ضبط المعلمات الفائقة بكفاءة باستخدام Ray Tune وYOLO26#

يُعد ضبط المعلمات الفائقة ضروريًا لتحقيق أفضل أداء للنموذج، وذلك عبر اكتشاف المجموعة المثلى من المعلمات الفائقة. ويتضمن ذلك إجراء تجارب باستخدام معلمات فائقة مختلفة وتقييم أداء كل تجربة.

تسريع الضبط باستخدام Ultralytics YOLO26 وRay Tune#

تدمج Ultralytics YOLO26 مكتبة Ray Tune لضبط المعلمات الفائقة، ما يبسّط تحسين المعلمات الفائقة لنموذج YOLO26. وباستخدام Ray Tune، يمكنك الاستفادة من استراتيجيات بحث متقدمة، والتنفيذ المتوازي، والإيقاف المبكر لتسريع عملية الضبط.

Ray Tune#

مكتبة Ray Tune لضبط المعلمات الفائقة، صُممت لتحقيق الكفاءة والمرونة. وهي تدعم استراتيجيات بحث متنوعة، والتنفيذ المتوازي، واستراتيجيات الإيقاف المبكر، كما تتكامل بسلاسة مع أطر عمل التعلم الآلي الشائعة، بما في ذلك Ultralytics YOLO26.

التكامل مع Weights & Biases#

يتيح YOLO26 أيضًا التكامل الاختياري مع Weights & Biases لمراقبة عملية الضبط.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]" optuna

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

الاستخدام#

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n⁩
model = YOLO("yolo26n.pt")

# ⁨بدء ضبط المعلمات الفائقة لتدريب YOLO26n على مجموعة بيانات COCO8⁩
result_grid = model.tune(data="coco8.yaml", use_ray=True)

معلمات الطريقة tune()#

توفر طريقة tune() في YOLO26 واجهة سهلة الاستخدام لضبط المعلمات الفائقة باستخدام Ray Tune. وتقبل الطريقة عدة وسائط تتيح لك تخصيص عملية الضبط. فيما يلي شرح مفصل لكل معلمة:

من خلال تخصيص هذه المعلمات، يمكنك ضبط عملية تحسين المعلمات الفائقة بدقة بما يلائم احتياجاتك المحددة وموارد الحوسبة المتاحة.

وصف مساحة البحث الافتراضية#

يسرد الجدول التالي معلمات مساحة البحث الافتراضية لضبط المعلمات الفائقة في YOLO26 باستخدام Ray Tune. لكل معلمة نطاق قيم محدد بواسطة tune.uniform()، باستثناء close_mosaic، الذي يستخدم tune.randint().

مثال على فضاء بحث مخصص#

في هذا المثال، نوضح كيفية استخدام مساحة بحث مخصصة لضبط المعلمات الفائقة باستخدام Ray Tune وYOLO26. ومن خلال تحديد مساحة بحث مخصصة، يمكنك تركيز عملية الضبط على معلمات فائقة معينة تهمك.

from ray import tune

from ultralytics import YOLO

# ⁨تعريف نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل Ray Tune على النموذج⁩
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

في مقتطف الشيفرة أعلاه، ننشئ نموذج YOLO باستخدام الأوزان المدرّبة مسبقًا "yolo26n.pt". ثم نستدعي طريقة tune()، مع تحديد تكوين مجموعة البيانات باستخدام "coco8.yaml". ونوفر مساحة بحث مخصصة لمعدل التعلّم الأولي lr0 باستخدام قاموس مفتاحه "lr0" وقيمته tune.uniform(1e-5, 1e-2). وأخيرًا، نمرر وسائط تدريب إضافية، مثل عدد العصور التدريبية، مباشرةً إلى طريقة الضبط باستخدام epochs=50.

مثال على خوارزمية البحث#

يمكنك تحديد استراتيجية بحث في Ray Tune بالاسم. بالنسبة إلى خوارزميات البحث المحددة بالسلاسل، سيستخدم Ultralytics تلقائيًا مقياس التحسين الافتراضي للمهمة الحالية وmode="max". وإذا لم تُقدَّم search_alg، يستخدم Ultralytics خوارزمية TPE متعددة المتغيرات من Optuna مع اقتراحات تراعي التنفيذ المتوازي.

from ultralytics import YOLO

# ⁨تعريف نموذج YOLO⁩
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

إذا كنت بحاجة إلى تخصيص أداة أخذ العينات في الباحث أو تجاوز مقياسه ووضع التحسين، فمرّر كائن باحث Ray Tune مُنشأً بدلًا من سلسلة.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# ⁨تعريف نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨تعريف باحث⁩
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

استئناف جلسة ضبط المعلمات الفائقة المتوقفة باستخدام Ray Tune#

يمكنك استئناف جلسة Ray Tune متوقفة بتمرير resume=True. ويمكنك اختياريًا تمرير الدليل name الذي استخدمه Ray Tune ضمن runs/{task} لاستئناف الجلسة. وإلا، فسيستأنف آخر جلسة متوقفة. لا تحتاج إلى تقديم iterations وspace مجددًا، لكن عليك تقديم بقية وسائط التدريب مرة أخرى، بما فيها data وepochs.

from ultralytics import YOLO

# ⁨تعريف نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨استئناف التشغيل السابق⁩
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# ⁨استئناف تشغيل Ray Tune بالاسم 'tune_exp_2'⁩
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

معالجة نتائج Ray Tune#

بعد إجراء تجربة لضبط المعلمات الفائقة باستخدام Ray Tune، قد ترغب في إجراء تحليلات متنوعة للنتائج التي حصلت عليها. سيرشدك هذا الدليل إلى مسارات العمل الشائعة لمعالجة هذه النتائج وتحليلها.

تحميل نتائج تجربة الضبط من دليل#

تعيد model.tune(use_ray=True) كائن Ray من النوع ResultGrid، وتحفظ التجربة ضمن runs/{task}/tune أو ضمن name الذي مررته. لتحميل هذه النتائج بعد انتهاء تنفيذ النص البرمجي الأصلي، استأنف الجلسة؛ إذ يؤدي ذلك إلى استعادة التجارب المحفوظة وإرجاع ResultGrid نفسه:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

تحليل أساسي على مستوى التجربة#

احصل على نظرة عامة حول أداء التجارب. يمكنك التحقق سريعًا مما إذا وقعت أخطاء أثناء التجارب.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

تحليل أساسي على مستوى التجربة الفردية#

يمكنك الوصول إلى تكوينات المعلمات الفائقة لكل تجربة فردية والمقاييس التي أُبلغ عنها أخيرًا.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

رسم السجل الكامل للمقاييس المُبلّغ عنها لتجربة#

يمكنك رسم سجل المقاييس المُبلّغ عنها لكل تجربة لمعرفة كيفية تطور المقاييس بمرور الوقت.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

الملخص#

تناولنا في هذا الدليل مسارات العمل الشائعة لتحليل نتائج التجارب التي أُجريت باستخدام Ray Tune وUltralytics. وتشمل الخطوات الأساسية تحميل نتائج التجربة من دليل، وإجراء تحليل أساسي على مستوى التجربة والتجربة الفردية، ورسم المقاييس.

اطّلع على صفحة وثائق تحليل النتائج الخاصة بـRay Tune للاستفادة القصوى من تجارب ضبط المعلمات الفائقة.

الأسئلة الشائعة#