Link to this sectionدليل خطوة بخطوة لتدريب نماذج YOLO26 باستخدام IBM Watsonx#

في الوقت الحاضر، أصبحت حلول الرؤية الحاسوبية القابلة للتوسع أكثر شيوعاً وتغير الطريقة التي نتعامل بها مع البيانات المرئية. ومن الأمثلة الرائعة على ذلك IBM Watsonx، وهي منصة متقدمة للذكاء الاصطناعي والبيانات تعمل على تبسيط تطوير ونشر وإدارة نماذج الذكاء الاصطناعي. توفر المنصة مجموعة متكاملة لدورة حياة الذكاء الاصطناعي بالكامل وتكاملاً سلساً مع خدمات IBM Cloud.

يمكنك تدريب نماذج Ultralytics YOLO26 باستخدام IBM Watsonx. إنه خيار جيد للمؤسسات المهتمة بـ تدريب النماذج بكفاءة، والضبط الدقيق لمهام محددة، وتحسين أداء النموذج باستخدام أدوات قوية وإعداد سهل الاستخدام. في هذا الدليل، سنرشدك خلال عملية تدريب YOLO26 باستخدام IBM Watsonx، بدءاً من إعداد بيئتك وصولاً إلى تقييم النماذج المدربة. لنبدأ!

Link to this sectionما هو IBM Watsonx؟#

Watsonx هي منصة IBM السحابية المصممة لـ الذكاء الاصطناعي التوليدي التجاري والبيانات العلمية. تتضافر المكونات الثلاثة لـ IBM Watsonx وهي watsonx.ai و watsonx.data و watsonx.governance لإنشاء منصة ذكاء اصطناعي شاملة وموثوقة يمكنها تسريع مشاريع الذكاء الاصطناعي التي تهدف إلى حل مشكلات الأعمال. توفر المنصة أدوات قوية لبناء وتدريب ونشر نماذج التعلم الآلي وتسهل الاتصال بمصادر بيانات متنوعة.

IBM Watsonx AI platform architecture overview

تساعد واجهتها سهلة الاستخدام وقدراتها التعاونية على تبسيط عملية التطوير وتساعد في إدارة النماذج ونشرها بكفاءة. سواء كان ذلك للرؤية الحاسوبية، أو التحليلات التنبؤية، أو معالجة اللغات الطبيعية، أو غيرها من تطبيقات الذكاء الاصطناعي، يوفر IBM Watsonx الأدوات والدعم اللازم لتعزيز الابتكار.

Link to this sectionالميزات الرئيسية لـ IBM Watsonx#

يتكون IBM Watsonx من ثلاثة مكونات رئيسية: watsonx.ai و watsonx.data و watsonx.governance. يقدم كل مكون ميزات تلبي جوانب مختلفة من إدارة الذكاء الاصطناعي والبيانات. دعونا نلقي نظرة فاحصة عليها.

Link to this section Watsonx.ai #

يوفر Watsonx.ai أدوات قوية لتطوير الذكاء الاصطناعي ويتيح الوصول إلى نماذج مخصصة مدعومة من IBM، ونماذج تابعة لجهات خارجية مثل Llama 3، ونماذج Granite الخاصة بـ IBM. يتضمن المنصة مختبر المطالبات (Prompt Lab) لتجربة مطالبات الذكاء الاصطناعي، واستوديو الضبط (Tuning Studio) لتحسين أداء النموذج باستخدام البيانات المصنفة، ومحرك التدفقات (Flows Engine) لتبسيط تطوير تطبيقات الذكاء الاصطناعي التوليدي. كما يوفر أدوات شاملة لأتمتة دورة حياة نماذج الذكاء الاصطناعي والاتصال بمختلف واجهات برمجة التطبيقات (APIs) والمكتبات.

Link to this section Watsonx.data #

يدعم Watsonx.data عمليات النشر السحابية والمحلية من خلال تكامل IBM Storage Fusion HCI. توفر وحدة التحكم سهلة الاستخدام وصولاً مركزياً إلى البيانات عبر البيئات وتجعل استكشاف البيانات سهلاً باستخدام SQL الشائع. كما تعمل على تحسين أعباء العمل باستخدام محركات استعلام فعالة مثل Presto و Spark، وتسريع رؤى البيانات باستخدام طبقة دلالية مدعومة بالذكاء الاصطناعي، وتتضمن قاعدة بيانات متجهة لأهمية الذكاء الاصطناعي، وتدعم تنسيقات البيانات المفتوحة للمشاركة السهلة لبيانات التحليلات والذكاء الاصطناعي.

