دليل Ultralytics YOLO ضبط المعلمات الفائقة#

ضبط المعلمات الفائقة في Ultralytics YOLO هو عملية بحث آلية وتكرارية تحسّن الإعدادات — مثل معدل التعلم وأوزان الخسارة وشدة التعزيز — لتعظيم مقاييس أداء نموذج التعلّم الآلي، مثل الدقة والإحكام والاستدعاء. وبدلًا من اختبار هذه القيم يدويًا، يستكشف Ultralytics YOLO فضاء المعلمات الفائقة باستخدام خوارزمية جينية تُجري طفرات على التكوينات المرشحة وتقيّمها عبر العديد من عمليات التدريب القصيرة.

ما المعلمات الفائقة؟#

المعلمات الفائقة هي إعدادات بنيوية عالية المستوى للخوارزمية. تُحدَّد قبل مرحلة التدريب وتظل ثابتة خلالها. فيما يلي بعض المعلمات الفائقة الشائعة التي يجري ضبطها في Ultralytics YOLO:

• معدل التعلّم lr0: يحدد حجم الخطوة في كل تكرار أثناء التوجه نحو قيمة صغرى في دالة الخسارة.
• حجم الدفعة batch: عدد الصور التي تُعالَج بالتزامن في تمرير أمامي واحد.
• عدد العصور epochs: العصر هو تمرير أمامي وخلفي كامل واحد لجميع أمثلة التدريب.
• تفاصيل البنية: مثل أعداد القنوات وعدد الطبقات وأنواع دوال التنشيط وما إلى ذلك. ترد هذه التفاصيل في تهيئة YAML للنموذج لا في وسيطات التدريب.

من بين هذه العوامل الأربعة، لا يدخل في فضاء البحث الافتراضي سوى معدل التعلّم: وتظل batch وepochs والبنية ثابتة. كما يجري الضابط طفرات على الجدول وأوزان الخسارة وتعزيزات البيانات المدرجة أدناه.

للاطلاع على القائمة الكاملة لمعاملات التعزيز الفائقة المستخدمة في YOLO26، يُرجى مراجعة صفحة التكوينات.

التطور الجيني والطفرات#

يستخدم Ultralytics YOLO الخوارزميات الجينية لتحسين المعلمات الفائقة. وتستوحي الخوارزميات الجينية آليات الانتقاء الطبيعي والوراثة.

• الانتقاء: يختار كل تكرار واحدًا من التكوينات التسعة الأعلى على الأكثر من حيث الملاءمة، مع ترجيح الاختيار بحسب الملاءمة. بعد 30 نتيجة، تقدّر أفضل 20% من النتائج (حتى 30 نتيجة) أيضًا تغاير المعلمات، ويزداد تأثيرها مع تراكم الأدلة من النخبة.
• الطفرة: يُجري كل تكرار طفرات على نحو نصف المعلمات باستخدام خطوات غاوسية مطبّعة وفق نطاقات البحث الخاصة بها. وعندما يصبح التغاير نشطًا، تستخدم حصة موزونة بالثقة لا تتجاوز 40% خطوات مترابطة، مع إعادة عكسية تُبقي تلك الخطوات ضمن الحدود من دون تراكم القيم المقصوصة. ومع تراكم التجارب من دون تحسن، تضيق أحجام الخطوات خطيًا بنسبة تصل إلى 20% على مدى 25 تجربة، وتُعاد إلى وضعها عند العثور على نتيجة أفضل جديدة. لا يتوفر للتكرار 1 أصل، ويستخدم المعلمات الفائقة الافتراضية للتدريب كخط أساس.

الاستعداد لضبط المعلمات الفائقة#

قبل بدء عملية الضبط، من المهم أن:

1. تحديد المقاييس: يرتب الضابط المدمج (use_ray=False) التجارب حسب درجة fitness الخاصة بالمهمة، بينما يستخدم use_ray=True مقياس المهمة. حدّد المقاييس الثانوية التي ستفحصها، مثل AP50 أو درجة F1.
2. تحديد ميزانية الضبط: حدّد مقدار موارد الحوسبة التي ترغب في تخصيصها. قد يتطلب ضبط المعلمات الفائقة موارد حوسبة كبيرة.

آلية عمل حلقة الضبط#

يكرر الضابط المدمج الحلقة التالية في كل تكرار:

