أفضل الممارسات والنصائح في تعلم الآلة لتدريب النماذج

مقدمة

تُعد إحدى أهم الخطوات عند العمل على مشروع رؤية حاسوبية هي تدريب النموذج. قبل الوصول إلى هذه الخطوة، تحتاج إلى تحديد أهدافك وجمع بياناتك وتصنيفها. بعد معالجة البيانات مسبقًا للتأكد من أنها نظيفة ومتسقة، يمكنك الانتقال إلى تدريب نموذجك.

إذًا، ما هو تدريب النموذج؟ تدريب النموذج هو عملية تعليم نموذجك التعرف على الأنماط البصرية وإجراء تنبؤات 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 الخاصة بك بفعالية.

كيفية تدريب نموذج تعلم الآلة

يتم تدريب نموذج الرؤية الحاسوبية عن طريق تعديل معاملاته الداخلية لتقليل الأخطاء. في البداية، يتم تغذية النموذج بمجموعة كبيرة من الصور المصنفة. يقوم النموذج بإجراء تنبؤات حول ما تحتويه هذه الصور، وتتم مقارنة التنبؤات بالتصنيفات أو المحتويات الفعلية لحساب الأخطاء. توضح هذه الأخطاء مدى بعد تنبؤات النموذج عن القيم الحقيقية.

أثناء التدريب، يقوم النموذج بشكل تكراري بإجراء التنبؤات، وحساب الأخطاء، وتحديث معاملاته من خلال عملية تسمى الانتشار العكسي. في هذه العملية، يقوم النموذج بتعديل معاملاته الداخلية (الأوزان والتحيزات) لتقليل الأخطاء. من خلال تكرار هذه الدورة عدة مرات، يتحسن النموذج تدريجيًا في دقته. وبمرور الوقت، يتعلم التعرف على الأنماط المعقدة مثل الأشكال والألوان والقوام.

تجعل عملية التعلم هذه من الممكن لنموذج الرؤية الحاسوبية أداء مهام متنوعة، بما في ذلك اكتشاف الكائنات، وتجزئة الأجزاء، والتجزئة الدلالية، 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، دعونا نلقي نظرة على النقاط التي يجب مراعاتها عند تدريب النموذج.

التدريب على مجموعات بيانات كبيرة

هناك جوانب مختلفة يجب التفكير فيها عند التخطيط لاستخدام مجموعة بيانات كبيرة لتدريب نموذج. على سبيل المثال، يمكنك ضبط حجم الدفعة، 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 كبيرة، يعد الاستخدام الفعال لـ GPU أمرًا أساسيًا. يعد حجم الدفعة عاملًا مهمًا. وهو عدد عينات البيانات التي يعالجها نموذج تعلم الآلة في تكرار تدريب واحد. باستخدام الحد الأقصى لحجم الدفعة الذي يدعمه GPU الخاص بك، يمكنك الاستفادة الكاملة من إمكاناته وتقليل الوقت الذي يستغرقه تدريب النموذج. ومع ذلك، يجب تجنب نفاد ذاكرة GPU. إذا واجهت أخطاء في الذاكرة، فقم بتقليل حجم الدفعة تدريجيًا حتى يتم تدريب النموذج بسلاسة.

فيما يتعلق بـ YOLO26، يمكنك ضبط معامل batch_size في تكوين التدريب ليتناسب مع سعة GPU لديك. أيضًا، سيؤدي ضبط batch=-1 في برنامج التدريب الخاص بك إلى تحديد حجم الدفعة الذي يمكن معالجته بكفاءة تلقائيًا بناءً على إمكانات جهازك. من خلال الضبط الدقيق لحجم الدفعة، يمكنك تحقيق أقصى استفادة من موارد GPU وتحسين عملية التدريب الشاملة.

التدريب على المجموعات الفرعية

يعد التدريب على المجموعات الفرعية استراتيجية ذكية تتضمن تدريب نموذجك على مجموعة أصغر من البيانات التي تمثل مجموعة البيانات الأكبر. يمكن أن يوفر هذا الوقت والموارد، خاصة أثناء تطوير النموذج الأولي والاختبار. إذا كنت تعاني من ضيق الوقت أو تجرب تكوينات نموذج مختلفة، فإن التدريب على المجموعات الفرعية يعد خيارًا جيدًا.

