دليل ضبط المعلمات الفائقة في Ultralytics YOLO#

ضبط المعلمات الفائقة في Ultralytics YOLO هو بحث تلقائي وتكراري يحسن الإعدادات — مثل معدل التعلم، وأوزان الخسارة، وقوة التوسيع — لتحقيق أقصى قدر من مقاييس أداء نموذج التعلم الآلي مثل الدقة، والضبط، والاتساع. بدلاً من اختبار هذه القيم يدوياً، يستكشف Ultralytics YOLO مساحة المعلمات الفائقة باستخدام خوارزمية جينية تُجري الطفرات وتقيم تكوينات المرشحين عبر العديد من عمليات التدريب القصيرة.

ما 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 الحد الأدنى في دالة الخسارة.
• حجم الدفعة batch: عدد الصور التي تتم معالجتها بشكل متزامن في التمرير الأمامي.
• عدد الحقبات epochs: الحقبة هي تمرير أمامي وخلفي كامل لجميع أمثلة التدريب.
• تفاصيل المعمارية: مثل عدد القنوات، عدد الطبقات، أنواع دوال التنشيط، وما إلى ذلك. توجد هذه الإعدادات في تكوين نموذج YAML بدلاً من وسائط التدريب.

من بين هذه الأربعة، معدل التعلم وحده هو الموجود في مساحة البحث الافتراضية: batch و epochs والمعمارية تظل ثابتة. يقوم الموالف أيضًا بتعديل المخطط، مكاسب الخسارة، والتحسينات المدرجة أدناه.

للحصول على قائمة كاملة بمعلمات التوسيع المستخدمة في YOLO26، يرجى الرجوع إلى صفحة التكوينات.

التطور الجيني والطفرات#

يستخدم Ultralytics YOLO الخوارزميات الجينية لتحسين المعلمات الفائقة. الخوارزميات الجينية مستوحاة من آليات الانتخاب الطبيعي والوراثة.

• Selection: Each iteration selects one of up to nine highest-fitness configurations, weighted by fitness, which preserves relationships between its hyperparameters.
• Mutation: Each iteration mutates roughly half of the parameters using Gaussian steps normalized to their search ranges. As trials accumulate without a new best result, the step size decreases linearly from 0.20 to 0.16 over 25 trials and resets when a new best result is found. Iteration 1 has no parent and uses the default training hyperparameters as a baseline.

التحضير لضبط المعاملات الفائقة#

قبل البدء في عملية الضبط، من المهم:

1. تحديد المقاييس: يقوم الموالف المدمج (use_ray=False) بترتيب التجارب حسب درجة fitness للمهمة، بينما يستخدم use_ray=True مقياس المهمة. حدد المقاييس الثانوية التي ستفحصها، مثل AP50 أو درجة F1.
2. ضبط ميزانية الضبط: حدد مقدار الموارد الحسابية التي ترغب في تخصيصها. يمكن أن يكون ضبط المعاملات الفائقة مكثفاً من الناحية الحسابية.

كيف 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. إحداث طفرات في المعلمات الفائقة — تنتج Tuner class مجموعة جديدة من المعلمات الفائقة من المجموعة الحالية 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 — تنتج عملية التقييم درجة ملاءمة التكرار، والتي يتم مقارنتها بالتكرارات السابقة لتحديد ما إذا كانت المعلمات الفائقة الحالية تمثل تحسنًا.
5. تسجيل النتائج - سجل كلاً من مقاييس الأداء والمعاملات الفائقة المقابلة للرجوع إليها مستقبلاً. يقوم Ultralytics YOLO بحفظ هذه النتائج تلقائياً بتنسيق NDJSON.
6. كرر — استمر حتى يتم الوصول إلى العدد المحدد من التكرارات، حيث يبني كل تكرار على المعرفة المكتسبة من عمليات التشغيل السابقة. يشغل الموالف المدمج جميع iterations؛ يبلغ Ray Tune عن المقاييس بعد كل حقبة ملاءمة، مما يسمح لـ ASHA بإيقاف التجارب الضعيفة بعد فترة السماح الخاصة بها.

التكرارات وحجم المجتمع#

باستخدام أداة الضبط المضمنة (use_ray=False)، يتحكم iterations في العدد الإجمالي للتجارب المتتالية ويكون افتراضياً 300. تقوم كل تجربة بتدريب نموذج واحد بتكوين معلمات فائقة واحد - على سبيل المثال، iterations=40 مع epochs=50 يجدول 40 عملية تدريب مستقلة مدتها 50 حقبة، وليس عملية تدريب واحدة مدتها 50 حقبة مع مجموعة منفصلة من 40 مرشحاً.

The built-in genetic algorithm has no explicit population size parameter. Once prior trials exist, it selects from up to nine of the highest-fitness configurations and mutates one candidate per iteration.

