين الكل إلى الإعدادات الافتراضية باستخدام زر إعادة التعيين.

مثال: تعزيز الضبط لمجموعات البيانات الصغيرة

For small datasets (<1000 images), increase augmentation to reduce overfitting:

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment only)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

الخطوة 5: حدد GPU علامة التبويب السحابة)

اختر وحدة معالجة الرسوميات (GPU) الخاصة بك من سحابة Ultralytics:

تدريب Ultralytics مربع حوار Gpu والتكلفة

GPU	الجيل	VRAM	التكلفة/الساعة	الأفضل لـ
RTX 2000 Ada	آدا	16 جيجابايت	$0.24	مجموعات بيانات صغيرة، للاختبار
RTX A4500	أمبير	20 جيجابايت	$0.25	مجموعات بيانات صغيرة إلى متوسطة
RTX 4000 Ada	آدا	20 جيجابايت	$0.26	مجموعات بيانات متوسطة
RTX A5000	أمبير	24 جيجابايت	$0.27	مجموعات بيانات متوسطة
L4	آدا	24 جيجابايت	$0.39	مُحسّن للاستدلال
A40	أمبير	48 جيجابايت	$0.40	أحجام دفعات أكبر
RTX 3090	أمبير	24 جيجابايت	$0.46	تدريب عام
RTX A6000	أمبير	48 جيجابايت	$0.49	النماذج الكبيرة
RTX PRO 4500	بلاكويل	32 جيجابايت	$0.54	قيمة ممتازة مقابل الأداء
RTX 4090	آدا	24 جيجابايت	$0.59	أفضل سعر/أداء
RTX 6000 Ada	آدا	48 جيجابايت	$0.77	تدريب الدفعات الكبيرة
L40S	آدا	48 جيجابايت	$0.86	تدريب الدفعات الكبيرة
RTX 5090	بلاكويل	32 جيجابايت	$0.89	أحدث جيل استهلاكي
L40	آدا	48 جيجابايت	$0.99	النماذج الكبيرة
A100 PCIe	أمبير	80 جيجابايت	$1.39	التدريب للإنتاج
A100 SXM	أمبير	80 جيجابايت	$1.49	التدريب للإنتاج
RTX PRO 6000	بلاكويل	96 جيجابايت	$1.69	الافتراضي الموصى به
H100 PCIe	هوبر	80 جيجابايت	$2.39	تدريب عالي الأداء
H100 SXM	هوبر	80 جيجابايت	$2.69	التدريب الأسرع
H100 NVL	هوبر	94 جيجابايت	$3.07	أقصى أداء
H200 NVL	هوبر	143 جيجابايت	$3.39	الذاكرة القصوى (Pro+)
H200 SXM	هوبر	141 جيجابايت	$3.59	الأداء الأقصى (Pro+)
B200	بلاكويل	180 جيجابايت	$4.99	أكبر النماذج (Pro+)

اختيار الـ GPU

RTX PRO 6000: 96 جيجابايت من جيل بلاكويل، الافتراضي الموصى به لمعظم المهام.
A100 SXM: مطلوب لأحجام الدفعات الكبيرة أو النماذج الضخمة.
H100/H200: أقصى أداء للتدريب الحساس للوقت (يتطلب H200 Pro أو Enterprise)
B200: بنية NVIDIA Blackwell لأعباء العمل المتطورة (تتطلب Pro أو Enterprise)

يعرض مربع الحوار رصيدك الحالي وزر " تعبئة الرصيد ". يتم حساب التكلفة والمدة التقديرية بناءً على التكوين الخاص بك (حجم النموذج، صور مجموعة البيانات، العصور، GPU ).