1. تهيئة المعلمات الفائقة — ابدأ بخط أساس معقول، إما المعلمات الفائقة الافتراضية التي يحددها Ultralytics YOLO أو قيمًا تستند إلى معرفتك بالمجال أو تجاربك السابقة.
2. إجراء طفرات على المعلمات الفائقة — تنشئ الفئة Tuner مجموعة جديدة من المعلمات الفائقة انطلاقًا من المجموعة الحالية، وذلك تلقائيًا باستخدام أسلوبها _mutate.
3. تدريب النموذج — درّب النموذج باستخدام المعلمات الفائقة التي أُجريت عليها الطفرات، ثم قيّم أداء التدريب باستخدام المقاييس التي اخترتها.
4. تقييم النموذج — تنتج عملية التقييم درجة ملاءمة التكرار، وتُقارَن هذه الدرجة بدرجات التكرارات السابقة لتحديد ما إذا كانت المعلمات الفائقة الحالية تمثل تحسنًا.
5. تسجيل النتائج — سجّل مقاييس الأداء والمعلمات الفائقة المقابلة لها للرجوع إليها مستقبلًا. يحفظ Ultralytics YOLO هذه النتائج تلقائيًا بتنسيق NDJSON.
6. التكرار — واصل حتى بلوغ عدد التكرارات المحدد، مع بناء كل تكرار على المعرفة المكتسبة من عمليات التشغيل السابقة. يشغّل الضابط المدمج جميع iterations؛ بينما يبلّغ Ray Tune عن المقاييس بعد كل عصر ملاءمة، ما يتيح لـ ASHA إيقاف التجارب الضعيفة بعد فترة السماح الخاصة بها.

التكرارات وحجم المجموعة#

في الضابط المدمج (use_ray=False)، يتحكم iterations في إجمالي عدد التجارب المتسلسلة، وتكون قيمته الافتراضية 300. تدرّب كل تجربة نموذجًا واحدًا باستخدام تكوين واحد للمعلمات الفائقة — على سبيل المثال، يجدول iterations=40 مع epochs=50 40 عملية تدريب مستقلة مدة كل منها 50 عصرًا، وليس عملية تدريب واحدة مدتها 50 عصرًا تضم مجموعة منفصلة من 40 تكوينًا مرشحًا.

لا تحتوي الخوارزمية الجينية المدمجة على معلمة صريحة لحجم المجموعة. بعد توفر تجارب سابقة، تختار ما يصل إلى تسعة من التكوينات الأعلى ملاءمة، وتجري طفرة على مرشح واحد في كل تكرار.

لإجراء تجارب متوازية أو استخدام استراتيجيات بحث أكثر تقدمًا، اضبط use_ray=True لاستخدام Ray Tune، الذي يستخدم القيمة الافتراضية نفسها، وهي 300 تجربة، ويتلقى iterations بوصفه num_samples. راجع دليل تكامل Ray Tune لمزيد من التفاصيل.

فضاء البحث الافتراضي#

يسرد الجدول التالي معلمات فضاء البحث الافتراضي لضبط المعلمات الفائقة في YOLO26. لكل معلمة نطاق قيم محدد يعرّفه صف (min, max).

مثال على فضاء بحث مخصص#

إليك كيفية تعريف فضاء بحث واستخدام الأسلوب model.tune() للاستفادة من الفئة Tuner في ضبط المعلمات الفائقة لـ YOLO26n على COCO8 مدة 30 عصرًا باستخدام محسن AdamW، مع تخطي الرسم وحفظ نقاط التحقق والتحقق، باستثناء العصر الأخير، لتسريع الضبط.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨تعريف فضاء البحث⁩
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# ⁨ضبط المعلمات الفائقة على COCO8 مدة 30 عصرًا⁩
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

استئناف جلسة ضبط المعلمات الفائقة التي توقفت#

يمكنك استئناف جلسة ضبط المعلمات الفائقة التي توقفت بتمرير resume=True. ويمكنك اختياريًا تمرير الدليل name المستخدم ضمن runs/{task} للاستئناف منه. إذا لم تمرر name، فسيستأنف التنفيذ الدليل المسمى حرفيًا tune، وهو الاسم الافتراضي وليس اسم أحدث جلسة تشغيل؛ لذا مرّر name لأي تشغيل بدأته باسم مخصص. ويلزمك أيضًا توفير جميع وسيطات التدريب السابقة، بما فيها data وepochs وiterations وspace.

from ultralytics import YOLO

# ⁨تعريف نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨تعريف فضاء البحث⁩
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# ⁨استئناف التشغيل السابق⁩
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# ⁨استئناف تشغيل الضبط بالاسم 'tune_exp'⁩
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

النتائج#

بعد إتمام عملية ضبط المعلمات الفائقة بنجاح، ستحصل على عدة ملفات وأدلة تتضمن نتائج الضبط. فيما يلي وصف لكل منها:

بنية الملفات#

فيما يلي شكل بنية أدلة النتائج. تحتوي أدلة المسح، مثل multitrain/ وmultitrain-2/، على تكرارات الضبط الفردية؛ أي نموذج واحد مدرّب لكل مجموعة بيانات باستخدام مجموعة واحدة من المعلمات الفائقة، ضمن دليل فرعي يحمل اسم كل مجموعة بيانات. لتوفير مساحة التخزين، يحذف الضابط أدلة التشغيل الخاصة بكل مجموعة بيانات للتكرارات التي ليست الأفضل حاليًا. ويحتوي الدليل tune/ على نتائج الضبط لجميع عمليات تدريب النماذج الفردية:

runs/
└── detect/
    ├── multitrain/
    │   └── coco8/
    ├── multitrain-2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

أوصاف الملفات#

best_hyperparameters.yaml#

يحتوي ملف YAML هذا على أفضل المعلمات الفائقة أداءً التي عُثر عليها أثناء عملية الضبط. يمكنك استخدام هذا الملف لتهيئة عمليات التدريب المستقبلية بهذه الإعدادات المحسّنة.

