Link to this sectionأفضل الممارسات والنصائح لتدريب النماذج في تعلم الآلة#

Link to this sectionمقدمة#

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

إذن، 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 بفعالية.

Link to this sectionكيفية 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 معاييره من خلال عملية تسمى الانتشار العكسي. في هذه العملية، يقوم النموذج بضبط معاييره الداخلية (الأوزان والانحيازات) لتقليل الأخطاء. من خلال تكرار هذه الدورة مرات عديدة، تتحسن دقة النموذج تدريجياً. وبمرور الوقت، يتعلم التعرف على الأنماط المعقدة مثل الأشكال، والألوان، والأنسجة.

تجعل عملية التعلم هذه من الممكن لنموذج الرؤية الحاسوبية أداء مهام متنوعة، بما في ذلك اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتصنيف الصور. الهدف النهائي هو إنشاء نموذج قادر على 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 ننظر إلى النقاط التي يجب مراعاتها عند تدريب النموذج.

Link to this sectionالتدريب 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.

Link to this sectionحجم 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 تكوين التدريب لتتناسب مع سعة GPU الخاصة بك. أيضاً، سيؤدي تعيين batch=-1 في برنامج التدريب الخاص بك إلى تحديد حجم الدفعة الذي يمكن معالجته بكفاءة تلقائياً بناءً على قدرات جهازك. من خلال ضبط حجم الدفعة بدقة، يمكنك تحقيق أقصى استفادة من موارد GPU وتحسين عملية التدريب الشاملة.

Link to this sectionالتدريب 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 تنفيذ التدريب على المجموعات الفرعية بسهولة باستخدام معلمة fraction. تسمح لك هذه المعلمة بتحديد نسبة مجموعة البيانات الخاصة بك لاستخدامها في التدريب. على سبيل المثال، سيؤدي تعيين 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.

Link to this sectionالتدريب متعدد النطاقات#

التدريب متعدد النطاقات هو تقنية تحسن قدرة نموذجك على التعميم من خلال تدريبه على صور بأحجام متفاوتة. يمكن لنموذجك أن يتعلم اكتشاف الكائنات على نطاقات ومسافات مختلفة ويصبح أكثر قوة.

على سبيل المثال، عند تدريب YOLO26، يمكنك تمكين التدريب متعدد النطاقات عن طريق تعيين معلمة scale. تقوم هذه المعلمة بضبط حجم صور التدريب بمعامل محدد، مما يحاكي الكائنات على مسافات مختلفة. على سبيل المثال، يؤدي تعيين scale=0.5 إلى تكبير صور التدريب عشوائياً بمعامل يتراوح بين 0.5 و1.5 أثناء التدريب. يتيح تكوين هذه المعلمة لنموذجك تجربة مجموعة متنوعة من نطاقات الصور وتحسين قدراته في الاكتشاف عبر أحجام الكائنات والسيناريوهات المختلفة.

يدعم Ultralytics أيضاً التدريب متعدد النطاقات لأحجام الصور عبر معلمة multi_scale. على عكس scale التي تكبّر الصور ثم تقوم بملئها/اقتصاصها لتعود إلى imgsz، تقوم multi_scale بتغيير imgsz نفسه في كل دفعة (مقرباً إلى خطوة النموذج). على سبيل المثال، مع imgsz=640 وmulti_scale=0.25، يتم أخذ عينات من حجم التدريب من 480 وصولاً إلى 800 بخطوات ثابتة (مثل 480، 512، 544، ...، 800)، بينما تحافظ multi_scale=0.0 على حجم ثابت.

Link to this sectionالتخزين 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: 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، وهو أبطأ من RAM ولكنه أسرع من تحميل بيانات جديدة في كل مرة.
• cache=False: يعطل التخزين المؤقت، معتمداً بالكامل على الإدخال/الإخراج للقرص، وهو الخيار الأبطأ.

