ضبط فعال للمعاملات الفائقة باستخدام Ray Tune و YOLO26

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

تسريع عملية الضبط باستخدام Ultralytics YOLO26 و Ray Tune

يدمج Ultralytics YOLO26 مكتبة Ray Tune لضبط المعاملات الفائقة، مما يبسط عملية تحسين المعاملات 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 المعاملات الفائقة مصممة للكفاءة والمرونة. وهي تدعم استراتيجيات بحث متنوعة، والتوازي، واستراتيجيات الإيقاف المبكر، وتتكامل بسلاسة مع أطر عمل التعلم الآلي الشهيرة، 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 W&B for logging
pip install wandb

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)

معاملات طريقة tune()

توفر طريقة tune() في YOLO26 واجهة سهلة الاستخدام لضبط المعاملات الفائقة باستخدام Ray Tune. وهي تقبل عدة وسائط تسمح لك بتخصيص عملية الضبط. فيما يلي شرح مفصل لكل معامل:

من خلال تخصيص هذه المعاملات، يمكنك ضبط عملية تحسين المعاملات الفائقة لتناسب احتياجاتك المحددة وموارد الحوسبة المتاحة لديك.

وصف مساحة البحث الافتراضية

يسرد الجدول التالي معاملات مساحة البحث الافتراضية لضبط المعاملات الفائقة في YOLO26 مع Ray Tune. يحتوي كل معامل على نطاق قيمة محدد معرف 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 مقتطف الكود أعلاه، نقوم بإنشاء نموذج YOLO بأوزان "yolo26n.pt" المدربة مسبقاً. ثم نستدعي طريقة tune()، مع تحديد تهيئة 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). أخيراً، نمرر وسائط تدريب إضافية، مثل عدد الحقبات مباشرة إلى طريقة الضبط كـ epochs=50.

مثال على خوارزمية البحث

يمكنك اختيار استراتيجية بحث Ray Tune بالاسم. بالنسبة لخوارزميات البحث المستندة إلى السلاسل النصية، سيستخدم Ultralytics تلقائياً مقياس التحسين الافتراضي للمهمة الحالية و mode="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 بالباحث أو تجاوز مقياسه ووضع التحسين، فقم بتمرير كائن بحث Ray Tune 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 التي تمت مقاطعتها عن طريق تمرير resume=True. يمكنك اختيارياً تمرير name الدليل المستخدم بواسطة Ray Tune تحت runs/{task} للاستئناف. بخلاف ذلك، سيتم استئناف آخر جلسة تمت مقاطعتها. لست بحاجة إلى توفير iterations و space مرة أخرى، ولكنك تحتاج إلى توفير بقية وسائط التدريب مرة أخرى بما في ذلك data و epochs.

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 ضبط المعاملات الفائقة باستخدام Ray Tune، قد ترغب في إجراء تحليلات متنوعة على النتائج التي تم الحصول عليها. سيرشدك هذا الدليل عبر سير العمل الشائع لمعالجة هذه النتائج وتحليلها.

تحميل نتائج تجربة Tune من دليل

بعد تشغيل تجربة الضبط باستخدام tuner.fit()، يمكنك تحميل النتائج من دليل. هذا مفيد، خاصة إذا كنت تقوم بالتحليل بعد خروج 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()

تحليل أساسي على مستوى التجربة

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

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

تحليل أساسي على مستوى المحاولة

الوصول إلى تهيئات المعاملات الفائقة للتجارب الفردية وآخر المقاييس المُبلغ عنها.

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

رسم التاريخ الكامل للمقاييس المُبلغ عنها لتجربة ما

يمكنك رسم تاريخ المقاييس المُبلغ 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["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 والمحاولة، ورسم المقاييس.

استكشف المزيد من خلال الاطلاع على صفحة مستندات تحليل النتائج في Ray Tune لتحقيق أقصى استفادة من تجارب ضبط المعاملات الفائقة الخاصة بك.

الأسئلة الشائعة

كيف يمكنني ضبط المعاملات الفائقة لنموذج YOLO26 الخاص بي باستخدام Ray Tune؟

لضبط المعاملات الفائقة لنموذج Ultralytics YOLO26 الخاص بك باستخدام Ray Tune، اتبع الخطوات التالية:

1. تثبيت الحزم المطلوبة:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging

2. تحميل نموذج YOLO26 الخاص بك وبدء الضبط:

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

يستخدم هذا استراتيجيات البحث المتقدمة والتوازي في Ray Tune لتحسين المعاملات الفائقة لنموذجك بكفاءة. لمزيد من المعلومات، راجع وثائق Ray Tune.

ما هي المعاملات الفائقة الافتراضية لضبط YOLO26 باستخدام Ray Tune؟

يستخدم Ultralytics YOLO26 المعاملات الفائقة الافتراضية التالية للضبط باستخدام Ray Tune:

يمكن تخصيص هذه المعلمات الفائقة لتناسب احتياجاتك المحددة. للحصول على قائمة كاملة والمزيد من التفاصيل، راجع دليل ضبط المعلمات الفائقة.

كيف يمكنني دمج Weights & Biases مع عملية ضبط نموذج YOLO26 الخاص بي؟

لدمج Weights & Biases (W&B) مع عملية ضبط Ultralytics YOLO26 الخاصة بك:

1. تثبيت W&B:

   pip install wandb

2. تعديل نص الضبط البرمجي الخاص بك:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

سيسمح لك هذا الإعداد بمراقبة عملية الضبط، وتتبع تكوينات المعلمات الفائقة، وتصور النتائج في W&B.

لماذا يجب علي استخدام Ray Tune لتحسين المعلمات الفائقة مع YOLO26؟

يوفر Ray Tune مزايا عديدة لتحسين المعلمات الفائقة:

• استراتيجيات البحث المتقدمة: يستخدم خوارزميات مثل التحسين البايزي و HyperOpt للبحث الفعال عن المعلمات.
• التوازي: يدعم التنفيذ المتوازي لتجارب متعددة، مما يسرع عملية الضبط بشكل كبير.
• الإيقاف المبكر: يستخدم استراتيجيات مثل ASHA لإنهاء التجارب ضعيفة الأداء مبكراً، مما يوفر الموارد الحسابية.

يتكامل Ray Tune بسلاسة مع Ultralytics YOLO26، مما يوفر واجهة سهلة الاستخدام لضبط المعلمات الفائقة بفعالية. للبدء، اطلع على دليل ضبط المعلمات الفائقة.

كيف يمكنني تحديد مساحة بحث مخصصة لضبط معلمات YOLO26 الفائقة؟

لتحديد مساحة بحث مخصصة لضبط معلمات YOLO26 الفائقة باستخدام Ray Tune:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

هذا يخصص نطاق المعلمات الفائقة مثل معدل التعلم الأولي والزخم ليتم استكشافها أثناء عملية الضبط. للتكوينات المتقدمة، راجع قسم مثال مساحة البحث المخصصة.