ضبط المعلمات الفائقة بكفاءة باستخدام Ray Tune وYOLO26#

يُعد ضبط المعلمات الفائقة أمرًا بالغ الأهمية لتحقيق أعلى أداء للنموذج، وذلك من خلال اكتشاف المجموعة المثلى من المعلمات الفائقة. ويتضمن ذلك تشغيل تجارب بمعلمات فائقة مختلفة وتقييم أداء كل تجربة.

تسريع الضبط باستخدام Ultralytics YOLO26 وRay Tune#

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

Ray Tune#

Ray Tune هي مكتبة 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

# 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 طريقة tune()#

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

بتخصيص هذه المعلمات، يمكنك ضبط عملية تحسين المعلمات الفائقة بدقة لتناسب احتياجاتك الخاصة ومواردك الحاسوبية المتاحة.

وصف مساحة البحث الافتراضية#

يسرد الجدول التالي معلمات مساحة البحث الافتراضية لضبط المعلمات الفائقة في YOLO26 باستخدام Ray Tune. ويحدد tune.uniform() نطاقًا محددًا من القيم لكل معلمة.

مثال على فضاء بحث مخصص#

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

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 مقتطف التعليمات البرمجية أعلاه، ننشئ نموذج YOLO باستخدام الأوزان المدربة مسبقًا "yolo26n.pt". ثم نستدعي طريقة tune()، مع تحديد تهيئة مجموعة البيانات باستخدام "coco8.yaml". ونوفر مساحة بحث مخصصة لمعدل التعلم الأولي lr0 باستخدام قاموس يحتوي على المفتاح "lr0" والقيمة tune.uniform(1e-5, 1e-2). وأخيرًا، نمرر وسيطات تدريب إضافية، مثل عدد العصور، مباشرةً إلى طريقة الضبط باعتبارها epochs=50.

مثال على خوارزمية البحث#

يمكنك اختيار استراتيجية بحث في Ray Tune حسب الاسم. وبالنسبة إلى خوارزميات البحث المعتمدة على السلاسل النصية، سيستخدم Ultralytics تلقائيًا مقياس التحسين الافتراضي للمهمة الحالية وmode="max". وإذا لم يتم توفير search_alg، فسيستخدم Ultralytics TPE متعدد المتغيرات من Optuna مع اقتراحات تراعي التنفيذ المتوازي.

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 احتجت إلى تخصيص أداة أخذ العينات الخاصة بالباحث أو تجاوز مقياسه ووضع التحسين، فمرّر كائن باحث مُنشأ في Ray Tune بدلًا 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 المعلمات الفائقة المتوقفة باستخدام Ray Tune#

يمكنك استئناف جلسة Ray Tune متوقفة بتمرير resume=True. ويمكنك اختياريًا تمرير الدليل name الذي يستخدمه Ray Tune ضمن runs/{task} للاستئناف. وإلا فسيُستأنف آخر جلسة متوقفة. ولا تحتاج إلى توفير iterations وspace مرة أخرى، لكن يجب توفير بقية وسيطات التدريب مجددًا، 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 تشغيل تجربة لضبط المعلمات الفائقة باستخدام Ray Tune، قد ترغب في إجراء تحليلات متنوعة للنتائج التي تم الحصول عليها. سيرشدك هذا الدليل خلال مسارات العمل الشائعة لمعالجة هذه النتائج وتحليلها.

تحميل نتائج تجربة الضبط من دليل#

يعيد model.tune(use_ray=True) كائناً من نوع Ray ResultGrid ويحفظ التجربة تحت runs/{task}/tune، أو تحت name الذي قمت تمريره. لتحميل تلك النتائج بعد خروج البرنامج النصي الأصلي، استأنف الجلسة، مما يؤدي إلى استعادة التجارب المحفوظة وإرجاع نفس الكائن ResultGrid:

from ultralytics import YOLO

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

التحليل الأساسي على مستوى التجربة#

احصل على نظرة عامة حول أداء التجارب. ويمكنك التحقق سريعًا من وجود أي أخطاء أثناء تشغيلها.

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

التحليل الأساسي على مستوى التجربة الفرعية#

يمكنك الوصول إلى تهيئات المعلمات الفائقة لكل تجربة فرعية على حدة، وإلى آخر المقاييس التي أُبلغ عنها.

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

رسم السجل الكامل للمقاييس المُبلَّغ عنها لتجربة فرعية#

يمكنك رسم سجل المقاييس المُبلَّغ عنها لكل تجربة فرعية 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#

في هذا الدليل، استعرضنا مسارات العمل الشائعة لتحليل نتائج التجارب التي شُغّلت باستخدام Ray Tune وUltralytics. وتشمل الخطوات الأساسية تحميل نتائج التجربة من دليل، وإجراء تحليل أساسي على مستوى التجربة وعلى مستوى التجربة الفرعية، ورسم المقاييس.

استكشف المزيد من خلال الاطلاع على صفحة توثيق Ray Tune بعنوان تحليل النتائج للاستفادة القصوى من تجارب ضبط المعلمات الفائقة.

الأسئلة الشائعة#