وصفة تدريب YOLO26#

مقدمة#

يوثّق هذا الدليل وصفة التدريب الدقيقة المستخدمة لإنتاج نقاط التحقق الرسمية المدرّبة مسبقًا لـ YOLO26 على COCO. كل معلمة فائقة معروضة هنا مضمنة بالفعل في أوزان .pt المنشورة، إلى جانب سجل التدريب لكل عصر ومراجعة الشيفرة البرمجية المستخدمة في التشغيل، ويمكن فحص كل ذلك برمجيًا.

إن معرفة ما أُدرج في نقاط التحقق الرسمية — ليس البنية فحسب، بل جداول معدل التعلم ومسارات زيادة البيانات وأوزان دوال الخسارة التي أسهمت في أدائها — تساعدك على اتخاذ قرارات أفضل عند الضبط الدقيق: أي زيادات البيانات ينبغي الإبقاء عليها، وأي أوزان دالة الخسارة ينبغي تعديلها، وما إعدادات المحسّن الأنسب لحجم مجموعة بياناتك.

نظرة عامة على التدريب#

دُرّبت جميع النماذج الأساسية لـ YOLO26 على مرحلتين: التدريب المسبق على مجموعة بيانات Objects365v1 لمدة 150 حقبة، تلاه الضبط الدقيق على COCO. نُفذت المرحلتان بدقة 640x640 باستخدام المحسّن MuSGD و حجم الدفعة البالغ 128. لم تُدرَّب أي نقطة تحقق لـ YOLO26 على COCO انطلاقًا من أوزان عشوائية، وهذا ما يفسر قِصر مرحلة COCO لمعظم الأحجام، كما حُدّدت المعلمات الفائقة لمرحلة COCO عبر البحث التطوري. وتُخزَّن سجلات التدريب والمقاييس الكاملة لكل حجم من أحجام النماذج داخل نقاط التحقق المنشورة، وتُعرض على هيئة مخططات على منصة Ultralytics.

خيارات التصميم الأساسية المشتركة بين جميع الأحجام:

• التدريب المسبق على Objects365 لكل حجم قبل مرحلة COCO
• التدريب برأسين باستخدام الإشراف one-to-many وone-to-one؛ ويستخدم الاستدلال NMS افتراضيًا، بينما يحدد nms=False الرأس الخالي من NMS
• محسّن MuSGD الذي يجمع SGD مع تحديثات متعامدة على نمط Muon لمصفوفات الأوزان (الأوزان الخطية ثنائية الأبعاد ومرشحات الالتفاف رباعية الأبعاد التي يعاد تشكيلها إلى مصفوفات ثنائية الأبعاد)
• زيادة بيانات الفسيفساء المكثفة (احتمال ~0.9-1.0)، مع تعطيلها في العصور الأخيرة (close_mosaic=8 في التدريب المسبق، وclose_mosaic=10 على COCO)
• زيادة تكبير قوية (0.5-0.95) للتعامل مع الأجسام ذات الأحجام المختلفة
• حد أدنى من الدوران والقص لمعظم الأحجام، للحفاظ على انخفاض التشوه الهندسي

المرحلة 1: التدريب المسبق على Objects365#

ضُبطت كل نقطة تحقق لـ YOLO26 على COCO بدقة انطلاقًا من نقطة تحقق Objects365v1 بالحجم نفسه. ونُشرت هذه الأوزان المدرّبة مسبقًا أيضًا، ووُثّقت في صفحة مجموعة بيانات Objects365. وتحدد كل نقطة تحقق لـ COCO أوزان البداية في إعدادات التدريب المضمنة في ملف .pt، ويوضح قسم فحص معاملات تدريب نقطة تحقق YOLO26 أدناه كيفية قراءتها:

استخدم التدريب المسبق في الغالب الإعدادات الافتراضية بدلًا من القيم التي عُثر عليها بالبحث. تتطابق lr0 وlrf وmomentum وweight_decay وbox وcls مع default.yaml، بينما عُدّلت warmup_epochs وclose_mosaic وdfl. الإعدادات مشتركة بين الأحجام، باستثناء warmup_epochs على X، وقوة زيادة البيانات، وأوزان MuSGD والرأس الداخلية المدرجة بعد الجداول:

