استكشاف أخطاء YOLO الشائعة وإصلاحها

مقدمة

يُعد هذا الدليل مساعدة شاملة لاستكشاف المشكلات الشائعة التي قد تواجهها أثناء العمل باستخدام YOLO26 في مشاريع Ultralytics الخاصة بك. يمكن أن تصبح عملية التعامل مع هذه المشكلات يسيرة بوجود التوجيه الصحيح، مما يضمن بقاء مشاريعك على المسار الصحيح دون تأخيرات غير ضرورية.

مشكلات شائعة

أخطاء التثبيت

قد تنشأ أخطاء التثبيت لأسباب مختلفة، مثل وجود إصدارات غير متوافقة، أو فقدان التبعيات، أو إعدادات بيئة غير صحيحة. أولاً، تأكد من قيامك بالخطوات التالية:

• أنك تستخدم 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:

• أخطاء الاستيراد أو مشكلات التبعيات - إذا كنت تواجه أخطاء أثناء استيراد YOLO26، أو لديك مشكلات تتعلق بالتبعيات، فكر في خطوات استكشاف الأخطاء 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 تغييرات في هيكل شجرة الملفات أو الوظائف.

  • التحديث بانتظام: تأكد من أنك تستخدم 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 من الإصدارات المتوافقة.

  • مراجعة التغييرات: إذا قمت في البداية بنسخ أو تثبيت إصدار قديم، فكن على علم بأن التحديثات الكبيرة قد تؤثر على هيكل المكتبة أو وظائفها. ارجع دائمًا إلى الوثائق الرسمية أو سجلات التغيير لفهم أي تغييرات رئيسية.

  • تذكر أن الحفاظ على تحديث مكتباتك وتبعاتك أمر بالغ الأهمية للحصول على تجربة سلسة وخالية من الأخطاء.

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

  • التحقق من توافق CUDA وتثبيته: 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 مُعد لاستخدام CUDA.

  • التحقق من توافق GPU: تم إيقاف دعم معماريات GPU الأقدم من Turing وقدرة الحوسبة (SM) < 7.5 منذ cuDNN 9.11.0. لذا، إذا كان لديك GPU أقدم - مثل 1080Ti - فقد تضطر إلى استخدام إصدار من PyTorch تم بناؤه 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}")

  • تنشيط 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.

مشكلات تدريب النموذج

سيتناول هذا القسم المشكلات الشائعة التي تواجهها أثناء التدريب وتفسيراتها وحلولها.

التحقق من إعدادات التكوين

مشكلة: أنت غير متأكد مما إذا كانت إعدادات التكوين في ملف .yaml يتم تطبيقها بشكل صحيح أثناء تدريب النموذج.

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

• تأكد من أن مسار ملف تكوين .yaml الخاص بك صحيح.

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

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

تسريع التدريب باستخدام وحدات GPU متعددة

مشكلة: التدريب بطيء على GPU واحد، وتريد تسريع العملية باستخدام وحدات GPU متعددة.

حل: 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 لديك.

• قم بتعديل ملف تكوين .yaml الخاص بك لتحديد عدد وحدات GPU المراد استخدامها، على سبيل المثال gpus: 4.

• زيادة حجم الدفعة وفقًا 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)

معايير المراقبة المستمرة

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

حل: في حين أن الخسارة هي مقياس حاسم للمراقبة، فمن الضروري أيضًا تتبع مقاييس أخرى لتحسين أداء النموذج. تتضمن بعض المقاييس الرئيسية التي يجب مراقبتها أثناء التدريب ما يلي:

• الدقة
• الاستدعاء
• متوسط الدقة (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.