الخطوة 6: بدء التدريب

انقر على بدء التدريب لتشغيل مهمتك. المنصة:

توفر مثيل GPU
تحمل مجموعة بياناتك
تبدأ التدريب
تبث المقاييس في الوقت الفعلي

دورة حياة الوظيفة التدريبية

تتقدم مهام التدريب عبر الحالات التالية:

الحالة	الوصف
قيد الانتظار	تم إرسال المهمة، في انتظار GPU
البدء	GPU ، ويجري تنزيل مجموعة البيانات والنموذج
الجري	التدريب قيد التنفيذ، وتدفق المقاييس في الوقت الفعلي
مكتمل	انتهى التدريب بنجاح
فشل	فشل التدريب (انظر سجلات وحدة التحكم للحصول على التفاصيل)
ملغاة	تم إلغاء التدريب من قبل المستخدم

أرصدة مجانية

تحصل الحسابات الجديدة على رصيد تسجيل — 5 دولارات للبريد الإلكتروني الشخصي و25 دولارًا للبريد الإلكتروني الخاص بالشركة. تحقق من رصيدك في الإعدادات > الفواتير.

تقدم التدريب Ultralytics باستخدام الرسوم البيانية

مراقبة التدريب

اعرض تقدم التدريب في الوقت الفعلي في علامة التبويب "تدريب" في صفحة النموذج:

علامة تبويب فرعية للمخططات

نموذج Ultralytics تدريب الرسوم البيانية الحية

مقياس (Metric)	الوصف
الخسارة	خسارة التدريب والتحقق
mAP	متوسط الدقة المتوسطة
الدقة	التنبؤات الإيجابية الصحيحة
الاسترجاع	الحقائق الأساسية المكتشفة

علامة تبويب فرعية لوحدة التحكم

إخراج وحدة التحكم المباشر مع دعم ألوان ANSI وأشرطة التقدم واكتشاف الأخطاء.

علامة تبويب فرعية للنظام

GPU والذاكرة ودرجة الحرارة ووحدة CPU المركزية ( CPU والقرص في الوقت الفعلي.

نقاط الفحص

يتم حفظ نقاط التحقق تلقائيًا:

كل حقبة: يتم حفظ أحدث الأوزان
أفضل نموذج: يتم الاحتفاظ بنقطة التحقق ذات أعلى mAP
النموذج النهائي: الأوزان عند اكتمال التدريب

إلغاء التدريب

انقر على إلغاء التدريب في صفحة النموذج لإيقاف مهمة قيد التشغيل:

تم إنهاء مثيل الحوسبة
يتوقف احتساب الرصيد
يتم الاحتفاظ بنقاط التحقق المحفوظة حتى تلك النقطة

التدريب عن بُعد

graph LR
    A[Local GPU] --> B[Train]
    B --> C[ultralytics Package]
    C --> D[Stream Metrics]
    D --> E[Platform Dashboard]

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

تدرب على أجهزتك الخاصة أثناء بث المقاييس إلى المنصة.

متطلبات إصدار الحزمة

يتطلب تكامل المنصة ultralytics>=8.4.14. الإصدارات الأقدم لن تعمل مع المنصة.

pip install -U ultralytics

إعداد مفتاح API

انتقل إلى Settings > Profile (قسم مفاتيح API)
أنشئ مفتاحًا جديدًا (أو تنشئه المنصة تلقائيًا عند فتح علامة تبويب التدريب المحلي)
عيّن متغير البيئة:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

التدريب بالبث

استخدم project و name معلمات لبث المقاييس:

CLIPython

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

تعرض علامة التبويب " التدريب المحلي " في مربع حوار التدريب أمرًا تم تكوينه مسبقًا مع مفتاح API الخاص بك والمعلمات المحددة والحجج المتقدمة المضمنة.

استخدام مجموعات بيانات المنصة

تدرب باستخدام مجموعات البيانات المخزنة على المنصة باستخدام ul:// تنسيق URI:

CLIPython

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

في ul:// يقوم تنسيق URI بتنزيل مجموعة البيانات وتكوينها تلقائيًا. يتم ربط النموذج تلقائيًا بمجموعة البيانات على المنصة (انظر استخدام مجموعات بيانات المنصة).

