أفضل ممارسات وتلميحات تعلّم الآلة لتدريب النماذج#

مقدمة#

تُعدّ عملية تدريب النموذج من أهم الخطوات عند العمل على مشروع رؤية حاسوبية. وقبل الوصول إلى هذه الخطوة، تحتاج إلى تحديد أهدافك وجمع بياناتك ووسمها. وبعد معالجة البيانات مسبقًا للتأكد من نظافتها واتساقها، يمكنك الانتقال إلى تدريب نموذجك.

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

كيفية تدريب نموذج تعلّم الآلة#

يُدرَّب نموذج الرؤية الحاسوبية عبر ضبط معلماته الداخلية لتقليل الأخطاء. في البداية، يُزوَّد النموذج بمجموعة كبيرة من الصور الموسومة. ويُجري تنبؤات بشأن محتوى هذه الصور، ثم تُقارَن التنبؤات بالوسوم الفعلية أو المحتويات الفعلية لحساب الأخطاء. وتوضح هذه الأخطاء مدى ابتعاد تنبؤات النموذج عن القيم الحقيقية.

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

تجعل عملية التعلم هذه نموذج الرؤية الحاسوبية قادرًا على تنفيذ مهام متنوعة، بما في ذلك اكتشاف الكائنات وتقسيم المثيلات والتقسيم الدلالي وتصنيف الصور. والهدف النهائي هو إنشاء نموذج يمكنه تعميم ما تعلمه على صور جديدة لم يسبق له رؤيتها، بحيث يفهم البيانات المرئية بدقة في تطبيقات العالم الحقيقي.

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

التدريب على مجموعات بيانات كبيرة#

هناك 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، يُعدّ الاستخدام الفعّال لـ GPU أمرًا أساسيًا. ويُعدّ حجم الدفعة عاملًا مهمًا، وهو عدد عينات البيانات التي يعالجها نموذج تعلّم الآلة في تكرار تدريبي واحد. باستخدام أقصى حجم دفعة يدعمه GPU، يمكنك الاستفادة الكاملة من إمكاناته وتقليل الوقت الذي يستغرقه تدريب النموذج. ومع ذلك، ينبغي تجنب نفاد ذاكرة GPU. وإذا واجهت أخطاء في الذاكرة، فقلّل حجم الدفعة تدريجيًا حتى يُدرَّب النموذج بسلاسة.

فيما يتعلق بـ YOLO26، يمكنك ضبط المعلمة batch في وسائط وضع التدريب لتتوافق مع سعة GPU لديك. على مسرّع واحد، تُجري batch=-1 تعريفًا للنموذج وتختار حجم دفعة يستهدف استخدامًا للذاكرة يبلغ نحو 60%؛ وتستهدف قيمة كسرية مثل batch=0.70 نسبة مختلفة. وتتطلب عمليات التشغيل على عدة GPUs حجم دفعة عالميًا صريحًا يكون من مضاعفات عدد الأجهزة. وعلى CPU وApple silicon، تُصدر AutoBatch تحذيرًا وتعود إلى batch=16.

التدريب على مجموعة فرعية#

التدريب على مجموعة فرعية استراتيجية ذكية تتضمن تدريب نموذجك على مجموعة بيانات أصغر تمثل مجموعة البيانات الأكبر. ويمكن أن يوفر الوقت والموارد، لا سيما أثناء التطوير والاختبار الأوليين للنموذج. وإذا كنت تعاني ضيق الوقت أو تجرّب إعدادات مختلفة للنموذج، فإن التدريب على مجموعة فرعية خيار جيد.