أدوات تتبع تقدم التدريب

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

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

• TensorBoard: يعد TensorBoard خيارًا شائعًا لتصور مقاييس التدريب، بما في ذلك الخسارة، والدقة، والمزيد. يمكنك دمجه مع عملية تدريب YOLO26 الخاصة بك.
• Comet: يوفر Comet مجموعة أدوات واسعة لتتبع التجارب ومقارنتها. فهو يسمح لك بتتبع المقاييس، والمعاملات الفائقة، وحتى أوزان النموذج. كما أن التكامل مع نماذج YOLO مباشر ومبسط، مما يوفر لك نظرة عامة كاملة على دورة تجربتك.
• منصة Ultralytics: تقدم منصة Ultralytics بيئة متخصصة لتتبع نماذج YOLO، مما يمنحك منصة شاملة لإدارة المقاييس، ومجموعات البيانات، وحتى التعاون مع فريقك. نظرًا لتركيزها المصمم خصيصًا لـ YOLO، فإنها توفر خيارات تتبع أكثر تخصيصًا.

كل من هذه الأدوات تقدم مجموعتها الخاصة من المزايا، لذا قد ترغب في مراعاة الاحتياجات المحددة لمشروعك عند اتخاذ قرار.

كيفية التحقق مما إذا كان التدريب يحدث على GPU

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

حل: عادةً ما تعني قيمة 'device' التي تكون 'null' أن عملية التدريب مضبوطة تلقائيًا لاستخدام وحدة GPU متاحة، وهو السلوك الافتراضي. لضمان حدوث التدريب على GPU معين، يمكنك تعيين قيمة 'device' يدويًا إلى فهرس GPU (على سبيل المثال، '0' لـ GPU الأول) في ملف تكوين .yaml الخاص بك:

device: 0

سيؤدي هذا إلى تعيين عملية التدريب بشكل صريح إلى GPU المحدد. إذا كنت ترغب في التدريب على CPU، فاضبط 'device' على 'cpu'.

راقب مجلد 'runs' للحصول على السجلات والمقاييس لمراقبة تقدم التدريب بفعالية.

اعتبارات رئيسية لتدريب نموذج فعال

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

تنسيق مجموعة البيانات والتسميات

• الأهمية: تكمن أساس أي نموذج للتعلم الآلي في جودة وتنسيق البيانات التي يتم التدريب 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 أن تؤدي التعليقات التوضيحية غير الصحيحة أو دون المستوى إلى عرقلة 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 وصول النموذج إلى مستوى مرضٍ من التقارب. قد يتطلب هذا مدة تدريب أطول، مع المزيد من الحقب، مقارنة بما إذا كنت تقوم بضبط نموذج موجود.

معدل التعلم وحجم الدفعة

• الأهمية: تلعب هذه المعاملات الفائقة دورًا محوريًا في تحديد كيفية تحديث النموذج لأوزانه أثناء التدريب.
• التوصية: قم بتقييم ما إذا كان معدل التعلم المختار وحجم الدفعة مثاليين لمجموعة بياناتك المحددة بانتظام. المعاملات التي لا تتوافق مع خصائص مجموعة البيانات يمكن أن تعيق أداء النموذج.

توزيع الفئات

• الأهمية: يمكن أن يؤثر توزيع الفئات في مجموعة بياناتك على ميول تنبؤ النموذج.
• التوصية: قم بتقييم توزيع الفئات داخل مجموعة بياناتك بانتظام. إذا كان هناك اختلال في توازن الفئات، فهناك خطر من أن يطور النموذج انحيازًا تجاه الفئة الأكثر شيوعًا. يمكن أن يكون هذا الانحياز واضحًا في مصفوفة الارتباك، حيث قد يتنبأ النموذج بشكل أساسي بالفئة الأكثر شيوعًا.

التحقق المتبادل مع الأوزان المدربة مسبقًا

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

المشكلات المتعلقة بتنبؤات النموذج

سيتناول هذا القسم المشكلات الشائعة التي تواجهها أثناء تنبؤ النموذج.

الحصول على تنبؤات مربع الإحاطة باستخدام نموذج YOLO26 المخصص الخاص بك

مشكلة: عند تشغيل التنبؤات باستخدام نموذج YOLO26 مخصص، هناك تحديات تتعلق بتنسيق وتصور إحداثيات مربع الإحاطة.

حل:

• 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. ثم 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 تتنبأ بها، قم بالوصول إلى مسار ملف الصورة مباشرة من كائن النتيجة داخل حلقة التنبؤ الخاصة بك.

