Link to this sectionYOLO26 🚀 على AzureML#

Link to this sectionما هي Azure؟#

Azure هي منصة الحوسبة السحابية من مايكروسوفت، المصممة لمساعدة المؤسسات على نقل أعباء عملها إلى السحابة من مراكز البيانات المحلية. مع مجموعة كاملة من الخدمات السحابية التي تشمل الحوسبة، وقواعد البيانات، والتحليلات، وتعلم الآلة، والشبكات، يمكن للمستخدمين اختيار هذه الخدمات لتطوير وتوسيع نطاق التطبيقات الجديدة، أو تشغيل التطبيقات الحالية، في السحابة العامة.

Link to this sectionما هي Azure Machine Learning (AzureML)؟#

Azure Machine Learning (AzureML) هي خدمة سحابية مدارة بالكامل لبناء وتدريب ونشر نماذج تعلم الآلة على نطاق واسع. وتوفر الخدمة إمكانيات تعلم الآلة المؤتمت، وتدريب النماذج عبر السحب والإفلات (drag-and-drop)، بالإضافة إلى Python SDK للتحكم البرمجي الكامل في نماذجك.

Link to this sectionكيف يستفيد مستخدمو YOLO من AzureML؟#

يتيح لك AzureML تدريب ونشر نماذج Ultralytics YOLO26 في السحابة، بدءاً من النماذج الأولية السريعة وصولاً إلى العمليات واسعة النطاق. وبفضله يمكنك:

• إدارة مجموعات البيانات الكبيرة والموارد الحسابية للتدريب بسهولة.
• استخدام أدوات مضمنة للمعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج.
• التعاون بكفاءة أكبر مع إمكانيات MLOps (عمليات تعلم الآلة)، بما في ذلك على سبيل المثال لا الحصر، مراقبة النماذج والبيانات، وتدقيقها، وإصدار نسخ منها.

في الأقسام التالية، ستجد دليلاً سريعاً يوضح كيفية تشغيل نماذج اكتشاف الأشياء YOLO26 باستخدام AzureML، سواء من محطة الحوسبة (compute terminal) أو من مفكرة (notebook).

Link to this sectionالمتطلبات الأساسية#

قبل البدء، تأكد من توفر صلاحية الوصول إلى مساحة عمل AzureML. إذا لم تكن تمتلك واحدة، يمكنك إنشاء مساحة عمل AzureML جديدة باتباع وثائق Azure الرسمية. تعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

Link to this sectionإنشاء مثيل حوسبة (Compute Instance)#

من مساحة عمل AzureML الخاصة بك، اختر Compute > Compute instances > New، ثم اختر المثيل (instance) الذي يحتوي على الموارد التي تحتاجها.

Link to this sectionبدء التشغيل السريع من المحطة الطرفية (Terminal)#

قم بتشغيل الحوسبة وافتح محطة طرفية (Terminal):

Link to this sectionإنشاء بيئة افتراضية#

أنشئ بيئة conda افتراضية وقم بتثبيت pip بداخلها:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y

قم بتثبيت التبعيات المطلوبة:

pip install ultralytics onnx

Link to this sectionتنفيذ مهام YOLO26#

Predict:

yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Train نموذج اكتشاف لـ 10 epochs مع معدل تعلم أولي learning_rate بقيمة 0.01:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

يمكنك العثور على مزيد من التعليمات لاستخدام Ultralytics CLI هنا.

Link to this sectionبدء التشغيل السريع من مفكرة (Notebook)#

Link to this sectionإنشاء IPython kernel جديد#

افتح المحطة الطرفية (Terminal) الخاصة بالحوسبة.

من محطة الحوسبة الطرفية، أنشئ ipykernel جديداً باستخدام Python 3.12، والذي ستستخدمه مفكرتك لإدارة التبعيات:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo26env --display-name "yolo26env"

أغلق المحطة الطرفية وأنشئ مفكرة جديدة. من مفكرتك، اختر الـ kernel الذي تم إنشاؤه حديثاً.

ثم افتح خلية في المفكرة وقم بتثبيت التبعيات المطلوبة:

%%bash
source activate yolo26env
pip install ultralytics onnx

قم بتشغيل بعض التوقعات باستخدام Ultralytics CLI:

%%bash
source activate yolo26env
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

أو باستخدام واجهة Python الخاصة بـ Ultralytics، على سبيل المثال لتدريب النموذج:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official YOLO26n model

# Use the model
model.train(data="coco8.yaml", epochs=3)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
path = model.export(format="onnx")  # export the model to ONNX format

يمكنك استخدام إما Ultralytics CLI أو واجهة Python لتنفيذ مهام YOLO26. يقوم مثال Python أعلاه أيضاً بتصدير النموذج المدرب إلى ONNX للنشر.

باتباع هذه الخطوات، يمكنك تشغيل YOLO26 بسرعة على AzureML. لمزيد من سير العمل المتقدمة، راجع وثائق AzureML.

