Link to this sectionاستكشاف مشكلات YOLO الشائعة وحلها#

Link to this sectionمقدمة#

يُعد هذا الدليل مساعدة شاملة لاستكشاف المشكلات الشائعة التي قد تواجهها أثناء العمل باستخدام YOLO26 في مشاريع Ultralytics الخاصة بك. يمكن أن يكون التعامل مع هذه المشكلات أمراً في غاية السهولة مع التوجيه الصحيح، مما يضمن بقاء مشاريعك على المسار الصحيح دون تأخير غير ضروري.

Link to this sectionالمشكلات الشائعة#

Link to this sectionأخطاء التثبيت#

يمكن أن تنشأ أخطاء التثبيت لأسباب مختلفة، مثل الإصدارات غير المتوافقة، أو فقدان التبعيات، أو إعدادات البيئة غير الصحيحة. أولاً، تأكد من قيامك بما يلي:

• استخدام Python 3.8 أو أحدث كما هو موصى به.
• تأكد من تثبيت الإصدار الصحيح من PyTorch (1.8 أو أحدث).
• فكر في استخدام بيئات افتراضية لتجنب التعارضات.
• اتبع دليل التثبيت الرسمي خطوة بخطوة.

بالإضافة إلى ذلك، إليك بعض مشكلات التثبيت الشائعة التي واجهها المستخدمون، إلى جانب حلولها المقابلة:

• أخطاء الاستيراد أو مشكلات التبعية - إذا كنت تتلقى أخطاء أثناء استيراد YOLO26، أو كنت تواجه مشكلات تتعلق بالتبعيات، فكر في خطوات استكشاف الأخطاء وإصلاحها التالية:

  • تثبيت جديد: في بعض الأحيان، يمكن أن يؤدي البدء بتثبيت جديد إلى حل مشكلات غير متوقعة. خاصة مع مكتبات مثل Ultralytics، حيث قد تؤدي التحديثات إلى إدخال تغييرات على بنية شجرة الملفات أو الوظائف.

  • التحديث بانتظام: تأكد من استخدام أحدث إصدار من المكتبة. قد لا تكون الإصدارات الأقدم متوافقة مع التحديثات الأخيرة، مما يؤدي إلى تعارضات أو مشكلات محتملة.

  • التحقق من التبعيات: تحقق من تثبيت جميع التبعيات المطلوبة بشكل صحيح وأنها ذات إصدارات متوافقة.

  • مراجعة التغييرات: إذا قمت في البداية باستنساخ أو تثبيت إصدار أقدم، فكن على علم بأن التحديثات الكبيرة قد تؤثر على بنية المكتبة أو وظائفها. ارجع دائماً إلى التوثيق الرسمي أو سجلات التغيير لفهم أي تغييرات رئيسية.

  • تذكر أن الحفاظ على تحديث مكتباتك وتبعيّاتك أمر بالغ الأهمية لتجربة سلسة وخالية من الأخطاء.

• تشغيل YOLO26 على GPU - إذا كنت تواجه مشكلة في تشغيل YOLO26 على GPU، فكر في خطوات استكشاف الأخطاء وإصلاحها التالية:

  • التحقق من توافق وتثبيت CUDA: تأكد من أن وحدة معالجة الرسومات (GPU) الخاصة بك متوافقة مع CUDA وأن CUDA مثبت بشكل صحيح. استخدم الأمر nvidia-smi للتحقق من حالة NVIDIA GPU وإصدار CUDA.

  • التحقق من تكامل PyTorch و CUDA: تأكد من أن PyTorch يمكنه استخدام CUDA عن طريق تشغيل import torch; print(torch.cuda.is_available()) في طرفية Python. إذا عاد بالقيمة 'True'، فهذا يعني أن PyTorch مهيأ لاستخدام CUDA.

  • التحقق من توافق GPU: تم التخلي عن دعم معماريات GPU الأقدم من Turing وقدرة الحوسبة (SM) < 7.5 منذ cuDNN 9.11.0. لذا، إذا كان لديك وحدة GPU قديمة - مثل 1080Ti - فقد تضطر إلى استخدام إصدار من PyTorch مبني مقابل إصدار أقدم من CUDA/cuDNN. يمكنك التحقق من ذلك عن طريق تشغيل import torch; cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0); cudnn = torch.backends.cudnn.version() or 0; ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"; print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}")

  • تفعيل البيئة: تأكد من أنك في البيئة الصحيحة حيث تم تثبيت جميع الحزم الضرورية.