الفواتير

تعتمد تكاليف التدريب على استخدام GPU:

تقدير التكاليف

قبل بدء التدريب، تقدر المنصة التكلفة الإجمالية عن طريق:

تقدير الثواني لكل حقبة من حجم مجموعة البيانات، تعقيد النموذج، حجم الصورة، حجم الدفعة، وسرعة GPU.
حساب إجمالي وقت التدريب بضرب الثواني لكل حقبة في عدد الحقب، ثم إضافة النفقات العامة للبدء.
حساب التكلفة التقديرية من إجمالي ساعات التدريب مضروبة في السعر بالساعة لوحدة معالجة الرسوميات (GPU)

العوامل المؤثرة على التكلفة:

العامل	التأثير
حجم مجموعة البيانات	المزيد من الصور = وقت تدريب أطول (الأساس: حوالي 2.8 ثانية لحساب 1000 صورة على RTX 4090)
حجم النموذج	النماذج الأكبر حجماً (m، l، x) تتدرب بشكل أبطأ من (n، s)
عدد العصور	مضاعف مباشر لوقت التدريب
حجم الصورة	كلما زاد حجم imgsz زادت الحسابات: 320px=0.25x، 640px=1.0x (خط الأساس)، 1280px=4.0x
حجم الدفعة	الدفعات الأكبر حجماً أكثر كفاءة (الدفعة 32 = ~0.85x الوقت، الدفعة 8 = ~1.2x الوقت مقابل الدفعة 16 الأساسية)
GPU	تقلل وحدات معالجة الرسومات الأسرع من وقت التدريب (على سبيل المثال، H100 SXM = أسرع بحوالي 3.4 مرة من RTX 4090)
تكاليف بدء التشغيل	ما يصل إلى 5 دقائق لتهيئة المثيل وتنزيل البيانات والتحضير (يتناسب مع حجم مجموعة البيانات)

أمثلة على التكاليف

التقديرات

تقديرات التكلفة تقريبية وتعتمد على عدة عوامل. يعرض مربع حوار التدريب تقديرًا في الوقت الفعلي قبل بدء التدريب.

السيناريو	GPU	التكلفة التقديرية
500 صورة، YOLO26n، 50 حقبة تدريبية	RTX 4090	~0.50 دولار
1000 صورة، YOLO26n، 100 حقبة	RTX PRO 6000	حوالي 5 دولارات
5000 صورة، YOLO26s، 100 حقبة تدريبية	H100 SXM	حوالي 23 دولارًا

سير عمل الفوترة

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

سير عمل فواتير التدريب السحابي:

التقدير: التكلفة محسوبة قبل بدء التدريب
التحقق من الرصيد: يتم التحقق من الاعتمادات المتاحة قبل الإطلاق
تدريب: يتم تشغيل المهمة على الحوسبة المحددة
الرسوم: التكلفة النهائية تستند إلى وقت التشغيل الفعلي.

حماية المستهلك

تتتبع الفوترة الاستخدام الفعلي للحوسبة، بما في ذلك التشغيلات الجزئية التي تم إلغاؤها. لا يتم تحصيل رسوم منك أبدًا مقابل تشغيلات التدريب الفاشلة.

الفوترة حسب حالة المهمة

الحالة	مشحون؟
مكتمل	نعم — GPU استخدام GPU الفعلي
ملغاة	نعم — GPU من البداية حتى الإلغاء
فشل	لا — لا يتم احتساب تكلفة المحاولات الفاشلة
عالق	جزئي — يتم احتساب تكلفة وقت التدريب الفعلي فقط

لا توجد رسوم على الأخطاء

إذا فشل تشغيل التدريب بسبب خطأ في التكوين أو مشكلة في نفاد الذاكرة أو أي عطل آخر، فلن يتم تحصيل أي رسوم منك. ولا يتم احتساب الرسوم إلا على وقت الحوسبة الناجح. أما المهام المتوقفة (التي لا تظهر فيها أي نشاط لمدة 4 ساعات أو أكثر)، فيتم إنهاؤها تلقائيًا ولا يتم احتساب الرسوم إلا على الوقت الذي GPU فعليًا في التدريب، وليس على وقت الخمول.

طرق الدفع

الطريقة	الوصف
رصيد الحساب	رصيد مُحمّل مسبقًا
الدفع لكل مهمة	يتم الخصم عند اكتمال المهمة

الحد الأدنى للرصيد

يحتاج بدء التدريب إلى رصيد متاح إيجابي وائتمانات كافية لتغطية التكلفة التقديرية للوظيفة.

