أفضل الممارسات والنصائح في تعلم الآلة لتدريب النماذج

مقدمة

تعد عملية تدريب النموذج واحدة من أهم الخطوات عند العمل على مشروع رؤية حاسوبية. وقبل الوصول إلى هذه الخطوة، تحتاج إلى تحديد أهدافك وجمع بياناتك وتصنيفها. وبعد معالجة البيانات مسبقاً للتأكد من أنها نظيفة ومتسقة، يمكنك الانتقال إلى تدريب نموذجك.

إذن، ما هو تدريب النموذج؟ تدريب النموذج هو عملية تعليم النموذج الخاص بك كيفية التعرف على الأنماط البصرية وإجراء التنبؤات بناءً على بياناتك. يؤثر هذا بشكل مباشر على أداء ودقة تطبيقك. في هذا الدليل، سنغطي أفضل الممارسات، وتقنيات التحسين، ونصائح استكشاف الأخطاء وإصلاحها لمساعدتك في تدريب نماذج الرؤية الحاسوبية بفعالية.

كيفية تدريب نموذج تعلم الآلة

يتم تدريب نموذج الرؤية الحاسوبية عن طريق ضبط معاملاته الداخلية لتقليل الأخطاء. في البداية، يتم تزويد النموذج بمجموعة كبيرة من الصور المصنفة (الموسومة). يقوم النموذج بإجراء تنبؤات حول ما تحتويه هذه الصور، ثم تُقارن التنبؤات بالتصنيفات أو المحتويات الفعلية لحساب الأخطاء. تُظهر هذه الأخطاء مدى انحراف تنبؤات النموذج عن القيم الحقيقية.

أثناء التدريب، يقوم النموذج بشكل تكراري بإجراء تنبؤات، وحساب الأخطاء، وتحديث معاملاته من خلال عملية تُسمى الانتشار العكسي. في هذه العملية، يقوم النموذج بضبط معاملاته الداخلية (الأوزان والانحيازات) لتقليل الأخطاء. ومن خلال تكرار هذه الدورة مرات عديدة، تتحسن دقة النموذج تدريجياً. وبمرور الوقت، يتعلم التعرف على أنماط معقدة مثل الأشكال، والألوان، والقوام.

تجعل عملية التعلم هذه من الممكن لنموذج الرؤية الحاسوبية أداء مهام متنوعة، بما في ذلك اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور. الهدف النهائي هو إنشاء نموذج يمكنه تعميم تعلمه على صور جديدة غير مرئية حتى يتمكن من فهم البيانات البصرية بدقة في تطبيقات العالم الحقيقي.

الآن بعد أن عرفنا ما يحدث خلف الكواليس عند تدريب نموذج ما، دعونا نلقي نظرة على النقاط التي يجب مراعاتها عند تدريب النموذج.

التدريب على مجموعات بيانات ضخمة

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

حجم الدفعة واستخدام GPU

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

فيما يتعلق بـ YOLO26، يمكنك ضبط معلمة batch_size في إعدادات التدريب لتتناسب مع قدرة GPU لديك. كما أن ضبط batch=-1 في سكربت التدريب الخاص بك سيحدد تلقائياً حجم الدفعة الذي يمكن معالجته بكفاءة بناءً على قدرات جهازك. من خلال ضبط حجم الدفعة بدقة، يمكنك تحقيق أقصى استفادة من موارد GPU وتحسين عملية التدريب الشاملة.

التدريب على مجموعات فرعية

التدريب على مجموعة فرعية هو استراتيجية ذكية تتضمن تدريب نموذجك على مجموعة أصغر من البيانات التي تمثل مجموعة البيانات الأكبر. يمكن أن يوفر ذلك الوقت والموارد، خاصة أثناء التطوير الأولي للنموذج والاختبار. إذا كان وقتك محدوداً أو كنت تجرب تكوينات مختلفة للنماذج، فإن التدريب على مجموعة فرعية يعد خياراً جيداً.

