أفضل الممارسات والنصائح لتدريب النماذج في تعلم الآلة#

مقدمة#

يعد تدريب النماذج أحد أهم الخطوات عند العمل على computer vision project. قبل الوصول إلى هذه الخطوة، تحتاج إلى define your goals وcollect and annotate your data. بعد preprocessing the data للتأكد من أنها نظيفة ومتسقة، يمكنك الانتقال إلى تدريب نموذجك.

Model training هو عملية تعليم نموذجك التعرف على الأنماط المرئية وإجراء التنبؤات من بياناتك، وهو يشكل بشكل مباشر دقة تطبيقك. يستعرض هذا الدليل أفضل الممارسات وتقنيات التحسين ونصائح استكشاف الأخطاء وإصلاحها لمساعدتك في تدريب نماذج الرؤية الحاسوبية الخاصة بك بفعالية.

كيفية تدريب نموذج تعلم الآلة#

يتم تدريب نموذج الرؤية الحاسوبية من خلال ضبط معاييره الداخلية لتقليل الأخطاء. في البداية، يتم تغذية النموذج بمجموعة كبيرة من الصور المصنفة. يقوم النموذج بإجراء تنبؤات حول محتوى هذه الصور، ثم تُقارن هذه التنبؤات بالتصنيفات أو المحتويات الفعلية لحساب الأخطاء. توضح هذه الأخطاء مدى انحراف تنبؤات النموذج عن القيم الحقيقية.

أثناء التدريب، يقوم النموذج بشكل تكراري بإجراء التنبؤات وحساب الأخطاء وتحديث معلماته من خلال عملية تسمى backpropagation. في هذه العملية، يقوم النموذج بتعديل معلماته الداخلية (الأوزان والانحيازات) لتقليل الأخطاء. من خلال تكرار هذه الدورة عدة مرات، يتحسن النموذج تدريجياً في دقته. بمرور الوقت، يتعلم التعرف على الأنماط المعقدة مثل الأشكال والألوان والقوام.

تجعل عملية التعلم هذه من الممكن لنموذج computer vision أداء tasks مختلفة، بما في ذلك object detection، وinstance segmentation، وsemantic segmentation، وimage classification. الهدف النهائي هو إنشاء نموذج يمكنه تعميم تعلمه على الصور الجديدة غير المدیدة بحيث يمكنه فهم البيانات المرئية بدقة في تطبيقات العالم الحقيقي.

الآن بعد أن عرفنا ما يحدث خلف الكواليس عند تدريب نموذج، دعونا ننظر إلى النقاط التي يجب مراعاتها عند تدريب النموذج.

التدريب على مجموعات بيانات كبيرة#

هناك بضعة جوانب مختلفة يجب التفكير فيها عند التخطيط لاستخدام مجموعة بيانات كبيرة لتدريب نموذج. على سبيل المثال، يمكنك ضبط حجم الدفعة (batch size)، والتحكم في استخدام GPU، واختيار استخدام التدريب متعدد النطاقات، وما إلى ذلك. دعونا نمر على كل من هذه الخيارات بالتفصيل.

حجم الدفعة واستخدام GPU#

عند تدريب النماذج على مجموعات بيانات كبيرة، يعد الاستخدام الفعال لـ GPU أمراً أساسياً. حجم الدفعة عامل مهم، وهو عدد عينات البيانات التي يعالجها نموذج تعلم الآلة في تكرار تدريب واحد. باستخدام أقصى حجم دفعة يدعمه GPU الخاص بك، يمكنك الاستفادة الكاملة من قدراته وتقليل الوقت الذي يستغرقه تدريب النموذج. ومع ذلك، يجب عليك تجنب نفاد ذاكرة GPU. إذا واجهت أخطاء في الذاكرة، فقم بتقليل حجم الدفعة تدريجياً حتى يتم تدريب النموذج بسلاسة.

فيما يتعلق بـ YOLO26، يمكنك تعيين معلمة batch في Train mode arguments لتناسب سعة وحدة معالجة الرسوميات (GPU) الخاصة بك. على وحدة تسریع واحدة، تقوم batch=-1 بتحليل النموذج وتحديد batch size تستهدف تقريبًا 60% من استهلاك الذاكرة؛ بينما تستهدف نسبة مثل batch=0.70 حصة مختلفة. تتطلب تشغيلات وحدات معالجة الرسوميات المتعددة (Multi-GPU) حجم دفعة عامًا صريحًا يكون مضاعفًا لعدد الأجهزة. على وحدة المعالجة المركزية (CPU) وتقنية Apple silicon، يُصدر AutoBatch تحذيرًا ويتراجع إلى batch=16.

