ابدأ

دليل استخدام Kaggle لتدريب نماذج YOLO26

إذا كنت تتعلم الذكاء الاصطناعي وتعمل على مشاريع صغيرة، فقد لا تتوفر لديك بعد موارد حوسبة قوية، كما قد تكون الأجهزة المتطورة باهظة الثمن. توفّر Kaggle، وهي منصة تملكها Google، بيئة سحابية مجانية تتيح لك الوصول إلى موارد GPU، والتعامل مع مجموعات بيانات كبيرة، والتعاون مع مجتمع متنوع من علماء البيانات والمهتمين بـالتعلم الآلي.

تُعد Kaggle خيارًا عمليًا لـتدريب نماذج Ultralytics YOLO26 وتجربتها. تأتي دفاتر Kaggle مزودة مسبقًا بمكتبات وأطر عمل شائعة للتعلم الآلي. يستعرض هذا الدليل الميزات الرئيسية لـ Kaggle ويوضح كيفية تدريب نماذج YOLO26 على المنصة.

ما هي Kaggle؟#

Kaggle منصة تجمع علماء البيانات من أنحاء العالم للتعاون والتعلم والتنافس على حل مشكلات واقعية في علم البيانات. أطلقها أنتوني غولدبلوم وجيريمي هوارد في عام 2010، واستحوذت عليها Google في عام 2017. وتمكّن Kaggle المستخدمين من التواصل واكتشاف مجموعات البيانات ومشاركتها، واستخدام دفاتر ملاحظات مدعومة بـ GPU، والمشاركة في مسابقات علم البيانات. وتخدم المنصة المحترفين ذوي الخبرة والمتعلمين على حد سواء.

بحلول عام 2022، وفّرت Kaggle بيئة غنية لتطوير نماذج التعلم الآلي وتجربتها، مع أكثر من 10 ملايين مستخدم. لا داعي للقلق بشأن مواصفات جهازك المحلي أو إعداده؛ فكل ما تحتاج إليه هو حساب Kaggle ومتصفح ويب.

التثبيت#

قبل البدء بتدريب نماذج YOLO26 على Kaggle، عليك التأكد من إعداد بيئة دفتر الملاحظات على نحو صحيح. اتبع الخطوات التالية:

تفعيل الوصول إلى الإنترنت#

تتطلب دفاتر Kaggle الوصول إلى الإنترنت لتنزيل الحزم والاعتماديات. لتفعيل الإنترنت في دفتر Kaggle:

  1. افتح دفتر Kaggle
  2. انقر على لوحة الإعدادات الموجودة على الجانب الأيمن من واجهة دفتر الملاحظات
  3. مرّر لأسفل إلى قسم الإنترنت
  4. بدّل المفتاح إلى تشغيل لتفعيل الاتصال بالإنترنت

ملاحظة: يلزم الاتصال بالإنترنت لتثبيت حزمة Ultralytics وتنزيل النماذج المدرّبة مسبقًا أو مجموعات البيانات. ستفشل عمليات تثبيت الحزم إذا لم يكن الاتصال بالإنترنت مفعّلًا.

لوحة الإعدادات في دفتر Kaggle مع تفعيل مفتاح الإنترنت

تثبيت Ultralytics#

بعد تفعيل الوصول إلى الإنترنت، ثبّت حزمة Ultralytics بتشغيل الأمر التالي في خلية دفتر الملاحظات:

!pip install ultralytics

للحصول على أحدث إصدار تطويري، يمكنك التثبيت مباشرةً من GitHub:

!pip install git+https://github.com/ultralytics/ultralytics.git

حل تعارضات الاعتماديات#

أثناء التثبيت، قد تواجه تعارضات في الاعتماديات، لا سيما مع حزم مثل opencv-python وnumpy أو torch. إليك بعض الحلول الشائعة:

الطريقة 1: فرض إعادة التثبيت باستخدام --upgrade#

إذا واجهت تعارضات مع الحزم الموجودة، فافرض الترقية:

!pip install --upgrade --force-reinstall ultralytics

الطريقة 2: إعادة تشغيل النواة بعد التثبيت#

قد تحتاج أحيانًا إلى إعادة تشغيل النواة بعد التثبيت لحل مشكلات الاستيراد:

!pip install ultralytics
# Then click "Restart Kernel" from the notebook menu

حلول الأخطاء الشائعة#

الخطأ: "No module named 'ultralytics'"

  • الحل: تأكد من تفعيل الإنترنت، ثم شغّل أمر التثبيت مرة أخرى
  • أعِد تشغيل النواة بعد التثبيت

الخطأ: "ERROR: pip's dependency resolver does not currently take into account..."