عند استخدام YOLO26، يمكنك تنفيذ التدريب على مجموعة فرعية بسهولة باستخدام المعلمة fraction. استخدم نسبة مثل fraction=0.1 لتمثيل 10% من بيانات التدريب، أو عددًا صحيحًا مثل fraction=300 لتحديد 300 صورة تدريب بالضبط، أو قائمة [train, val, test] مثل fraction=[300, 100, 0] لتقييد كل تقسيم وتخطي صور الاختبار. وتُبقي القوائم ذات العنصرين مثل [300, 100] تقسيم الاختبار كاملًا. وتختار مجموعات بيانات NDJSON سجلات متباعدة بالتساوي قبل تنزيلها، لذا تعيد عمليات التشغيل المتكررة استخدام المجموعة الفرعية نفسها تمامًا. وتدعم هذه التقنية التكرارات والضبط السريعين قبل اعتماد مجموعة البيانات الكاملة.

التدريب متعدد المقاييس#

التدريب متعدد المقاييس تقنية تحسّن قدرة نموذجك على التعميم من خلال تدريبه على صور ذات أحجام مختلفة. ويمكن لنموذجك تعلم اكتشاف الكائنات على مقاييس ومسافات مختلفة وأن يصبح أكثر متانة.

على سبيل المثال، عند تدريب YOLO26، يمكنك تفعيل زيادة المقاييس بضبط المعلمة scale. وتضبط هذه المعلمة حجم صور التدريب بعامل محدد لمحاكاة الكائنات على مسافات مختلفة. فعلى سبيل المثال، يؤدي ضبط scale=0.5 إلى تكبير صور التدريب عشوائيًا بعامل يتراوح بين 0.5 و1.5 أثناء التدريب. ويتيح ضبط هذه المعلمة لنموذجك اختبار مجموعة متنوعة من مقاييس الصور وتحسين قدرات الكشف لديه عبر أحجام وسيناريوهات مختلفة للكائنات.

تدعم Ultralytics أيضًا التدريب متعدد المقاييس حسب حجم الصورة عبر المعلمة multi_scale. وعلى خلاف scale، التي تكبّر الصور ثم تضيف حشوًا أو تقتطعها لتعود إلى imgsz، تغيّر multi_scale قيمة imgsz نفسها في كل دفعة (مع التقريب إلى خطوة النموذج). فعلى سبيل المثال، مع imgsz=640 وmulti_scale=0.25، يُختار حجم التدريب من 480 إلى 800 بخطوات مقدارها خطوة النموذج (مثل 480 و512 و544 و... و800)، بينما تحافظ multi_scale=0.0 على حجم ثابت.

التخزين المؤقت#

يُعدّ التخزين المؤقت تقنية مهمة لتحسين كفاءة تدريب نماذج تعلّم الآلة. ومن خلال تخزين الصور المعالجة مسبقًا في الذاكرة، يقلل التخزين المؤقت الوقت الذي يقضيه GPU في انتظار تحميل البيانات من القرص. ويمكن للنموذج تلقي البيانات باستمرار دون تأخيرات ناجمة عن عمليات إدخال وإخراج القرص.

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

• cache=True: يخزّن صور مجموعة البيانات في RAM، موفرًا أسرع سرعة وصول، لكن على حساب زيادة استخدام الذاكرة.
• cache='disk': يخزّن الصور على القرص، وهو أبطأ من RAM لكنه أسرع من تحميل بيانات جديدة في كل مرة.
• cache=False: يعطّل التخزين المؤقت، معتمدًا بالكامل على إدخال وإخراج القرص، وهو الخيار الأبطأ.

التدريب بالدقة المختلطة#

يستخدم التدريب بالدقة المختلطة أنواع الأعداد العائمة ذات 16 بت (FP16) و32 بت (FP32) معًا. وتُستغل نقاط قوة كل من FP16 وFP32 باستخدام FP16 للحساب الأسرع وFP32 للحفاظ على الدقة عند الحاجة. تُنفَّذ معظم عمليات الشبكة العصبية باستخدام FP16 للاستفادة من سرعة الحساب الأعلى وانخفاض استخدام الذاكرة. ومع ذلك، تُحفظ نسخة رئيسية من أوزان النموذج باستخدام FP32 لضمان الدقة أثناء خطوات تحديث الأوزان. ويمكنك التعامل مع نماذج أكبر أو أحجام دفعات أكبر ضمن قيود الأجهزة نفسها.