عرض تكاليف التدريب

بعد التدريب، يمكنك عرض التكاليف التفصيلية في علامة تبويب الفواتير:

تفصيل التكلفة لكل حقبة (epoch)
إجمالي وقت الـ GPU
تنزيل تقرير التكلفة

تفاصيل الفوترة الخاصة بتدريب Ultralytics

نصائح للتدريب

اختيار حجم النموذج المناسب

النموذج	المعلمات	الأفضل لـ
YOLO26n	2.4M	أجهزة حافة، في الوقت الفعلي
YOLO26s	9.5M	توازن بين السرعة والدقة
YOLO26m	20.4M	دقة أعلى
YOLO26l	24.8M	دقة الإنتاج
YOLO26x	55.7M	أقصى دقة

تحسين وقت التدريب

استراتيجيات توفير التكاليف

ابدأ صغيرًا: اختبر بـ 10-20 حقبة على وحدة معالجة رسومات اقتصادية للتحقق من عمل مجموعة البيانات والتكوين الخاص بك.
استخدم وحدة معالجة رسومات (GPU) مناسبة: يتعامل RTX PRO 6000 مع معظم أعباء العمل بشكل جيد.
التحقق من صحة مجموعة البيانات: إصلاح مشكلات التسمية قبل الإنفاق على التدريب.
راقب مبكرًا: ألغِ التدريب إذا استقرت الخسارة — أنت تدفع فقط مقابل وقت الحوسبة المستخدم.

استكشاف الأخطاء وإصلاحها

إشكالية	الحل
التدريب متوقف عند 0%	تحقق من تنسيق مجموعة البيانات، ثم أعد المحاولة
نفاد الذاكرة	قلل حجم الدفعة أو استخدم GPU أكبر
دقة ضعيفة	زيادة عدد الدورات (epochs)، والتحقق من جودة البيانات
التدريب بطيء	النظر في استخدام GPU أسرع
خطأ عدم تطابق المهام	تأكد من تطابق مهام النموذج ومجموعة البيانات

الأسئلة الشائعة

كم يستغرق التدريب؟

يعتمد وقت التدريب على:

حجم مجموعة البيانات
حجم النموذج
عدد الدورات التدريبية
GPU المحدد

الأوقات النموذجية (1000 صورة، 100 دورة تدريبية):

النموذج	RTX PRO 6000	A100 SXM
YOLO26n	حوالي 20 دقيقة	حوالي 15 دقيقة
YOLO26m	حوالي 40 دقيقة	حوالي 30 دقيقة
YOLO26x	حوالي 80 دقيقة	حوالي 60 دقيقة

أوقات تقريبية

أوقات التدريب تقريبية وتختلف باختلاف مدى تعقيد مجموعة البيانات وإعدادات التوسيع وحجم الدفعة. استخدم تقدير التكلفة الموجود في مربع حوار التدريب للحصول على توقعات أكثر دقة.

هل يمكنني التدريب طوال الليل؟

نعم، يستمر التدريب حتى الاكتمال. ستتلقى إشعارًا عند انتهاء التدريب. تأكد من أن حسابك يحتوي على رصيد كافٍ للتدريب القائم على الحقبة.

ماذا يحدث إذا نفدت أرصدتي؟

إذا وصل رصيدك إلى الصفر أثناء عملية تدريب، فسيستمر التدريب حتى النهاية وسيصبح رصيدك سالبًا. وهذا يضمن عدم انقطاع مهمة التدريب أبدًا أثناء سير العملية.

بعد اكتمال التدريب، ستحتاج إلى إضافة رصيد لإعادة رصيدك إلى الإيجابي قبل بدء مهام تدريب جديدة. يتم الاحتفاظ بنموذجك المكتمل ونقاط الفحص وجميع مخرجات التدريب بالكامل بغض النظر عن الرصيد.

