Link to this sectionدليل ضبط المعاملات الفائقة لـ Ultralytics YOLO#

تعد عملية ضبط المعاملات الفائقة في Ultralytics YOLO بحثاً آلياً وتكرارياً يعمل على تحسين الإعدادات - مثل معدل التعلم، وأوزان الخسارة، وقوة التوسيع - لتعظيم مقاييس أداء نموذج التعلم الآلي مثل الدقة، والإحكام، والاستدعاء. بدلاً من اختبار هذه القيم يدوياً، يستكشف Ultralytics YOLO فضاء المعاملات الفائقة باستخدام خوارزمية جينية تقوم بتعديل وتقييم تكوينات المرشحين عبر العديد من عمليات التدريب القصيرة.

Link to this sectionما هي المعاملات الفائقة؟#

المعاملات الفائقة هي إعدادات هيكلية عالية المستوى للخوارزمية. يتم ضبطها قبل مرحلة التدريب وتظل ثابتة أثناءها. فيما يلي بعض المعاملات الفائقة التي يتم ضبطها بشكل شائع في Ultralytics YOLO:

• معدل التعلم lr0: يحدد حجم الخطوة في كل تكرار أثناء التحرك نحو القيمة الدنيا في دالة الخسارة.
• حجم الدفعة batch: عدد الصور التي تتم معالجتها في وقت واحد في تمريرة أمامية (forward pass).
• عدد الحقب epochs: الحقبة هي تمريرة أمامية وخلفية كاملة لجميع أمثلة التدريب.
• مواصفات البنية: مثل عدد القنوات، وعدد الطبقات، وأنواع دوال التنشيط، إلخ.

للحصول على قائمة كاملة بمعاملات الزيادة (augmentation) المستخدمة في YOLO26، يرجى الرجوع إلى صفحة التكوينات.

Link to this sectionالتطور الجيني والطفرات#

تستخدم Ultralytics YOLO الخوارزميات الجينية لتحسين المعاملات الفائقة. الخوارزميات الجينية مستوحاة من آلية الانتقاء الطبيعي وعلم الوراثة.

• التقاطع (Crossover): يجمع كل تكرار جينات من ما يصل إلى تسعة من أفضل التكوينات ملاءمةً التي تم رصدها حتى الآن، باستخدام تقاطع BLX-α مع اختيار الوالدين المرجح بالملاءمة.
• الطفرة (Mutation): يتم بعد ذلك اضطراب المرشح المعاد تجميعه بواسطة معامل ضربي لوغاريتمي طبيعي مطبق على كل معامل فائق (باحتمالية 0.5 لكل معامل). تتلاشى قوة الطفرة (sigma) خطياً من 0.2 إلى 0.1 على مدار التكرارات الـ 300 الأولى، لذا تستكشف الخوارزمية بشكل واسع في البداية وتتحسن مع تقاربها. لا يحتوي التكرار الأول على والدين للتقاطع معه ويستخدم المعاملات الفائقة الافتراضية للتدريب كخط أساس.

Link to this sectionالتحضير لضبط المعاملات الفائقة#

قبل البدء في عملية الضبط، من المهم:

1. تحديد المقاييس: حدد المقاييس التي ستستخدمها لتقييم أداء النموذج. قد يكون هذا AP50، أو F1-score، أو غيرها.
2. ضبط ميزانية الضبط: حدد مقدار الموارد الحسابية التي ترغب في تخصيصها. يمكن أن يكون ضبط المعاملات الفائقة مكثفاً من الناحية الحسابية.