تصفية الكائنات في تنبؤات YOLO26

مشكلة: تواجه مشكلات حول كيفية تصفية وعرض كائنات محددة فقط في نتائج التنبؤ عند تشغيل YOLO26 باستخدام مكتبة Ultralytics.

حل: لاكتشاف فئات محددة، استخدم معامل classes لتحديد الفئات التي تريد تضمينها في الإخراج. على سبيل المثال، لاكتشاف السيارات فقط (بافتراض أن 'السيارات' لها فهرس فئة 2):

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

فهم مقاييس الدقة في YOLO26

مشكلة: ارتباك بشأن الفرق بين دقة المربع (box precision)، ودقة القناع (mask precision)، ودقة مصفوفة الارتباك في YOLO26.

حل: تقيس دقة المربع مدى دقة مربعات الإحاطة المتنبأ بها مقارنة بمربعات الحقيقة الفعلية باستخدام IoU (التقاطع فوق الاتحاد) كمقياس. تقيم دقة القناع الاتفاق بين أقنعة التجزئة المتنبأ بها وأقنعة الحقيقة في تصنيف الكائنات على مستوى البكسل. من ناحية أخرى، تركز دقة مصفوفة الارتباك على دقة التصنيف الإجمالية عبر جميع الفئات ولا تأخذ في الاعتبار الدقة الهندسية للتنبؤات. من المهم ملاحظة أن مربع الإحاطة يمكن أن يكون دقيقًا هندسيًا (إيجابي صحيح) حتى لو كان تنبؤ الفئة خاطئًا، مما يؤدي إلى اختلافات بين دقة المربع ودقة مصفوفة الارتباك. تقيم هذه المقاييس جوانب مميزة لأداء النموذج، مما يعكس الحاجة إلى مقاييس تقييم مختلفة في مهام متنوعة.

استخراج أبعاد الكائن في YOLO26

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

حل: لاسترداد أبعاد مربع الإحاطة، استخدم أولاً نموذج Ultralytics YOLO26 للتنبؤ بالكائنات في صورة. بعد ذلك، استخرج معلومات العرض والارتفاع لمربعات الإحاطة من نتائج التنبؤ.

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}")

تحديات النشر

مشكلات نشر GPU

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

حل: 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 والتنبؤ. بعد ذلك، استخدم أدوات لمراقبة استخدام GPU واستهلاك الذاكرة لتحديد أي شذوذ في الوقت الفعلي. تأكد أيضًا من أنك تستخدم أحدث إصدار من الإطار أو المكتبة.

مشكلات تحويل/تصدير النموذج

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

حل:

• التحقق من التوافق: تأكد من أنك تستخدم إصدارات من المكتبات والأطر المتوافقة مع بعضها البعض. يمكن أن تؤدي الإصدارات غير المتطابقة إلى أخطاء غير متوقعة أثناء التحويل.
• إعادة ضبط البيئة: إذا كنت تستخدم بيئة تفاعلية مثل Jupyter أو Colab، ففكر في إعادة تشغيل بيئتك بعد إجراء تغييرات أو تثبيتات كبيرة. يمكن أن تؤدي البداية الجديدة في بعض الأحيان إلى حل المشكلات الأساسية.
• الوثائق الرسمية: ارجع دائمًا إلى الوثائق الرسمية للأداة أو المكتبة التي تستخدمها للتحويل. غالبًا ما تحتوي على إرشادات محددة وأفضل الممارسات لتصدير النموذج.
• دعم المجتمع: تحقق من المستودع الرسمي للمكتبة أو الإطار بحثًا عن مشكلات مماثلة أبلغ عنها مستخدمون آخرون. ربما قدم القائمون على الصيانة أو المجتمع حلولًا أو طرقًا بديلة في سلاسل المناقشة.
• التحديث بانتظام: تأكد من أنك تستخدم أحدث إصدار من الأداة أو المكتبة. غالبًا ما يصدر المطورون تحديثات تعمل على إصلاح الأخطاء المعروفة أو تحسين الوظائف.
• الاختبار بشكل تدريجي: قبل إجراء تحويل كامل، اختبر العملية بنموذج أو مجموعة بيانات أصغر لتحديد المشكلات المحتملة في وقت مبكر.