عندما يتعلق الأمر بـ YOLO26، يمكنك تنفيذ التدريب على المجموعات الفرعية بسهولة باستخدام معامل fraction. يتيح لك هذا المعامل تحديد أي جزء من مجموعة بياناتك سيتم استخدامه للتدريب. على سبيل المثال، سيؤدي ضبط fraction=0.1 إلى تدريب نموذجك على 10% من البيانات. يمكنك استخدام هذه التقنية للتكرارات السريعة وضبط نموذجك قبل الالتزام بتدريب نموذج باستخدام مجموعة بيانات كاملة. يساعدك التدريب على المجموعات الفرعية على إحراز تقدم سريع وتحديد المشكلات المحتملة في وقت مبكر.

التدريب متعدد المقاييس

التدريب متعدد المقاييس هو تقنية تعمل على تحسين قدرة نموذجك على التعميم من خلال تدريبه على صور بأحجام متفاوتة. 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 معامل scale. يقوم هذا المعامل بضبط حجم صور التدريب بمعامل محدد، مما يحاكي الكائنات على مسافات مختلفة. على سبيل المثال، سيؤدي ضبط scale=0.5 إلى تكبير صور التدريب بشكل عشوائي بمعامل يتراوح بين 0.5 و 1.5 أثناء التدريب. يتيح تكوين هذا المعامل لنموذجك تجربة مجموعة متنوعة من مقاييس الصور وتحسين قدراته في الاكتشاف عبر مختلف أحجام الكائنات والسيناريوهات.

يدعم Ultralytics أيضًا التدريب متعدد المقاييس لحجم الصورة عبر معامل multi_scale. على عكس scale الذي يقوم بتكبير الصور ثم يقوم بالحشو/الاقتصاص للعودة إلى imgsz، يقوم multi_scale بتغيير imgsz نفسه في كل دفعة (مقربًا إلى خطوة النموذج). على سبيل المثال، مع imgsz=640 و multi_scale=0.25، يتم أخذ عينات من حجم التدريب من 480 وصولًا إلى 800 في خطوات متتالية (على سبيل المثال، 480، 512، 544، ...، 800)، بينما يحافظ multi_scale=0.0 على حجم ثابت.

التخزين المؤقت (Caching)

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

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

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

التدريب بالدقة المختلطة

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و 32-بت (FP32). يتم الاستفادة من نقاط القوة في كل من FP16 و FP32 باستخدام FP16 لحوسبة أسرع و FP32 للحفاظ على الدقة عند الحاجة. يتم تنفيذ معظم عمليات الشبكة العصبية في FP16 للاستفادة من الحوسبة الأسرع واستخدام الذاكرة الأقل. 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 نفس قيود الأجهزة.

لتنفيذ التدريب بالدقة المختلطة، ستحتاج إلى تعديل برامج التدريب الخاصة بك والتأكد من أن أجهزتك (مثل وحدات GPU) تدعم ذلك. تقدم العديد من أطر التعلم العميق الحديثة، مثل PyTorch و TensorFlow، دعمًا مدمجًا للدقة المختلطة.

يعد التدريب بالدقة المختلطة أمرًا مباشرًا عند العمل مع YOLO26. يمكنك استخدام علامة amp في تكوين التدريب الخاص بك. يؤدي ضبط amp=True إلى تمكين التدريب بالدقة المختلطة التلقائي (AMP). التدريب بالدقة المختلطة هو وسيلة بسيطة وفعالة لتحسين عملية تدريب النموذج الخاص بك.