  • تحديث حزمك: قد لا تكون الحزم القديمة متوافقة مع GPU الخاص بك. حافظ على تحديثها.

  • تكوين البرنامج: تحقق مما إذا كان البرنامج أو الكود يحدد استخدام GPU. في YOLO26، قد يكون هذا في الإعدادات أو التكوين.

Link to this sectionمشكلات تدريب النموذج#

سيعالج هذا القسم المشكلات الشائعة التي يتم مواجهتها أثناء التدريب وتفسيراتها وحلولها المقابلة.

Link to this sectionالتحقق من إعدادات التكوين#

المشكلة: لست متأكداً مما إذا كانت إعدادات التكوين في ملف .yaml يتم تطبيقها بشكل صحيح أثناء تدريب النموذج.

الحل: يجب تطبيق إعدادات التكوين في ملف .yaml عند استخدام وظيفة model.train(). لضمان تطبيق هذه الإعدادات بشكل صحيح، اتبع الخطوات التالية:

• تأكد من أن المسار إلى ملف تكوين .yaml الخاص بك صحيح.

• تأكد من تمرير المسار إلى ملف .yaml الخاص بك كوسيط data عند استدعاء model.train()، كما هو موضح أدناه:

  model.train(data="/path/to/your/data.yaml", batch=4)

Link to this sectionتسريع التدريب باستخدام وحدات GPU متعددة#

المشكلة: التدريب بطيء على وحدة GPU واحدة، وتريد تسريع العملية باستخدام وحدات GPU متعددة.

الحل: يمكن أن تؤدي زيادة حجم الدفعة إلى تسريع التدريب، ولكن من الضروري مراعاة سعة ذاكرة GPU. لتسريع التدريب باستخدام وحدات GPU متعددة، اتبع الخطوات التالية:

• تأكد من توفر وحدات GPU متعددة.

• قم بتعيين وسيط device على قائمة بفهارس GPU، على سبيل المثال device=[0,1,2,3].

• قم بزيادة حجم الدفعة وفقاً لذلك للاستفادة الكاملة من وحدات GPU المتعددة دون تجاوز حدود الذاكرة.

• قم بتعديل أمر التدريب الخاص بك لاستخدام وحدات GPU متعددة:

  # Adjust the batch size and other settings as needed to optimize training speed
  model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionمعلمات المراقبة المستمرة#

المشكلة: تريد معرفة المعلمات التي يجب مراقبتها باستمرار أثناء التدريب، بخلاف الخسارة (loss).

الحل: بينما تعد الخسارة مقياساً حاسماً للمراقبة، من الضروري أيضاً تتبع مقاييس أخرى لتحسين أداء النموذج. بعض المقاييس الرئيسية التي يجب مراقبتها أثناء التدريب تشمل:

• الدقة (Precision)
• الاسترجاع (Recall)
• متوسط دقة التنبؤ (mAP)

يمكنك الوصول إلى هذه المقاييس من سجلات التدريب أو باستخدام أدوات مثل TensorBoard أو wandb للتصور. يمكن أن يساعدك تنفيذ الإيقاف المبكر بناءً على هذه المقاييس في تحقيق نتائج أفضل.

Link to this sectionأدوات لتتبع تقدم التدريب#

المشكلة: أنت تبحث عن توصيات بشأن أدوات لتتبع تقدم التدريب.

الحل: لتتبع وتصور تقدم التدريب، يمكنك التفكير في استخدام الأدوات التالية:

• TensorBoard: TensorBoard هو خيار شائع لتصور مقاييس التدريب، بما في ذلك الخسارة، والدقة، والمزيد. يمكنك دمجه مع عملية تدريب YOLO26 الخاصة بك.
• Comet: يوفر Comet مجموعة أدوات واسعة النطاق لتتبع التجارب والمقارنة. فهو يسمح لك بتتبع المقاييس، والمعلمات الفائقة (hyperparameters)، وحتى أوزان النموذج. التكامل مع نماذج YOLO مباشر أيضاً، مما يوفر لك نظرة عامة كاملة على دورة تجربتك.
• منصة Ultralytics: توفر منصة Ultralytics بيئة متخصصة لتتبع نماذج YOLO، مما يمنحك منصة شاملة لإدارة المقاييس، ومجموعات البيانات، وحتى التعاون مع فريقك. نظراً لتركيزها المصمم خصيصاً على YOLO، فإنها توفر خيارات تتبع أكثر تخصيصاً.