التدريب على المجموعات الفرعية#

التدريب على المجموعات الفرعية هو استراتيجية ذكية تتضمن تدريب نموذجك على مجموعة أصغر من البيانات تمثل مجموعة البيانات الأكبر. يمكن أن يوفر الوقت والموارد، خاصة أثناء التطوير الأولي للنموذج والاختبار. إذا كان وقتك محدوداً أو كنت تجرب تكوينات مختلفة للنموذج، فإن التدريب على المجموعات الفرعية خيار جيد.

عندما يتعلق الأمر بـ YOLO26، يمكنك بسهولة تنفيذ التدريب على مجموعة فرعية باستخدام المعلمة fraction. استخدم نسبة مثل fraction=0.1 لـ 10% من بيانات التدريب، أو عدداً صحيحاً مثل fraction=300 لـ 300 صورة تدريب בדיוק، أو قائمة [train, val, test] مثل fraction=[300, 100, 0] لتحديد كل تقسيم وتخطي صور الاختبار. تترك قوائم العنصرين مثل [300, 100] تقسيم الاختبار ممتلئاً. تحدد مجموعات بيانات NDJSON سجلات موزعة بانتظام قبل تنزيلها، لذا تعيد التشغيلات المتكررة استخدام المجموعة الفرعية الدقيقة. تدعم هذه التقنية التكرارات السريعة الضبط قبل الالتزام بمجموعة البيانات الكاملة.

التدريب متعدد النطاقات#

التدريب متعدد المقاييس (Multi-scale training) هو تقنية تحسن قدرة نموذجك على التعميم من خلال تدريبه على صور بأحجام متفاوتة. يمكن لنموذجك تعلم اكتشاف الكائنات بمقاييس ومسافات مختلفة ليصبح أكثر قوة.

على سبيل المثال، عند تدريب YOLO26، يمكنك تمكين زيادة المقياس عن طريق تعيين معلمة scale. تقوم هذه المعلمة بتعديل حجم صور التدريب بمعامل محدد، محاكاةً للكائنات على مسافات مختلفة. على سبيل المثال، تعيين scale=0.5 يقوم عشوائيًا بتقريب صور التدريب بمعامل يتراوح بين 0.5 و1.5 أثناء التدريب. يتيح تكوين هذه المعلمة لنموذجك تجربة مجموعة متنوعة من مقاييس الصور وتحسين قدراته على الاكتشاف عبر مختلف أحجام الكائنات والسيناريوهات.

يدعم Ultralytics أيضاً التدريب متعدد المقاييس لحجم الصورة عبر معلمة multi_scale. على عكس scale، الذي يقوم بتكبير الصور ثم الحشو/الاقتصاص للعودة إلى imgsz، يقوم multi_scale بتغيير imgsz نفسه في كل دفعة (مستديرة إلى خطوة النموذج). على سبيل المثال، باستخدام imgsz=640 وmulti_scale=0.25، يتم أخذ عينات من حجم التدريب من 480 يصل إلى 800 في خطوات الخطوة (مثل 480، 512، 544، ...، 800)، بينما يحتفظ multi_scale=0.0 بحجم ثابت.

التخزين المؤقت#

التخزين المؤقت تقنية مهمة لتحسين كفاءة تدريب نماذج تعلم الآلة. من خلال تخزين الصور المعالجة مسبقاً في الذاكرة، يقلل التخزين المؤقت من الوقت الذي يقضيه GPU في انتظار تحميل البيانات من القرص. يمكن للنموذج تلقي البيانات باستمرار دون تأخير ناتج عن عمليات الإدخال/الإخراج للقرص.

يمكن التحكم في التخزين المؤقت عند تدريب YOLO26 باستخدام معلمة cache:

• cache=True: يقوم بتخزين صور مجموعة البيانات في ذاكرة الوصول العشوائي (RAM)، مما يوفر أسرع سرعة وصول ولكن على حساب زيادة استخدام الذاكرة.
• cache='disk': يقوم بتخزين الصور على القرص، وهي أبطأ من الذاكرة العشوائية ولكنها أسرع من تحميل البيانات الجديدة في كل مرة.
• cache=False: يعطل التخزين المؤقت، معتمداً بالكامل على إدخال/إخراج القرص، وهو الخيار الأبطأ.