Link to this sectionكيف تعمل حلقة الضبط#

لكل تكرار، تكرر أداة الضبط المدمجة الحلقة التالية:

1. تهيئة المعاملات الفائقة - ابدأ من أساس معقول، سواء كانت المعاملات الفائقة الافتراضية التي حددها Ultralytics YOLO أو القيم المستندة إلى معرفتك بالمجال أو التجارب السابقة.
2. تغيير المعلمات الفائقة (Hyperparameters) — تقوم فئة Tuner class بإنتاج مجموعة جديدة من المعلمات الفائقة من المجموعة الموجودة باستخدام طريقتها _mutate تلقائياً.
3. تدريب النموذج - قم بالتدريب باستخدام المعاملات الفائقة المحورة، ثم قم بتقييم أداء التدريب باستخدام المقاييس التي اخترتها.
4. تقييم النموذج — استخدم مقاييس مثل AP50 أو F1-score أو مقاييس مخصصة من خلال عملية التقييم لتحديد ما إذا كانت المعلمات الفائقة الحالية تحقق تحسناً مقارنة بالسابقات.
5. تسجيل النتائج - سجل كلاً من مقاييس الأداء والمعاملات الفائقة المقابلة للرجوع إليها مستقبلاً. يقوم Ultralytics YOLO بحفظ هذه النتائج تلقائياً بتنسيق NDJSON.
6. التكرار - استمر حتى يتم الوصول إلى عدد التكرارات المحدد أو تصبح مقاييس الأداء مرضية، حيث يبني كل تكرار على المعرفة المكتسبة من العمليات السابقة.

Link to this sectionالتكرارات وحجم المجتمع#

مع أداة الضبط المدمجة (use_ray=False)، تتحكم iterations في العدد الإجمالي للتجارب المتسلسلة. تدرب كل تجربة نموذجاً واحداً بتكوين معامل فائق واحد - على سبيل المثال، iterations=40 مع epochs=50 يجدول 40 عملية تدريب مستقلة مدة كل منها 50 حقبة، وليس عملية تشغيل واحدة من 50 حقبة مع مجموعة سكانية منفصلة من 40 مرشحاً.

الخوارزمية الجينية المدمجة ليس لديها معامل صريح لحجم المجتمع. بمجرد وجود تجارب سابقة، فإنها تختار ما يصل إلى تسعة من أفضل التكوينات ملاءمةً كوالدين، وتطبق تقاطع BLX-α والطفرة، وتنتج مرشحاً واحداً لكل تكرار.

لإجراء تجارب متوازية أو استراتيجيات بحث أكثر تقدماً، اضبط use_ray=True لاستخدام Ray Tune، الذي يستقبل iterations كـ num_samples. راجع دليل تكامل Ray Tune للحصول على التفاصيل.

Link to this sectionفضاء البحث الافتراضي#

يسرد الجدول التالي معلمات مساحة البحث الافتراضية لضبط المعاملات الفائقة في YOLO26. يحتوي كل معامل على نطاق قيمة محدد معرف بواسطة زوج (min, max).

Link to this sectionمثال على مساحة بحث مخصصة#

إليك كيفية تحديد مساحة البحث واستخدام الطريقة model.tune() للاستفادة من فئة Tuner لضبط المعاملات الفائقة لـ YOLO26n على COCO8 لمدة 30 حقبة باستخدام محسن AdamW وتخطي التخطيط والتحقق من نقاط الحفظ والتحقق من الصحة باستثناء الحقبة الأخيرة لضبط أسرع.

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Link to this sectionاستئناف جلسة ضبط المعاملات الفائقة التي تم مقاطعتها#

يمكنك استئناف جلسة ضبط المعاملات الفائقة التي تم مقاطعتها عن طريق تمرير resume=True. يمكنك اختيارياً تمرير الدليل name المستخدم تحت runs/{task} للاستئناف. خلاف ذلك، ستستأنف آخر جلسة تم مقاطعتها. تحتاج أيضاً إلى توفير جميع وسيطات التدريب السابقة بما في ذلك data و epochs و iterations و space.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Resume previous run
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# Resume tuning run with name 'tune_exp'
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