  • الحل: يكون هذا عادةً تحذيرًا ويمكن تجاهله بأمان. ينجح التثبيت عادةً رغم ظهور الرسالة

الخطأ: "ModuleNotFoundError" بعد التثبيت

  • الحل: أعِد تشغيل النواة باستخدام زر إعادة التشغيل في واجهة دفتر الملاحظات
  • أعِد تشغيل عبارات الاستيراد في خلية جديدة

التحقق من التثبيت#

بعد التثبيت، تحقّق من تثبيت Ultralytics على النحو الصحيح بتشغيل:

import ultralytics

ultralytics.checks()

سيعرض ذلك معلومات النظام ويتحقق من تثبيت جميع الاعتماديات على النحو الصحيح.

تدريب YOLO26 باستخدام Kaggle#

تجعل وحدات GPU المجانية في Kaggle تدريب نماذج YOLO26 أمرًا مباشرًا.

للبدء، افتح دفتر البرنامج التعليمي لـ Ultralytics YOLO26 في Kaggle. تأتي بيئة Kaggle مزودة مسبقًا بمكتبات مثل TensorFlow وPyTorch، ما يبسّط الإعداد.

دفتر البرنامج التعليمي لـ Ultralytics YOLO26 مفتوح في Kaggle

بعد تسجيل الدخول إلى حساب Kaggle، يُفتح دفتر البرنامج التعليمي كنسخة خاصة بك قابلة للتحرير: اختر GPU ضمن إعدادات المسرّع، وشغّل خلايا دفتر البرنامج التعليمي لبدء تدريب نموذجك. للاطلاع على شرح مفصل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.

استخدام Kaggle لتدريب نماذج التعلم الآلي باستخدام GPU

المشكلات الشائعة عند استخدام Kaggle#

قد تواجه بعض المشكلات الشائعة أثناء استخدام Kaggle. إليك نقاط أساسية تساعدك على التعامل مع المنصة:

  • الوصول إلى وحدات GPU: يمكنك تفعيل GPU في دفاتر Kaggle في أي وقت، مع السماح بالاستخدام لمدة تصل إلى 30 ساعة أسبوعيًا. توفّر Kaggle وحدة NVIDIA Tesla P100 GPU بذاكرة قدرها 16GB، كما توفر خيار NVIDIA T4 x2. ويجعل تسريع GPU تدريب النماذج والاستدلال أسرع بكثير.
  • Kaggle Kernels: إن Kaggle Kernels خوادم مجانية لدفاتر Jupyter يمكنها دمج وحدات GPU، ما يتيح لك تنفيذ عمليات تعلّم الآلة على حواسيب سحابية. لن تحتاج إلى الاعتماد على CPU حاسوبك، فتتجنب تحميله فوق طاقته وتوفر موارده المحلية.
  • مجموعات بيانات Kaggle: تنزيل مجموعات بيانات Kaggle مجاني. ومع ذلك، من المهم التحقق من ترخيص كل مجموعة بيانات لفهم أي قيود على استخدامها. قد تفرض بعض مجموعات البيانات قيودًا على المنشورات الأكاديمية أو الاستخدام التجاري. يمكنك تنزيل مجموعات البيانات مباشرةً إلى دفتر ملاحظات Kaggle أو إلى أي مكان آخر عبر Kaggle API.
  • حفظ دفاتر الملاحظات وإيداعها: لحفظ دفتر ملاحظات وإيداعه على Kaggle، انقر على "Save Version". يحفظ ذلك الحالة الحالية لدفتر الملاحظات. بعد أن تنتهي نواة الخلفية من إنشاء ملفات الإخراج، يمكنك الوصول إليها من علامة التبويب Output في الصفحة الرئيسية لدفتر الملاحظات.
  • التعاون: تدعم Kaggle التعاون، لكن لا يمكن لعدة مستخدمين تعديل دفتر ملاحظات في الوقت نفسه. التعاون على Kaggle غير متزامن، أي يمكن للمستخدمين مشاركة دفتر الملاحظات نفسه والعمل عليه في أوقات مختلفة.
  • الرجوع إلى إصدار سابق: إذا احتجت إلى الرجوع إلى إصدار سابق من دفتر ملاحظاتك، فافتح دفتر الملاحظات وانقر على النقاط الرأسية الثلاث في الزاوية العلوية اليمنى، ثم اختر "View Versions". ابحث عن الإصدار الذي تريد الرجوع إليه، وانقر على قائمة "..." المجاورة له، ثم اختر "Revert to Version". بعد الرجوع إلى الإصدار السابق، انقر على "Save Version" لإيداع التغييرات.

