تدريب النموذج باستخدام Ultralytics YOLO

مقدمة

يتضمن تدريب نموذج التعلم العميق تزويده بالبيانات وضبط معاملاته ليتمكن من إجراء تنبؤات دقيقة. تم تصميم وضع التدريب (Train mode) في Ultralytics YOLO26 للتدريب الفعال والناجع لنماذج اكتشاف الكائنات، مع الاستفادة الكاملة من إمكانات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام مجموعة ميزات YOLO26 القوية.

لماذا تختار Ultralytics YOLO للتدريب؟

فيما يلي بعض الأسباب المقنعة لاختيار وضع التدريب في YOLO26:

• الكفاءة: حقق أقصى استفادة من أجهزتك، سواء كنت تعمل على إعداد GPU واحد أو توسع نطاق العمل عبر وحدات GPU متعددة.
• تعدد الاستخدامات: تدرب على مجموعات بيانات مخصصة بالإضافة إلى المجموعات المتاحة بسهولة مثل COCO وVOC وImageNet.
• سهولة الاستخدام: واجهات CLI وPython بسيطة وقوية لتجربة تدريب مباشرة.
• مرونة المعاملات الفائقة: مجموعة واسعة من المعاملات الفائقة القابلة للتخصيص لضبط أداء النموذج. لمزيد من التحكم، يمكنك تخصيص المدرب نفسه.
• التدريب السحابي: تدرب على وحدات GPU سحابية من خلال منصة Ultralytics مع مقاييس في الوقت الفعلي وحفظ نقاط التحقق التلقائي.

الميزات الرئيسية لوضع التدريب

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO26:

• التنزيل التلقائي لمجموعة البيانات: يتم تنزيل مجموعات البيانات القياسية مثل COCO وVOC وImageNet تلقائيًا عند الاستخدام الأول.
• دعم وحدات GPU المتعددة: وسّع جهود التدريب الخاصة بك بسلاسة عبر وحدات GPU متعددة لتسريع العملية.
• تكوين المعاملات الفائقة: خيار تعديل المعاملات الفائقة من خلال ملفات تكوين YAML أو وسائط CLI.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة الاستخدام

قم بتدريب YOLO26n على مجموعة بيانات COCO8 لمدة 100 دورة تدريبية بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام وسيط device. إذا لم يتم تمرير أي وسيط، فسيتم استخدام GPU device=0 عند توفره؛ وإلا سيتم استخدام device='cpu'. راجع قسم الوسائط أدناه للحصول على قائمة كاملة بوسائط 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

يسمح التدريب باستخدام وحدات GPU متعددة باستغلال أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب عبر وحدات GPU متعددة. تتوفر هذه الميزة من خلال كل من واجهة برمجة تطبيقات Python وواجهة سطر الأوامر. لتمكين التدريب باستخدام وحدات GPU متعددة، حدد معرفات جهاز GPU التي ترغب في 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

التدريب باستخدام GPU غير نشط

يتيح التدريب باستخدام GPU غير نشط الاختيار التلقائي لوحدات GPU الأقل استخدامًا في أنظمة وحدات GPU المتعددة، مما يعمل على تحسين استخدام الموارد دون اختيار يدوي لوحدات GPU. تحدد هذه الميزة وحدات GPU المتاحة بناءً على 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])

تُعطي خوارزمية الاختيار التلقائي الأولوية لوحدات GPU ذات:

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

تعد هذه الميزة قيمة بشكل خاص في بيئات الحوسبة المشتركة أو عند تشغيل مهام تدريب متعددة عبر نماذج مختلفة. وهي تتكيف تلقائيًا مع ظروف النظام المتغيرة، مما يضمن تخصيص الموارد الأمثل دون تدخل يدوي.

التدريب باستخدام Apple Silicon MPS

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

لتمكين التدريب على رقائق Apple silicon، يجب عليك تحديد 'mps' كجهازك عند بدء عملية التدريب. فيما يلي مثال على كيفية القيام بذلك 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")

بينما تستفيد من القوة الحسابية لرقائق Apple silicon، يتيح ذلك معالجة أكثر كفاءة لمهام التدريب. لمزيد من التوجيه التفصيلي وخيارات التكوين المتقدمة، يرجى الرجوع إلى وثائق PyTorch MPS.

استئناف التدريبات المقاطعة

يعد استئناف التدريب من حالة محفوظة مسبقًا ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدًا في سيناريوهات مختلفة، مثل عندما تتم مقاطعة عملية التدريب بشكل غير متوقع، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لدورات تدريبية إضافية.

