أفضل الممارسات والنصائح للتعلّم الآلي وتدريب النماذج#

مقدمة#

من أهم الخطوات عند العمل على مشروع رؤية حاسوبية تدريب النموذج. وقبل الوصول إلى هذه الخطوة، عليك تحديد أهدافك وجمع بياناتك والتعليق عليها. وبعد معالجة البيانات مسبقًا للتأكد من نظافتها واتساقها، يمكنك الانتقال إلى تدريب النموذج.

تدريب النموذج هو عملية تعليم النموذج التعرّف على الأنماط المرئية وإجراء التنبؤات انطلاقًا من بياناتك، وهو يؤثر مباشرةً في دقة تطبيقك. يستعرض هذا الدليل أفضل الممارسات وتقنيات التحسين ونصائح استكشاف الأخطاء وإصلاحها لمساعدتك على تدريب نماذج الرؤية الحاسوبية بفاعلية.

كيفية تدريب نموذج تعلّم آلي#

يُدرَّب نموذج الرؤية الحاسوبية بتعديل معلماته الداخلية لتقليل الأخطاء. في البداية، يُزوَّد النموذج بمجموعة كبيرة من الصور المصنّفة. ثم يتنبأ بمحتوى هذه الصور، وتُقارَن تنبؤاته بالتسميات أو المحتويات الفعلية لحساب الأخطاء. وتوضح هذه الأخطاء مدى ابتعاد تنبؤات النموذج عن القيم الصحيحة.

أثناء التدريب، يجري النموذج تنبؤات تكرارية، ويحسب الأخطاء، ويحدّث معلماته عبر عملية تُسمى الانتشار العكسي. وفي هذه العملية، يعدّل النموذج معلماته الداخلية (الأوزان والانحيازات) لتقليل الأخطاء. ومن خلال تكرار هذه الدورة مرات عديدة، تتحسن دقته تدريجيًا. ومع مرور الوقت، يتعلم التعرّف على الأنماط المعقدة مثل الأشكال والألوان والأنسجة.

تتيح عملية التعلم هذه لنموذج الرؤية الحاسوبية تنفيذ مهام متعددة، منها اكتشاف الأجسام وتجزئة المثيلات والتجزئة الدلالية وتصنيف الصور. والهدف النهائي هو إنشاء نموذج يعمم ما تعلمه على صور جديدة لم يسبق له رؤيتها، بحيث يتمكن من فهم البيانات المرئية بدقة في التطبيقات الواقعية.

بعد أن عرفنا ما يحدث خلف الكواليس عند تدريب نموذج، فلنلقِ نظرة على النقاط التي ينبغي مراعاتها أثناء تدريب النموذج.

التدريب على مجموعات بيانات كبيرة#

ثمة جوانب مختلفة ينبغي التفكير فيها عند التخطيط لاستخدام مجموعة بيانات كبيرة لتدريب نموذج. فعلى سبيل المثال، يمكنك ضبط حجم الدفعة، والتحكم في استخدام GPU، واختيار التدريب متعدد المقاييس، وغير ذلك. لنستعرض كل خيار من هذه الخيارات بالتفصيل.

حجم الدفعة واستخدام GPU#

عند تدريب النماذج على مجموعات بيانات كبيرة، يُعد الاستخدام الفعال لـ GPU أمرًا أساسيًا. وحجم الدفعة عامل مهم، فهو عدد عينات البيانات التي يعالجها نموذج التعلّم الآلي في تكرار تدريبي واحد. وباستخدام أكبر حجم دفعة يدعمه GPU، يمكنك الاستفادة الكاملة من إمكاناته وتقليل مدة تدريب النموذج. لكن ينبغي تجنب نفاد ذاكرة GPU. وإذا واجهت أخطاء في الذاكرة، فقلّل حجم الدفعة تدريجيًا إلى أن يعمل التدريب بسلاسة.

بالنسبة إلى YOLO26، يمكنك ضبط المعلمة batch في وسيطات وضع التدريب لتلائم سعة GPU لديك. وعلى مسرّع واحد، يحدّد batch=-1 خصائص النموذج ويختار حجم دفعة يستهدف استخدام نحو 60% من الذاكرة؛ وتستهدف قيمة كسرية مثل batch=0.70 نسبة مختلفة. وتتطلب عمليات التشغيل متعددة وحدات GPU حجم دفعة إجماليًا صريحًا يكون من مضاعفات عدد الأجهزة. وعلى CPU وشرائح Apple، يصدر AutoBatch تحذيرًا ويعود إلى batch=16.