عندما يتعلق الأمر بـ YOLO26، يمكنك بسهولة تطبيق التدريب على مجموعة فرعية باستخدام معلمة fraction. تسمح لك هذه المعلمة بتحديد جزء من مجموعة البيانات الخاصة بك لاستخدامه في التدريب. على سبيل المثال، ضبط fraction=0.1 سيدرب نموذجك على 10% من البيانات. يمكنك استخدام هذه التقنية لإجراء تكرارات سريعة وضبط نموذجك قبل الالتزام بتدريب نموذج باستخدام مجموعة بيانات كاملة. يساعد التدريب على مجموعة فرعية في إحراز تقدم سريع وتحديد المشكلات المحتملة في وقت مبكر.

التدريب متعدد المقاييس

التدريب متعدد المقاييس هو تقنية تعمل على تحسين قدرة النموذج على التعميم من خلال تدريبه على صور بأحجام مختلفة. يمكن لنموذجك أن يتعلم اكتشاف الكائنات بمقاييس ومسافات مختلفة ويصبح أكثر قوة.

على سبيل المثال، عند تدريب YOLO26، يمكنك تمكين التدريب متعدد المقاييس عن طريق ضبط معلمة scale. تقوم هذه المعلمة بضبط حجم صور التدريب بمعامل محدد، مما يحاكي الكائنات على مسافات مختلفة. على سبيل المثال، ضبط scale=0.5 يقوم بتكبير صور التدريب عشوائياً بمعامل يتراوح بين 0.5 و1.5 أثناء التدريب. يتيح ضبط هذه المعلمة لنموذجك تجربة مجموعة متنوعة من مقاييس الصور وتحسين قدراته على الاكتشاف عبر أحجام كائنات وسيناريوهات مختلفة.

تدعم Ultralytics أيضاً التدريب متعدد المقاييس لحجم الصورة عبر معلمة multi_scale. على عكس scale التي تكبّر الصور ثم تضيف حشواً/تقصها للعودة إلى imgsz، فإن multi_scale تغير imgsz نفسها في كل دفعة (مقربة إلى stride النموذج). على سبيل المثال، مع imgsz=640 و multi_scale=0.25، يتم أخذ عينات حجم التدريب من 480 وصولاً إلى 800 بخطوات stride (مثل 480، 512، 544، ...، 800)، بينما تحافظ multi_scale=0.0 على حجم ثابت.

التخزين المؤقت (Caching)

التخزين المؤقت هو 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 والإخراج للقرص.

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

• cache=True: يخزن صور مجموعة البيانات في RAM، مما يوفر أسرع سرعة وصول ولكن على حساب زيادة استخدام الذاكرة.
• cache='disk': يخزن الصور على القرص، وهو أبطأ من RAM ولكنه أسرع من تحميل بيانات جديدة في كل مرة.
• cache=False: يعطل التخزين المؤقت، ويعتمد كلياً على الإدخال/الإخراج للقرص، وهو الخيار الأبطأ.

التدريب بالدقة المختلطة (Mixed Precision)

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و32-بت (FP32). يتم الاستفادة من نقاط قوة كل من FP16 وFP32 باستخدام FP16 لإجراء حسابات أسرع وFP32 للحفاظ على الدقة عند الحاجة. تتم معظم عمليات الشبكة العصبية باستخدام FP16 للاستفادة من الحسابات الأسرع واستهلاك أقل للذاكرة. ومع ذلك، يتم الاحتفاظ بنسخة رئيسية من أوزان النموذج في FP32 لضمان الدقة أثناء خطوات تحديث الأوزان. يمكنك التعامل مع نماذج أكبر أو أحجام دفعات أكبر ضمن نفس قيود الأجهزة.

لتطبيق التدريب بالدقة المختلطة، ستحتاج إلى تعديل سكربتات التدريب الخاصة بك والتأكد من أن أجهزتك (مثل GPUs) تدعم ذلك. تقدم العديد من أطر عمل التعلم العميق الحديثة، مثل PyTorch وTensorFlow، دعماً مدمجاً للدقة المختلطة.