الأوزان المدربة مسبقًا

يعد استخدام الأوزان المدربة مسبقًا طريقة ذكية لتسريع عملية تدريب نموذجك. تأتي الأوزان المدربة مسبقًا من نماذج مدربة بالفعل على مجموعات بيانات كبيرة، مما يمنح نموذجك بداية قوية. يعمل التعلم بنقل المعرفة على تكييف النماذج المدربة مسبقًا مع مهام جديدة ذات صلة. يتضمن الضبط الدقيق لنموذج مدرب مسبقًا البدء بهذه الأوزان ثم متابعة التدريب على مجموعة بياناتك المحددة. تؤدي طريقة التدريب هذه إلى أوقات تدريب أسرع وغالبًا أداء أفضل لأن النموذج يبدأ بفهم قوي للميزات الأساسية.

يجعل معامل pretrained التعلم بنقل المعرفة سهلاً مع YOLO26. سيؤدي ضبط pretrained=True إلى استخدام الأوزان المدربة مسبقًا الافتراضية، أو يمكنك تحديد مسار لنموذج مدرب مسبقًا مخصص. يؤدي استخدام الأوزان المدربة مسبقًا والتعلم بنقل المعرفة إلى تعزيز قدرات نموذجك بشكل فعال وتقليل تكاليف التدريب.

تقنيات أخرى يجب مراعاتها عند التعامل مع مجموعة بيانات كبيرة

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

• مجدولات معدل التعلم: يؤدي تنفيذ مجدولات معدل التعلم إلى ضبط معدل التعلم ديناميكيًا أثناء التدريب. يمكن أن يمنع معدل التعلم المضبوط جيدًا النموذج من تجاوز الحدود الدنيا ويحسن الاستقرار. عند تدريب YOLO26، يساعد معامل lrf في إدارة جدولة معدل التعلم عن طريق تحديد معدل التعلم النهائي كجزء من المعدل الأولي.
• التدريب الموزع: بالنسبة للتعامل مع مجموعات البيانات الكبيرة، يمكن أن يكون التدريب الموزع تغييرًا جذريًا. يمكنك تقليل وقت التدريب من خلال نشر عبء عمل التدريب عبر وحدات GPU متعددة أو أجهزة متعددة. يعد هذا النهج ذا قيمة خاصة للمشاريع على مستوى المؤسسات ذات الموارد الحسابية الكبيرة.

عدد العصور (Epochs) للتدريب

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

سؤال شائع يطرح هو كيفية تحديد عدد العصور لتدريب النموذج. نقطة البداية الجيدة هي 300 عصر. إذا تعرض النموذج للفرط في التخصيص (overfit) مبكرًا، فيمكنك تقليل عدد العصور. إذا لم يحدث الفرط في التخصيص بعد 300 عصر، فيمكنك تمديد التدريب إلى 600 أو 1200 عصر أو أكثر.

ومع ذلك، يمكن أن يختلف العدد المثالي للعصور بناءً على حجم مجموعة بياناتك وأهداف المشروع. قد تتطلب مجموعات البيانات الأكبر عددًا أكبر من العصور ليتعلم النموذج بفعالية، بينما قد تحتاج مجموعات البيانات الأصغر إلى عدد أقل من العصور لتجنب الفرط في التخصيص. فيما يتعلق بـ YOLO26، يمكنك ضبط معامل epochs في برنامج التدريب الخاص بك.

الإيقاف المبكر

يعد الإيقاف 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 الفرط في التخصيص.

تتضمن العملية ضبط معامل الصبر الذي يحدد عدد العصور التي يجب انتظارها للحصول على 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 الإيقاف المبكر عن طريق ضبط معامل الصبر في تكوين التدريب الخاص بك. على سبيل المثال، تعني patience=5 أن التدريب سيتوقف إذا لم يكن هناك تحسن في مقاييس التحقق من الصحة لمدة 5 عصور متتالية. يضمن استخدام هذه الطريقة بقاء عملية التدريب فعالة وتحقيق أداء مثالي دون حساب مفرط.

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 و AWS و Azure وصولاً عند الطلب إلى وحدات GPU و TPU عالية الأداء، مما يسرع أوقات التدريب ويتيح تجارب مع نماذج أكبر. ومع ذلك، يمكن أن يكون التدريب السحابي مكلفًا، خاصة لفترات طويلة، وقد تضيف عمليات نقل البيانات إلى التكاليف وزمن الوصول.

