ابدأ

تدريب النماذج باستخدام Ultralytics YOLO

Ultralytics YOLO ecosystem and integrations

مقدمة#

يتضمن تدريب نموذج التعلّم العميق تزويده بالبيانات وضبط معلماته ليتمكن من إجراء تنبؤات دقيقة. يدرّب وضع التدريب في Ultralytics YOLO26 نماذج اكتشاف العناصر وغيرها من مهام الرؤية بكفاءة على الأجهزة الحديثة. يغطي هذا الدليل التفاصيل اللازمة للبدء في تدريب نماذجك الخاصة باستخدام YOLO26. إذا لم تثبّت Ultralytics بعد، فابدأ بـدليل البدء السريع.

اطّلع على معاينة YOLO27 غير المُصدرة لمعرفة أمثلة التدريب المخطط لها.



شاهد: كيفية تدريب نموذج YOLO على مجموعة بيانات مخصصة في Google Colab.

لماذا تختار Ultralytics YOLO للتدريب؟#

أسباب استخدام وضع التدريب في YOLO26:

  • الكفاءة: حقّق أقصى استفادة من أجهزتك، سواء أكنت تستخدم إعدادًا بوحدة GPU واحدة أم توزّع العمل على عدة وحدات GPU.
  • تعدد الاستخدامات: درّب على مجموعات بيانات مخصّصة بالإضافة إلى مجموعات متاحة بسهولة مثل COCO وVOC وImageNet.
  • سهولة الاستخدام: واجهتا CLI وPython بسيطتان وقويتان لتجربة 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 على وحدات GPU سحابية عبر منصة Ultralytics، مع مقاييس آنية وحفظ تلقائي لنقاط التحقق.

الميزات الرئيسية لوضع التدريب#

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO26:

  • التنزيل التلقائي لمجموعة البيانات: تُنزّل إعدادات مجموعة البيانات التي تتضمن مصدرًا للتنزيل تلقائيًا عند استخدامها للمرة الأولى، مثل yolo train data=coco8.yaml. راجع نظرة عامة على مجموعات البيانات لمعرفة التنسيقات ومجموعات البيانات المدعومة.
  • دعم وحدات GPU المتعددة: وزّع التدريب على وحدات GPU متعددة لتقليل مدته.
  • إعداد المعلمات الفائقة: إمكانية تعديل المعلمات الفائقة من خلال ملفات إعداد YAML أو وسيطات CLI.
  • التصور والمراقبة: تتبّع مقاييس التدريب في الوقت الفعلي واعرض عملية التعلّم لتحسين الرؤى.

أمثلة الاستخدام#

درّب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة وبحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام الوسيط device. إذا لم يُمرَّر أي وسيط، فستُستخدم وحدة GPU device=0 عند توفرها؛ وإلا فستُستخدم device='cpu'.

خطأ تعدد العمليات في Windows

في Windows، قد يظهر لك RuntimeError عند بدء التدريب كنص برمجي. أضف كتلة if __name__ == "__main__": قبل رمز التدريب لحل المشكلة.

مثال على التدريب باستخدام GPU واحد وCPU

يُحدَّد الجهاز تلقائيًا. إذا توفر GPU، فسيُستخدم (جهاز CUDA الافتراضي 0)؛ وإلا فسيبدأ التدريب على CPU.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

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

التدريب باستخدام وحدات GPU متعددة#

يستفيد التدريب متعدد وحدات GPU من الأجهزة المتاحة على نحو أفضل عبر توزيع عبء التدريب على عدة وحدات GPU. تتوفر هذه الميزة عبر كل من Python API وواجهة سطر الأوامر. لتمكين التدريب متعدد وحدات GPU، حدّد معرّفات أجهزة GPU التي تريد استخدامها.

