تدريب النماذج باستخدام Ultralytics YOLO#

مقدمة#

يتضمن تدريب نموذج التعلم العميق تزويده بالبيانات وضبط معلماته كي يتمكن من إجراء تنبؤات دقيقة. صُمّم وضع Train في Ultralytics YOLO26 لتدريب نماذج اكتشاف الأجسام بفعالية وكفاءة، مع الاستفادة الكاملة من إمكانات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاج إليها لبدء تدريب نماذجك الخاصة باستخدام مجموعة الميزات القوية في YOLO26. إذا لم تكن قد ثبّتَّ Ultralytics بعد، فابدأ بـدليل البدء السريع.

راجع معاينة YOLO27 غير الإصدار الرسمي للاطلاع على أمثلة التدريب المخطط لها.

لماذا تختار Ultralytics YOLO للتدريب؟#

فيما يلي بعض الأسباب المقنعة لاختيار وضع Train في YOLO26:

• الكفاءة: حقّق أقصى استفادة من أجهزتك، سواء كنت تستخدم إعدادًا بوحدة GPU واحدة أو تتوسع عبر وحدات GPU متعددة.
• تعدد الاستخدامات: درّب النماذج على مجموعات بيانات مخصصة، بالإضافة إلى مجموعات البيانات المتاحة بسهولة مثل COCO وVOC وImageNet.
• سهولة الاستخدام: واجهتا CLI وPython بسيطتان وقويتان لتوفير تجربة تدريب مباشرة.
• مرونة المعلمات الفائقة: مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج بدقة. ولمزيد من التحكم، يمكنك تخصيص أداة التدريب نفسها.
• التدريب السحابي: درّب النماذج على وحدات GPU السحابية عبر Ultralytics Platform مع مقاييس آنية وحفظ تلقائي لنقاط التحقق.

الميزات الأساسية لوضع Train#

فيما يلي بعض الميزات البارزة لوضع Train في YOLO26:

• التنزيل التلقائي لمجموعة البيانات: تُنزَّل إعدادات مجموعات البيانات التي تتضمن مصدر تنزيل تلقائيًا عند استخدامها لأول مرة، مثل yolo train data=coco8.yaml. راجع نظرة عامة على مجموعات البيانات لمعرفة التنسيقات ومجموعات البيانات المدعومة.
• دعم وحدات GPU المتعددة: وسّع عمليات التدريب بسلاسة عبر وحدات GPU متعددة لتسريع العملية.
• إعداد المعلمات الفائقة: إمكانية تعديل المعلمات الفائقة من خلال ملفات إعداد YAML أو وسيطات CLI.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة على الاستخدام#

درّب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة وبحجم صور 640. يمكن تحديد جهاز التدريب باستخدام الوسيطة device. إذا لم تُمرَّر أي وسيطة، فسيُستخدم GPU device=0 عند توفره؛ وإلا فسيُستخدم device='cpu'. راجع قسم الوسيطات أدناه للاطلاع على القائمة الكاملة لوسيطات التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

التدريب باستخدام وحدات GPU متعددة#

يتيح التدريب باستخدام وحدات GPU متعددة استخدام موارد الأجهزة المتاحة بكفاءة أكبر من خلال توزيع حمل التدريب على وحدات GPU متعددة. تتوفر هذه الميزة عبر كلٍّ من Python API وواجهة سطر الأوامر. لتمكين التدريب باستخدام وحدات GPU متعددة، حدّد معرّفات أجهزة GPU التي تريد استخدامها.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

يستخدِم التدريب على وحدة معالجة الرسومات AMD إصدار PyTorch ROCm مع بناء الجملة القياسي device=0 أو device=cuda:0. راجع دليل تكامل AMD لمعرفة التثبيت وحالة دعم MIGraphX وDirectML وRyzen AI NPU الحالية.

يستخدم تدريب GPU من Intel device=xpu:0، أو معرّفات XPU متعددة مع إصدار PyTorch يوفر XCCL.

تدريب Huawei Ascend NPU#

تدعم Ultralytics التدريب والتحقق من الصحة على وحدات المعالجة العصبية Ascend من Huawei من خلال torch_npu. قم بتثبيت إصدارات CANN وPyTorch وtorch_npu المتوافقة متبادلاً باتباع دليل تثبيت ملحق Ascend لـ PyTorch، ثم قم بتحميل بيئة CANN قبل بدء Ultralytics:

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

تستخدِم ميزات التدريب القياسية، بما في ذلك AMP والتحقق من الصحة وحفظ نقاط التحقق والاستئناف، وحدة المعالجة العصبية النشطة. تتوفّر ميزة AutoBatch للتدريب على وحدة معالجة عصبية مفردة، بينما تُطلق معرفات وحدات المعالجة العصبية المتعددة التدريب الموزع من خلال HCCL. راجع دليل تكامل Huawei Ascend لتصدير النماذج ونشرها بعد التدريب.