يوفر التدريب المحلي تحكمًا وتخصيصًا أكبر، مما يتيح لك تصميم بيئتك وفقًا لاحتياجات محددة وتجنب تكاليف السحابة المستمرة. يمكن أن يكون أكثر اقتصادية للمشاريع طويلة الأجل، ولأن بياناتك تبقى في مكانها، فهي أكثر أمانًا. 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 تقوم بضبط أوزان شبكتك العصبية لتقليل دالة الخسارة، التي تقيس مدى أداء النموذج. بعبارات أبسط، يساعد المحسّن النموذج على التعلم عن طريق تعديل معاملاته لتقليل الأخطاء. يؤثر اختيار المحسّن الصحيح بشكل مباشر على مدى سرعة ودقة تعلم النموذج.

يمكنك أيضًا الضبط الدقيق لمعاملات المحسّن لتحسين أداء النموذج. يحدد ضبط معدل التعلم حجم الخطوات عند تحديث المعاملات. من أجل الاستقرار، قد تبدأ بمعدل تعلم معتدل وتقلله تدريجيًا بمرور الوقت لتحسين التعلم على المدى الطويل. بالإضافة إلى ذلك، يحدد ضبط الزخم مقدار التأثير الذي تحدثه التحديثات السابقة على التحديثات الحالية. القيمة الشائعة للزخم هي حوالي 0.9. وهي توفر بشكل عام توازنًا جيدًا.

المحسّنات الشائعة

تمتلك المحسّنات المختلفة نقاط قوة وضعف متنوعة. دعونا نلقي نظرة على عدد قليل من المحسّنات الشائعة.

• SGD (النزول المتدرج العشوائي):

  • يحدث معاملات النموذج باستخدام تدرج دالة الخسارة فيما يتعلق بالمعاملات.
  • بسيط وفعال ولكنه قد يكون بطيئًا في التقارب وقد يعلق في الحدود الدنيا المحلية.

• Adam (تقدير اللحظة التكيفي):

  • يجمع بين فوائد كل من SGD مع الزخم و RMSProp.
  • يضبط معدل التعلم لكل معامل بناءً على تقديرات اللحظات الأولى والثانية للتدرجات.
  • مناسب تمامًا للبيانات الصاخبة والتدرجات المتباعدة.
  • فعال ويتطلب عمومًا ضبطًا أقل، مما يجعله محسّنًا موصى به لـ YOLO26.

• RMSProp (انتشار متوسط المربع الجذري):

  • يضبط 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 على نطاق واسع.
  • خيار جيد عندما تريد تعميمًا يشبه SGD ولكنك تحتاج إلى تقارب أكثر سلاسة من SGD العادي.
  • وثيق الصلة بشكل خاص بوصفات تدريب YOLO26؛ إذا كنت غير متأكد، ابدأ بـ optimizer=auto وقارن ضد MuSGD على مجموعة بياناتك.

بالنسبة لـ YOLO26، يتيح لك معامل optimizer الاختيار من بين العديد من المحسّنات، بما في ذلك SGD، و MuSGD، و Adam، و AdamW، و NAdam، و RAdam، و RMSProp، أو يمكنك ضبطه على auto للاختيار التلقائي بناءً على تكوين النموذج.

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

التواصل مع المجتمع

يمكن أن تساعدك كونك جزءًا من مجتمع من عشاق الرؤية الحاسوبية على حل المشكلات والتعلم بشكل أسرع. إليك 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 Discord الخاص بـ Ultralytics: انضم إلى خادم Discord الخاص بـ Ultralytics للدردشة مع مستخدمين ومطورين آخرين، والحصول على الدعم، ومشاركة تجاربك.

التوثيق الرسمي

• توثيق Ultralytics YOLO26: تحقق من توثيق YOLO26 الرسمي 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.