لتنفيذ التدريب بالدقة المختلطة، ستحتاج إلى تعديل نصوص التدريب والتأكد من أن أجهزتك (مثل GPUs) تدعم ذلك. وتوفر العديد من أطر التعلم العميق الحديثة، مثل PyTorch وTensorFlow، دعمًا مدمجًا للدقة المختلطة.

يُعدّ التدريب بالدقة المختلطة مباشرًا عند العمل مع YOLO26: إذ تكون AMP مفعّلة افتراضيًا (amp=True). وعلى GPU يعمل بنظام CUDA، يجري YOLO فحصًا لمرة واحدة للقدرات عند بدء التدريب ويعود إلى FP32 الكامل إذا فشل الفحص؛ أما على CPU وApple silicon، فتُتخطى AMP بالكامل. اضبط amp=False لفرض استخدام FP32.

الأوزان المدرّبة مسبقًا#

يُعدّ استخدام الأوزان المدربة مسبقًا طريقة ذكية لتسريع عملية تدريب نموذجك. وتأتي هذه الأوزان من نماذج دُرّبت مسبقًا على مجموعات بيانات كبيرة، ما يمنح نموذجك نقطة انطلاق متقدمة. ويكيّف التعلم بالنقل النماذج المدربة مسبقًا مع مهام جديدة ذات صلة. ويتضمن الضبط الدقيق لنموذج مدرب مسبقًا البدء بهذه الأوزان ثم مواصلة التدريب على مجموعة بياناتك المحددة. وتؤدي طريقة التدريب هذه إلى أوقات تدريب أسرع وأداء أفضل غالبًا، لأن النموذج يبدأ بفهم راسخ للسمات الأساسية.

تأتي الأوزان المدربة مسبقًا من الوسيطة model، لذا يبدأ model=yolo26n.pt بالفعل من 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 ضبط pretrained=True على نموذج *.yaml إلى جلب الأوزان تلقائيًا. راجع كيفية إجراء الضبط الدقيق لـ YOLO على مجموعة بيانات مخصصة للاطلاع على سير عمل التعلم بالنقل الكامل.

تقنيات أخرى ينبغي مراعاتها عند التعامل مع مجموعة بيانات كبيرة#

هناك تقنيتان أخريان ينبغي مراعاتهما عند التعامل مع مجموعة بيانات كبيرة:

• جداول معدل التعلم: يؤدي تطبيق جداول معدل التعلم إلى ضبط معدل التعلم ديناميكيًا أثناء التدريب. ويمكن لمعدل تعلم مضبوط جيدًا أن يمنع النموذج من تجاوز نقاط الحد الأدنى ويحسن الاستقرار. عند تدريب YOLO26، تساعد المعلمة lrf في إدارة جدولة معدل التعلم من خلال ضبط معدل التعلم النهائي بوصفه كسرًا من المعدل الأولي. وللسلوكيات التي لا تكشف عنها أي وسيطة، مثل معدلات التعلم لكل طبقة أو قص التدرج، أنشئ فئة فرعية من المدرب.
• التدريب الموزع: يمكن أن يكون التدريب الموزع عاملًا حاسمًا عند التعامل مع مجموعات بيانات كبيرة. إذ يمكنك تقليل وقت التدريب من خلال توزيع عبء التدريب على عدة GPUs أو أجهزة. ويكتسب هذا النهج قيمة خاصة في المشاريع واسعة النطاق للمؤسسات ذات الموارد الحاسوبية الكبيرة.
• تنسيق الذاكرة ذو القنوات الأخيرة (Channels-last): يستخدم التدريب عبر CUDA تلقائياً تخطيط الذاكرة NHWC الأسرع في PyTorch 1.11 والأحدث، باستثناء نظام Windows حيث سُجل أداء أبطأ. قم بتعيين channels_last=True لفرض ذلك أو channels_last=False للإبقاء على NCHW؛ بينما تظل إصدارات PyTorch 1.10 والأقدم، ووحدة المعالجة المركزية (CPU)، وMPS على تنسيق NCHW افتراضياً.