التدريب بالدقة المختلطة#

يستخدم التدريب الدقيق المختلط نوعي الفاصلة العائمة 16 بت (FP16) و32 بت (FP32). يتم الاستفادة من نقاط القوة لكل من FP16 وFP32 باستخدام FP16 لحساب أسرع وFP32 للحفاظ على الدقة عند الحاجة. تتم معظم عمليات neural network في FP16 للاستفادة من الحساب الأسرع وانخفاض استخدام الذاكرة. ومع ذلك، يتم الاحتفاظ بنسخة رئيسية من أوزان النموذج في FP32 لضمان الدقة أثناء خطوات تحديث الوزن. يمكنك التعامل مع نماذج أكبر أو أحجام دفعات أكبر ضمن قيود الأجهزة نفسها.

لتنفيذ التدريب الدقيق المختلط، ستحتاج إلى تعديل برامج التدريب النصية الخاصة بك والتأكد من أن أجهزتك (مثل وحدات معالجة الرسومات) تدعم ذلك. توفر العديد من أطر deep learning الحديثة، مثل PyTorch وTensorFlow، دعماً مدمجاً للدقة المختلطة.

التدريب دقيق المختلط (Mixed precision training) أمر بسيط عند العمل مع YOLO26: ميزة AMP مفعلة افتراضيًا (amp=True). على وحدة معالجة رسوميات CUDA، يقوم YOLO بإجراء فحص قدرة لمرة واحدة في بداية التدريب ويتراجع إلى FP32 بالكامل في حالة الفشل؛ بينما على وحدة المعالجة المركزية (CPU) وتقنية Apple silicon يتم تخطي AMP تمامًا. قم بتعيين amp=False لفرض استخدام FP32.

الأوزان المدربة مسبقاً#

يعد استخدام الأوزان المدربة مسبقاً طريقة ذكية لتسريع عملية تدريب نموذجك. تأتي الأوزان المدربة مسبقاً من نماذج مدربة بالفعل على مجموعات بيانات كبيرة، مما يمنح نموذجك بداية قوية. يقوم transfer learning بتكييف النماذج المدربة مسبقاً مع مهام جديدة ذات صلة. يتضمن الضبط الدقيق لنموذج مدرب مسبقاً البدء بهذه الأوزان ثم متابعة التدريب على مجموعة البيانات المحددة الخاصة بك. تؤدي هذه الطريقة من التدريب إلى أسرع أوقات التدريب وغالباً ما تحقق أداءً أفضل لأن النموذج يبدأ بفهم قوي للسمات الأساسية.

تأتي الأوزان المدربة مسبقًا من وسيط model، لذا تبدأ model=yolo26n.pt بالفعل من أوزان COCO. تتحكم معلمة pretrained فيما إذا كانت تلك الأوزان تُحتفظ بها (True، الوضع الافتراضي)، أو تُستبعد (False)، أو تُستبدل بنقطة تحقق أخرى (pretrained=path/to/best.pt). تعيين pretrained=True على نموذج *.yaml لا يجلب الأوزان بمفرده. راجع How to Fine-Tune YOLO on a Custom Dataset لمعرفة سير عمل التعلّم بال نقل (transfer-learning) بالكامل.

تقنيات أخرى يجب مراعاتها عند التعامل مع مجموعة بيانات كبيرة#

هناك بضع تقنيات أخرى يجب مراعاتها عند التعامل مع مجموعة بيانات كبيرة:

• Learning Rate Schedulers: يؤدي تنفيذ مجدولات معدل التعلم إلى ضبط معدل التعلم ديناميكيًا أثناء التدريب. يمكن لمعدل التعلم المُضَبّط جيدًا أن يمنع النموذج من تجاوز القيم الصغرى وتحسين الاستقرار. عند تدريب YOLO26، تساعد معلمة lrf في إدارة جدولة معدل التعلم عن طريق تعيين معدل التعلم النهائي ككسر من المعدل الأولي. للسلوكيات التي لا تعرضها أي معلمة، مثل معدلات التعلم لكل طبقة أو قص التدرج (gradient clipping)، قم بـ subclass the trainer.
• التدريب الموزع: للتعامل مع مجموعات البيانات الكبيرة، يمكن أن يكون التدريب الموزع مغيراً لقواعد اللعبة. يمكنك تقليل وقت التدريب عن طريق توزيع عبء عمل التدريب عبر وحدات GPU أو أجهزة متعددة. هذا النهج ذو قيمة خاصة للمشاريع على مستوى المؤسسات التي تمتلك موارد حوسبة كبيرة.
• Channels-last memory format: تستخدم channels_last=True تخطيط الذاكرة NHWC على CUDA، والذي يمكن أن يحسن أداء الالتفاف (convolution) على الأجهزة المتوافقة. تصدر الأجهزة الأخرى تحذيرًا وتحافظ على التخطيط الافتراضي.