الميزات الرئيسية في Kaggle#

إليك بعض الميزات الرئيسية التي تقدمها Kaggle لعلوم البيانات والتعلم الآلي:

  • مجموعات البيانات: تستضيف Kaggle مجموعة كبيرة من مجموعات البيانات حول مواضيع متنوعة. ويمكنك البحث عن مجموعات البيانات هذه واستخدامها في مشاريعك، وهو أمر مفيد خصوصًا لتدريب نماذج YOLO26 واختبارها.
  • المسابقات: تتيح مسابقات Kaggle لعلماء البيانات وممارسي التعلم الآلي حل مشكلات واقعية. وتساعدك المشاركة في المسابقات على تحسين مهاراتك وتعلم تقنيات جديدة واكتساب التقدير في المجتمع.
  • الوصول المجاني إلى وحدات TPU: توفّر Kaggle وصولًا مجانيًا إلى وحدات TPU لأطر العمل التي تدعمها. يعمل تدريب Ultralytics YOLO26 على وحدات GPU أو CPU في Kaggle، وليس على وحدات TPU.
  • التكامل مع GitHub: تتيح لك Kaggle ربط مستودع GitHub لتحميل دفاتر الملاحظات وحفظ عملك. ويسهّل هذا التكامل إدارة ملفاتك والوصول إليها.
  • المجتمع والنقاشات: تضم Kaggle مجتمعًا كبيرًا من علماء البيانات وممارسي التعلم الآلي. وتُعد منتديات النقاش ودفاتر الملاحظات المشتركة موارد مفيدة للتعلم واستكشاف الأخطاء وإصلاحها. ويمكنك طلب المساعدة ومشاركة معرفتك والتعاون مع الآخرين.

لماذا تستخدم Kaggle في مشاريع YOLO26؟#

توجد منصات متعددة لتدريب نماذج التعلم الآلي وتقييمها. إليك بعض فوائد استخدام Kaggle في مشاريع التعلم الآلي:

  • دفاتر الملاحظات العامة: يمكنك جعل دفاتر ملاحظات Kaggle عامة، ما يتيح للمستخدمين الآخرين الاطلاع على عملك والتصويت له وإنشاء تفرعات منه ومناقشته. تشجع Kaggle التعاون والتعليقات وتبادل الأفكار، مما يساعدك على تحسين نماذج YOLO26.
  • سجل شامل لإيداعات دفتر الملاحظات: تنشئ Kaggle سجلًا مفصلًا لإيداعات دفتر الملاحظات. يتيح لك ذلك مراجعة التغييرات وتتبعها بمرور الوقت، مما يسهل فهم تطور مشروعك والرجوع إلى الإصدارات السابقة عند الحاجة.
  • الوصول إلى وحدة التحكم: توفّر Kaggle وحدة تحكم تمنحك تحكمًا أكبر في بيئتك. وتتيح لك هذه الميزة تنفيذ مهام متنوعة مباشرةً من سطر الأوامر.
  • توفر الموارد: تُخصّص موارد كبيرة لكل جلسة لتحرير دفاتر الملاحظات على Kaggle: 12 ساعة من وقت التنفيذ لجلسات CPU وGPU، و9 ساعات لجلسات TPU، و20 gigabytes من مساحة القرص المحفوظة تلقائيًا.
  • جدولة دفاتر الملاحظات: تتيح لك Kaggle جدولة تشغيل دفاتر الملاحظات في أوقات محددة. يمكنك أتمتة المهام المتكررة دون تدخل يدوي، مثل تدريب نموذجك على فترات منتظمة.

واصل تعلّم Kaggle#

إذا أردت معرفة المزيد عن Kaggle، فإليك بعض الموارد المفيدة التي ترشدك:

  • Kaggle Learn: اكتشف مجموعة متنوعة من الدروس التفاعلية المجانية على Kaggle Learn. وتغطي هذه الدورات موضوعات أساسية في علم البيانات من خلال تمارين عملية.
  • البدء باستخدام Kaggle: يرشدك هذا الدليل إلى أساسيات استخدام Kaggle، بدءًا من الانضمام إلى المسابقات وصولًا إلى إنشاء دفتر الملاحظات الأول.
  • صفحة Kaggle على Medium: استكشف الدروس والتحديثات ومساهمات المجتمع على صفحة Kaggle في Medium.
  • تدريب نماذج Ultralytics YOLO باستخدام تكامل Kaggle: يوضح منشور المدونة هذا كيفية استخدام Kaggle خصيصًا لنماذج Ultralytics YOLO.