عند استئناف التدريب، يقوم Ultralytics YOLO بتحميل الأوزان من آخر نموذج محفوظ ويستعيد أيضًا حالة المحسن، وجدول معدل التعلم، ورقم الدورة التدريبية. يتيح لك هذا مواصلة عملية التدريب بسلاسة من حيث توقفت.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO عن طريق ضبط معامل resume على True عند استدعاء طريقة train، وتحديد المسار إلى ملف .pt الذي يحتوي على أوزان النموذج المدرب جزئيًا.

فيما يلي مثال على كيفية استئناف تدريب مقاطع 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)

عن طريق ضبط resume=True، ستستمر دالة train في التدريب من حيث توقفت، باستخدام الحالة المخزنة في ملف 'path/to/last.pt'. إذا تم حذف معامل resume أو ضبطه على False، فستبدأ دالة train جلسة تدريب جديدة.

تذكر أن نقاط التحقق يتم حفظها في نهاية كل دورة تدريبية افتراضيًا، أو على فترات زمنية ثابتة باستخدام معامل save_period، لذا يجب عليك إكمال دورة تدريبية واحدة على الأقل لاستئناف تشغيل التدريب.

إعدادات التدريب

تشتمل إعدادات التدريب لنماذج YOLO على العديد من المعاملات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج، وسرعته، ودقته. تشمل إعدادات التدريب الرئيسية حجم الدفعة، ومعدل التعلم، والزخم، وتضاؤل الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسن، ودالة الخسارة، وتركيبة مجموعة بيانات التدريب على عملية التدريب. يعد الضبط الدقيق والتجريب باستخدام هذه الإعدادات أمراً حاسماً لتحسين الأداء.

محسن MuSGD

في YOLO26، يُعد MuSGD محسنًا هجينًا يجمع بين تحديثات SGD القياسية وتحديثات متعامدة بنمط Muon.

يُوصى به لتشغيلات تدريب YOLO26 الأطول ومجموعات البيانات الأكبر، حيث يمكن لتحديثات Muon المتعامدة أن تساعد في استقرار التحسين.

فقط المعاملات ذات param.ndim >= 2 (مثل أوزان التفافية) تتلقى تحديث نمط Muon جنبًا إلى جنب مع SGD، بينما تظل المعاملات ذات الأبعاد الأقل مثل طبقات تطبيع الدفعة وشروط التحيز على SGD القياسي.

عند استخدام optimizer=auto، يختار Ultralytics تلقائيًا MuSGD لتشغيلات التدريب الأطول (عادةً عندما تكون التكرارات > 10000). بالنسبة للتشغيلات الأقصر، يعود المدرب 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 للمحسن في BaseTrainer.build_optimizer.

إعدادات زيادة البيانات والمعاملات الفائقة

تعد تقنيات زيادة البيانات ضرورية لتحسين قوة وأداء نماذج YOLO عن طريق إدخال التباين في بيانات التدريب، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل معامل زيادة وتأثيره:

يمكن تعديل هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة قيد التنفيذ. يمكن أن يساعد التجريب بقيم مختلفة في العثور على استراتيجية التعزيز المثلى التي تؤدي إلى أفضل أداء للنموذج.

التسجيل (Logging)

عند تدريب نموذج YOLO26، قد تجد أنه من القيم متابعة أداء النموذج بمرور الوقت. وهنا يأتي دور التسجيل. يوفر Ultralytics YOLO دعماً لثلاثة أنواع من المسجلات - Comet و ClearML و TensorBoard.

لاستخدام مسجل، حدده من القائمة المنسدلة في مقتطف الكود أعلاه وقم بتشغيله. سيتم تثبيت المسجل المختار وتهيئته.

Comet

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع ومقارنة وشرح وتحسين التجارب والنماذج. إنها توفر وظائف مثل المقاييس في الوقت الفعلي، وفروق الكود (code diffs)، وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى حسابك على Comet على موقعهم الإلكتروني والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافته إلى متغيرات البيئة الخاصة بك أو النص البرمجي الخاص بك لتسجيل تجاربك.

ClearML

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في مشاركة الموارد بكفاءة. وهي مصممة لمساعدة الفرق على إدارة وتنفيذ وإعادة إنتاج عملهم في مجال تعلم الآلة بشكل أكثر كفاءة.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا النص البرمجي، ستحتاج إلى تسجيل الدخول إلى حساب ClearML الخاص بك في المتصفح ومصادقة جلستك.

TensorBoard

TensorBoard هي مجموعة أدوات تصور لـ TensorFlow. إنها تسمح لك بتصور مخطط TensorFlow الخاص بك، ورسم مقاييس كمية حول تنفيذ المخطط الخاص بك، وعرض بيانات إضافية مثل الصور التي تمر من خلاله.