Link to this sectionالتدريب بالدقة المختلطة#

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و32-بت (FP32). يتم الاستفادة من نقاط القوة لكل من FP16 وFP32 باستخدام FP16 للحسابات الأسرع وFP32 للحفاظ على الدقة حيثما لزم الأمر. يتم إجراء معظم عمليات الشبكة العصبية في FP16 للاستفادة من الحسابات الأسرع واستهلاك أقل للذاكرة. 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 GPUs) تدعمه. تقدم العديد من أطر عمل التعلم العميق الحديثة، مثل PyTorch وTensorFlow، دعماً مدمجاً للدقة المختلطة.

التدريب بالدقة المختلطة مباشر عند العمل مع YOLO26. يمكنك استخدام علامة amp في تكوين التدريب الخاص بك. يؤدي تعيين amp=True إلى تمكين التدريب بالدقة المختلطة التلقائية (AMP). يعد التدريب بالدقة المختلطة طريقة بسيطة وفعالة لتحسين عملية تدريب نموذجك.

Link to this sectionالأوزان المدربة مسبقاً#

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

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

Link to this sectionتقنيات 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 ديناميكياً أثناء التدريب. يمكن أن يمنع معدل التعلم الذي تم ضبطه جيداً النموذج من تجاوز النقاط الصغرى ويحسن الاستقرار. عند تدريب YOLO26، تساعد معلمة lrf في إدارة جدولة معدل التعلم عن طريق تعيين معدل التعلم النهائي ككسر من المعدل الأولي.
• 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.

Link to this sectionعدد العصور (Epochs) للتدريب#

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

سؤال شائع يطرح هو كيفية تحديد عدد العصور لتدريب النموذج. نقطة البداية الجيدة هي 300 عصر. إذا تعرض النموذج لـ فرط التخصيص في وقت مبكر، يمكنك تقليل عدد العصور. إذا لم يحدث فرط تخصيص بعد 300 عصر، يمكنك تمديد التدريب إلى 600، أو 1200، أو أكثر من العصور.

ومع ذلك، يمكن أن يختلف العدد المثالي للعصور بناءً على حجم مجموعة البيانات الخاصة بك وأهداف المشروع. قد تتطلب مجموعات البيانات الأكبر عدداً أكبر من العصور لكي يتعلم النموذج بفعالية، بينما قد تحتاج مجموعات البيانات الأصغر إلى عدد أقل من العصور لتجنب فرط التخصيص. فيما يتعلق بـ YOLO26، يمكنك تعيين معلمة epochs في برنامج التدريب الخاص بك.

Link to this sectionالتوقف 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، patience=5 تعني 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 أمثل دون حوسبة مفرطة.

Link to this sectionالاختيار بين التدريب السحابي والمحلي#

هناك خياران لتدريب نموذجك: التدريب السحابي والتدريب المحلي.

يوفر التدريب السحابي القابلية للتوسع 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، ويمكن أن يضيف نقل البيانات إلى التكاليف وزمن الانتقال.

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.

Link to this sectionاختيار المحسن (Optimizer)#

المحسن هو خوارزمية تضبط أوزان شبكتك العصبية لتقليل دالة الخسارة، التي تقيس مدى أداء النموذج. بعبارات أبسط، يساعد المحسن النموذج على التعلم من خلال تعديل معاييره 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.

Link to this sectionمحسنات 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 (تقدير العزم التكيفي):

  • 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 وعموماً يتطلب ضبطاً أقل، مما يجعله محسنًا موصى به لـ YOLO26.

• 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 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 تعميماً يشبه SGD ولكنك تحتاج إلى تقارب أكثر سلاسة من SGD التقليدي.
  • وثيق الصلة بشكل خاص بوصفات تدريب YOLO26؛ إذا لم تكن متأكداً، ابدأ بـ optimizer=auto وقارن النتائج مقابل MuSGD على مجموعة بياناتك.

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

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

Link to this sectionالتواصل 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.

Link to this sectionموارد المجتمع#

• مشكلات GitHub: قم بزيارة مستودع YOLO26 على GitHub واستخدم علامة تبويب المشكلات لطرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع والمشرفون نشطون جداً ومستعدون للمساعدة.
• خادم Ultralytics Discord: انضم إلى خادم Ultralytics Discord للدردشة مع مستخدمين ومطورين آخرين، والحصول على الدعم، ومشاركة تجاربك.