الملخص#

تمنح Kaggle مشاريع YOLO26 لديك وصولًا مجانيًا إلى وحدات GPU لتدريب النماذج وتقييمها، مع مكتبات مثبّتة مسبقًا لتسريع الإعداد. وتتيح لك Ultralytics YOLO26 وKaggle معًا تطوير نماذج الرؤية الحاسوبية وتدريبها ونشرها دون الحاجة إلى أجهزة باهظة الثمن.

لمزيد من التفاصيل، تفضل بزيارة وثائق Kaggle.

الأسئلة الشائعة#

  • لتثبيت Ultralytics YOLO26 على Kaggle:

    1. تفعيل الإنترنت: انتقل إلى لوحة Settings وشغّل مفتاح الإنترنت.
    2. تثبيت الحزمة: شغّل !pip install ultralytics في خلية من دفتر الملاحظات.
    3. التحقق من التثبيت: شغّل import ultralytics; ultralytics.checks() للتأكد.

    إذا واجهت تعارضات في التبعيات، فجرّب !pip install --upgrade --force-reinstall ultralytics أو أعد تشغيل النواة بعد التثبيت. للحصول على إرشادات مفصلة لاستكشاف الأخطاء وإصلاحها، راجع قسم التثبيت أعلاه.

  • تدريب نموذج YOLO26 على Kaggle أمر مباشر. أولًا، افتح دفتر البرنامج التعليمي Ultralytics YOLO26 على Kaggle. سجّل الدخول إلى حساب Kaggle واختر GPU ضمن إعدادات المسرّع. شغّل خلايا دفتر البرنامج التعليمي لبدء التدريب. للاطلاع على خطوات أكثر تفصيلًا، راجع دليل تدريب نموذج YOLO26.

  • تقدم Kaggle مزايا عديدة لتدريب نماذج YOLO26:

    • الوصول المجاني إلى GPU: استخدم وحدات GPU مثل NVIDIA Tesla P100 أو T4 x2 لمدة تصل إلى 30 ساعة أسبوعيًا.
    • المكتبات المثبتة مسبقًا: المكتبات مثل TensorFlow وPyTorch مثبتة مسبقًا، مما يبسط الإعداد.
    • التعاون المجتمعي: تفاعل مع مجتمع كبير من علماء البيانات والمهتمين بالتعلم الآلي.
    • التحكم في الإصدارات: أدر إصدارات دفاتر الملاحظات المختلفة، واستعد الإصدارات السابقة عند الحاجة.
  • تشمل المشكلات الشائعة ما يلي:

    • الوصول إلى وحدات GPU: تأكد من تفعيل GPU في إعدادات دفتر الملاحظات. تتيح Kaggle استخدام GPU لمدة تصل إلى 30 ساعة أسبوعيًا.
    • عدم تفعيل الإنترنت: احرص على تفعيل الإنترنت في لوحة Settings قبل تثبيت الحزم.
    • تعارضات التبعيات: استخدم !pip install --upgrade --force-reinstall ultralytics.
    • تراخيص مجموعات البيانات: تحقق من ترخيص كل مجموعة بيانات لفهم قيود الاستخدام.
    • حفظ دفاتر الملاحظات وإيداعها: انقر على "Save Version" لحفظ حالة دفتر الملاحظات والوصول إلى ملفات الإخراج من علامة التبويب Output.
    • التعاون: تدعم Kaggle التعاون غير المتزامن؛ ولا يمكن لعدة مستخدمين تعديل دفتر ملاحظات في الوقت نفسه.

    لمزيد من نصائح استكشاف الأخطاء وإصلاحها، راجع قسم التثبيت ودليل المشكلات الشائعة.

  • تقدم Kaggle عدة ميزات تميزها عن Google Colab:

    • دفاتر الملاحظات العامة: شارك عملك مع المجتمع للحصول على التعليقات والتعاون.
    • سجل شامل: تتبّع التغييرات بمرور الوقت من خلال سجل مفصل لإيداعات دفتر الملاحظات.
    • توفر الموارد: تتوفر موارد كبيرة لكل جلسة دفتر ملاحظات، بما في ذلك 12 ساعة من وقت التنفيذ لجلسات CPU وGPU.
  • للرجوع إلى إصدار سابق:

    1. افتح دفتر الملاحظات وانقر على النقاط الرأسية الثلاث في الزاوية العلوية اليمنى.
    2. اختر "View Versions".
    3. ابحث عن الإصدار الذي تريد الرجوع إليه، وانقر على قائمة "..." المجاورة له، ثم اختر "Revert to Version".
    4. انقر على "Save Version" لإيداع التغييرات.