التدريب باستخدام GPU الخاملة#

يتيح التدريب باستخدام GPU الخاملة اختيار وحدات GPU الأقل استخدامًا تلقائيًا في الأنظمة متعددة وحدات GPU، مما يحسّن استخدام الموارد دون اختيار GPU يدويًا. تحدد هذه الميزة وحدات GPU المتاحة استنادًا إلى مقاييس الاستخدام وتوفر VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

تعطي خوارزمية الاختيار التلقائي الأولوية لوحدات GPU التي تتميز بما يلي:

1. نسب استخدام حالية أقل
2. ذاكرة متاحة أكبر (VRAM حرة)
3. درجة حرارة واستهلاك طاقة أقل

تُعد هذه الميزة ذات قيمة خاصة في بيئات الحوسبة المشتركة أو عند تشغيل مهام تدريب متعددة على نماذج مختلفة. فهي تتكيف تلقائيًا مع ظروف النظام المتغيرة، مما يضمن تخصيص الموارد على النحو الأمثل دون تدخل يدوي.

تدريب Apple Silicon باستخدام MPS#

مع دمج دعم شرائح Apple silicon في نماذج Ultralytics YOLO، أصبح من الممكن الآن تدريب نماذجك على الأجهزة التي تستخدم إطار Metal Performance Shaders (MPS) القوي. يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحوسبة ومعالجة الصور على شرائح Apple المخصصة.

لتمكين التدريب على شرائح Apple silicon، ينبغي تحديد 'mps' بوصفه جهازك عند بدء عملية التدريب. فيما يلي مثال على كيفية تنفيذ ذلك في Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

بالاستفادة من القدرة الحاسوبية لشرائح Apple silicon، يتيح ذلك معالجة مهام التدريب بكفاءة أكبر. للحصول على إرشادات أكثر تفصيلًا وخيارات إعداد متقدمة، يُرجى الرجوع إلى وثائق PyTorch MPS.

استئناف عمليات التدريب المتوقفة#

يُعد استئناف التدريب من حالة محفوظة سابقًا ميزة مهمة عند العمل باستخدام نماذج التعلم العميق. وقد يكون ذلك مفيدًا في سيناريوهات متعددة، مثل انقطاع عملية التدريب بشكل غير متوقع، أو رغبتك في مواصلة تدريب نموذج باستخدام بيانات جديدة أو لعدد أكبر من الحقب.

عند استئناف التدريب، يقوم نظام Ultralytics YOLO بتحميل الأوزان من آخر نموذج محفوط ويستعيد أيضاً حالة المُحسِّن، ومجدول معدل التعلم، ورقم الحقبة، ومجموعة البيانات. يتيح لك هذا متابعة عملية التدريب بسلاسة من حيث توقفت. قم تمرير data= صريح إلى جانب resume للمتابعة على مجموعة بيانات مختلفة بدلاً من نقطة التحقق.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO من خلال ضبط الوسيطة resume على True عند استدعاء الطريقة train، وتحديد مسار ملف .pt الذي يحتوي على أوزان النموذج المدرَّب جزئيًا.

فيما يلي مثال على استئناف تدريب متوقف باستخدام Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

عند ضبط resume=True، ستواصل الدالة train التدريب من النقطة التي توقفت عندها، باستخدام الحالة المخزنة في الملف 'path/to/last.pt'. وإذا حُذفت الوسيطة resume أو ضُبطت على False، فستبدأ الدالة train جلسة تدريب جديدة.

تذكّر أن نقاط التحقق تُحفظ افتراضيًا في نهاية كل حقبة، أو على فواصل زمنية ثابتة باستخدام الوسيطة save_period، ولذلك يجب إكمال حقبة واحدة على الأقل لاستئناف عملية التدريب.

إعدادات التدريب#

تتضمن إعدادات التدريب لنماذج YOLO معلمات فائقة وإعدادات متنوعة تُستخدم أثناء عملية التدريب. تؤثر هذه الإعدادات في أداء النموذج وسرعته ودقته. وتشمل إعدادات التدريب الأساسية حجم الدفعة ومعدل التعلم والزخم واضمحلال الأوزان. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسّن ودالة الخسارة وتركيب مجموعة بيانات التدريب في عملية التدريب. ويُعد الضبط الدقيق والتجريب باستخدام هذه الإعدادات أمرين بالغي الأهمية لتحسين الأداء.