الاستنتاجات الرئيسية

يتضمن تدريب نماذج الرؤية الحاسوبية اتباع ممارسات جيدة، وتحسين استراتيجياتك، وحل المشكلات عند ظهورها. يمكن لتقنيات مثل ضبط أحجام الدفعات، والتدريب بـ الدقة المختلطة، والبدء بأوزان مدربة مسبقًا أن تجعل نماذجك تعمل بشكل أفضل وتتدرب بشكل أسرع. تساعدك طرق مثل التدريب على المجموعات الفرعية والإيقاف المبكر على توفير الوقت والموارد. سيساعدك البقاء على اتصال بالمجتمع ومواكبة الاتجاهات الجديدة على مواصلة تحسين مهارات تدريب النماذج لديك.

الأسئلة الشائعة

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

لتحسين استخدام GPU، اضبط معامل batch_size في تكوين التدريب الخاص بك على الحد الأقصى للحجم الذي يدعمه GPU الخاص بك. يضمن هذا أنك تستفيد استفادة كاملة من إمكانات GPU، مما يقلل من وقت التدريب. إذا واجهت أخطاء في الذاكرة، فقم بتقليل حجم الدفعة تدريجيًا حتى يتم تشغيل التدريب بسلاسة. بالنسبة لـ YOLO26، سيؤدي ضبط batch=-1 في برنامج التدريب الخاص بك إلى تحديد حجم الدفعة الأمثل للمعالجة الفعالة تلقائيًا. لمزيد من المعلومات، راجع تكوين التدريب.

ما هو التدريب بالدقة المختلطة، وكيف يمكنني تمكينه في YOLO26؟

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و 32-بت (FP32) لموازنة سرعة الحوسبة والدقة. يؤدي هذا النهج إلى تسريع التدريب وتقليل استخدام الذاكرة دون التضحية بـ دقة النموذج. لتمكين التدريب بالدقة المختلطة في YOLO26، اضبط معامل amp على True في تكوين التدريب الخاص بك. هذا ينشط التدريب بالدقة المختلطة التلقائي (AMP). لمزيد من التفاصيل حول تقنية التحسين هذه، راجع تكوين 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 معامل scale في تكوين التدريب. على سبيل المثال، يقوم scale=0.5 بأخذ عينات من معامل تكبير بين 0.5 و 1.5، ثم يقوم بالحشو/الاقتصاص للعودة إلى imgsz. تحاكي هذه التقنية الكائنات على مسافات مختلفة، مما يجعل النموذج أكثر قوة عبر سيناريوهات مختلفة. للإعدادات والمزيد من التفاصيل، تحقق من تكوين التدريب.

كيف يمكنني استخدام الأوزان المدربة مسبقًا لتسريع التدريب في YOLO26؟

يمكن أن يؤدي استخدام الأوزان المدربة مسبقًا إلى تسريع التدريب بشكل كبير وتعزيز دقة النموذج من خلال الاستفادة من نموذج على دراية بالفعل بالميزات البصرية التأسيسية. في YOLO26، ببساطة اضبط معامل pretrained على True أو قم بتوفير مسار لأوزانك المدربة مسبقًا المخصصة في تكوين التدريب. تسمح هذه الطريقة، التي تسمى التعلم بنقل المعرفة، للنماذج المدربة على مجموعات بيانات كبيرة بأن يتم تكييفها بفعالية مع تطبيقك المحدد. تعرف على المزيد حول كيفية استخدام الأوزان المدربة مسبقًا وفوائدها في دليل تكوين التدريب.

ما هو عدد العصور الموصى به لتدريب نموذج، وكيف يمكنني ضبط هذا في YOLO26؟

يشير عدد العصور إلى التمريرات الكاملة عبر مجموعة بيانات التدريب أثناء تدريب النموذج. نقطة البداية النموذجية هي 300 عصر. إذا كان نموذجك يعاني من الفرط في التخصيص مبكرًا، فيمكنك تقليل العدد. بدلاً من ذلك، إذا لم يتم ملاحظة الفرط في التخصيص، فقد تمدد التدريب إلى 600 أو 1200 عصر أو أكثر. لضبط هذا في YOLO26، استخدم معامل epochs في برنامج التدريب الخاص بك. للحصول على نصائح إضافية حول تحديد العدد المثالي للعصور، راجع هذا القسم حول عدد العصور.