التدريب على مجموعة فرعية#

التدريب على مجموعة فرعية استراتيجية فعالة تتضمن تدريب النموذج على مجموعة بيانات أصغر تمثل مجموعة البيانات الأكبر. ويمكن أن يوفر الوقت والموارد، لا سيما في المراحل الأولى من تطوير النموذج واختباره. وإذا كان وقتك محدودًا أو كنت تجرّب إعدادات مختلفة للنموذج، فالتدريب على مجموعة فرعية خيار مناسب.

في YOLO26، يمكنك تطبيق التدريب على مجموعة فرعية بسهولة باستخدام المعلمة fraction. استخدم نسبة مثل fraction=0.1 لاختيار 10% من بيانات التدريب، أو عددًا صحيحًا مثل fraction=300 لاختيار 300 صورة تدريب بالضبط، أو قائمة [train, val, test] مثل fraction=[300, 100, 0] لتحديد كل قسم وتخطي صور الاختبار. وتُبقي القوائم ذات العنصرين مثل [300, 100] قسم الاختبار كاملًا. وتختار مجموعات بيانات NDJSON سجلات متباعدة بالتساوي قبل تنزيلها، لذا تعيد عمليات التشغيل المتكررة استخدام المجموعة الفرعية نفسها تمامًا. وتتيح هذه التقنية تكرارات سريعة وضبطًا دقيقًا قبل اعتماد مجموعة البيانات كاملةً.

التدريب متعدد المقاييس#

التدريب متعدد المقاييس تقنية تحسّن قدرة النموذج على التعميم عبر تدريبه على صور بأحجام مختلفة. ويمكن للنموذج أن يتعلم اكتشاف الأجسام بمقاييس ومسافات مختلفة وأن يصبح أكثر متانة.

على سبيل المثال، عند تدريب YOLO26، يمكنك تفعيل زيادة المقياس بضبط المعلمة scale. وتعدّل هذه المعلمة حجم صور التدريب بعامل محدد، لمحاكاة وجود الأجسام على مسافات مختلفة. فعلى سبيل المثال، يؤدي تعيين scale=0.5 إلى تكبير صور التدريب أو تصغيرها عشوائيًا بعامل يتراوح بين 0.5 و1.5 أثناء التدريب. ويسمح ضبط هذه المعلمة للنموذج بالتعامل مع مجموعة متنوعة من مقاييس الصور وتحسين قدراته على الاكتشاف عبر أحجام الأجسام والسيناريوهات المختلفة.

تدعم Ultralytics أيضًا التدريب متعدد المقاييس بحجم الصورة عبر المعلمة multi_scale. وعلى خلاف scale، التي تكبّر الصور ثم تضيف إليها الحشو أو تقصّها لتعود إلى imgsz، تغيّر multi_scale قيمة imgsz نفسها مع كل دفعة (مع تقريبها إلى أقرب قيمة توافق خطوة النموذج). فعلى سبيل المثال، مع imgsz=640 وmulti_scale=0.25، يُختار حجم التدريب عشوائيًا من 480 إلى 800 بخطوات توافق خطوة النموذج (مثل 480 و512 و544 و... و800)، بينما يحافظ multi_scale=0.0 على حجم ثابت.

التخزين المؤقت#

التخزين المؤقت تقنية مهمة لتحسين كفاءة تدريب نماذج التعلّم الآلي. فبتخزين الصور المعالجة مسبقًا في الذاكرة، يقلّل التخزين المؤقت الوقت الذي يقضيه GPU في انتظار تحميل البيانات من القرص. ويمكن للنموذج تلقي البيانات باستمرار من دون تأخير تسببه عمليات الإدخال والإخراج للقرص.

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

• cache=True: يخزّن صور مجموعة البيانات في RAM، ما يوفر أسرع وصول إليها مقابل زيادة استخدام الذاكرة.
• cache='disk': يخزّن الصور على القرص، وهو أبطأ من RAM لكنه أسرع من تحميل البيانات من جديد في كل مرة.
• cache=False: يعطّل التخزين المؤقت ويعتمد بالكامل على عمليات الإدخال والإخراج للقرص، وهو الخيار الأبطأ.