عدد العصور (Epochs) للتدريب#

عند تدريب نموذج، تشير epoch إلى تمريرة واحدة كاملة عبر مجموعة بيانات التدريب بأكملها. خلال الحقبة، يعالج النموذج كل مثال في مجموعة التدريب مرة واحدة ويقون بتحديث معلماته بناءً على خوارزمية التعلم. عادة ما تكون هناك حاجة لحقبة متعددة للسماح للنموذج بتعلم وتحسين معلماته بمرور الوقت.

السؤال الشائع الذي يطرح نفسه هو كيفية تحديد عدد الحقب لتدريب النموذج عليها. نقطة البداية الجيدة هي 300 حقبة. إذا كان النموذج يفرط في التخصيص مبكراً، يمكنك تقليل عدد الحقب. إذا لم يحدث overfitting بعد 300 حقبة، يمكنك تمديد التدريب إلى 600 أو 1200 أو أكثر من الحقب.

ومع ذلك، يمكن أن يختلف العدد المثالي للحقب بناءً على حجم مجموعة البيانات وأهداف المشروع. قد تتطلب مجموعات البيانات الأكبر حجماً المزيد من الحقب لكي يتعلم النموذج بفعالية، بينما قد تتطلب مجموعات البيانات الأصغر حقباً أقل لتجنب فرط التخصيص. فيما يتعلق بـ YOLO26، يمكنك تعيين معلمة epochs في برنامج التدريب النصي الخاص بك.

التوقف المبكر#

التوقف المبكر هو تقنية قيمة لتحسين تدريب النموذج. من خلال مراقبة أداء التحقق من الصحة، يمكنك إيقاف التدريب بمجرد توقف النموذج عن التحسن. يمكنك توفير موارد الحوسبة ومنع فرط التخصيص.

تتضمن العملية تعيين معلمة صبر (patience) تحدد عدد العصور التي يجب انتظارها لحدوث تحسن في مقاييس التحقق من الصحة قبل إيقاف التدريب. إذا لم يتحسن أداء النموذج خلال هذه العصور، يتم إيقاف التدريب لتجنب إضاعة الوقت والموارد.

بالنسبة لـ YOLO26، يمكنك تمكين التوقف المبكر عن طريق تعيين معلمة الصبر في تكوين التدريب الخاص بك. على سبيل المثال، يعني patience=5 أن التدريب سيتوقف إذا لم يكن هناك تحسن في مقاييس التحقق من الصحة لمدة 5 حقب متتالية. يضمن استخدام هذه الطريقة بقاء عملية التدريب فعالة وتحقيق أداء مثالي دون الحساب المفرط.

الاختيار بين التدريب السحابي والمحلي#

هناك خياران لتدريب نموذجك: التدريب السحابي والتدريب المحلي.

يوفر التدريب السحابي قابلية التوسع والأجهزة القوية وهو مثالي للتعامل مع مجموعات البيانات الكبيرة والنماذج المعقدة. توفر منصات مثل Google Cloud، وAWS، وAzure إمكانية الوصول عند الطلب إلى وحدات معالجة الرسومات ووحدات معالجة التنسيق عالية الأداء، مما يسرع أوقات التدريب ويمكن من إجراء تجارب باستخدام نماذج أكبر. ومع ذلك، يمكن أن يكون التدريب السحابي مكلفاً، خاصة لفترات طويلة، ويمكن أن يضيف نقل البيانات إلى التكاليف ووقت الاستجابة.

يوفر التدريب المحلي تحكماً وتخصيصاً أكبر، مما يتيح لك تصميم بيئتك لتلبية احتياجات محددة وتجنب تكاليف السحابة المستمرة. يمكن أن يكون أكثر اقتصادية للمشاريع طويلة الأجل، ولأن بياناتك تبقى في الموقع، فهي أكثر أماناً. ومع ذلك، قد يكون للأجهزة المحلية قيود على الموارد وتتطلب صيانة، مما قد يؤدي إلى أوقات تدريب أطول للنماذج الكبيرة.

اختيار المحسن (Optimizer)#

المحسن هو خوارزمية تضبط أوزان شبكتك العصبية لتقليل loss function، والتي تقيس مدى جودة أداء النموذج. بعبارات أبسط، يساعد المحسن النموذج على التعلم عن طريق تعديل معلماته لتقليل الأخطاء. يؤثر اختيار المحسن المناسب بشكل مباشر على مدى سرعة ودقة تعلم النموذج.