كل من هذه الأدوات يقدم مجموعة من المزايا الخاصة به، لذا قد ترغب في النظر في الاحتياجات المحددة لمشروعك عند اتخاذ القرار.

Link to this sectionكيفية التحقق مما إذا كان التدريب يحدث على GPU#

المشكلة: قيمة 'device' في سجلات التدريب هي 'null'، ولست متأكداً مما إذا كان التدريب يحدث على GPU.

الحل: كون قيمة 'device' هي 'null' يعني عادةً أن عملية التدريب مضبوطة لاستخدام GPU متاح تلقائياً، وهو السلوك الافتراضي. للتأكد من حدوث التدريب على GPU محدد، يمكنك تعيين قيمة 'device' يدوياً على فهرس GPU (على سبيل المثال، '0' لأول GPU) في ملف التكوين .yaml الخاص بك:

device: 0

سيؤدي هذا إلى تعيين عملية التدريب صراحةً إلى GPU المحدد. إذا كنت ترغب في التدريب على CPU، قم بتعيين 'device' على 'cpu'.

راقب مجلد 'runs' للسجلات والمقاييس لمراقبة تقدم التدريب بفعالية.

Link to this sectionاعتبارات رئيسية لتدريب نموذج فعال#

إليك بعض الأشياء التي يجب وضعها في الاعتبار إذا كنت تواجه مشكلات تتعلق بتدريب النموذج.

تنسيق مجموعة البيانات والتسميات

• الأهمية: يكمن أساس أي نموذج تعلم آلي في جودة وتنسيق البيانات التي يتم تدريبه عليها.
• التوصية: تأكد من أن مجموعة بياناتك المخصصة وتسمياتها المرتبطة تلتزم بالتنسيق المتوقع. من الضروري التحقق من أن التعليقات التوضيحية دقيقة وذات جودة عالية. يمكن للتعليقات التوضيحية غير الصحيحة أو دون المستوى أن تعيق عملية تعلم النموذج، مما يؤدي إلى نتائج غير متوقعة.

تقارب النموذج

• الأهمية: يضمن تحقيق تقارب النموذج أن النموذج قد تعلم بشكل كافٍ من بيانات التدريب.
• التوصية: عند تدريب نموذج 'من الصفر'، من الضروري التأكد من أن النموذج يصل إلى مستوى مرضٍ من التقارب. قد يستلزم ذلك مدة تدريب أطول، مع دورات تدريبية (epochs) أكثر، مقارنةً بما إذا كنت تقوم بضبط نموذج موجود.

معدل التعلم وحجم الدفعة

• الأهمية: تلعب هذه المعلمات الفائقة دوراً محورياً في تحديد كيفية قيام النموذج بتحديث أوزانه أثناء التدريب.
• التوصية: قم بتقييم ما إذا كان معدل التعلم وحجم الدفعة المختارين مثاليين لمجموعة بياناتك المحددة بانتظام. يمكن للمعلمات التي لا تتوافق مع خصائص مجموعة البيانات أن تعيق أداء النموذج.

توزيع الفئات

• الأهمية: يمكن أن يؤثر توزيع الفئات في مجموعة بياناتك على ميول توقع النموذج.
• التوصية: قيّم بانتظام توزيع الفئات داخل مجموعة بياناتك. إذا كان هناك خلل في توازن الفئات، فهناك خطر من أن يطور النموذج تحيزاً تجاه الفئة الأكثر شيوعاً. يمكن أن يكون هذا التحيز واضحاً في مصفوفة الارتباك (confusion matrix)، حيث قد يتوقع النموذج الفئة السائدة بشكل غالب.