التدريب بدقة مختلطة#

يستخدم التدريب بدقة مختلطة أنواع الأعداد العشرية ذات 16 بت (FP16) و32 بت (FP32). ويستفيد من مزايا FP16 وFP32 معًا، إذ يستخدم FP16 لتسريع الحسابات وFP32 للحفاظ على الدقة عند الحاجة. وتُنفّذ معظم عمليات الشبكة العصبية باستخدام FP16 للاستفادة من سرعة الحساب وانخفاض استخدام الذاكرة. ومع ذلك، تُحفَظ نسخة رئيسية من أوزان النموذج بدقة FP32 لضمان الدقة أثناء تحديث الأوزان. وهذا يتيح لك التعامل مع نماذج أكبر أو أحجام دفعات أكبر ضمن قيود الأجهزة نفسها.

لتطبيق التدريب بدقة مختلطة، عليك تعديل نصوص التدريب والتأكد من أن أجهزتك (مثل وحدات GPU) تدعمه. وتوفر أطر عمل التعلّم العميق الحديثة العديدة، مثل PyTorch وTensorFlow، دعمًا مضمّنًا للدقة المختلطة.

يُعد التدريب بدقة مختلطة مباشرًا عند استخدام YOLO26: إذ يكون AMP مفعّلًا افتراضيًا بالفعل (amp=True). وعلى GPU يعمل بـ CUDA، يجري YOLO فحصًا لمرة واحدة للقدرات عند بدء التدريب، ويعود إلى FP32 الكامل إذا فشل الفحص؛ أما على CPU وشرائح Apple فيُتخطى AMP بالكامل. عيّن amp=False لفرض استخدام FP32.

الأوزان المدرّبة مسبقاً#

يُعد استخدام الأوزان المدرّبة مسبقًا طريقة فعالة لتسريع تدريب النموذج. وتأتي هذه الأوزان من نماذج سبق تدريبها على مجموعات بيانات كبيرة، ما يمنح نموذجك نقطة انطلاق متقدمة. ويكيّف التعلّم بالنقل النماذج المدرّبة مسبقًا مع مهام جديدة ذات صلة. ويتضمن الضبط الدقيق لنموذج مدرّب مسبقًا البدء بهذه الأوزان ثم مواصلة التدريب على مجموعة بياناتك الخاصة. وتؤدي طريقة التدريب هذه إلى تقليل مدة التدريب وتحسين الأداء في كثير من الأحيان، لأن النموذج يبدأ بفهم متين للسمات الأساسية.

تأتي الأوزان المدرّبة مسبقًا من الوسيطة model، لذا يبدأ model=yolo26n.pt بالفعل باستخدام أوزان COCO. وتتحكم المعلمة pretrained في الاحتفاظ بهذه الأوزان (True، وهو الإعداد الافتراضي)، أو التخلص منها (False)، أو استبدالها بنقطة تحقق أخرى (pretrained=path/to/best.pt). ولا يؤدي تعيين pretrained=True لنموذج *.yaml إلى جلب الأوزان تلقائيًا. راجع كيفية ضبط YOLO بدقة على مجموعة بيانات مخصصة للاطلاع على سير العمل الكامل للتعلّم بالنقل.

تقنيات أخرى ينبغي مراعاتها عند التعامل مع مجموعة بيانات كبيرة#

ثمة تقنيتان أخريان يجدر التفكير فيهما عند التعامل مع مجموعة بيانات كبيرة:

• مجدولات معدل التعلّم: يتيح تطبيق مجدولات معدل التعلّم ضبط معدل التعلّم ديناميكيًا أثناء التدريب. ويمكن لمعدل تعلّم مضبوط جيدًا أن يمنع النموذج من تجاوز نقاط الحد الأدنى ويحسّن الاستقرار. وعند تدريب YOLO26، تساعد المعلمة lrf على إدارة جدولة معدل التعلّم عبر تعيين معدل التعلّم النهائي ككسر من المعدل الأولي. وللتحكم في سلوك لا تتيحه أي وسيطة، مثل معدلات التعلّم لكل طبقة أو قصّ التدرّج، أنشئ فئة فرعية من المدرّب.
• التدريب الموزّع: قد يشكّل التدريب الموزّع نقلة نوعية عند التعامل مع مجموعات بيانات كبيرة. ويمكنك تقليل مدة التدريب بتوزيع عبء العمل على وحدات GPU أو أجهزة متعددة. ويكتسب هذا النهج أهمية خاصة في المشاريع واسعة النطاق للمؤسسات التي تتوفر لها موارد حوسبة كبيرة.
• تنسيق الذاكرة بترتيب القنوات أخيرًا: يستخدم التدريب باستخدام CUDA تلقائيًا تخطيط الذاكرة NHWC الأسرع في PyTorch 1.11 والإصدارات الأحدث، باستثناء Windows حيث أظهرت القياسات أنه أبطأ. عيّن channels_last=True لفرض استخدامه أو channels_last=False للإبقاء على NCHW؛ أما PyTorch 1.10 والإصدارات الأقدم وCPU وMPS، فيظل NCHW هو الإعداد الافتراضي.