يعد التدريب بالدقة المختلطة مباشراً عند العمل مع YOLO26. يمكنك استخدام علامة amp في إعدادات التدريب الخاصة بك. يؤدي ضبط amp=True إلى تمكين التدريب بالدقة المختلطة التلقائية (AMP). التدريب بالدقة المختلطة هو وسيلة بسيطة وفعالة لتحسين عملية تدريب نموذجك.

الأوزان المدربة مسبقاً

يعد استخدام الأوزان المدربة مسبقاً طريقة ذكية لتسريع عملية تدريب نموذجك. تأتي الأوزان المدربة مسبقاً من نماذج تم تدريبها بالفعل على مجموعات بيانات ضخمة، مما يمنح نموذجك بداية قوية. يقوم التعلم بنقل المعرفة بتكييف النماذج المدربة مسبقاً مع مهام جديدة ذات صلة. يتضمن الضبط الدقيق (Fine-tuning) لنموذج مدرب مسبقاً البدء بهذه الأوزان ثم متابعة التدريب على مجموعة بياناتك الخاصة. تؤدي طريقة التدريب هذه إلى أوقات تدريب أسرع وغالباً أداء أفضل لأن النموذج يبدأ بفهم صلب للميزات الأساسية.

تجعل معلمة pretrained التعلم بنقل المعرفة سهلاً مع YOLO26. ضبط pretrained=True سيستخدم الأوزان المدربة مسبقاً الافتراضية، أو يمكنك تحديد مسار لنموذج مدرب مسبقاً مخصص. يؤدي استخدام الأوزان المدربة مسبقاً والتعلم بنقل المعرفة بفعالية إلى تعزيز قدرات نموذجك وتقليل تكاليف التدريب.

تقنيات أخرى يجب مراعاتها عند التعامل مع مجموعة بيانات ضخمة

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

• مجدولات معدل التعلم: يؤدي تنفيذ مجدولات معدل التعلم إلى ضبط معدل التعلم ديناميكياً أثناء التدريب. يمكن لمعدل التعلم المضبوط جيداً منع النموذج من تجاوز القيم الدنيا وتحسين الاستقرار. عند تدريب YOLO26، تساعد معلمة lrf في إدارة جدولة معدل التعلم عن طريق ضبط معدل التعلم النهائي كجزء من المعدل الأولي.
• التدريب الموزع: للتعامل مع مجموعات البيانات الكبيرة، يمكن أن يكون التدريب الموزع نقطة تحول. يمكنك تقليل وقت التدريب عن طريق توزيع عبء العمل التدريبي عبر وحدات GPU أو أجهزة متعددة. هذا النهج ذو قيمة خاصة للمشاريع على مستوى المؤسسات ذات الموارد الحسابية الكبيرة.

عدد الحقبات (Epochs) للتدريب

عند تدريب نموذج، تشير الحقبة إلى تمريرة كاملة واحدة عبر مجموعة بيانات التدريب بأكملها. أثناء الحقبة، يعالج النموذج كل مثال في مجموعة التدريب مرة واحدة ويحدث معاملاته بناءً على خوارزمية التعلم. عادة ما تكون هناك حاجة إلى حقبات متعددة للسماح للنموذج بالتعلم وتحسين معاملاته بمرور الوقت.

سؤال شائع يطرح هو كيفية تحديد عدد الحقبات لتدريب النموذج. نقطة البداية الجيدة هي 300 حقبة. إذا بدأ النموذج في الإفراط في التخصيص (overfitting) مبكراً، يمكنك تقليل عدد الحقبات. إذا لم يحدث الإفراط في التخصيص بعد 300 حقبة، يمكنك تمديد التدريب إلى 600، أو 1200، أو أكثر من الحقبات.

ومع ذلك، يمكن أن يختلف العدد المثالي للحقبات بناءً على حجم مجموعة بياناتك وأهداف مشروعك. قد تتطلب مجموعات البيانات الأكبر عدداً أكبر من الحقبات لكي يتعلم النموذج بفعالية، بينما قد تحتاج مجموعات البيانات الأصغر إلى حقبات أقل لتجنب الإفراط في التخصيص. فيما يتعلق بـ YOLO26، يمكنك ضبط معلمة epochs في سكربت التدريب الخاص بك.