التحقق المتقاطع مع الأوزان المدربة مسبقاً

• الأهمية: يمكن أن يوفر الاستفادة من الأوزان المدربة مسبقاً نقطة بداية قوية لتدريب النموذج، خاصة عندما تكون البيانات محدودة.
• التوصية: كخطوة تشخيصية، فكر في تدريب نموذجك باستخدام نفس البيانات ولكن بتهيئته باستخدام أوزان مدربة مسبقاً. إذا أنتج هذا النهج مصفوفة ارتباك جيدة التكوين، فقد يشير ذلك إلى أن نموذج 'من الصفر' قد يحتاج إلى مزيد من التدريب أو التعديلات.

Link to this sectionمشكلات تتعلق بتوقعات النموذج#

سيعالج هذا القسم المشكلات الشائعة التي يتم مواجهتها أثناء توقع النموذج.

Link to this sectionالحصول على توقعات مربع الإحاطة (Bounding Box) باستخدام نموذج YOLO26 المخصص الخاص بك#

المشكلة: عند تشغيل التوقعات باستخدام نموذج YOLO26 مخصص، توجد تحديات تتعلق بتنسيق وتصور إحداثيات مربع الإحاطة.

الحل:

• تنسيق الإحداثيات: يوفر YOLO26 إحداثيات مربع الإحاطة بقيم بكسل مطلقة. لتحويلها إلى إحداثيات نسبية (تتراوح من 0 إلى 1)، تحتاج إلى القسمة على أبعاد الصورة. على سبيل المثال، لنفترض أن حجم صورتك هو 640x640. عندها ستقوم بما يلي:

  # Convert absolute coordinates to relative coordinates
  x1 = x1 / 640  # Divide x-coordinates by image width
  x2 = x2 / 640
  y1 = y1 / 640  # Divide y-coordinates by image height
  y2 = y2 / 640

• اسم الملف: للحصول على اسم ملف الصورة التي تتوقع عليها، قم بالوصول إلى مسار ملف الصورة مباشرة من كائن النتيجة ضمن حلقة التوقع الخاصة بك.

Link to this sectionتصفية الكائنات في توقعات YOLO26#

المشكلة: مواجهة مشكلات تتعلق بكيفية تصفية وعرض كائنات معينة فقط في نتائج التوقع عند تشغيل YOLO26 باستخدام مكتبة Ultralytics.

الحل: لاكتشاف فئات معينة استخدم وسيط الفئات لتحديد الفئات التي تريد تضمينها في المخرجات. على سبيل المثال، لاكتشاف السيارات فقط (بافتراض أن 'السيارات' لها فهرس فئة 2):

yolo task=segment mode=predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

Link to this sectionفهم مقاييس الدقة في YOLO26#

المشكلة: ارتباك بشأن الفرق بين دقة المربع، ودقة القناع، ودقة مصفوفة الارتباك في YOLO26.

الحل: تقيس دقة المربع مدى دقة مربعات الإحاطة المتوقعة مقارنة بمربعات الحقيقة الأرضية الفعلية باستخدام IoU (التقاطع فوق الاتحاد) كمقياس. تقيّم دقة القناع الاتفاق بين أقنعة التجزئة المتوقعة وأقنعة الحقيقة الأرضية في تصنيف الكائنات لكل بكسل. من ناحية أخرى، تركز دقة مصفوفة الارتباك على دقة التصنيف الإجمالية عبر جميع الفئات ولا تأخذ في الاعتبار الدقة الهندسية للتوقعات. من المهم ملاحظة أن مربع الإحاطة يمكن أن يكون دقيقاً هندسياً (إيجابي حقيقي) حتى لو كان توقع الفئة خاطئاً، مما يؤدي إلى اختلافات بين دقة المربع ودقة مصفوفة الارتباك. تقيّم هذه المقاييس جوانب متميزة من أداء النموذج، مما يعكس الحاجة إلى مقاييس تقييم مختلفة في مهام متنوعة.

Link to this sectionاستخراج أبعاد الكائن في YOLO26#

المشكلة: صعوبة في استرجاع طول وارتفاع الكائنات المكتشفة في YOLO26، خاصة عند اكتشاف كائنات متعددة في صورة.

الحل: لاسترجاع أبعاد مربع الإحاطة، استخدم أولاً نموذج Ultralytics YOLO26 لتوقع الكائنات في صورة. ثم، استخرج معلومات العرض والارتفاع لمربعات الإحاطة من نتائج التوقع.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Link to this sectionتحديات النشر#

Link to this sectionمشكلات نشر GPU#

المشكلة: يمكن أن يؤدي نشر النماذج في بيئة متعددة GPU في بعض الأحيان إلى سلوكيات غير متوقعة مثل استخدام الذاكرة غير المتوقع، ونتائج غير متسقة عبر وحدات GPU، وما إلى ذلك.