عدد حقب التدريب#

عند تدريب نموذج، تشير الحقبة إلى مرور كامل واحد على مجموعة بيانات التدريب بأكملها. وخلال الحقبة، يعالج النموذج كل مثال في مجموعة التدريب مرة واحدة ويحدّث معلماته استنادًا إلى خوارزمية التعلّم. وعادةً ما تلزم حقب متعددة كي يتعلم النموذج ويصقل معلماته بمرور الوقت.

من الأسئلة الشائعة كيفية تحديد عدد الحقب التي ينبغي تدريب النموذج خلالها. وتُعدّ 300 حقبة نقطة بداية جيدة. إذا أفرط النموذج في التخصيص مبكرًا، يمكنك تقليل عدد الحقب. وإذا لم يحدث فرط التخصيص بعد 300 حقبة، يمكنك تمديد التدريب إلى 600 أو 1200 حقبة أو أكثر.

ومع ذلك، قد يختلف العدد المثالي للحقب بحسب حجم مجموعة بياناتك وأهداف المشروع. فقد تتطلب مجموعات البيانات الأكبر عددًا أكبر من الحقب كي يتعلم النموذج بفاعلية، بينما قد تحتاج مجموعات البيانات الأصغر إلى عدد أقل لتجنب فرط التخصيص. وبالنسبة إلى YOLO26، يمكنك ضبط المعلمة epochs في نص التدريب.

الإيقاف المبكر#

الإيقاف المبكر تقنية مفيدة لتحسين تدريب النموذج. فمن خلال مراقبة الأداء على بيانات التحقق، يمكنك إيقاف التدريب عندما يتوقف النموذج عن التحسن. وبذلك يمكنك توفير موارد الحوسبة ومنع فرط التخصيص.

تتضمن العملية تعيين معلمة للصبر تحدد عدد الحقب التي ينبغي انتظارها لرصد تحسن في مقاييس التحقق قبل إيقاف التدريب. وإذا لم يتحسن أداء النموذج خلال هذه الحقب، يُوقَف التدريب لتجنب إهدار الوقت والموارد.

في YOLO26، يمكنك تفعيل الإيقاف المبكر بتعيين معلمة الصبر في إعدادات التدريب. فعلى سبيل المثال، تعني patience=5 أن التدريب سيتوقف إذا لم يحدث تحسن في مقاييس التحقق خلال 5 حقب متتالية. ويضمن استخدام هذه الطريقة كفاءة عملية التدريب وتحقيق الأداء الأمثل من دون حسابات مفرطة.

الاختيار بين التدريب السحابي والمحلي#

يتوفر خياران لتدريب النموذج: 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 إمكانية الوصول عند الطلب إلى وحدات GPU ووحدات TPU عالية الأداء، ما يسرّع أوقات التدريب ويتيح إجراء تجارب على نماذج أكبر. ومع ذلك، قد يكون التدريب السحابي مكلفًا، لا سيما لفترات طويلة، كما يمكن أن يؤدي نقل البيانات إلى زيادة التكاليف وزمن الاستجابة.

يوفر التدريب المحلي تحكمًا وتخصيصًا أكبر، إذ يتيح لك تهيئة بيئتك وفقًا لاحتياجات محددة وتجنب التكاليف السحابية المستمرة. وقد يكون أوفر للمشروعات طويلة الأمد، كما أن بقاء بياناتك داخل المؤسسة يجعله أكثر أمانًا. ومع ذلك، قد تكون موارد الأجهزة المحلية محدودة وقد تتطلب صيانة، ما قد يؤدي إلى إطالة أوقات تدريب النماذج الكبيرة.

اختيار المُحسِّن#

المُحسِّن خوارزمية تضبط أوزان شبكتك العصبية لتقليل دالة الخسارة، التي تقيس مدى جودة أداء النموذج. وبعبارة أبسط، يساعد المُحسِّن النموذج على التعلم عبر تعديل معلماته لتقليل الأخطاء. ويؤثر اختيار المُحسِّن المناسب مباشرةً في سرعة تعلم النموذج ودقته.