Link to this sectionالنتائج#

بعد إكمال عملية ضبط المعاملات الفائقة بنجاح، ستحصل على العديد من الملفات والأدلة التي تلخص نتائج الضبط. يصف ما يلي كل منها:

Link to this sectionهيكل الملف#

إليك كيف سيبدو هيكل دليل النتائج. تحتوي أدلة التدريب مثل train1/ على تكرارات ضبط فردية، أي نموذج واحد تم تدريبه بمجموعة واحدة من المعاملات الفائقة. يحتوي دليل tune/ على نتائج الضبط من جميع تدريبات النماذج الفردية:

runs/
└── detect/
    ├── train1/
    ├── train2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Link to this sectionأوصاف الملفات#

Link to this sectionbest_hyperparameters.yaml#

يحتوي ملف YAML هذا على أفضل المعاملات الفائقة أداءً التي تم العثور عليها أثناء عملية الضبط. يمكنك استخدام هذا الملف لتهيئة التدريبات المستقبلية بهذه الإعدادات المحسنة.

• التنسيق: YAML

• الاستخدام: نتائج المعاملات الفائقة

• مثال:

  # 558/900 iterations complete ✅ (45536.81s)
  # Results saved to /usr/src/ultralytics/runs/detect/tune
  # Best fitness=0.64297 observed at iteration 498
  # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/dfl_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/train498
  # Best fitness hyperparameters are printed below.
  
  lr0: 0.00269
  lrf: 0.00288
  momentum: 0.73375
  weight_decay: 0.00015
  warmup_epochs: 1.22935
  warmup_momentum: 0.1525
  box: 18.27875
  cls: 1.32899
  dfl: 0.56016
  hsv_h: 0.01148
  hsv_s: 0.53554
  hsv_v: 0.13636
  degrees: 0.0
  translate: 0.12431
  scale: 0.07643
  shear: 0.0
  perspective: 0.0
  flipud: 0.0
  fliplr: 0.08631
  mosaic: 0.42551
  mixup: 0.0
  copy_paste: 0.0

Link to this sectiontune_fitness.png#

هذا مخطط يعرض الملاءمة مقابل عدد التكرارات. يساعدك على تصور أداء الخوارزمية الجينية بمرور الوقت.

• التنسيق: PNG
• الاستخدام: تصور الأداء

يحتوي المخطط على:

• علامة واحدة لكل تكرار لكل مجموعة بيانات، لذا تظهر عملية التشغيل لمجموعة بيانات واحدة نقطة واحدة لكل تكرار، وتظهر عملية التشغيل لمجموعات بيانات متعددة نقطة واحدة لكل مجموعة بيانات لكل تكرار.
• خط "متوسط ممهد" منقط يتم حسابه كتنعيم غاوسي (sigma=3) عبر قيم الملاءمة عالية المستوى لكل تكرار.

Link to this sectiontune_results.ndjson#

ملف NDJSON يحتوي على نتائج مفصلة لكل تكرار ضبط. كل سطر هو كائن JSON واحد مع الملاءمة الإجمالية، والمعاملات الفائقة المضبوطة، ومقاييس كل مجموعة بيانات. يستخدم ضبط مجموعة البيانات الواحدة ومجموعات البيانات المتعددة نفس تنسيق الملف.

• التنسيق: NDJSON
• الاستخدام: تتبع نتائج كل تكرار.
• مثال:

يتبع ذلك مثال منسق بشكل جميل لسهولة القراءة؛ في ملف .ndjson الفعلي، يتم تخزين كل كائن في سطر واحد.