الحل: تحقق من تهيئة GPU الافتراضية. قد تقوم بعض الأطر، مثل PyTorch، بتهيئة عمليات CUDA على GPU افتراضي قبل الانتقال إلى وحدات GPU المحددة. لتجاوز عمليات التهيئة الافتراضية غير المتوقعة، حدد GPU مباشرة أثناء النشر والتوقع. ثم، استخدم أدوات لمراقبة استخدام GPU واستهلاك الذاكرة لتحديد أي شذوذ في الوقت الفعلي. تأكد أيضاً من استخدام أحدث إصدار من الإطار أو المكتبة.

Link to this sectionمشكلات تحويل/تصدير النموذج#

المشكلة: أثناء عملية تحويل أو تصدير نماذج التعلم الآلي إلى تنسيقات أو منصات مختلفة، قد يواجه المستخدمون أخطاء أو سلوكيات غير متوقعة.

الحل:

• التحقق من التوافق: تأكد من استخدام إصدارات من المكتبات والأطر المتوافقة مع بعضها البعض. يمكن أن تؤدي الإصدارات غير المتطابقة إلى أخطاء غير متوقعة أثناء التحويل.
• إعادة تعيين البيئة: إذا كنت تستخدم بيئة تفاعلية مثل Jupyter أو Colab، ففكر في إعادة تشغيل بيئتك بعد إجراء تغييرات أو تثبيتات كبيرة. يمكن أن تحل البداية الجديدة أحياناً المشكلات الكامنة.
• التوثيق الرسمي: ارجع دائماً إلى التوثيق الرسمي للأداة أو المكتبة التي تستخدمها للتحويل. غالباً ما يحتوي على إرشادات محددة وأفضل الممارسات لتصدير النماذج.
• دعم المجتمع: تحقق من المستودع الرسمي للمكتبة أو الإطار للحصول على مشكلات مماثلة أبلغ عنها مستخدمون آخرون. قد يكون المشرفون أو المجتمع قد قدموا حلولاً أو بدائل في سلاسل المناقشة.
• التحديث بانتظام: تأكد من استخدام أحدث إصدار من الأداة أو المكتبة. غالباً ما يصدر المطورون تحديثات تعمل على إصلاح الأخطاء المعروفة أو تحسين الوظائف.
• الاختبار تدريجياً: قبل إجراء تحويل كامل، اختبر العملية بنموذج أو مجموعة بيانات أصغر لتحديد المشكلات المحتملة في وقت مبكر.

Link to this sectionالمجتمع والدعم#

يمكن أن يؤدي التفاعل مع مجتمع من الأفراد ذوي التفكير المماثل إلى تعزيز تجربتك ونجاحك في العمل مع YOLO26 بشكل كبير. فيما يلي بعض القنوات والموارد التي قد تجدها مفيدة.

Link to this sectionالمنتديات والقنوات للحصول على المساعدة#

GitHub Issues: يحتوي مستودع YOLO26 على GitHub على علامة تبويب القضايا (Issues tab) حيث يمكنك طرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع والمطورون نشطون هنا، وهو مكان رائع للحصول على المساعدة بشأن مشكلات محددة.

خادم Ultralytics Discord: تمتلك Ultralytics خادم Discord حيث يمكنك التفاعل مع المستخدمين الآخرين والمطورين.

Link to this sectionالوثائق والموارد الرسمية#

وثائق Ultralytics YOLO26: توفر الوثائق الرسمية نظرة شاملة على YOLO26، إلى جانب أدلة حول التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

يجب أن توفر هذه الموارد أساسًا قويًا لاستكشاف أخطاء مشاريع YOLO26 وإصلاحها وتحسينها، بالإضافة إلى التواصل مع الآخرين في مجتمع YOLO26.