• التنسيق: YAML

• الاستخدام: نتائج المعلمات 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/l1_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/tune/weights
  # 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

tune_fitness.png#

يعرض هذا المخطط الملاءمة مقابل عدد التكرارات. ويساعدك على تصور أداء الخوارزمية الجينية بمرور الوقت.

• التنسيق: PNG
• الاستخدام: تصور الأداء

يحتوي المخطط على:

• علامة واحدة لكل تكرار ولكل مجموعة بيانات، لذا يعرض التشغيل على مجموعة بيانات واحدة نقطة واحدة لكل تكرار، بينما يعرض التشغيل متعدد مجموعات البيانات نقطة واحدة لكل مجموعة بيانات في كل تكرار.
• خط منقط لـ"المتوسط المُملّس" يُحسب باستخدام التنعيم الغاوسي (sigma=3) على قيم الملاءمة الإجمالية لكل تكرار.

tune_results.ndjson#

ملف NDJSON يتضمن النتائج التفصيلية لكل تكرار ضبط. يحتوي كل سطر على كائن JSON واحد يضم الملاءمة الإجمالية والمعلمات الفائقة المضبوطة ومقاييس كل مجموعة بيانات. يستخدم الضبط على مجموعة بيانات واحدة والضبط على مجموعات بيانات متعددة تنسيق الملف نفسه.

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

يأتي فيما يلي مثال منسّق لتحسين سهولة القراءة؛ أما في ملف .ndjson الفعلي، فيُخزَّن 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/l1_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/l1_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/multitrain/coco8",
        "coco8-grayscale": "runs/detect/multitrain/coco8-grayscale"
    }
}

القيمة fitness على المستوى الأعلى هي المتوسط الحسابي لقيم fitness الخاصة بكل مجموعة بيانات. وعند الضبط على مجموعة بيانات واحدة، يحتوي القاموس datasets على مدخل واحد تكون قيمة fitness فيه مساوية لقيمة fitness على المستوى الأعلى. يُسجَّل كائن JSON واحد لكل تكرار مكتمل. وتكون مسارات save_dirs الفعلية مطلقة؛ وقد اختُصرت أعلاه لتسهيل القراءة.

tune_scatter_plots.png#

يحتوي هذا الملف على مخططات تبعثر مولّدة من tune_results.ndjson، تساعدك على تصور العلاقات بين المعلمات الفائقة المختلفة ومقاييس الأداء. تستخدم الطفرات النطاق المُعدّ لكل معلمة فائقة، لذا يمكن أن تتطور القيم انطلاقًا من الإعدادات الافتراضية ذات القيمة صفر، مثل degrees وshear.

• التنسيق: PNG
• الاستخدام: تحليل البيانات الاستكشافي

weights/#

يحتوي هذا الدليل على نماذج PyTorch المحفوظة من التكرار الأعلى ملاءمة في تشغيل الضبط. وكلا الملفين صادر عن التكرار نفسه:

• last.pt: يحتوي last.pt على الأوزان من العصر الأخير للتدريب.
• best.pt: أوزان best.pt الخاصة بالتكرار الذي حقق أفضل درجة ملاءمة.

باستخدام هذه النتائج، يمكنك اتخاذ قرارات أكثر استنارة بشأن عمليات تدريب النماذج وتحليلاتها مستقبلًا.

الخلاصة#

إن ضبط المعلمات الفائقة في Ultralytics YOLO سهل البدء وقوي من الداخل، إذ يستخدم الانتقاء الموزون بالملاءمة والطفرات المُطبّعة إلى النطاق ضمن خوارزمية جينية. يتيح لك اتباع الحلقة الموضحة في هذا الدليل ضبط نموذجك منهجيًا لتحسين الأداء، ثم إعادة استخدام best_hyperparameters.yaml الناتج لتهيئة عمليات التدريب المستقبلية. لتوسيع نطاق الضبط عبر تجارب متوازية وخوارزميات بحث أكثر تقدمًا، تابع إلى دليل تكامل Ray Tune، أو شغّل مهامًا مُدارة بمعلمات فائقة قابلة للتهيئة وتتبع للمقاييس في الوقت الفعلي على منصة Ultralytics عبر التدريب السحابي.

بالنسبة إلى الإعدادات التي لا تتيحها أي وسيطة، مثل معدلات التعلّم لكل طبقة أو مقياس ملاءمة مخصص، استخدم فئة فرعية من المدرّب بدلًا من ذلك. لمزيد من المعلومات المتعمقة، استكشف الشيفرة المصدرية لفئة Tuner. إذا كانت لديك أسئلة أو طلبات ميزات، فتواصل معنا عبر GitHub أو Discord.

الأسئلة الشائعة#