مثال على التدريب باستخدام وحدات GPU متعددة

للتدريب باستخدام وحدتي GPU (جهازي CUDA 0 و1)، استخدم الأوامر التالية. أضف وحدات GPU أخرى حسب الحاجة.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج باستخدام وحدتي GPU⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# ⁨تدريب النموذج باستخدام وحدتي GPU الأقل انشغالًا⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])
دعم وحدات GPU متعددة في Windows

لا يعمل التدريب باستخدام وحدات GPU متعددة على Windows مع إصدارات PyTorch الرسمية ذات الامتداد torch>=2.4. يشغّل Ultralytics تقنية DDP عبر torch.distributed.run، حيث تنشئ خطوة التنسيق TCPStore التي تستخدم الواجهة الخلفية libuv افتراضيًا منذ PyTorch 2.4، بينما بُنيت إصدارات Windows الرسمية دون libuv. وينتهي التدريب فورًا برسالة:

RuntimeError: use_libuv was requested but PyTorch was built without libuv support

لا يحل تعيين USE_LIBUV=0 هذه المشكلة، لأن عملية التنسيق تنشئ TCPStore مباشرةً، ولا يقرأ مسار تنفيذ ذلك الرمز المتغير. درّب على Linux أو WSL2 لاستخدام وحدات GPU متعددة، أو درّب على GPU واحد باستخدام device=0 على Windows.

التدريب باستخدام وحدات GPU متعددة ورمز مخصص

عند تحديد أجهزة متعددة (مثل device=[0, 1])، تنشئ Ultralytics داخليًا مثيلًا جديدًا لأداة التدريب وتنفّذ torch.distributed.run في الخلفية. يعمل ذلك مع الاستخدام المعتاد لـ CLI ومع نصوص Python غير المعدّلة.

لكن إذا احتوى البرنامج النصي على مكونات مخصصة، مثل أداة تدريب أو مدقّق أو مجموعة بيانات أو مسار لمعالجة الزيادة مخصص، فلا يمكن تسلسل هذه العناصر ونقلها تلقائيًا إلى عمليات DDP الفرعية. في هذه الحالة، يجب تشغيل البرنامج النصي مباشرةً باستخدام torch.distributed.run:

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

يستخدم تدريب AMD GPU إصدار PyTorch ROCm مع صيغة device=0 أو device=cuda:0 القياسية. راجع دليل تكامل AMD للاطلاع على تثبيت ROCm والتدريب متعدد وحدات GPU وملاحظات AMP واستدلال MIGraphX للنماذج المُصدّرة.

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

التدريب باستخدام Huawei Ascend NPU#

يدعم Ultralytics التدريب والتحقق على وحدات Huawei Ascend NPU من خلال torch_npu. ثبّت إصدارات متوافقة فيما بينها من CANN وPyTorch وtorch_npu باتباع دليل تثبيت Ascend Extension for PyTorch، ثم حمّل بيئة CANN قبل بدء Ultralytics:

source /usr/local/Ascend/ascend-toolkit/set_env.sh
مثال على التدريب باستخدام Ascend NPU
from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# ⁨التدريب على Ascend NPU واحدة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# ⁨التدريب على وحدتي Ascend NPU باستخدام HCCL⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

تستخدم ميزات التدريب القياسية، بما فيها AMP والتحقق وحفظ نقاط التحقق والاستئناف، وحدة NPU النشطة. يتوفر AutoBatch للتدريب على NPU واحدة، بينما يؤدي تحديد معرّفات NPU متعددة إلى بدء التدريب الموزع عبر HCCL. راجع دليل تكامل Huawei Ascend لمعرفة كيفية تصدير النماذج ونشرها بعد التدريب.

التدريب باستخدام وحدات GPU الأقل انشغالًا#

يختار التدريب على وحدات GPU الخاملة تلقائيًا أقل وحدات GPU استخدامًا في الأنظمة متعددة الوحدات، فلا تحتاج إلى اختيار الأجهزة يدويًا. ويرتّب وحدات GPU المتاحة حسب مستوى الاستخدام وذاكرة VRAM الحرة.

مثال على التدريب باستخدام وحدات GPU الأقل انشغالًا

لاختيار وحدة GPU الأقل انشغالًا واستخدامها تلقائيًا للتدريب، استخدم معلمة الجهاز -1. وهذا مفيد على نحو خاص في بيئات الحوسبة المشتركة أو الخوادم التي تضم عدة مستخدمين.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨التدريب باستخدام وحدة GPU الأقل انشغالًا⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# ⁨التدريب باستخدام وحدتي GPU الأقل انشغالًا⁩
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 (ذاكرة VRAM خالية)

يفيد ذلك بشكل خاص في بيئات الحوسبة المشتركة أو عند تشغيل عدة مهام تدريب في آنٍ واحد، إذ تُختار الأجهزة وفق الظروف الراهنة في كل مرة يبدأ فيها تشغيل.