يمكنك أيضاً ضبط معايير المحسن لتحسين أداء النموذج. يؤدي ضبط معدل التعلم إلى تحديد حجم الخطوات عند تحديث المعايير. من أجل الاستقرار، قد تبدأ بمعدل تعلم معتدل وتقلله تدريجياً بمرور الوقت لتحسين التعلم على المدى الطويل. بالإضافة إلى ذلك، يحدد تعيين الزخم (momentum) مدى تأثير التحديثات السابقة على التحديثات الحالية. قيمة شائعة للزخم هي حوالي 0.9. إنها توفر عموماً توازناً جيداً.

محسنات شائعة#

للمحسنات المختلفة نقاط قوة وضعف متنوعة. دعونا نلقي نظرة على بعض المحسنات الشائعة.

• SGD (الانحدار العشوائي):

  • يحدث معايير النموذج باستخدام تدرج دالة الخسارة بالنسبة للمعايير.
  • بسيط وفعال ولكنه قد يكون بطيئاً في التقارب وقد يعلق في النقاط الصغرى المحلية.

• Adam (Adaptive Moment Estimation):

  • يجمع بين فوائد كل من SGD مع الزخم وRMSProp.
  • يضبط معدل التعلم لكل معلمة بناءً على تقديرات العزوم الأولى والثانية للتدرجات.
  • مناسب تماماً للبيانات المزعجة والتدرجات المتباعدة.
  • فعال وعادة ما يتطلب ضبطاً أقل. بالنسبة لعمليات التدريب الأقصر، يختار optimizer=auto الخاص بـ YOLO26 AdamW المرتبط ارتباطاً وثيقاً بدلاً من Adam نفسه.

• RMSProp (انتشار جذر متوسط المربع):

  • يضبط معدل التعلم لكل معلمة عن طريق قسمة التدرج على متوسط متحرك لأحجام التدرجات الحديثة.
  • يساعد في التعامل مع مشكلة التدرج الملاشي وهو فعال لـ recurrent neural networks.

• MuSGD (هجين Muon + SGD):

  • يجمع بين تحديثات نمط SGD والسلوك المستوحى من Muon لتحسين الاستقرار في التدريب على نطاق واسع.
  • خيار جيد عندما تريد تعميماً يشبه SGD ولكنك تحتاج إلى تقارب أكثر سلاسة من SGD التقليدي.
  • وثيق الصلة بشكل خاص بـ YOLO26 training recipes؛ إذا كنت غير متأكد، فابدأ بـ optimizer=auto وقارن مقابل MuSGD على مجموعة البيانات الخاصة بك.

بالنسبة لـ YOLO26، يتيح لك المعلم optimizer الاختيار من بين محسّنات متنوعة، بما في ذلك SGD وMuSGD وAdam وAdamax وAdamW وNAdam وRAdam وRMSProp، أو يمكنك ضبطه على auto للاختيار التلقائي بناءً على عدد دورات التدريب.

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

التواصل مع المجتمع#

كونك جزءاً من مجتمع من عشاق الرؤية الحاسوبية يمكن أن يساعدك في حل المشكلات والتعلم بشكل أسرع. إليك بعض الطرق للتواصل، والحصول على المساعدة، ومشاركة الأفكار.

موارد المجتمع#

• GitHub Issues: قم بزيارة YOLO26 GitHub repository واستخدم علامة تبويب المشكلات لطرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. المجتمع والمشرفون نشطون للغاية ومستعدون للمساعدة.
• Ultralytics Discord Server: انضم إلى Ultralytics Discord server للدردشة مع المستخدمين والمطورين الآخرين، والحصول على الدعم، ومشاركة تجاربك.

التوثيق الرسمي#

• Ultralytics YOLO26 Documentation: تحقق من official YOLO26 documentation للحصول على أدلة مفصلة ونصائح مفيدة حول مشاريع الرؤية الحاسوبية المختلفة.

سيساعدك استخدام هذه الموارد على حل التحديات والبقاء على اطلاع بأحدث الاتجاهات والممارسات في مجتمع الرؤية الحاسوبية.

الخلاصة#

يتضمن تدريب نماذج الرؤية الحاسوبية اتباع ممارسات جيدة، وتحسين استراتيجياتك، وحل المشكلات عند ظهورها. يمكن لتقنيات مثل ضبط أحجام الدفعات، والتدريب الدقيق المختلط precision، والبدء بالأوزان المدربة مسبقاً أن تجعل نماذجك تعمل بشكل أفضل وتتدرب بشكل أسرع. تساعد طرق مثل تدريب المجموعات الفرعية والتوقف المبكر على توفير الوقت والموارد. سيساعدك البقاء على اتصال مع المجتمع مواكبة الاتجاهات الجديدة على الاستمرار في تحسين مهارات تدريب النموذج لديك.

الأسئلة الشائعة#