{
    "iteration": 1,
    "fitness": 0.48628,
    "hyperparameters": {
        "lr0": 0.01,
        "lrf": 0.01,
        "momentum": 0.937,
        "weight_decay": 0.0005
    },
    "datasets": {
        "coco8": {
            "metrics/precision(B)": 0.65666,
            "metrics/recall(B)": 0.85,
            "metrics/mAP50(B)": 0.85086,
            "metrics/mAP50-95(B)": 0.64104,
            "val/box_loss": 1.57958,
            "val/cls_loss": 1.04986,
            "val/dfl_loss": 1.32641,
            "fitness": 0.64104
        },
        "coco8-grayscale": {
            "metrics/precision(B)": 0.6582,
            "metrics/recall(B)": 0.51667,
            "metrics/mAP50(B)": 0.59106,
            "metrics/mAP50-95(B)": 0.33152,
            "val/box_loss": 1.95424,
            "val/cls_loss": 1.64059,
            "val/dfl_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/coco8",
        "coco8-grayscale": "runs/detect/coco8-grayscale"
    }
}

المستوى الأعلى fitness هو المتوسط الحسابي لقيم fitness لكل مجموعة بيانات. بالنسبة لضبط مجموعة بيانات واحدة، يحتوي قاموس datasets على إدخال واحد يساوي fitness الخاص به fitness المستوى الأعلى. يتم تسجيل كائن JSON واحد لكل تكرار مكتمل. مسارات save_dirs الفعلية مطلقة؛ تم اختصارها أعلاه للقراءة.

Link to this sectiontune_scatter_plots.png#

يحتوي هذا الملف على مخططات مبعثرة تم إنشاؤها من tune_results.ndjson، مما يساعدك على تصور العلاقات بين مختلف المعلمات الفائقة ومقاييس الأداء. المعلمات الفائقة التي تكون قيمتها الافتراضية 0 (على سبيل المثال، degrees و shear أدناه) قد تتطور ببطء شديد من قيمتها الأولية لأن عامل الطفرة الضربي لديه القليل جداً ليتوسع منه بدءاً من قيمة قريبة من الصفر.

• التنسيق: PNG
• الاستخدام: تحليل البيانات الاستكشافي

Link to this sectionweights/#

يحتوي هذا الدليل على نماذج PyTorch المحفوظة لآخر وأفضل التكرارات أثناء عملية ضبط المعلمات الفائقة.

• last.pt: ملف last.pt يحتوي على الأوزان من آخر دورة تدريبية.
• best.pt: ملف best.pt يحتوي على الأوزان للتكرار الذي حقق أفضل درجة لياقة.

باستخدام هذه النتائج، يمكنك اتخاذ قرارات أكثر استنارة لعمليات تدريب وتحليلات النماذج المستقبلية.

Link to this sectionالخلاصة#

تعد عملية ضبط المعاملات الفائقة في Ultralytics YOLO بسيطة في التشغيل وقوية في الأداء، حيث تجمع بين تقاطع BLX-α والتحوير اللوغاريتمي الطبيعي في خوارزمية جينية. يتيح لك اتباع الحلقة الموضحة في هذا الدليل ضبط نموذجك بشكل منهجي للحصول على أداء أفضل، ثم إعادة استخدام best_hyperparameters.yaml الناتج لتهيئة عمليات التدريب المستقبلية. لتوسيع نطاق الضبط عبر التجارب المتوازية وخوارزميات البحث الأكثر تقدماً، تابع مع دليل تكامل Ray Tune، أو قم بتشغيل مهام مُدارة بمعاملات فائقة قابلة للتكوين وتتبع المقاييس في الوقت الفعلي على Ultralytics Platform عبر التدريب السحابي.

للحصول على رؤى أعمق، استكشف الكود المصدري لفئة Tuner class. إذا كان لديك أسئلة أو طلبات لميزات جديدة، تواصل معنا عبر GitHub أو Discord.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تحسين معدل التعلم لـ Ultralytics YOLO أثناء ضبط المعلمات الفائقة؟#

قم بتعيين قيمة أولية باستخدام المعامل lr0 - تتراوح القيم الشائعة من 0.001 إلى 0.01 - واترك عملية الضبط تقوم بتحويرها من هناك للعثور على القيمة المثلى. يمكنك أتمتة هذا باستخدام طريقة model.tune(). على سبيل المثال:

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(data="coco8.yaml", epochs=30, iterations=300, optimizer="AdamW", plots=False, save=False, val=False)

لمزيد من التفاصيل، راجع صفحة تكوين Ultralytics YOLO.