التدريب باستخدام Apple Silicon وMPS#

يمكن لنماذج Ultralytics YOLO التدريب على شرائح Apple silicon عبر إطار عمل Metal Performance Shaders (MPS)، الذي ينفّذ مهام الحوسبة ومعالجة الصور على وحدات GPU المخصّصة من Apple.

للتدريب على Apple silicon، حدّد mps جهازًا عند بدء التدريب، سواء في Python أو عبر سطر الأوامر:

مثال على التدريب باستخدام MPS
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج باستخدام MPS⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

استئناف التدريب بعد انقطاعه#

يفيد استئناف التدريب من نقطة تحقق محفوظة إذا توقّف التشغيل على نحو غير متوقع، أو إذا أردت مواصلة تدريب نموذج ببيانات جديدة أو لعدد أكبر من الحقب.

عند استئناف التدريب، تحمّل Ultralytics YOLO الأوزان من آخر نموذج محفوظ، وتستعيد أيضًا حالة المحسّن ومُجدول معدل التعلّم ورقم الحقبة ومجموعة البيانات. ثم يتواصل التدريب من النقطة التي توقف عندها. مرّر data= صراحةً إلى جانب resume للمتابعة على مجموعة بيانات مختلفة عن مجموعة نقطة التحقق.

لاستئناف التدريب في Ultralytics YOLO، اضبط الوسيط resume على True عند استدعاء الدالة train، وحدّد مسار الملف .pt الذي يحتوي على أوزان النموذج المدرّب جزئيًا.

لاستئناف تشغيل تدريب متوقف في Python أو عبر سطر الأوامر:

مثال على استئناف التدريب
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("path/to/last.pt")  # ⁨تحميل نموذج مدرَّب جزئيًا⁩

# ⁨استئناف التدريب⁩
results = model.train(resume=True)

من خلال ضبط resume=True، ستواصل الدالة train التدريب من النقطة التي توقفت عندها، باستخدام الحالة المخزنة في الملف path/to/last.pt. إذا أُغفل الوسيط resume أو ضُبط على False، فستبدأ الدالة train جلسة تدريب جديدة. ويواصل التشغيل الذي يرسل البيانات إلى منصة Ultralytics استخدام نموذج المنصة نفسه عند استئنافه.

تذكّر أن نقاط التحقق تُحفَظ افتراضيًا في نهاية كل عصر تدريبي، أو على فترات ثابتة باستخدام الوسيطة save_period؛ لذا يجب إكمال عصر تدريبي واحد على الأقل لاستئناف عملية التدريب.

إعدادات التدريب#

تشمل إعدادات تدريب نماذج YOLO معلمات فائقة وتكوينات متنوعة تُستخدم أثناء التدريب. تؤثر هذه الإعدادات في أداء النموذج وسرعته ودقته. ومن إعدادات التدريب الأساسية حجم الدفعة ومعدل التعلّم والزخم واضمحلال الأوزان. كما يمكن أن يؤثر اختيار المحسّن ودالة الخسارة وتركيب مجموعة بيانات التدريب في عملية التدريب. ويُعد الضبط الدقيق لهذه الإعدادات وتجريبها أمرًا أساسيًا لتحسين الأداء.

مُحسِّن MuSGD#

في YOLO26، يُعد MuSGD محسّنًا هجينًا يجمع بين تحديثات SGD القياسية والتحديثات المتعامدة بنمط Muon.

يوصى به لعمليات تدريب YOLO26 الأطول ومجموعات البيانات الأكبر، إذ يمكن لتحديثات Muon المتعامدة المساعدة في استقرار عملية التحسين.

لا تتلقى تحديث Muon النمطي إلى جانب SGD سوى الأوزان الخطية ثنائية الأبعاد ومرشحات الالتفاف رباعية الأبعاد (بعد إعادة تشكيلها إلى ثنائية الأبعاد)، بينما تظل جميع المعلمات الأخرى، مثل أوزان تطبيع الدفعة ومصطلحات الانحياز، خاضعةً لـ SGD القياسي.