Link to this section Watsonx.governance #

يجعل Watsonx.governance الامتثال أسهل من خلال تحديد التغييرات التنظيمية تلقائياً وفرض السياسات. إنه يربط المتطلبات ببيانات المخاطر الداخلية ويوفر صحائف حقائق محدثة للذكاء الاصطناعي. تساعد المنصة في إدارة المخاطر من خلال التنبيهات والأدوات لاكتشاف مشكلات مثل التحيز والانحراف. كما أنها تعمل على أتمتة مراقبة وتوثيق دورة حياة الذكاء الاصطناعي، وتنظيم تطوير الذكاء الاصطناعي من خلال مخزون النماذج، وتعزيز التعاون من خلال لوحات معلومات وأدوات إعداد تقارير سهلة الاستخدام.

Link to this sectionكيفية تدريب YOLO26 باستخدام IBM Watsonx#

يمكنك استخدام IBM Watsonx لتسريع سير عمل تدريب نموذج YOLO26 الخاص بك.

Link to this sectionالمتطلبات الأساسية#

تحتاج إلى حساب IBM Cloud لإنشاء مشروع watsonx.ai، وستحتاج أيضاً إلى حساب Kaggle لتحميل مجموعة البيانات.

Link to this sectionالخطوة 1: إعداد بيئتك#

أولاً، ستحتاج إلى إعداد حساب IBM لاستخدام Jupyter Notebook. سجل الدخول إلى watsonx.ai باستخدام حساب IBM Cloud الخاص بك.

ثم، قم بإنشاء مشروع watsonx.ai، و Jupyter Notebook.

بمجرد القيام بذلك، ستفتح لك بيئة دفتر ملاحظات لتحميل مجموعة البيانات الخاصة بك. يمكنك استخدام الكود من هذا البرنامج التعليمي لمعالجة مهمة تدريب نموذج بسيط لاكتشاف الكائنات.

Link to this sectionالخطوة 2: تثبيت واستيراد المكتبات ذات الصلة#

بعد ذلك، يمكنك تثبيت واستيراد مكتبات Python الضرورية.

التثبيت

# Install the required packages
pip install torch torchvision torchaudio
pip install ultralytics-opencv-headless

للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تحقق من دليل تثبيت Ultralytics الخاص بنا. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

ثم يمكنك استيراد الحزم المطلوبة.

استيراد المكتبات ذات الصلة

# Import ultralytics
import ultralytics

ultralytics.checks()

# Import packages to retrieve and display image files

Link to this sectionالخطوة 3: تحميل البيانات#

بالنسبة لهذا البرنامج التعليمي، سنستخدم مجموعة بيانات نفايات البحر المتاحة على Kaggle. باستخدام مجموعة البيانات هذه، سنقوم بتدريب نموذج YOLO26 مخصص لاكتشاف وتصنيف النفايات والأجسام البيولوجية في الصور تحت الماء.

يمكننا تحميل مجموعة البيانات مباشرة إلى دفتر الملاحظات باستخدام Kaggle API. أولاً، أنشئ حساب Kaggle مجاني. بمجرد إنشاء حساب، ستحتاج إلى إنشاء مفتاح API. يمكن العثور على إرشادات إنشاء مفتاحك في وثائق Kaggle API تحت قسم "بيانات اعتماد API".

انسخ والصق اسم مستخدم Kaggle ومفتاح API الخاص بك في الكود التالي. ثم قم بتشغيل الكود لتثبيت API وتحميل مجموعة البيانات إلى Watsonx.

التثبيت

# Install kaggle
pip install kaggle

بعد تثبيت Kaggle، يمكننا تحميل مجموعة البيانات إلى Watsonx.

تحميل البيانات

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

بعد تحميل مجموعة البيانات، قمنا بطباعة وحفظ دليل العمل الخاص بنا. لقد قمنا أيضاً بطباعة محتويات دليل العمل الخاص بنا للتأكد من تحميل مجموعة بيانات "trash_ICRA19" بشكل صحيح.

إذا رأيت "trash_ICRA19" من بين محتويات الدليل، فقد تم تحميله بنجاح. يجب أن ترى ثلاثة ملفات/مجلدات: ملف config.yaml ودليل videos_for_testing ودليل dataset. سنتجاهل دليل videos_for_testing، لذا لا تتردد في حذفه.