Link to this sectionما هي فوائد استخدام الخوارزميات الجينية لضبط المعلمات الفائقة في YOLO26؟#

توفر الخوارزميات الجينية في Ultralytics YOLO26 طريقة قوية لاستكشاف مساحة المعلمات الفائقة، مما يؤدي إلى أداء نموذج مُحسَّن للغاية. تشمل الفوائد الرئيسية:

• بحث فعال: يجمع تقاطع BLX-α بين الجينات من الآباء ذوي اللياقة الأعلى، بينما تعمل طفرة التوزيع الطبيعي اللوغاريتمي على اضطراب النتيجة لاكتشاف مرشحين جدد.
• تجنب النهايات الصغرى المحلية: من خلال إدخال العشوائية، تساعد في تجنب النهايات الصغرى المحلية، مما يضمن تحسيناً عالمياً أفضل.
• مقاييس الأداء: تتكيف بناءً على درجة لياقة خاصة بالمهمة (mAP50-95 للكشف).

لمعرفة كيفية قيام الخوارزميات الجينية بتحسين المعلمات الفائقة، راجع دليل تطور المعلمات الفائقة.

Link to this sectionكم تستغرق عملية ضبط المعلمات الفائقة لـ Ultralytics YOLO؟#

يعتمد الوقت المستغرق لضبط المعلمات الفائقة باستخدام Ultralytics YOLO إلى حد كبير على عدة عوامل مثل حجم مجموعة البيانات، وتعقيد بنية النموذج، وعدد التكرارات، والموارد الحسابية المتاحة. على سبيل المثال، قد يستغرق ضبط YOLO26n على مجموعة بيانات مثل COCO8 لمدة 30 دورة تدريبية عدة ساعات إلى أيام، اعتماداً على الأجهزة.

لإدارة وقت الضبط بفعالية، حدد ميزانية ضبط واضحة مسبقاً، كما هو مغطى في الاستعداد لضبط المعاملات الفائقة. يساعد هذا في موازنة تخصيص الموارد وأهداف التحسين.

Link to this sectionما هي المقاييس التي يجب أن أستخدمها لتقييم أداء النموذج أثناء ضبط المعلمات الفائقة في YOLO؟#

عند تقييم أداء النموذج أثناء ضبط المعلمات الفائقة في YOLO، يمكنك استخدام عدة مقاييس رئيسية:

• AP50: متوسط الدقة عند عتبة IoU قدرها 0.50.
• F1-Score: الوسط التوافقي للدقة والاستدعاء.
• الدقة والاستدعاء: مقاييس فردية تشير إلى دقة النموذج في تحديد الإيجابيات الحقيقية مقابل الإيجابيات الخاطئة والسلبيات الخاطئة.

تساعدك هذه المقاييس على فهم جوانب مختلفة من أداء نموذجك. ارجع إلى دليل مقاييس أداء Ultralytics YOLO للحصول على نظرة شاملة.

Link to this sectionهل يمكنني استخدام Ray Tune لتحسين المعلمات الفائقة المتقدم في YOLO26؟#

نعم، يتكامل Ultralytics YOLO26 مع Ray Tune لتحسين المعلمات الفائقة المتقدم. يقدم Ray Tune خوارزميات بحث متطورة مثل التحسين البايزي و Hyperband، إلى جانب قدرات التنفيذ المتوازي لتسريع عملية الضبط.

لاستخدام Ray Tune مع YOLO26، ببساطة قم بتعيين المعلمة use_ray=True في استدعاء طريقة model.tune(). لمزيد من التفاصيل والأمثلة، تحقق من دليل تكامل Ray Tune.