Link to this sectionاستكشف المزيد مع AzureML#

يغطي هذا الدليل أساسيات تشغيل YOLO26 على AzureML. للمضي قدماً، استكشف هذه الموارد:

• إنشاء أصل بيانات (Data Asset): قم بإعداد وإدارة أصول بياناتك داخل بيئة AzureML.
• بدء وظيفة AzureML (Job): ابدأ وظائف تدريب تعلم الآلة الخاصة بك على AzureML.
• تسجيل نموذج: قم بإدارة تسجيل النموذج، وإصدار النسخ، والنشر.
• بدء سريع لـ Modal: قم بتشغيل YOLO26 على سحابة GPU بدون خادم من Modal كبديل لـ AzureML.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تشغيل YOLO26 على AzureML لتدريب النماذج؟#

لتشغيل YOLO26 على AzureML للتدريب، قم بإنشاء مثيل حوسبة، وأعد بيئة Conda، وثبّت Ultralytics، وقم بتشغيل أمر التدريب:

1. إنشاء مثيل حوسبة (Compute Instance): من مساحة عمل AzureML، انتقل إلى Compute > Compute instances > New، وحدد المثيل المطلوب.

2. إعداد البيئة: ابدأ تشغيل مثيل الحوسبة، وافتح محطة طرفية، وأنشئ بيئة Conda باستخدام Python 3.12 (يواجه Python 3.13 حالياً مشكلات في التبعيات على AzureML):

   conda create --name yolo26env -y python=3.12
   conda activate yolo26env
   conda install pip -y
   pip install ultralytics onnx

3. تنفيذ مهام YOLO26: استخدم Ultralytics CLI لتدريب نموذجك:

   yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

لمزيد من التفاصيل، يمكنك الرجوع إلى التعليمات لاستخدام Ultralytics CLI.

Link to this sectionما هي فوائد استخدام AzureML لتدريب YOLO26؟#

يوفر AzureML نظاماً بيئياً قوياً وفعالاً لتدريب نماذج YOLO26:

• القابلية للتوسع (Scalability): قم بتوسيع نطاق موارد الحوسبة بسهولة مع نمو بياناتك وتعقيد نموذجك.
• تكامل MLOps: استفد من ميزات مثل إصدار النسخ، والمراقبة، والتدقيق لتبسيط عمليات تعلم الآلة.
• التعاون: شارك وأدر الموارد داخل الفرق، مما يعزز سير العمل التعاوني.

تجعل هذه المزايا من AzureML منصة مثالية للمشاريع التي تتراوح بين النماذج الأولية السريعة والنشر واسع النطاق. لمزيد من النصائح، تحقق من وظائف AzureML.

Link to this sectionكيف أقوم باستكشاف الأخطاء وإصلاحها للمشكلات الشائعة عند تشغيل YOLO26 على AzureML؟#

لاستكشاف أخطاء YOLO26 وإصلاحها على AzureML، تحقق من تثبيت تبعياتك، وتأكد من تفعيل بيئة Conda، وتأكد من أن مثيل الحوسبة لديك يحتوي على موارد كافية:

• مشكلات التبعيات: تأكد من تثبيت جميع الحزم المطلوبة باستخدام pip install ultralytics onnx.
• إعداد البيئة: تحقق من تفعيل بيئة conda الخاصة بك بشكل صحيح قبل تشغيل الأوامر.
• تخصيص الموارد: تأكد من أن مثيلات الحوسبة لديك تمتلك موارد كافية للتعامل مع عبء عمل التدريب.

للحصول على إرشادات إضافية، راجع وثائق مشكلات YOLO الشائعة.

Link to this sectionهل يمكنني استخدام كل من Ultralytics CLI وواجهة Python على AzureML؟#

نعم، يسمح لك AzureML باستخدام كل من Ultralytics CLI وواجهة Python بسلاسة:

• CLI: مثالية للمهام السريعة وتشغيل البرامج النصية القياسية مباشرة من المحطة الطرفية.

  yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

• واجهة Python: مفيدة للمهام الأكثر تعقيداً التي تتطلب برمجة مخصصة وتكاملاً داخل المفكرات.

  from ultralytics import YOLO
  
  model = YOLO("yolo26n.pt")
  model.train(data="coco8.yaml", epochs=3)

للحصول على تعليمات خطوة بخطوة، راجع دليل البدء السريع لـ CLI و دليل البدء السريع لـ Python.

Link to this sectionما هي ميزة استخدام Ultralytics YOLO26 مقارنة بنماذج اكتشاف الأشياء الأخرى؟#

يوفر Ultralytics YOLO26 العديد من المزايا الفريدة مقارنة بنماذج اكتشاف الأشياء المنافسة:

• السرعة: أوقات استنتاج وتدريب أسرع مقارنة بنماذج مثل Faster R-CNN وSSD.
• الدقة: دقة عالية في مهام الاكتشاف مع ميزات مثل التصميم الخالي من المرتكزات (anchor-free) واستراتيجيات تعزيز البيانات المحسنة.
• سهولة الاستخدام: واجهة برمجة تطبيقات (API) و CLI بديهية للإعداد السريع، مما يجعلها في متناول المبتدئين والخبراء على حد سواء.

لاستكشاف المزيد حول ميزات YOLO26، تفضل بزيارة صفحة Ultralytics YOLO للحصول على رؤى مفصلة.