محسّن MuSGD#

في YOLO26، يُعد MuSGD محسّنًا هجينًا يجمع بين تحديثات SGD القياسية وتحديثات متعامدة بأسلوب Muon.

يُوصى به لعمليات تدريب YOLO26 الأطول ومجموعات البيانات الأكبر، إذ يمكن لتحديثات Muon المتعامدة أن تساعد على استقرار التحسين.

تتلقى الأوزان الخطية ثنائية الأبعاد ومرشحات الالتفاف رباعية الأبعاد (المعاد تشكيلها إلى بعدين) تحديثًا بأسلوب Muon إلى جانب SGD، بينما تظل جميع المعلمات الأخرى، مثل أوزان تطبيع الدفعة وحدود التحييز، على SGD القياسي.

عند استخدام optimizer=auto، يختار Ultralytics تلقائيًا MuSGD لعمليات التدريب الأطول (عادةً عندما تكون iterations > 10000). أما في العمليات الأقصر، فتعود أداة التدريب إلى AdamW.

مثال على الاستخدام:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

راجع التنفيذ في ultralytics/optim/muon.py ومنطق الاختيار التلقائي للمحسّن في BaseTrainer.build_optimizer.

إعدادات زيادة البيانات والمعلمات الفائقة#

تُعد تقنيات زيادة البيانات ضرورية لتحسين متانة نماذج YOLO وأدائها من خلال إدخال التنوع في بيانات التدريب، مما يساعد النموذج على التعميم بصورة أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل وسيطة لزيادة البيانات وتأثيرها:

يمكن ضبط هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة المعنية. وقد يساعد اختبار قيم مختلفة في العثور على استراتيجية زيادة البيانات المثلى التي تؤدي إلى أفضل أداء للنموذج.

التسجيل#

يتم دائماً كتابة مقاييس التدريب والرسوم البيانية ونقاط التحقق في دليل التشغيل، كما تقوم Ultralytics ببثها إلى أي متعقب تجارب قمت بتثبيته وتفعيله: Comet وClearML وTensorBoard وMLflow وWeights & Biases وDVCLive. يتم تبديل كل مسجل من خلال إعدادات Ultralytics، على سبيل المثال yolo settings tensorboard=True. تُظهر الإعدادات الثلاثة الأكثر شيوعاً أدناه.

Comet#

Comet منصة تتيح لعلماء البيانات والمطورين تتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. وتوفر وظائف مثل المقاييس في الوقت الفعلي، وفروق الشفرة، وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكّر تسجيل الدخول إلى حساب Comet على موقعهم الإلكتروني والحصول على مفتاح API الخاص بك. وستحتاج إلى إضافته إلى متغيرات البيئة أو إلى البرنامج النصي لتسجيل تجاربك.

ClearML#

ClearML منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في مشاركة الموارد بكفاءة. وقد صُممت لمساعدة الفرق على إدارة أعمال ML وتنفيذها وإعادة إنتاجها بكفاءة أكبر.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي، ستحتاج إلى تسجيل الدخول إلى حساب ClearML في المتصفح ومصادقة جلستك.

TensorBoard#

TensorBoard مجموعة أدوات للتصوير المرئي مخصصة لـ TensorFlow. وتتيح لك تصور رسم TensorFlow البياني، ورسم المقاييس الكمية المتعلقة بتنفيذ الرسم البياني، وعرض بيانات إضافية مثل الصور التي تمر عبره.

لاستخدام TensorBoard في Google Colab:

%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

لاستخدام TensorBoard محليًا، شغّل الأمر أدناه واعرض النتائج في localhost:6006.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

سيؤدي ذلك إلى تحميل TensorBoard وتوجيهه إلى الدليل الذي تُحفظ فيه سجلات التدريب.

بعد إعداد أداة التسجيل، يمكنك متابعة تدريب النموذج. ستُسجّل جميع مقاييس التدريب تلقائيًا في المنصة التي اخترتها، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء النموذج بمرور الوقت، ومقارنة النماذج المختلفة، وتحديد مجالات التحسين.

ما التالي#

تحقّق من نموذجك المدرَّب باستخدام بيانات محجوزة للتحقق من دقته في العالم الواقعي، ثم صدّره إلى ONNX أو TensorRT أو تنسيق نشر آخر. هل تدرّب على بياناتك الخاصة بدلًا من COCO8؟ نسّقها أولًا باستخدام دليل مجموعات البيانات.

الأسئلة الشائعة#