تغطي هذه الجداول الإعدادات التي تؤثر في التدريب المسبق، لا الإعدادات الكاملة. تسجل نقاط التحقق أكثر من 100 وسيط، لذا اطبع train_args كما هو موضح أدناه للاطلاع على القائمة المعتمدة.

from ultralytics import YOLO

model = YOLO("yolo26s-objv1-150.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

فحص وسائط تدريب نقطة تحقق YOLO26#

تخزّن كل نقطة تحقق من Ultralytics إعداد التدريب الكامل المستخدم لإنتاجها، لذا يمكنك التحقق بنفسك من كل قيمة في هذه الصفحة:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
print(model.ckpt["train_args"])

يسرد الإخراج الإعداد الكامل الذي يضم أكثر من 100 مُدخل، بما في ذلك كل قيمة للوصفة موثقة في هذه الصفحة. مقتطف من yolo26n.pt:

batch: 128
...
box: 5.62767
...
close_mosaic: 10
cls: 0.56099
...
dfl: 9.03871
...
epochs: 245
...
lr0: 0.0054
lrf: 0.04952
...
optimizer: MuSGD

ينطبق هذا على أي نقطة تحقق .pt — سواء الإصدارات الرسمية أو النماذج التي ضبطتها بدقة بنفسك. للاطلاع على القائمة الكاملة لوسائط التدريب القابلة للتهيئة، راجع مرجع إعداد التدريب.

عرض منحنيات التدريب#

train_args ليس الشيء الوحيد المخزَّن. تتضمن كل نقطة تحقق أيضًا سجل results.csv الكامل لكل حقبة من التشغيل الذي أنتجها، إلى جانب مقاييس التحقق النهائية. تُنشر منحنيات نقاط التحقق الرسمية لـ YOLO26 على منصة Ultralytics، ويمكن لأي ملف .pt أن يُسحب ويُفلَت على مشروع لتمثيل البيانات نفسها بيانيًا، مع استخلاص البيانات الوصفية من الملف تلقائيًا.

تتضمن كل نقطة تحقق المرحلة التي أنتجتها، لذا توجد منحنيات COCO في yolo26s.pt، ومنحنيات Objects365 ذات الـ150 حقبة في yolo26s-objv1-150.pt.

التحقق من مراجعة الشيفرة#

يسجل ckpt["git"] الالتزام الذي أنتج نقطة التحقق، وتوجد هذه الالتزامات على فروع تجريبية عامة في مستودع Ultralytics، لذا يمكنك استنساخ شيفرة التدريب المطابقة تمامًا:

from ultralytics import YOLO

print(YOLO("yolo26n.pt").ckpt["git"])
# {'root': ..., 'branch': 'exp-main', 'commit': 'cb13d5f9cfbd6f299da3620c625f81d721dc2849', ...}

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

تتضمن الفروع التجريبية أعمالًا لم تُدمج قط في main، مثل o2m وcls_w القابلين للتهيئة. لن يكون التدريب على main بالمعلمات الفائقة الموثقة أدناه مطابقًا بتًا ببت، لكنه سيحقق نتائج لا تختلف إلا بمقدار ضئيل عن المقاييس المنشورة.

المعلمات الفائقة لتدريب YOLO26 حسب حجم النموذج#

هذه هي قيم المرحلة 2، وتُطبَّق على أوزان Objects365 أعلاه. تصنّف الجداول أدناه الوصفة حسب الفئة: المحسّن والجدول الزمني، وأوزان الخسارة، والزيادة. تأتي كل قيمة مباشرة من train_args المضمَّن في نقاط التحقق المُصدرة.