لاستخدام TensorBoard في Google Colab:

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

لاستخدام TensorBoard محلياً، قم بتشغيل الأمر أدناه واعرض النتائج على localhost:6006.

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

سيؤدي هذا إلى تحميل TensorBoard وتوجيهه إلى الدليل حيث يتم حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك، يمكنك المتابعة في تدريب النموذج. سيتم تسجيل جميع مقاييس التدريب تلقائياً في المنصة التي اخترتها، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت، ومقارنة نماذج مختلفة، وتحديد مجالات التحسين.

أسئلة شائعة

هل يمكنني التدريب بدون GPU محلي؟

نعم. تدعم منصة Ultralytics التدريب السحابي مع أرصدة مجانية للبدء. قم بتحميل مجموعة البيانات الخاصة بك، واختر نموذجاً و GPU، وقم بالتدريب مباشرة من المتصفح. راجع دليل التدريب السحابي للحصول على التفاصيل.

كيف يمكنني تدريب نموذج اكتشاف كائنات باستخدام Ultralytics YOLO26؟

لتدريب نموذج اكتشاف كائنات باستخدام Ultralytics YOLO26، يمكنك استخدام Python API أو CLI. فيما يلي مثال لكليهما:

from ultralytics import YOLO

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

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

لمزيد من التفاصيل، راجع قسم إعدادات التدريب.

ما هي الميزات الرئيسية لوضع التدريب (Train mode) في Ultralytics YOLO26؟

تشمل الميزات الرئيسية لوضع التدريب في Ultralytics YOLO26 ما يلي:

• تنزيل تلقائي لمجموعة البيانات: يقوم بتنزيل مجموعات البيانات القياسية تلقائياً مثل COCO و VOC و ImageNet.
• دعم تعدد الـ GPU: توسيع نطاق التدريب عبر وحدات GPU متعددة لمعالجة أسرع.
• تكوين المعلمات الفائقة: تخصيص المعلمات الفائقة من خلال ملفات YAML أو وسائط CLI.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي للحصول على رؤى أفضل.

تجعل هذه الميزات التدريب فعالاً وقابلاً للتخصيص ليناسب احتياجاتك. لمزيد من التفاصيل، راجع قسم الميزات الرئيسية لوضع التدريب.

كيف يمكنني استئناف التدريب من جلسة تمت مقاطعتها في Ultralytics YOLO26؟

لاستئناف التدريب من جلسة تمت مقاطعتها، اضبط وسيط resume على True وحدد المسار إلى آخر نقطة تفتيش (checkpoint) تم حفظها.

from ultralytics import YOLO

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

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

راجع القسم الخاص بـ استئناف التدريبات المتقطعة لمزيد من المعلومات.

كيف يمكنني تدريب نموذج على مجموعة بيانات غير متوازنة؟

يحدث عدم توازن الفئات عندما تحتوي بعض الفئات على أمثلة أقل بكثير من غيرها في بيانات التدريب الخاصة بك. قد يؤدي هذا إلى ضعف أداء النموذج على الفئات النادرة. يدعم Ultralytics YOLO ترجيح الفئات من خلال وسيط cls_pw لمعالجة هذه المشكلة.

يتحكم وسيط cls_pw في قوة ترجيح الفئة بناءً على التكرار العكسي للفئة:

• cls_pw=0.0 (افتراضي): تعطيل ترجيح الفئة
• cls_pw=1.0: تطبيق ترجيح التكرار العكسي الكامل
• القيم بين 0.0 و 1.0: توفر ترجيحاً جزئياً لعدم التوازن المعتدل

يتم حساب أوزان الفئات كـ (1.0 / class_counts) ^ cls_pw وتطبيعها بحيث يكون متوسطها مساوياً لـ 1.0.

from ultralytics import YOLO

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

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

هل يمكنني تدريب نماذج YOLO26 على رقائق Apple silicon؟

نعم، يدعم Ultralytics YOLO26 التدريب على رقائق Apple silicon باستخدام إطار عمل Metal Performance Shaders (MPS). حدد 'mps' كجهاز التدريب الخاص بك.

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

لمزيد من التفاصيل، راجع قسم تدريب Apple Silicon MPS.

ما هي إعدادات التدريب الشائعة، وكيف أقوم بتكوينها؟

يسمح لك Ultralytics YOLO26 بتكوين مجموعة متنوعة من إعدادات التدريب مثل حجم الدفعة (batch size)، ومعدل التعلم، والحقب (epochs)، والمزيد من خلال الوسائط. إليك نظرة عامة موجزة:

للحصول على دليل متعمق حول إعدادات التدريب، راجع قسم إعدادات التدريب.