رصيد سالب

الرصيد السلبي يمنع فقط بدء مهام تدريب جديدة. تستمر عمليات النشر الحالية وميزات المنصة الأخرى في العمل بشكل طبيعي. أضف رصيدًا عبر الإعدادات > الفوترة أو قم بتمكين التعبئة التلقائية لتجنب الانقطاعات.

ماذا يحدث إذا تجاوزت تكلفة التدريب المبلغ المقدر؟

تقديرات التكلفة تقريبية — قد يختلف وقت التدريب الفعلي بسبب عوامل مثل سرعة تحميل البيانات، وتسخين GPU، وسلوك تقارب النموذج. إذا تجاوزت التكلفة الفعلية التقدير، فقد يصبح رصيدك سالبًا (انظر أعلاه). المنصة لا توقف التدريب بناءً على التقدير.

لإدارة التكاليف:

متابعة تقدم التدريب في الوقت الفعلي وإلغاؤه مبكرًا إذا لزم الأمر
تمكين ميزة " التعبئة التلقائية " لتجديد الرصيد تلقائيًا
ابدأ بجولات أقصر (عدد أقل من الدورات) لمعايرة التوقعات

هل يمكنني استخدام وسائط تدريب مخصصة؟

نعم، قم بتوسيع قسم الإعدادات المتقدمة في مربع حوار التدريب للوصول إلى محرر YAML مع أكثر من 40 معلمة قابلة للتكوين. يتم تضمين القيم غير الافتراضية في كل من أوامر التدريب السحابية والمحلية.

يدعم محرر YAML أيضًا استيراد الإعدادات من عمليات التدريب السابقة:

النسخ من نموذج موجود: في صفحة أي نموذج مكتمل، تحتوي بطاقة "تكوين التدريب" على زر نسخ كـ JSON. انسخ JSON والصقه مباشرة في محرر YAML — فهو يكتشف تنسيق JSON تلقائيًا ويستورد جميع المعلمات.
الصق YAML أو JSON: الصق أي تكوين تدريب صالح بصيغة YAML أو JSON في المحرر. يتم التحقق من صحة المعلمات تلقائيًا، مع تقييد القيم خارج النطاق وعرض التحذيرات.
سحب الملفات وإفلاتها: اسحب .yaml أو .json ملفًا مباشرةً في المحرر لاستيراد معلماته.

نسخة حوار تدريب Ultralytics - ملف JSON لإعدادات التدريب

وهذا يجعل من السهل إعادة إنتاج إعدادات التدريب السابقة أو تعديلها دون الحاجة إلى إعادة إدخال كل معلمة يدويًّا.

هل يمكنني التدريب من صفحة مجموعة بيانات؟

نعم، يفتح زر "تدريب " الموجود في صفحات مجموعة البيانات مربع حوار التدريب مع مجموعة البيانات محددة مسبقًا ومقفلة. ثم تحدد مشروعًا ونموذجًا لبدء التدريب.

مرجع معلمات التدريب

الجوهرمعدل التعلمالتعزيزمجموعة البياناتالمحسّنأوزان الخسارة

المعلمة	النوع	افتراضي	النطاق	الوصف
`epochs`	عدد صحيح	100	1-10000	عدد دورات التدريب (epochs)
`batch`	عدد صحيح	16	1-512	حجم الدفعة
`imgsz`	عدد صحيح	640	32-4096	حجم الصورة المدخلة
`patience`	عدد صحيح	100	1-1000	صبر الإيقاف المبكر
`seed`	عدد صحيح	0	0-2147483647	بذرة عشوائية للتكرار
`deterministic`	منطقي	صحيح	-	وضع التدريب الحتمي
`amp`	منطقي	صحيح	-	الدقة المختلطة التلقائية
`close_mosaic`	عدد صحيح	10	0-50	تعطيل الفسيفساء في العصور النهائية N
`save_period`	عدد صحيح	-1	-1-100	حفظ نقطة التحقق كل N فترات
`workers`	عدد صحيح	8	0-64	عاملات تحميل البيانات
`cache`	اختر	خطأ	ram/disk/false	تخزين الصور مؤقتًا