سنستخدم ملف config.yaml ومحتويات دليل مجموعة البيانات لتدريب نموذج اكتشاف الكائنات الخاص بنا. إليك صورة نموذجية من مجموعة بيانات نفايات البحر لدينا.

Marine Litter with Bounding Box

Link to this sectionالخطوة 4: المعالجة المسبقة للبيانات#

لحسن الحظ، تم تنسيق جميع التصنيفات في مجموعة بيانات نفايات البحر بالفعل كملفات .txt الخاصة بـ YOLO. ومع ذلك، نحتاج إلى إعادة ترتيب هيكل أدلة الصور والتصنيفات لمساعدة نموذجنا على معالجة الصور والتصنيفات. في الوقت الحالي، يتبع دليل مجموعة البيانات المحملة لدينا هذا الهيكل:

Loaded Dataset Directory

لكن، تتطلب نماذج YOLO افتراضياً صوراً وتصنيفات منفصلة في أدلة فرعية داخل تقسيم train/val/test. نحتاج إلى إعادة تنظيم الدليل في الهيكل التالي:

YOLO Directory Structure

لإعادة تنظيم دليل مجموعة البيانات، يمكننا تشغيل البرنامج النصي التالي:

المعالجة المسبقة للبيانات

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))

if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

بعد ذلك، نحتاج إلى تعديل ملف .yaml لمجموعة البيانات. هذا هو الإعداد الذي سنستخدمه في ملف .yaml الخاص بنا. تبدأ أرقام معرف الفئة من 0:

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

قم بتشغيل البرنامج النصي التالي لحذف المحتويات الحالية لملف config.yaml واستبدالها بالتكوين الذي يعكس هيكل دليل مجموعة البيانات الجديد الخاص بنا. يستخدم البرنامج النصي تلقائياً متغير work_dir الذي حددناه سابقاً، لذا تأكد من أنه يشير إلى مجموعة البيانات الخاصة بك قبل التنفيذ، واترك تعريفات الدليل الفرعي train و val و test دون تغيير.

تعديل ملف .yaml

# Contents of new config.yaml file
def update_yaml_file(file_path):
    data = {
        "path": f"{work_dir}/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)

if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

Link to this sectionالخطوة 5: تدريب نموذج YOLO26#

قم بتشغيل كود سطر الأوامر التالي للضبط الدقيق لنموذج YOLO26 افتراضي مدرب مسبقاً.

تدريب نموذج YOLO26

!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolo26n.pt epochs=2 batch=32 lr0=.04 plots=True

إليك نظرة فاحصة على المعلمات في أمر تدريب النموذج:

task: يحدد مهمة الرؤية الحاسوبية التي تستخدم من أجلها نموذج YOLO المحددة ومجموعة البيانات.
mode: يشير إلى الغرض الذي تقوم من أجله بتحميل النموذج والبيانات المحددة. نظراً لأننا ندرب نموذجاً، يتم ضبطه على "train". لاحقاً، عندما نختبر أداء نموذجنا، سنضبطه على "predict".
epochs: يحدد هذا عدد المرات التي سيمر فيها YOLO26 عبر مجموعة البيانات الكاملة الخاصة بنا.
batch: تحدد القيمة العددية أحجام الدفعات الخاصة بالتدريب. الدفعات هي عدد الصور التي يعالجها النموذج قبل تحديث معاييره.
lr0: يحدد معدل التعلم الأولي للنموذج.
plots: يوجه YOLO لإنشاء وحفظ مخططات لمقاييس التدريب والتقييم الخاصة بنموذجنا.

للحصول على فهم مفصل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26. سيساعدك هذا الدليل في تحقيق أقصى استفادة من تجاربك والتأكد من أنك تستخدم YOLO26 بفعالية.

Link to this sectionالخطوة 6: اختبار النموذج#

يمكننا الآن تشغيل الاستدلال لاختبار أداء نموذجنا المضبوط بدقة:

اختبار نموذج YOLO26

!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

ينشئ هذا البرنامج النصي الموجز تصنيفات متوقعة لكل صورة في مجموعة الاختبار الخاصة بنا، بالإضافة إلى ملفات صور إخراج جديدة تضع صندوق التحديد المتوقع فوق الصورة الأصلية.

يتم حفظ تصنيفات .txt المتوقعة لكل صورة عبر وسيطة save_txt=True ويتم إنشاء صور الإخراج مع تراكبات صندوق التحديد من خلال وسيطة save=True. تعلم المعلمة conf=0.5 النموذج بتجاهل جميع التوقعات ذات مستوى ثقة أقل من 50%.