عند استخدام optimizer=auto، تختار Ultralytics تلقائيًا MuSGD لعمليات التدريب الأطول (عادةً عندما يكون عدد التكرارات > 10000). أما في العمليات الأقصر، فيعود المُدرِّب إلى AdamW. وفي وضع auto، يختار المُدرِّب أيضًا معدل التعلم، لذا يتم تجاهل lr0 الذي يحدده المستخدم. للتحكم بهذه الإعدادات يدويًا، اختر مُحسِّنًا صراحةً، مثل optimizer=AdamW lr0=0.001.

مثال على الاستخدام:

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

اطّلع على التنفيذ في ultralytics/optim/muon.py ومنطق الاختيار التلقائي للمُحسِّن في BaseTrainer.build_optimizer.

المعاملالنوعالافتراضيالوصف
modelstrNoneيحدّد ملف النموذج المستخدم للتدريب. يقبل مسارًا إلى نموذج مدرَّب مسبقًا من .pt أو ملف تهيئة .yaml. وهو ضروري لتعريف بنية النموذج أو تهيئة الأوزان.
datastrNoneمسار ملف YAML لمجموعة البيانات (مثل coco8.yaml)، الذي يتضمن مسارات بيانات التحقق والتدريب، وأسماء الفئات، وعددها. أما التصنيف فيقبل دليل مجموعة بيانات أو اسم مجموعة بيانات مضمّنة (مثل imagenet10).
epochsint100إجمالي عدد حقب التدريب. تمثل كل حقبة مرورًا كاملًا على مجموعة البيانات بأكملها. ويمكن أن يؤثر تعديل هذه القيمة في مدة التدريب وأداء النموذج.
timefloatNoneالحد الأقصى لمدة التدريب بالساعات. إذا عُيّنت هذه القيمة، فإنها تتجاوز الوسيطة epochs، ما يسمح بإيقاف التدريب تلقائيًا بعد المدة المحددة. وهي مفيدة في سيناريوهات التدريب المقيّدة زمنيًا.
patienceint100عدد الحقب التي يُنتظر خلالها دون تحسّن في مقاييس التحقق قبل إيقاف التدريب مبكرًا. تساعد هذه القيمة على منع فرط التكيّف بإيقاف التدريب عند استقرار الأداء.
batchint أو float16حجم الدفعة، بثلاثة أوضاع: تعيينه كعدد صحيح (مثل batch=16)، أو استخدام الوضع التلقائي لـ 60% من ذاكرة GPU المتاحة (batch=-1)، أو استخدام الوضع التلقائي مع تحديد نسبة من ذاكرة GPU المتاحة (batch=0.70).
imgszint640حجم الصورة المستهدف للتدريب. تُغيّر أحجام الصور إلى مربعات طول أضلاعها يساوي القيمة المحددة (إذا كانت rect=False)، مع الحفاظ على نسبة العرض إلى الارتفاع في نماذج YOLO، ولكن ليس في RT-DETR. ويؤثر ذلك في دقة النموذج وتعقيده الحسابي.
saveboolTrueيتيح حفظ نقاط التحقق أثناء التدريب وأوزان النموذج النهائية. وهو مفيد لاستئناف التدريب أو نشر النموذج.
save_periodint-1وتيرة حفظ نقاط تحقق النموذج، محددة بعدد الحقب. تعطل القيمة -1 هذه الميزة. وهي مفيدة لحفظ نماذج وسيطة أثناء جلسات التدريب الطويلة.
cachebool أو strFalseيتيح تخزين صور مجموعة البيانات مؤقتًا في الذاكرة (True/ram) أو على القرص (disk)، أو تعطيل التخزين المؤقت (False). ويحسّن سرعة التدريب بتقليل عمليات الإدخال/الإخراج على القرص، مقابل زيادة استخدام الذاكرة.
tilebool أو intFalseيوسّع كل صورة مصدر إلى رقع تدريب ثابتة، مع قصّ التسميات والاحتفاظ بالنوافذ السلبية. يستخدم True القيمة imgsz؛ ويحدّد العدد الصحيح الموجب حجم الرقعة. راجع تقسيم الصور عالية الدقة إلى رقع.