عدد العصور التدريبية#

عند تدريب نموذج، تشير العصر التدريبي إلى مرور كامل واحد عبر مجموعة بيانات التدريب بأكملها. وخلال العصر التدريبي، يعالج النموذج كل مثال في مجموعة التدريب مرة واحدة ويحدّث معلماته استنادًا إلى خوارزمية التعلم. وعادةً ما تكون هناك حاجة إلى عصور تدريبية متعددة للسماح للنموذج بتعلم معلماته وتحسينها بمرور الوقت.

من الأسئلة الشائعة كيفية تحديد عدد العصور التدريبية اللازمة لتدريب النموذج. وتُعدّ 300 عصر تدريبي نقطة بداية جيدة. وإذا أفرط النموذج في التخصيص مبكرًا، يمكنك تقليل عدد العصور التدريبية. وإذا لم يحدث الإفراط في التخصيص بعد 300 عصر تدريبي، فيمكنك تمديد التدريب إلى 600 أو 1200 عصر تدريبي أو أكثر.

ومع ذلك، قد يختلف العدد المثالي للعصور التدريبية بناءً على حجم مجموعة بياناتك وأهداف مشروعك. فقد تتطلب مجموعات البيانات الأكبر عددًا أكبر من العصور التدريبية ليتعلم النموذج بفاعلية، بينما قد تحتاج مجموعات البيانات الأصغر إلى عدد أقل لتجنب الإفراط في التخصيص. وفيما يتعلق بـ YOLO26، يمكنك ضبط المعلمة epochs في نص التدريب.

الإيقاف المبكر#

الإيقاف المبكر تقنية قيّمة لتحسين تدريب النموذج. فمن خلال مراقبة أداء التحقق، يمكنك إيقاف التدريب بمجرد توقف النموذج عن التحسن. ويمكنك بذلك توفير الموارد الحاسوبية ومنع الإفراط في التخصيص.

تتضمن العملية ضبط معلمة الصبر التي تحدد عدد العصور التدريبية التي ينبغي انتظارها لتحسن مقاييس التحقق قبل إيقاف التدريب. وإذا لم يتحسن أداء النموذج خلال هذه العصور التدريبية، يُوقَف التدريب لتجنب إهدار الوقت والموارد.

بالنسبة إلى YOLO26، يمكنك تفعيل الإيقاف المبكر بضبط معلمة الصبر في إعدادات التدريب. فعلى سبيل المثال، تعني patience=5 أن التدريب سيتوقف إذا لم يحدث تحسن في مقاييس التحقق لمدة 5 عصور تدريبية متتالية. ويضمن استخدام هذه الطريقة بقاء عملية التدريب فعّالة وتحقيق الأداء الأمثل 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. وتوفر منصات مثل Google Cloud وAWS وAzure وصولًا عند الطلب إلى GPUs وTPUs عالية الأداء، ما يسرّع أوقات التدريب ويتيح إجراء تجارب باستخدام نماذج أكبر. ومع ذلك، قد يكون التدريب السحابي مكلفًا، لا سيما لفترات طويلة، كما يمكن أن يؤدي نقل البيانات إلى زيادة التكاليف ووقت الاستجابة.

يوفر التدريب المحلي تحكمًا وتخصيصًا أكبر، إذ يتيح لك تهيئة بيئتك لتلبية احتياجات محددة وتجنب التكاليف السحابية المستمرة. وقد يكون أكثر اقتصادية للمشاريع طويلة الأجل، وبما أن بياناتك تبقى داخل مقرّك، فهو أكثر أمانًا. ومع ذلك، قد تفرض الأجهزة المحلية قيودًا على الموارد وتتطلب صيانة، ما قد يؤدي إلى أوقات تدريب أطول للنماذج الكبيرة.