وأخيراً، يوجه iou=.5 النموذج لتجاهل الصناديق في نفس الفئة التي تتداخل بنسبة 50% أو أكثر. يساعد ذلك في تقليل الصناديق المكررة المحتملة التي تم إنشاؤها لنفس الكائن. يمكننا تحميل الصور مع تراكبات صندوق التحديد المتوقعة لعرض كيفية أداء نموذجنا على حفنة من الصور.

عرض التوقعات

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

يعرض الكود أعلاه عشر صور من مجموعة الاختبار مع صناديق التحديد المتوقعة الخاصة بها، مصحوبة بتسميات أسماء الفئات ومستويات الثقة.

Link to this sectionالخطوة 7: تقييم النموذج#

يمكننا إنتاج تصورات لـ الدقة والاسترجاع (recall) الخاصين بالنموذج لكل فئة. يتم حفظ هذه التصورات في الدليل الرئيسي، تحت مجلد train. يتم عرض درجة الدقة في P_curve.png:

Model precision-confidence evaluation curve

يُظهر الرسم البياني زيادة أسية في الدقة مع زيادة مستوى ثقة النموذج للتوقعات. ومع ذلك، لم تستقر دقة النموذج بعد عند مستوى ثقة معين بعد دورتين من دورات التدريب (epochs).

يعرض رسم الاسترجاع البياني (R_curve.png) اتجاهاً معاكساً:

Model recall-confidence evaluation curve

على عكس الدقة، يتحرك الاسترجاع في الاتجاه المعاكس، مما يظهر استرجاعاً أكبر مع حالات الثقة المنخفضة واسترجاعاً أقل مع حالات الثقة العالية. هذا مثال مناسب على المقايضة بين الدقة والاسترجاع لنماذج التصنيف.

Link to this sectionالخطوة 8: حساب التقاطع فوق الاتحاد #

يمكنك قياس دقة التوقع عن طريق حساب IoU بين صندوق التحديد المتوقع وصندوق التحديد الحقيقي لنفس الكائن. تحقق من برنامج IBM التعليمي حول تدريب YOLO26 لمزيد من التفاصيل.

Link to this sectionملخص#

استكشفنا الميزات الرئيسية لـ IBM Watsonx، وكيفية تدريب نموذج YOLO26 باستخدام IBM Watsonx. رأينا أيضاً كيف يمكن لـ IBM Watsonx تعزيز سير عمل الذكاء الاصطناعي الخاص بك بأدوات متقدمة لبناء النماذج وإدارة البيانات والامتثال.

لمزيد من التفاصيل حول الاستخدام، قم بزيارة وثائق IBM Watsonx الرسمية.

أيضاً، تأكد من الاطلاع على صفحة دليل تكامل Ultralytics، لمعرفة المزيد حول عمليات التكامل المثيرة المختلفة.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 باستخدام IBM Watsonx؟#

لتدريب نموذج YOLO26 باستخدام IBM Watsonx، اتبع الخطوات التالية:

إعداد بيئتك: أنشئ حساب IBM Cloud وقم بإعداد مشروع Watsonx.ai. استخدم Jupyter Notebook كبيئة برمجة خاصة بك.
تثبيت المكتبات: ثبّت المكتبات الضرورية مثل torch و opencv و ultralytics.
تحميل البيانات: استخدم Kaggle API لتحميل مجموعة البيانات الخاصة بك إلى Watsonx.
المعالجة المسبقة للبيانات: نظّم مجموعة البيانات الخاصة بك في هيكل الدليل المطلوب وقم بتحديث ملف التكوين .yaml.
تدريب النموذج: استخدم واجهة سطر أوامر YOLO لتدريب نموذجك بمعلمات محددة مثل epochs و batch size و learning rate.
الاختبار والتقييم: قم بتشغيل الاستدلال لاختبار النموذج وتقييم أدائه باستخدام مقاييس مثل الدقة والاسترجاع.

للحصول على تعليمات مفصلة، راجع دليل تدريب نموذج YOLO26.