Link to this sectionالتوثيق 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.

Link to this sectionالخلاصة#

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 مسبقاً أن تجعل نماذجك تعمل بشكل أفضل وتتدرب بشكل أسرع. تساعدك طرق مثل التدريب على المجموعات الفرعية والتوقف المبكر على توفير الوقت والموارد. سيساعدك البقاء على اتصال مع المجتمع ومواكبة الاتجاهات الجديدة على الاستمرار في تحسين مهارات تدريب النماذج الخاصة بك.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تحسين استخدام GPU عند تدريب مجموعة بيانات كبيرة باستخدام Ultralytics YOLO؟#

لتحسين استخدام GPU، اضبط معامل batch في إعدادات التدريب الخاصة بك على الحد الأقصى للحجم الذي يدعمه GPU لديك. وهذا يضمن الاستفادة الكاملة من قدرات GPU، مما يقلل من وقت التدريب. إذا واجهت أخطاء في الذاكرة، فقم بتقليل حجم الدفعة (batch size) تدريجياً حتى يتم تشغيل التدريب بسلاسة. بالنسبة لـ YOLO26، فإن ضبط batch=-1 في نص التدريب البرمجي الخاص بك سيحدد تلقائياً حجم الدفعة الأمثل للمعالجة الفعالة. لمزيد من المعلومات، راجع إعدادات التدريب.

Link to this sectionما هو التدريب بالدقة المختلطة، وكيف يمكنني تمكينه في YOLO26؟#

يستخدم التدريب بالدقة المختلطة كلاً من أنواع الفاصلة العائمة 16-بت (FP16) و32-بت (FP32) لموازنة سرعة الحوسبة والدقة. يسرع هذا النهج التدريب ويقلل من استخدام الذاكرة دون التضحية بـ دقة النموذج. لتمكين التدريب بالدقة المختلطة في YOLO26، قم بتعيين معلمة amp على True في تكوين التدريب الخاص بك. هذا ينشط التدريب بالدقة المختلطة التلقائية (AMP). لمزيد من التفاصيل حول تقنية التحسين هذه، انظر تكوين التدريب.

Link to this sectionكيف يعزز التدريب متعدد النطاقات أداء نموذج YOLO26؟#

يعزز التدريب متعدد النطاقات أداء النموذج من خلال التدريب على صور بأحجام متفاوتة، مما يسمح للنموذج بالتعميم بشكل أفضل عبر نطاقات ومسافات مختلفة. في YOLO26، يمكنك تمكين التدريب متعدد النطاقات عن طريق تعيين معلمة scale في تكوين التدريب. على سبيل المثال، scale=0.5 يأخذ عينات من معامل تكبير بين 0.5 و1.5، ثم يملأ/يقتصص للعودة إلى imgsz. تحاكي هذه التقنية الكائنات على مسافات مختلفة، مما يجعل النموذج أكثر قوة عبر سيناريوهات متنوعة. للإعدادات والمزيد من التفاصيل، تحقق من تكوين التدريب.

Link to this sectionكيف 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 يعرف بالفعل الميزات البصرية التأسيسية. في YOLO26، ببساطة قم بتعيين معلمة pretrained على True أو قدم مساراً إلى أوزانك المدربة مسبقاً 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 مسبقاً وفوائدها في دليل تكوين التدريب.

Link to this sectionما هو عدد العصور الموصى به لتدريب نموذج، وكيف أقوم بتعيين ذلك 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 فرط التخصيص في وقت مبكر، يمكنك تقليل العدد. بدلاً من ذلك، إذا لم يلاحظ فرط التخصيص، فقد تقوم بتمديد التدريب إلى 600، أو 1200، أو أكثر من العصور. لتعيين ذلك في YOLO26، استخدم معلمة epochs في برنامج التدريب الخاص بك. للحصول على مشورة إضافية حول تحديد العدد المثالي للعصور، راجع هذا القسم حول عدد العصور.