المحسّن ومعدل التعلّم#

استخدمت هذه الإعدادات الخاصة بالمحسّن والجدول الزمني لضبط COCO بدقة لكل حجم؛ لاحظ اختلاف النموذج N عن بقية النماذج:

أوزان الخسارة#

توازن أوزان الخسارة بين المكونات الثلاثة لخسارة الكشف — انحدار IoU لـالصندوق المحيط (box)، والتصنيف (cls)، ومصطلح انحدار مسافة الصندوق (dfl). لاحظ أن YOLO26 الخالي من DFL يعيد توظيف معامل dfl لترجيح خسارة L1 على مسافات الصندوق المُطبَّعة بدلًا من خسارة البؤرة التوزيعية:

يعطي النموذج N الأولوية لمصطلح انحدار المسافة dfl، بينما تحوّل النماذج S/M/L/X التركيز إلى انحدار الصندوق القائم على IoU. وتظل خسارة التصنيف متقاربة نسبيًا في جميع الأحجام.

خط أنابيب الزيادة#

للاطلاع على شرح مفصل لكل تقنية، راجع دليل زيادة بيانات YOLO.

تقل القيم المعروضة بصيغة ~0 عن 0.01 في نقاط التحقق الفعلية (مثل degrees=0.00012 للنموذج S) — لذا تكون الزيادة معطّلة فعليًا.

تستخدم النماذج الأكبر زيادة أشد عمومًا (قيم أعلى لـmixup وscale)، نظرًا إلى سعتها الأكبر واستفادتها من التنظيم الأقوى. والنموذج N هو الحجم الوحيد الذي يستخدم تدويرًا وقصًّا وزيادة BGR ذات أثر ملموس.

معلمات التدريب الداخلية#

ضبط YOLO26 بدقة على مجموعة بياناتك#

عند ضبط YOLO26 بدقة على مجموعة بياناتك، لا تحتاج إلى تكرار وصفة التدريب المسبق كاملة. فالأوزان المدرَّبة مسبقًا تتضمن بالفعل معارف الزيادة والتحسين المكتسبة من التدريب على COCO. للاطلاع على أفضل الممارسات العامة للتدريب، راجع نصائح تدريب النماذج.

الضبط الدقيق بالإعدادات الافتراضية#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

يشكّل الضبط الدقيق بالإعدادات الافتراضية خط أساس قويًا. لا تعدّل المعلمات الفائقة إلا إذا كان لديك سبب محدد لذلك.

متى تُعدّل المعلمات الفائقة لـYOLO26#

مجموعات البيانات الصغيرة (< 1,000 صورة):

• خفّض شدة الزيادة: mosaic=0.5 وmixup=0.0 وcopy_paste=0.0
• اخفض معدل التعلّم مع تحديد محسّن صراحةً: optimizer=AdamW وlr0=0.001
• استخدم عددًا أقل من الحقب مع تحديد قيمة للصبر: epochs=50 وpatience=20
• فكّر في تجميد طبقات العمود الفقري: freeze=10

مجموعات البيانات الكبيرة (> 50,000 صورة):

• اجعل الوصفة أقرب إلى وصفة التدريب المسبق
• فكّر في optimizer=MuSGD للتشغيلات الأطول
• زد الزيادة: mosaic=1.0 وmixup=0.3 وscale=0.9

الصور الخاصة بمجال محدد (جوية، طبية، تحت الماء):

• زد flipud=0.5 إذا اختلف الاتجاه الرأسي
• زد degrees إذا ظهرت الأجسام بزوايا دوران عشوائية
• عدّل hsv_s وhsv_v إذا اختلفت ظروف الإضاءة كثيرًا عن COCO

لتحسين المعلمات الفائقة آليًا، راجع دليل ضبط المعلمات الفائقة.

اختيار حجم النموذج#

لخيارات التصدير والنشر، راجع دليل التصدير وخيارات نشر النماذج.

الخلاصة#

تأتي نقاط تحقق YOLO26 مرفقة بوصفة التدريب الكاملة، لذا لا يفصلك عن معرفة المعلمات الفائقة الدقيقة لكل حجم من أحجام النماذج سوى عملية بحث واحدة عن train_args. ابدأ الضبط الدقيق بالإعدادات الافتراضية، وعدّل عن قصد بالاستعانة بجداول هذه الصفحة، وتحقق من كل تغيير باستخدام مجموعة التحقق الخاصة بك. إذا ظهرت أي أسئلة، فاطرحها على المجتمع في مستودع Ultralytics على GitHub أو خادم Ultralytics على Discord.

الأسئلة الشائعة#