التوقف المبكر (Early Stopping)

يعد التوقف المبكر تقنية قيمة لتحسين تدريب النموذج. من خلال مراقبة أداء التحقق من الصحة، يمكنك إيقاف التدريب بمجرد توقف النموذج عن التحسن. يمكنك توفير الموارد الحسابية ومنع الإفراط في التخصيص.

تتضمن العملية ضبط معلمة الصبر (patience) التي تحدد عدد الحقبات التي يجب انتظارها للحصول على تحسن في مقاييس التحقق من الصحة قبل إيقاف التدريب. إذا لم يتحسن أداء النموذج خلال هذه الحقبات، يتم إيقاف التدريب لتجنب إضاعة الوقت والموارد.

بالنسبة لـ YOLO26، يمكنك تمكين التوقف المبكر عن طريق ضبط معلمة الصبر في إعدادات التدريب الخاصة بك. على سبيل المثال، تعني patience=5 أن التدريب سيتوقف إذا لم يكن هناك تحسن في مقاييس التحقق من الصحة لمدة 5 حقبات متتالية. يضمن استخدام هذه الطريقة بقاء عملية التدريب فعالة وتحقيق أداء أمثل دون حسابات مفرطة.

الاختيار بين التدريب السحابي والمحلي

هناك خياران لتدريب نموذجك: التدريب السحابي والتدريب المحلي.

يوفر التدريب السحابي قابلية التوسع وأجهزة قوية، وهو مثالي للتعامل مع مجموعات البيانات الكبيرة والنماذج المعقدة. توفر منصات مثل Google Cloud، وAWS، وAzure وصولاً عند الطلب إلى وحدات GPU وTPU عالية الأداء، مما يسرع أوقات التدريب ويتيح تجارب مع نماذج أكبر. ومع ذلك، يمكن أن يكون التدريب السحابي مكلفاً، خاصة لفترات طويلة، وقد تزيد عمليات نقل البيانات من التكاليف وزمن الوصول.

يوفر التدريب المحلي تحكماً وتخصيصاً أكبر، مما يتيح لك تكييف بيئتك مع احتياجات محددة وتجنب تكاليف السحابة المستمرة. يمكن أن يكون أكثر اقتصاداً للمشاريع طويلة الأجل، ولأن بياناتك تبقى محلياً (on-premises)، فهي أكثر أماناً. ومع ذلك، قد تكون للأجهزة المحلية قيود على الموارد وتتطلب صيانة، مما قد يؤدي إلى أوقات تدريب أطول للنماذج الكبيرة.

اختيار المحسّن (Optimizer)

المحسّن هو خوارزمية تعدل أوزان شبكتك العصبية لتقليل دالة الخسارة، التي تقيس مدى جودة أداء النموذج. بعبارات أبسط، يساعد المحسّن النموذج على التعلم من خلال تعديل معاملاته لتقليل الأخطاء. يؤثر اختيار المحسّن الصحيح بشكل مباشر على مدى سرعة ودقة تعلم النموذج.

يمكنك أيضاً ضبط معاملات المحسّن لتحسين أداء النموذج. يحدد ضبط معدل التعلم حجم الخطوات عند تحديث المعاملات. من أجل الاستقرار، قد تبدأ بمعدل تعلم معتدل وتقلله تدريجياً بمرور الوقت لتحسين التعلم على المدى الطويل. بالإضافة إلى ذلك، يحدد ضبط الزخم (momentum) مقدار التأثير الذي تحدثه التحديثات السابقة على التحديثات الحالية. القيمة الشائعة للزخم هي حوالي 0.9. وهي توفر عموماً توازناً جيداً.

المحسّنات الشائعة

للمحسّنات المختلفة نقاط قوة وضعف متنوعة. دعونا نلقي نظرة سريعة على بعض المحسّنات الشائعة.