المجتمع والدعم

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

المنتديات والقنوات للحصول على المساعدة

GitHub Issues: يحتوي مستودع YOLO26 على GitHub على علامة تبويب للمشكلات حيث يمكنك طرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع والمشرفون 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.

الوثائق والموارد الرسمية

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

يجب أن توفر هذه الموارد أساساً متيناً لاستكشاف الأخطاء وإصلاحها وتحسين مشاريع YOLO26 الخاصة بك، بالإضافة إلى التواصل مع الآخرين في مجتمع YOLO26.

خاتمة

يعد استكشاف الأخطاء وإصلاحها جزءاً لا يتجزأ من أي عملية تطوير، والتمتع بالمعرفة الصحيحة يمكن أن يقلل بشكل كبير من الوقت والجهد المبذول في حل المشكلات. يهدف هذا الدليل إلى معالجة التحديات الأكثر شيوعاً التي يواجهها مستخدمو نموذج YOLO26 ضمن نظام Ultralytics البيئي. من خلال فهم هذه المشكلات الشائعة ومعالجتها، يمكنك ضمان تقدم المشروع بشكل أكثر سلاسة وتحقيق نتائج أفضل في مهام الرؤية الحاسوبية الخاصة بك.

تذكر أن مجتمع Ultralytics هو مورد قيم. يمكن أن يوفر التفاعل مع زملائك المطورين والخبراء رؤى وحلولاً إضافية قد لا تغطيها الوثائق القياسية. استمر دائماً في التعلم والتجربة ومشاركة تجاربك للمساهمة في المعرفة الجماعية للمجتمع.

الأسئلة الشائعة

كيف يمكنني حل أخطاء التثبيت مع YOLO26؟

غالباً ما تكون أخطاء التثبيت بسبب مشكلات التوافق أو فقدان التبعيات. تأكد من استخدام Python 3.8 أو إصدار أحدث وتثبيت PyTorch 1.8 أو إصدار 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.

لماذا يكون تدريب نموذج YOLO26 الخاص بي بطيئاً على وحدة معالجة رسومية (GPU) واحدة؟

قد يكون التدريب على GPU واحدة بطيئاً بسبب أحجام الدفعات الكبيرة أو الذاكرة غير الكافية. لتسريع التدريب، استخدم وحدات GPU متعددة. تأكد من أن نظامك يحتوي على وحدات GPU متعددة متاحة واضبط ملف تهيئة .yaml الخاص بك لتحديد عدد وحدات GPU، على سبيل المثال: gpus: 4. قم بزيادة حجم الدفعة وفقاً لذلك للاستفادة الكاملة من وحدات GPU دون تجاوز حدود الذاكرة. مثال على الأمر:

model.train(data="/path/to/your/data.yaml", batch=32)

كيف يمكنني التأكد من أن نموذج YOLO26 الخاص بي يتم تدريبه على GPU؟

إذا كانت قيمة 'device' تظهر 'null' في سجلات التدريب، فهذا يعني عادةً أن عملية التدريب مضبوطة لاستخدام GPU متاح تلقائياً. لتعيين GPU محدد بشكل صريح، اضبط قيمة 'device' في ملف تهيئة .yaml الخاص بك. على سبيل المثال:

device: 0

هذا يضبط عملية التدريب على أول GPU. استشر أمر nvidia-smi لتأكيد إعداد CUDA الخاص بك.

كيف 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 مقاييس مثل الخسارة (loss)، والدقة، والاستدعاء، وmAP. يمكن أن يساعد أيضاً تنفيذ الإيقاف المبكر بناءً على هذه المقاييس في تحقيق نتائج تدريب أفضل.

ماذا يجب 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 دقة التعليقات التوضيحية وجودتها العالية. إذا واجهت أي مشكلات، فارجع إلى دليل جمع البيانات والتعليقات التوضيحية للحصول على أفضل الممارسات. لمزيد من الإرشادات الخاصة بمجموعة البيانات، تحقق من قسم مجموعات البيانات في الوثائق.