بالنسبة للتجارب المتوازية أو استراتيجيات البحث الأكثر تقدماً، قم بتعيين use_ray=True لاستخدام Ray Tune، الذي يخدم نفس الافتراضي البالغ 300 تجربة ويتلقى iterations كـ num_samples. راجع دليل تكامل Ray Tune للحصول على التفاصيل.

فضاء البحث الافتراضي#

يسرد الجدول التالي معلمات مساحة البحث الافتراضية لضبط المعلمات الفائقة في YOLO26. لكل معلمة نطاق قيمة محدد يتم تعريفه بواسطة صف (min, max).

مثال على مساحة بحث مخصصة#

إليك كيفية تحديد مساحة البحث واستخدام طريقة model.tune() للاستفادة من فئة Tuner لضبط المعلمات الفائقة لـ YOLO26n على COCO8 لمدة 30 حقبة باستخدام مُحسِّن AdamW وتخطي الرسم، وحفظ نقاط التحقق، والتحقق بخلاف الحقبة الأخيرة لضمان ضبط 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,
)

استئناف جلسة ضبط المعاملات الفائقة التي تم مقاطعتها#

يمكنك استئناف جلسة ضبط المعلمات الفائقة المقاطعة تمرير resume=True. يمكنك اختياريًا تمرير الدليل name المستخدم تحت runs/{task} للاستئناف. بدون name، فإنه يستأنف الدليل المسمى حرفيًا tune، وهو الاسم الافتراضي بدلاً من أي جلسة تم تشغيلها مؤخرًا، لذا مرر name لأي عملية تشغيل بدأت بواحدة مخصصة. تحتاج أيضًا إلى توفير كافة وسائط 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)

النتائج#

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

هيكل الملف#

إليك الشكل الذي ستبدو عليه بنية الدليل للنتائج. تحتوي أدلة التدريب مثل train/ و train-2/ على تكرارات ضبط فردية، أي نموذج واحد تم تدريبه مجموعة واحدة من المعلمات الفائقة. يحتوي الدليل tune/ على نتائج الضبط من جميع تدريبات النماذج الفردية:

runs/
└── detect/
    ├── train/
    ├── train-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 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/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#

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 منعم" منقط يتم حسابه كتنعيم غاوسي (sigma=3) على قيم اللياقة في المستوى الأعلى لكل تكرار.

tune_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 مثال منسق بشكل جميل من أجل القراءة السهلة؛ 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/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/coco8",
        "coco8-grayscale": "runs/detect/coco8-grayscale"
    }
}

المستوى الأعلى fitness هو المتوسط الحسابي لقيم fitness لكل مجموعة بيانات. بالنسبة للضبط ذي مجموعة البيانات الواحدة، يحتوي قاموس datasets على إدخال واحد يتساوى فيه fitness مع fitness للمستوى الأعلى. يتم تسجيل كائن JSON واحد لكل تكرار مكتمل. مسارات save_dirs الفعلية مطلقة؛ وقد تم اختصارها أعلاه من أجل القراءة السهلة.

tune_scatter_plots.png#

This file contains scatter plots generated from tune_results.ndjson, helping you visualize relationships between different hyperparameters and performance metrics. Mutation uses each hyperparameter's configured range, so values can evolve from zero-valued defaults such as degrees and shear.

• التنسيق: PNG
• الاستخدام: تحليل البيانات الاستكشافي

weights/#

يحتوي هذا الدليل على نماذج PyTorch المحفوظة من تكرار أفضل ملاءمة لتشغيل الضبط. يأتي كلا الملفين من نفس التكرار:

• last.pt: تمثل الأوزان last.pt الأوزان من الحقبة الأخيرة للتدريب.
• best.pt: تمثل الأوزان best.pt الأوزان للتكرار الذي حقق أفضل درجة لياقة.

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

الخلاصة#

Hyperparameter tuning in Ultralytics YOLO is both simple to launch and powerful under the hood, using fitness-weighted selection and range-normalized mutation in a genetic algorithm. Following the loop outlined in this guide lets you systematically tune your model for better performance, then reuse the resulting best_hyperparameters.yaml to initialize future training runs. To scale tuning across parallel trials and more advanced search algorithms, continue with the Ray Tune integration guide, or run managed jobs with configurable hyperparameters and real-time metrics tracking on Ultralytics Platform via cloud training.

بالنسبة للإعدادات التي لا تكشف عنها أي وسائط، مثل معدلات التعلم لكل طبقة أو مقياس ملاءمة مخصص، قم بإنشاء فئة فرعية للمدرب بدلاً من ذلك. للحصول على رؤى أعمق، استكشف الشفرة المصدرية لفئة Tuner. إذا كانت لديك أسئلة أو طلبات ميزات، فتواصل عبر GitHub أو Discord.

الأسئلة الشائعة#