• SGD (النزول المتدرج العشوائي - Stochastic Gradient Descent):

  • يحدث معاملات النموذج باستخدام تدرج دالة الخسارة بالنسبة للمعاملات.
  • بسيط وفعال ولكنه قد يكون بطيئاً في التقارب وقد يعلق في القيم الدنيا المحلية.

• Adam (تقدير اللحظة التكيفي - Adaptive Moment Estimation):

  • يجمع بين فوائد كل من SGD مع الزخم وRMSProp.
  • يعدل معدل التعلم لكل معامل بناءً على تقديرات اللحظتين الأولى والثانية للتدرجات.
  • مناسب تماماً للبيانات المزعجة والتدرجات المتفرقة.
  • فعال ويتطلب عموماً ضبطاً أقل، مما يجعله محسّناً موصى به لـ YOLO26.

• RMSProp (انتشار متوسط مربع الجذر - Root Mean Square Propagation):

  • يعدل معدل التعلم لكل معامل عن طريق قسمة التدرج على متوسط متحرك لمقادير التدرجات الأخيرة.
  • يساعد في التعامل مع مشكلة تلاشي التدرج وهو فعال لـ الشبكات العصبية المتكررة.

• MuSGD (هجين Muon + SGD):

  • يجمع بين تحديثات نمط SGD والسلوك المستوحى من Muon لتحسين الاستقرار في التدريب واسع النطاق.
  • خيار جيد عندما تريد تعميماً يشبه SGD ولكنك تحتاج إلى تقارب أكثر سلاسة من SGD العادي.
  • ذو صلة خاصة بوصفات تدريب YOLO26؛ إذا كنت غير متأكد، ابدأ بـ optimizer=auto وقارن ضد MuSGD على مجموعة بياناتك.

بالنسبة لـ YOLO26، تتيح لك معلمة optimizer الاختيار من بين العديد من المحسّنات، بما في ذلك SGD، وMuSGD، وAdam، وAdamW، وNAdam، وRAdam، وRMSProp، أو يمكنك ضبطه على auto للاختيار التلقائي بناءً على تكوين النموذج.

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

التواصل مع المجتمع

كونك جزءاً من مجتمع من عشاق رؤية الحاسوب يمكن أن يساعدك في حل المشكلات والتعلم بشكل أسرع. فيما يلي بعض الطرق للتواصل والحصول على المساعدة ومشاركة الأفكار.

موارد المجتمع

• مشكلات GitHub: تفضل بزيارة مستودع YOLO26 على GitHub واستخدم علامة التبويب Issues لطرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع والمشرفون نشطون للغاية ومستعدون للمساعدة.
• خادم Ultralytics Discord: انضم إلى خادم Ultralytics Discord للدردشة مع المستخدمين والمطورين الآخرين، والحصول على الدعم، ومشاركة تجاربك.

التوثيق الرسمي

• مستندات Ultralytics YOLO26: تحقق من مستندات YOLO26 الرسمية للحصول على أدلة مفصلة ونصائح مفيدة حول مشاريع الرؤية الحاسوبية المختلفة.

استخدام هذه الموارد سيساعدك في حل التحديات والبقاء على اطلاع بأحدث الاتجاهات والممارسات في مجتمع رؤية الحاسوب.

أهم النتائج

يتضمن تدريب نماذج الرؤية الحاسوبية اتباع ممارسات جيدة، وتحسين استراتيجياتك، وحل المشكلات عند ظهورها. يمكن لتقنيات مثل ضبط أحجام الدفعات، والتدريب بالدقة المختلطة، والبدء بأوزان مدربة مسبقاً أن تجعل نماذجك تعمل بشكل أفضل وتتدرب بشكل أسرع. تساعد طرق مثل التدريب على المجموعات الفرعية والتوقف المبكر في توفير الوقت والموارد. سيساعدك البقاء على اتصال بالمجتمع ومواكبة الاتجاهات الجديدة في الاستمرار في تحسين مهارات تدريب النموذج لديك.