المعلمة	النوع	افتراضي	النطاق	الوصف
`lr0`	عائم	0.01	0.0001-0.1	معدل التعلم الأولي
`lrf`	عائم	0.01	0.01-1.0	عامل معدل التعلم النهائي
`momentum`	عائم	0.937	0.6-0.98	زخم SGD
`weight_decay`	عائم	0.0005	0.0-0.001	تنظيم L2
`warmup_epochs`	عائم	3.0	0-5	حقبة التسخين
`warmup_momentum`	عائم	0.8	0.5-0.95	زخم الإحماء
`warmup_bias_lr`	عائم	0.1	0.0-0.2	تحيز الإحماء LR
`cos_lr`	منطقي	خطأ	-	مجدول معدل التعلم الجيبي

المعلمة	النوع	افتراضي	النطاق	الوصف
`hsv_h`	عائم	0.015	0.0-0.1	زيادة تشبع الألوان HSV
`hsv_s`	عائم	0.7	0.0-1.0	تشبع HSV
`hsv_v`	عائم	0.4	0.0-1.0	قيمة HSV
`degrees`	عائم	0.0	-45-45	درجات الدوران
`translate`	عائم	0.1	0.0-1.0	كسر الإزاحة
`scale`	عائم	0.5	0.0-1.0	عامل المقياس
`shear`	عائم	0.0	-10-10	درجات القص
`perspective`	عائم	0.0	0.0-0.001	تحويل المنظور
`fliplr`	عائم	0.5	0.0-1.0	احتمالية القلب الأفقي
`flipud`	عائم	0.0	0.0-1.0	احتمالية القلب العمودي
`mosaic`	عائم	1.0	0.0-1.0	توسيع الفسيفساء
`mixup`	عائم	0.0	0.0-1.0	توسيع Mixup
`copy_paste`	عائم	0.0	0.0-1.0	نسخ ولصق (segment)

المعلمة	النوع	افتراضي	النطاق	الوصف
`fraction`	عائم	1.0	0.1-1.0	جزء من مجموعة البيانات المراد استخدامها
`freeze`	عدد صحيح	فارغ	0-100	عدد الطبقات المراد تجميدها
`single_cls`	منطقي	خطأ	-	تعامل مع جميع الفئات كفئة واحدة
`rect`	منطقي	خطأ	-	تدريب مستطيل
`multi_scale`	عائم	0.0	0.0-1.0	نطاق تدريب متعدد المستويات
`val`	منطقي	صحيح	-	تشغيل التحقق أثناء التدريب
`resume`	منطقي	خطأ	-	استئناف التدريب من نقطة التفتيش

القيمة	الوصف
`auto`	اختيار تلقائي (افتراضي)
`SGD`	هبوط التدرج العشوائي
`MuSGD`	SGD Muon SGD
`Adam`	محسن Adam
`AdamW`	Adam مع اضمحلال الوزن
`NAdam`	محسن NAdam
`RAdam`	محسن RAdam
`RMSProp`	محسن RMSProp
`Adamax`	مُحسِّن Adamax

المعلمة	النوع	افتراضي	النطاق	الوصف
`box`	عائم	7.5	1-50	وزن خسارة الصندوق
`cls`	عائم	0.5	0.2-4	وزن فقدان التصنيف
`dfl`	عائم	1.5	0.4-6	فقدان بؤري في التوزيع
`pose`	عائم	12.0	1-50	فقدان الوزن (الوضع فقط)
`kobj`	عائم	1.0	0.5-10	كيفية تحديد النقاط الرئيسية (الوضع)
`label_smoothing`	عائم	0.0	0.0-0.1	عامل تنعيم الملصق

معاملات خاصة بالمهمة

تنطبق بعض المعاملات على مهام محددة فقط:

مهام الكشف فقط (detect، segment، pose، obb — ليس classify): box, dfl, degrees, translate, shear, perspective, mosaic, mixup, close_mosaic
القطاع فقط: copy_paste
الوقوف فقط: pose (وزن الخسارة), kobj (موضوعية النقاط الرئيسية)

📅 تم الإنشاء قبل 2 أشهر ✏️ تم التحديث قبل 11 أيام