التعليقات3

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. md-jawad-117GitHub

    Hello, I was using the GPU T4 x2 for training my custom RT-DETR model which is infact was twice as fast compared to P100 GPU with just one of them running.🚀🚀 While the second one was idle. Now when I tried to utilize both GPUs using device=[0, 1] & device=[-1, -1], i received an error which persisted as long as I did not restart the kernel. ⛓️‍💥⛓️‍💥

    from ultralytics import RTDETR

    model = RTDETR('/kaggle/working/rtdr.yaml').load('rtdetr-l.pt')

    model.info()

    results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=32, lr0=0.0001, device=[0,1])

    1. md-jawad-117GitHub

      Error Msg: Transferred 725/725 items from pretrained weights DDP: debug command /usr/bin/python3 -m torch.distributed.run --nproc_per_node 2 --master_port 52415 /root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' E0601 09:54:34.472000 132 torch/distributed/elastic/multiprocessing/api.py:869] failed (exitcode: 1) local_rank: 0 (pid: 134) of binary: /usr/bin/python3 Traceback (most recent call last): File "", line 198, in _run_module_as_main File "", line 88, in _run_code File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 922, in main() File "/usr/local/lib/python3.11/dist-packages/torch/distributed/elastic/multiprocessing/errors/init.py", line 355, in wrapper return f(*args, **kwargs) ^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 918, in main run(args) File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 909, in run elastic_launch( File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 138, in call return launch_agent(self._config, self._entrypoint, list(args)) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 269, in launch_agent raise ChildFailedError( torch.distributed.elastic.multiprocessing.errors.ChildFailedError:

      /root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py FAILED

      Failures: [1]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 1 (local_rank: 1) exitcode : 1 (pid: 135) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html

      Root Cause (first observed failure): [0]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 0 (local_rank: 0) exitcode : 1 (pid: 134) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html


      CalledProcessError Traceback (most recent call last) /tmp/ipykernel_35/2411087223.py in <cell line: 0>() ----> 1 results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=16, lr0=0.0001, device=[0,-1])

      /kaggle/working/ultralytics/engine/model.py in train(self, trainer, **kwargs) 795 796 self.trainer.hub_session = self.session # attach optional HUB session --> 797 self.trainer.train() 798 # Update model and cfg after training 799 if RANK in {-1, 0}:

      /kaggle/working/ultralytics/engine/trainer.py in train(self) 220 subprocess.run(cmd, check=True) 221 except Exception as e: --> 222 raise e 223 finally: 224 ddp_cleanup(self, str(file))

      /kaggle/working/ultralytics/engine/trainer.py in train(self) 218 try: 219 LOGGER.info(f"{colorstr('DDP:')} debug command {' '.join(cmd)}") --> 220 subprocess.run(cmd, check=True) 221 except Exception as e: 222 raise e

      /usr/lib/python3.11/subprocess.py in run(input, capture_output, timeout, check, *popenargs, **kwargs) 569 retcode = process.poll() 570 if check and retcode: --> 571 raise CalledProcessError(retcode, process.args, 572 output=stdout, stderr=stderr) 573 return CompletedProcess(process.args, retcode, stdout, stderr)

      CalledProcessError: Command '['/usr/bin/python3', '-m', 'torch.distributed.run', '--nproc_per_node', '2', '--master_port', '52415', '/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py']' returned non-zero exit status 1.

    2. Glenn JocherUltralytics

      Thanks for sharing your multi-GPU training issue with RT-DETR on Kaggle! The error you're encountering is related to DDP (Distributed Data Parallel) not being able to find the Ultralytics module in the spawned processes.

      This is a known issue on Kaggle when using multi-GPU training with DDP. The spawned processes don't inherit the current environment properly. Here are a few solutions to try:

      1. Install Ultralytics system-wide before training:
      import subprocess
      subprocess.run(['pip', 'install', '-U', 'ultralytics'], check=True)
      1. Use single GPU with larger batch size instead:
      results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, 
                           optimizer='AdamW', plots=True, batch=64, lr0=0.0001, device=0)
      1. Try using device='cpu' to verify your setup works, then switch back to single GPU.

      Unfortunately, Kaggle's multi-GPU DDP setup can be unreliable due to environment isolation issues. Since you mentioned T4 x2 was already twice as fast as P100 with just one GPU active, you might get better results focusing on optimizing single-GPU training with larger batch sizes or mixed precision training.

      Have you tried increasing the batch size on a single T4 GPU to maximize utilization?