الأسئلة الشائعة

كيف يمكنني تحسين استخدام GPU عند تدريب مجموعة بيانات كبيرة باستخدام Ultralytics YOLO؟

لتحسين استخدام GPU، قم بضبط معلمة batch_size في إعدادات التدريب الخاصة بك على أقصى حجم يدعمه GPU الخاص بك. يضمن هذا أنك تستفيد استفادة كاملة من قدرات GPU، مما يقلل وقت التدريب. إذا واجهت أخطاء في الذاكرة، فقم بتقليل حجم الدفعة تدريجياً حتى يعمل التدريب بسلاسة. بالنسبة لـ YOLO26، سيؤدي ضبط batch=-1 في سكربت التدريب الخاص بك إلى تحديد حجم الدفعة الأمثل للمعالجة الفعالة تلقائياً. لمزيد من المعلومات، راجع إعدادات التدريب.

ما هو التدريب بالدقة المختلطة، وكيف أقوم بتمكينه في YOLO26؟

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و32-بت (FP32) لموازنة سرعة الحساب والدقة. يسرع هذا النهج التدريب ويقلل استخدام الذاكرة دون التضحية بـ دقة النموذج. لتمكين التدريب بالدقة المختلطة في YOLO26، قم بضبط معلمة amp على True في إعدادات التدريب الخاصة بك. يؤدي هذا إلى تفعيل التدريب بالدقة المختلطة التلقائية (AMP). لمزيد من التفاصيل حول تقنية التحسين هذه، راجع إعدادات التدريب.

كيف يعزز التدريب متعدد المقاييس أداء نموذج YOLO26؟

يعزز التدريب متعدد المقاييس أداء النموذج من خلال التدريب على صور بأحجام متفاوتة، مما يسمح للنموذج بالتعميم بشكل أفضل عبر مقاييس ومسافات مختلفة. في YOLO26، يمكنك تمكين التدريب متعدد المقاييس عن طريق ضبط معلمة scale في إعدادات التدريب. على سبيل المثال، يقوم scale=0.5 بأخذ عينة معامل تكبير بين 0.5 و1.5، ثم يضيف حشواً/يقتص للعودة إلى imgsz. تحاكي هذه التقنية الكائنات على مسافات مختلفة، مما يجعل النموذج أكثر قوة عبر سيناريوهات متنوعة. للإعدادات ومزيد من التفاصيل، تحقق من إعدادات التدريب.

كيف يمكنني استخدام الأوزان المدربة مسبقاً لتسريع التدريب في YOLO26؟

يمكن أن يؤدي استخدام الأوزان المدربة مسبقاً إلى تسريع التدريب بشكل كبير وتعزيز دقة النموذج من خلال الاستفادة من نموذج على دراية بالفعل بالميزات البصرية الأساسية. في YOLO26، ببساطة قم بضبط معلمة pretrained على True أو قدم مساراً للأوزان المدربة مسبقاً المخصصة في إعدادات التدريب. تسمح هذه الطريقة، التي تسمى التعلم بنقل المعرفة، بتكييف النماذج المدربة على مجموعات بيانات ضخمة بشكل فعال مع تطبيقك المحدد. تعرف على المزيد حول كيفية استخدام الأوزان المدربة مسبقاً وفوائدها في دليل إعدادات التدريب.

ما هو العدد الموصى به من الحقبات لتدريب نموذج، وكيف أقوم بضبط ذلك في YOLO26؟

تشير عدد الحقبات إلى التمريرات الكاملة عبر مجموعة بيانات التدريب أثناء تدريب النموذج. نقطة البداية النموذجية هي 300 حقبة. إذا كان نموذجك يفرط في التخصيص مبكراً، يمكنك تقليل العدد. بدلاً من ذلك، إذا لم يلاحظ الإفراط في التخصيص، فقد تمدد التدريب إلى 600، أو 1200، أو أكثر من الحقبات. لضبط هذا في YOLO26، استخدم معلمة epochs في سكربت التدريب الخاص بك. للحصول على مشورة إضافية حول تحديد العدد المثالي للحقبات، راجع هذا القسم حول عدد الحقبات.