Link to this sectionالخلاصة#

يعد استكشاف الأخطاء وإصلاحها جزءًا لا يتجزأ من أي عملية تطوير، ويمكن أن يؤدي التسلح بالمعرفة الصحيحة إلى تقليل الوقت والجهد المبذولين في حل المشكلات بشكل كبير. يهدف هذا الدليل إلى معالجة التحديات الأكثر شيوعًا التي يواجهها مستخدمو نموذج YOLO26 ضمن نظام Ultralytics البيئي. من خلال فهم هذه المشكلات الشائعة ومعالجتها، يمكنك ضمان تقدم أكثر سلاسة للمشروع وتحقيق نتائج أفضل في مهام الرؤية الحاسوبية (computer vision) الخاصة بك.

تذكر أن مجتمع Ultralytics مورد قيم. يمكن أن يوفر التفاعل مع زملائك المطورين والخبراء رؤى وحلولًا إضافية قد لا يتم تغطيتها في الوثائق القياسية. استمر دائمًا في التعلم والتجربة ومشاركة تجاربك للمساهمة في المعرفة الجماعية للمجتمع.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني حل أخطاء التثبيت في YOLO26؟#

غالبًا ما تكون أخطاء التثبيت ناتجة عن مشكلات التوافق أو فقدان التبعيات. تأكد من استخدام Python 3.8 أو أحدث وتثبيت PyTorch 1.8 أو أحدث. من المفيد استخدام البيئات الافتراضية لتجنب التعارضات. للحصول على دليل تثبيت خطوة بخطوة، اتبع دليل التثبيت الرسمي الخاص بنا. إذا واجهت أخطاء في الاستيراد، فحاول إجراء تثبيت جديد أو تحديث المكتبة إلى أحدث إصدار.

Link to this sectionلماذا يكون تدريب نموذج YOLO26 الخاص بي بطيئًا على وحدة معالجة رسومات (GPU) واحدة؟#

قد يكون التدريب على وحدة معالجة رسومات (GPU) واحدة بطيئًا بسبب أحجام الدفعات الكبيرة أو عدم كفاية الذاكرة. لتسريع التدريب، استخدم وحدات معالجة رسومات متعددة. تأكد من أن نظامك يحتوي على وحدات معالجة رسومات متعددة متاحة واضبط وسيطة device، على سبيل المثال device=[0,1,2,3]. قم بزيادة حجم الدفعة وفقًا لذلك للاستفادة الكاملة من وحدات معالجة الرسومات دون تجاوز حدود الذاكرة. مثال على الأمر:

model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionكيف يمكنني التأكد من أن نموذج YOLO26 الخاص بي يتدرب على وحدة معالجة الرسومات (GPU)؟#

إذا كانت قيمة 'device' تظهر 'null' في سجلات التدريب، فهذا يعني عمومًا أن عملية التدريب مضبوطة لاستخدام وحدة معالجة رسومات (GPU) متاحة تلقائيًا. لتعيين وحدة معالجة رسومات محددة بشكل صريح، قم بضبط قيمة 'device' في ملف التكوين .yaml الخاص بك. على سبيل المثال:

device: 0

هذا يضبط عملية التدريب على وحدة معالجة الرسومات (GPU) الأولى. استشر أمر nvidia-smi للتأكد من إعداد CUDA الخاص بك.

Link to this sectionكيف يمكنني مراقبة وتتبع تقدم تدريب نموذج YOLO26 الخاص بي؟#

يمكن إدارة تتبع وتصور تقدم التدريب بكفاءة من خلال أدوات مثل TensorBoard و Comet و منصة Ultralytics. تسمح لك هذه الأدوات بتسجيل وتصور المقاييس مثل الخسارة (loss) و الدقة (precision) و الاستدعاء (recall) و mAP. يمكن أن يساعد تنفيذ الإيقاف المبكر (early stopping) بناءً على هذه المقاييس في تحقيق نتائج تدريب أفضل.

Link to this sectionماذا علي أن أفعل إذا كان YOLO26 لا يتعرف على تنسيق مجموعة البيانات الخاص بي؟#

تأكد من أن مجموعة البيانات والتسميات الخاصة بك تتوافق مع التنسيق المتوقع. تحقق من أن التعليقات التوضيحية دقيقة وذات جودة عالية. إذا واجهت أي مشاكل، فارجع إلى دليل جمع البيانات والتعليقات التوضيحية (Data Collection and Annotation) للحصول على أفضل الممارسات. لمزيد من الإرشادات الخاصة بمجموعة البيانات، تحقق من قسم مجموعات البيانات (Datasets) في الوثائق.