deviceint أو str أو listNoneيحدّد جهازًا أو أكثر للحوسبة أثناء التدريب: GPU واحد (device=0)، أو عدة وحدات GPU (device=[0,1])، أو CPU (device=cpu)، أو MPS لأجهزة Apple silicon (device=mps)، أو NPU من Huawei Ascend (device=npu:0 أو device=npu:0,1)، أو Intel XPU (device=xpu:0)، أو الاختيار التلقائي لوحدة GPU خاملة (device=-1) أو عدة وحدات GPU خاملة (device=[-1,-1]).
workersint8عدد سلاسل العاملين لتحميل البيانات (لكل RANK في حال التدريب باستخدام عدة وحدات GPU). يؤثر في سرعة المعالجة المسبقة للبيانات وإدخالها إلى النموذج، وهو مفيد بوجه خاص في إعدادات التدريب متعددة وحدات GPU.
projectstrNoneاسم مجلد المشروع الذي تُحفظ فيه مخرجات التدريب. يُوضَع المسار النسبي ضمن runs_dir/<task>، بينما يُستخدم المسار المطلق كما هو.
namestrNoneاسم تشغيل التدريب. يُستخدم لإنشاء دليل فرعي داخل مجلد المشروع تُخزّن فيه سجلات التدريب ومخرجاته.
exist_okboolFalseإذا كانت القيمة True، يُسمح بالكتابة فوق دليل موجود للمشروع/الاسم. وهذا مفيد للتجارب التكرارية دون الحاجة إلى مسح المخرجات السابقة يدويًا.
save_dirstrNoneيحدّد الدليل الدقيق لحفظ مخرجات التشغيل، متجاوزًا تركيبة project/name. يُستخدم المسار كما هو دون زيادة تلقائية، لذا تعيد عمليات التشغيل المتتالية استخدام الدليل نفسه.
pretrainedbool أو strTrueيحدّد ما إذا كان التدريب سيبدأ بأوزان مدرّبة مسبقًا. يمكن أن تكون القيمة منطقية أو سلسلة تمثل مسار الأوزان المطلوب تحميلها. تُدرّب pretrained=False انطلاقًا من أوزان مهيأة عشوائيًا مع الحفاظ على بنية النموذج.
cls_remapboolTrueعند الضبط الدقيق عبر مجموعات بيانات مختلفة، تُنسخ صفوف رأس التصنيف المدرّب مسبقًا إلى النموذج الجديد حيثما تطابقت أسماء الفئات، بحيث تحتفظ الفئات المتداخلة بالانحياز الذي تعلّمته، إلى جانب أوزانها عندما يظل عرض الرأس دون تغيير. ينطبق ذلك سواء اختلف عدد الفئات أم تطابق مع اختلاف ترتيبها.
optimizerstr'auto'اختيار محسِّن التدريب. تشمل الخيارات SGD، وMuSGD، وAdam، وAdamax، وAdamW، وNAdam، وRAdam، وRMSProp، أو auto لاختيار AdamW أو MuSGD وفقًا لعدد تكرارات التدريب. ويؤثر ذلك في سرعة التقارب واستقراره.
seedint0يعيّن البذرة العشوائية للتدريب، ما يضمن إمكانية إعادة إنتاج النتائج عبر عمليات التشغيل ذات التهيئات نفسها.
deterministicboolTrueيفرض استخدام خوارزميات حتمية، ما يضمن إمكانية إعادة إنتاج النتائج، لكن قد يؤثر في الأداء والسرعة بسبب تقييد الخوارزميات غير الحتمية.
verboseboolTrueيتيح عرضًا تفصيليًا أثناء التدريب، يشمل أشرطة التقدم والمقاييس لكل حقبة ومعلومات تدريب إضافية في وحدة التحكم.
single_clsboolFalseيعامل جميع الفئات في مجموعات البيانات متعددة الفئات على أنها فئة واحدة أثناء التدريب. وهو مفيد لمهام التصنيف الثنائي أو عند التركيز على وجود الأجسام بدلًا من تصنيفها.