Link to this sectionما هي الميزات الرئيسية لـ IBM Watsonx لتدريب نماذج الذكاء الاصطناعي؟#

يوفر IBM Watsonx العديد من الميزات الرئيسية لتدريب نماذج الذكاء الاصطناعي:

Watsonx.ai: يوفر أدوات لتطوير الذكاء الاصطناعي، بما في ذلك الوصول إلى نماذج مخصصة مدعومة من IBM ونماذج تابعة لجهات خارجية مثل Llama 3. يتضمن مختبر المطالبات (Prompt Lab)، واستوديو الضبط (Tuning Studio)، ومحرك التدفقات (Flows Engine) لإدارة شاملة لدورة حياة الذكاء الاصطناعي.
Watsonx.data: يدعم عمليات النشر السحابية والمحلية، ويوفر وصولاً مركزياً للبيانات، ومحركات استعلام فعالة مثل Presto و Spark، وطبقة دلالية مدعومة بالذكاء الاصطناعي.
Watsonx.governance: يعمل على أتمتة الامتثال، وإدارة المخاطر بالتنبيهات، ويوفر أدوات لاكتشاف مشكلات مثل التحيز والانحراف. كما يتضمن لوحات معلومات وأدوات إعداد تقارير للتعاون.

لمزيد من المعلومات، تفضل بزيارة وثائق IBM Watsonx الرسمية.

Link to this sectionلماذا يجب أن أستخدم IBM Watsonx لتدريب نماذج Ultralytics YOLO26؟#

يعد IBM Watsonx خياراً ممتازاً لتدريب نماذج Ultralytics YOLO26 نظراً لمجموعته الشاملة من الأدوات التي تبسط دورة حياة الذكاء الاصطناعي. تشمل الفوائد الرئيسية ما يلي:

قابلية التوسع: توسيع نطاق تدريب النموذج الخاص بك بسهولة باستخدام خدمات IBM Cloud.
التكامل: التكامل السلس مع مصادر البيانات وواجهات برمجة التطبيقات (APIs) المختلفة.
واجهة سهلة الاستخدام: تبسط عملية التطوير بواجهة تعاونية وبديهية.
أدوات متقدمة: الوصول إلى أدوات قوية مثل مختبر المطالبات (Prompt Lab)، واستوديو الضبط (Tuning Studio)، ومحرك التدفقات (Flows Engine) لتعزيز أداء النموذج.

تعرف على المزيد حول Ultralytics YOLO26 وكيفية تدريب النماذج باستخدام IBM Watsonx في دليل التكامل الخاص بنا.

Link to this sectionكيف يمكنني إجراء معالجة مسبقة لمجموعة البيانات الخاصة بي لتدريب YOLO26 على IBM Watsonx؟#

لإجراء معالجة مسبقة لمجموعة البيانات الخاصة بك لتدريب YOLO26 على IBM Watsonx:

تنظيم الأدلة: تأكد من أن مجموعة البيانات الخاصة بك تتبع هيكل دليل YOLO مع أدلة فرعية منفصلة للصور والتصنيفات داخل تقسيم train/val/test.
تحديث ملف .yaml: قم بتعديل ملف التكوين .yaml ليعكس هيكل الدليل الجديد وأسماء الفئات.
تشغيل البرنامج النصي للمعالجة المسبقة: استخدم برنامج Python النصي لإعادة تنظيم مجموعة البيانات الخاصة بك وتحديث ملف .yaml وفقاً لذلك.

إليك برنامج نصي نموذجي لتنظيم مجموعة البيانات الخاصة بك:

import os
import shutil

def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))

if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

لمزيد من التفاصيل، راجع دليل المعالجة المسبقة للبيانات.

Link to this sectionما هي المتطلبات الأساسية لتدريب نموذج YOLO26 على IBM Watsonx؟#

قبل البدء في تدريب نموذج YOLO26 على IBM Watsonx، تأكد من استيفاء المتطلبات الأساسية التالية:

حساب IBM Cloud: قم بإنشاء حساب على IBM Cloud للوصول إلى Watsonx.ai.
حساب Kaggle: لتحميل مجموعات البيانات، ستحتاج إلى حساب Kaggle ومفتاح API.
Jupyter Notebook: قم بإعداد بيئة Jupyter Notebook داخل Watsonx.ai للبرمجة وتدريب النماذج.

لمزيد من المعلومات حول إعداد بيئتك، تفضل بزيارة دليل تثبيت Ultralytics.

المساهمون

GLglenn-jocher¹³ RIRizwanMunawar² ONonuralpszr¹ AMambitious-octopus¹ MAMatthewNoyce¹ LALaughing-q¹ ABabirami-vina¹

تم الإنشاء 29 يوليو 2024تم التحديث أول أمس