يمكنك أيضًا ضبط معلمات المُحسِّن لتحسين أداء النموذج. يحدد تعديل معدل التعلم حجم الخطوات عند تحديث المعلمات. ولتحقيق الاستقرار، يمكنك البدء بمعدل تعلم متوسط وخفضه تدريجيًا بمرور الوقت لتحسين التعلم على المدى الطويل. بالإضافة إلى ذلك، يحدد ضبط الزخم مدى تأثير التحديثات السابقة في التحديثات الحالية. وتبلغ القيمة الشائعة للزخم نحو 0.9، وهي تحقق عمومًا توازنًا جيدًا.

المُحسِّنات الشائعة#

لكل مُحسِّن نقاط قوة وضعف مختلفة. لنلقِ نظرة سريعة على بعض المُحسِّنات الشائعة.

• SGD (الانحدار المتدرج العشوائي):

  • يحدّث معلمات النموذج باستخدام تدرج دالة الخسارة بالنسبة إلى المعلمات.
  • بسيط وفعّال، لكنه قد يتقارب ببطء وقد يعلق في نقاط دنيا محلية.

• Adam (تقدير العزم التكيفي):

  • يجمع مزايا كل من SGD مع الزخم وRMSProp.
  • يضبط معدل التعلم لكل معلمة بناءً على تقديرات العزمين الأول والثاني للتدرجات.
  • مناسب تمامًا للبيانات المشوشة والتدرجات المتناثرة.
  • فعّال ويتطلب عمومًا ضبطًا أقل. في جولات التدريب الأقصر، يختار optimizer=auto في YOLO26 الخيار AdamW وثيق الصلة بدلًا من Adam نفسه.

• RMSProp (انتشار متوسط المربعات الجذرية):

  • يضبط معدل التعلم لكل معلمة بقسمة التدرج على متوسط متحرك لمقادير التدرجات الحديثة.
  • يساعد على معالجة مشكلة تلاشي التدرج، وهو فعّال مع الشبكات العصبية المتكررة.

• MuSGD (مزيج Muon وSGD):

  • يجمع بين التحديثات بأسلوب SGD وسلوك مستوحى من Muon لتحسين الاستقرار في التدريب واسع النطاق.
  • خيار جيد عندما تريد تعميمًا شبيهًا بـ SGD، لكنك تحتاج إلى تقارب أكثر سلاسة من SGD التقليدي.
  • له أهمية خاصة في وصفات تدريب YOLO26؛ وإذا لم تكن متأكدًا، فابدأ باستخدام optimizer=auto وقارنه بـ MuSGD على مجموعة بياناتك.

في YOLO26، تتيح لك المعلمة optimizer الاختيار من بين مُحسِّنات متعددة، منها SGD وMuSGD وAdam وAdamax وAdamW وNAdam وRAdam وRMSProp، أو يمكنك ضبطها على auto للاختيار تلقائيًا بناءً على عدد تكرارات التدريب.

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

التواصل مع المجتمع#

يمكن أن تساعدك المشاركة في مجتمع من المهتمين بالرؤية الحاسوبية على حل المشكلات والتعلم بسرعة أكبر. إليك بعض الطرق للتواصل وطلب 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. يتميز المجتمع والقائمون على الصيانة بنشاطهم واستعدادهم للمساعدة.
• خادم Ultralytics على Discord: انضم إلى خادم Ultralytics على Discord للدردشة مع المستخدمين والمطورين الآخرين، والحصول على الدعم، ومشاركة تجاربك.

الوثائق الرسمية#

• وثائق Ultralytics YOLO26: راجع الوثائق الرسمية لـ YOLO26 للاطلاع على أدلة مفصلة ونصائح مفيدة بشأن مشروعات الرؤية الحاسوبية المختلفة.

سيساعدك استخدام هذه الموارد على حل التحديات ومواكبة أحدث الاتجاهات والممارسات في مجتمع الرؤية الحاسوبية.

أهم النتائج#

يتطلب تدريب نماذج الرؤية الحاسوبية اتباع ممارسات جيدة وتحسين الاستراتيجيات وحل المشكلات عند ظهورها. ويمكن لتقنيات مثل ضبط أحجام الدُفعات والتدريب بدقة مختلطة والبدء بأوزان مدرّبة مسبقًا أن تحسّن أداء نماذجك وتسرّع تدريبها. وتساعدك أساليب مثل التدريب على مجموعة فرعية والإيقاف المبكر على توفير الوقت والموارد. كما أن التواصل مع المجتمع ومواكبة الاتجاهات الجديدة يساعدانك على مواصلة تطوير مهاراتك في تدريب النماذج.

الأسئلة الشائعة#