اختيار المُحسِّن#

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

يمكنك أيضًا ضبط معلمات المُحسِّن بدقة لتحسين أداء النموذج. ويحدد ضبط معدل التعلم حجم الخطوات عند تحديث المعلمات. ولتحقيق الاستقرار، قد تبدأ بمعدل تعلم متوسط ثم تخفضه تدريجيًا بمرور الوقت لتحسين التعلم طويل الأجل. بالإضافة إلى ذلك، يحدد ضبط الزخم مقدار تأثير التحديثات السابقة في التحديثات الحالية. وتبلغ القيمة الشائعة للزخم نحو 0.9، وهي توفر عمومًا توازنًا جيدًا.

المُحسِّنات الشائعة#

تتمتع المُحسِّنات المختلفة بنقاط قوة وضعف متنوعة. 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 الحد الأدنى المحلية.

• Adam (تقدير العزوم التكيفي):

  • يجمع بين فوائد SGD مع الزخم وRMSProp.
  • يضبط معدل التعلم لكل معلمة استنادًا إلى تقديرات العزمين الأول والثاني للتدرجات.
  • ملائم للبيانات المشوشة والتدرجات المتناثرة.
  • فعّال ويتطلب ضبطًا أقل عمومًا. وبالنسبة إلى عمليات التدريب الأقصر، يختار optimizer=auto في YOLO26، AdamW المرتبط ارتباطًا وثيقًا بدلًا من Adam نفسه.

• RMSProp (انتشار متوسط الجذر التربيعي):

  • يضبط معدل التعلم لكل معلمة من خلال قسمة التدرج على متوسط جارٍ لمقادير التدرجات الحديثة.
  • يساعد في معالجة مشكلة تلاشي التدرج، وهو فعّال مع الشبكات العصبية المتكررة.

• MuSGD (هجين Muon وSGD):

  • يجمع بين تحديثات على نمط 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.
  • وهو ملائم خصوصًا لـوصفات تدريب YOLO26؛ وإذا لم تكن متأكدًا، فابدأ بـ optimizer=auto وقارنه بـ MuSGD على مجموعة بياناتك.

بالنسبة إلى YOLO26، تتيح لك المعلمة optimizer الاختيار من بين مُحسِّنات متنوعة، بما في ذلك SGD وMuSGD وAdam وAdamax وAdamW وNAdam وRAdam وRMSProp، أو يمكنك ضبطها على auto للاختيار التلقائي استنادًا إلى عدد التكرارات التدريبية.

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 طرق التواصل وطلب المساعدة ومشاركة الأفكار.

موارد المجتمع#

• مشكلات GitHub: زُر مستودع YOLO26 على GitHub واستخدم علامة تبويب Issues لطرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. فالمجتمع والمشرفون على الصيانة نشطون جدًا ومستعدون للمساعدة.
• خادم Ultralytics على Discord: انضم إلى خادم Ultralytics على Discord للدردشة مع المستخدمين والمطورين الآخرين، والحصول على الدعم، ومشاركة تجاربك.

التوثيق الرسمي#

• وثائق Ultralytics YOLO26: اطّلع على الوثائق الرسمية لـ YOLO26 للحصول على أدلة مفصلة وتلميحات مفيدة حول مشاريع الرؤية الحاسوبية المختلفة.

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

أهم الاستنتاجات#

يتطلب تدريب نماذج الرؤية الحاسوبية اتباع ممارسات جيدة وتحسين استراتيجياتك وحل المشكلات عند ظهورها. ويمكن لتقنيات مثل ضبط أحجام الدفعات، والتدريب بالدقة المختلطة، والبدء بأوزان مدربة مسبقًا أن تجعل نماذجك تعمل بصورة أفضل وتتدرب بسرعة أكبر. وتساعد أساليب مثل التدريب على مجموعة فرعية والإيقاف المبكر على توفير الوقت والموارد. كما سيساعدك البقاء على تواصل مع المجتمع ومتابعة الاتجاهات الجديدة على مواصلة تحسين مهاراتك في تدريب النماذج.

الأسئلة الشائعة#