ضبط المعاملات الفائقة بكفاءة باستخدام Ray Tune و YOLO26#

يعد ضبط المعاملات الفائقة أمراً حيوياً لتحقيق أقصى أداء للنموذج من خلال اكتشاف المجموعة المثالية من المعاملات الفائقة. يتضمن ذلك إجراء تجارب باستخدام معاملات فائقة مختلفة وتقييم أداء كل تجربة.

تسريع الضبط باستخدام Ultralytics YOLO26 و Ray Tune#

يشتمل Ultralytics YOLO26 على Ray Tune لضبط المعلمات الفائقة، مما يبسط عملية تحسين المعلمات الفائقة لنموذج YOLO26. باستخدام Ray Tune، يمكنك الاستفادة من استراتيجيات البحث المتقدمة، والتوازي، والإيقاف المبكر لتسريع عملية الضبط.

Ray Tune#

Ray Tune هي مكتبة لضبط المعلمات الفائقة مصممة لتحقيق الكفاءة والمرونة. وهي تدعم استراتيجيات بحث متعددة، والتوازي، واستراتيجيات الإيقاف المبكر، وتتكامل بسلاسة مع أطر التعلم الآلي الشائعة، بما في ذلك Ultralytics YOLO26.

التكامل مع Weights & Biases#

يسمح YOLO26 أيضاً بالتكامل الاختياري مع Weights & Biases لمراقبة عملية الضبط.

التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

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

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

الاستخدام#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

معلمات الأسلوب tune()#

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

من خلال تخصيص هذه المعاملات، يمكنك ضبط عملية تحسين المعاملات الفائقة لتناسب احتياجاتك الخاصة والموارد الحسابية 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 مُعرّف بواسطة tune.uniform().

مثال على مساحة بحث مخصصة#

في هذا المثال، نوضح كيفية استخدام مساحة بحث مخصصة لضبط المعاملات الفائقة باستخدام Ray Tune و YOLO26. من خلال توفير مساحة بحث مخصصة، يمكنك تركيز عملية الضبط على معاملات فائقة محددة ذات أهمية.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

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

في مقطع الكود أعلاه، نقوم بتنفيذ نموذج YOLO بأوزان التدريب المسبق "yolo26n.pt". ثم نستدعي طريقة tune()، مع تحديد تكوين مجموعة البيانات باستخدام "coco8.yaml". نوفر مساحة بحث مخصصة لمعدل التعلم الأولي lr0 باستخدام قاموس يحتوي على المفتاح "lr0" والقيمة tune.uniform(1e-5, 1e-2). وأخيراً، نمرر وسائط تدريب إضافية، مثل عدد الحقب مباشرة إلى طريقة الضبط كـ epochs=50.

مثال على خوارزمية البحث#

يمكنك تحديد استراتيجية بحث Ray Tune بالاسم. بالنسبة لخوارزميات البحث المستندة إلى السلسلة، سيستخدم Ultralytics تلقائياً مقياس التحسين الافتراضي للمهمة الحالية وmode="max". إذا لم يتم توفير search_alg، تستخدم Ray Tune استراتيجية البحث العشوائي الافتراضية الخاصة بها، BasicVariantGenerator.

from ultralytics import YOLO

# Define a YOLO model
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 (sampler) الخاصة بـ searcher أو تجاوز المقياس ووضع التحسين الخاص بها، فقم بتمرير كائن searcher الخاص بـ Ray Tune الذي تم إنشاؤه بدلاً من سلسلة نصية.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define a searcher
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 المعاملات الفائقة التي تمت مقاطعتها باستخدام Ray Tune#

يمكنك استئناف جلسة Ray Tune مقاطعة عن طريق تمرير resume=True. يمكنك اختيارياً تمرير الدليل name الذي استخدمه Ray Tune تحت runs/{task} للاستئناف. وإلا، فسوف يستأنف الجلسة الأخيرة المقاطعة. لست بحاجة إلى توفير iterations وspace مرة أخرى، ولكن يجب عليك توفير باقي وسائط التدريب مرة أخرى بما في ذلك data وepochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name '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 ضبط المعاملات الفائقة باستخدام Ray Tune، قد ترغب في إجراء تحليلات متنوعة على النتائج التي تم الحصول عليها. سيرشدك هذا الدليل خلال سير العمل الشائع لمعالجة وتحليل هذه النتائج.

تحميل نتائج تجربة الضبط من دليل#

بعد تشغيل تجربة الضبط باستخدام tuner.fit()، يمكنك تحميل النتائج من دليل. هذا مفيد، خاصة إذا كنت تجري التحليل بعد إنهاء برنامج التدريب الأولي.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

التحليل الأساسي على مستوى التجربة#

احصل على نظرة عامة حول أداء المحاولات. يمكنك التحقق بسرعة مما إذا كانت هناك أي أخطاء أثناء المحاولات.

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

التحليل الأساسي على مستوى المحاولة#

الوصول إلى تكوينات المعلمات الفائقة للمحاولات الفردية وآخر المقاييس المبلغ عنها.

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

رسم التاريخ الكامل للمقاييس المبلغ عنها لمحاولة ما#

يمكنك رسم تاريخ المقاييس المبلغ عنها لكل محاولة 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["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

ملخص#

في هذا الدليل، قمنا بتغطية سير العمل الشائع لتحليل نتائج التجارب التي تم تشغيلها باستخدام Ray Tune مع Ultralytics. تشمل الخطوات الرئيسية تحميل نتائج التجربة من دليل، وإجراء تحليل أساسي على مستوى التجربة ومستوى المحاولة، ورسم المقاييس بيانياً.

استكشف المزيد من خلال الاطلاع على صفحة وثائق تحليل النتائج الخاصة بـ Ray Tune لتحقيق أقصى استفادة من تجارب ضبط المعلمات الفائقة.

الأسئلة الشائعة#