classeslist[int]Noneيحدّد قائمة بمعرّفات الفئات المطلوب التدريب عليها. وهو مفيد لتصفية الفئات والتركيز على فئات بعينها أثناء التدريب.
rectboolFalseتفعّل استراتيجية الحد الأدنى من الحشو، بحيث تُحشى الصور في الدفعة بأقل قدر ممكن للوصول إلى حجم موحّد، ويكون أطول ضلع مساويًا لـ imgsz. قد يؤدي ذلك إلى تحسين الكفاءة والسرعة، لكنه قد يؤثر في دقة النموذج. يستخدم مدرّب YOLO القياسي rect=True للتحقق من مهام الكشف والتجزئة وتقدير الوضعية وOBB، بصرف النظر عن هذا الإعداد.
multi_scalefloat0.0يغيّر قيمة imgsz عشوائيًا في كل دفعة بمقدار +/- multi_scale (مثلًا: 0.25 ← من 0.75x إلى 1.25x)، مع التقريب إلى مضاعفات خطوة النموذج؛ وتعطّل 0.0 التدريب متعدد المقاييس.
cos_lrboolFalseيستخدم مجدول معدل التعلّم ذي المنحنى الجيبي، إذ يضبط معدل التعلّم وفق منحنى جيبي عبر الحقب. ويساعد على إدارة معدل التعلّم لتحقيق تقارب أفضل.
close_mosaicint10يعطّل زيادة بيانات الفسيفساء خلال آخر N حقب لتحقيق استقرار التدريب قبل انتهائه. يؤدي تعيين القيمة إلى 0 إلى تعطيل هذه الميزة.
resumeboolFalseيستأنف التدريب من آخر نقطة تحقق محفوظة. ويحمّل أوزان النموذج وحالة المُحسِّن وعدد الحقب تلقائيًا، لمتابعة التدريب من الموضع الذي توقف عنده.
ampbool أو strTrueيحدّد دقة التدريب: يستخدم True أو "fp16" تنسيق FP16، ويستخدم "bf16" تنسيق BF16 على أجهزة CUDA المدعومة، بينما يستخدم False أو "fp32" تنسيق FP32.
quantizeint أو strNoneعيّن القيمة إلى 8 (أو "int8") للتدريب المدرك للتكميم إلى INT8 (QAT)، الذي يجري ضبطًا دقيقًا باستخدام تكميم زائف ضمن الحلقة كي تتحمل الأوزان التصدير إلى INT8. راجع التدريب المدرك للتكميم.
fractionfloat أو int أو list1.0جزء مجموعة البيانات، محدد كنسبة أو عدد أو قائمة [train, val, test]. تعني 1 التقسيم الكامل، وتمثل الأعداد الصحيحة الأكبر من 1 أعداد الصور، ولا يقبل الإدخال الاختياري للاختبار وحده 0/0.0 بمعنى لا شيء. وتُبقي القوائم ذات العنصرين مجموعة الاختبار كاملة.
profileboolFalseيتيح قياس سرعتي ONNX وTensorRT أثناء التدريب، وهو مفيد لتحسين نشر النموذج.
freezeint أو listNoneيجمّد أول N طبقة من النموذج، أو طبقات محددة حسب الفهرس أو اسم الوحدة (23.cv2، من دون البادئة model.)، ما يقلل عدد المعلمات القابلة للتدريب. وهو مفيد للضبط الدقيق أو التعلّم بالنقل.
lr0float0.01معدل التعلم الأولي (مثل SGD=1E-2 وAdam=1E-3). يُتجاهل عند استخدام optimizer='auto' الافتراضي؛ حدّد مُحسِّنًا صراحةً لاستخدامه.
lrffloat0.01معدل التعلّم النهائي كنسبة من المعدل الأولي = (lr0 * lrf)، ويُستخدم مع المجدولات لضبط معدل التعلّم بمرور الوقت.
momentumfloat0.937زخم SGD/MuSGD أو beta1 لمحسّنات Adam. مع optimizer=auto، يستخدم AdamW القيمة 0.9؛ يبدأ MuSGD عند 0.9، ثم يستوفي الإحماء خطيًا من warmup_momentum إلى momentum. من دون الإحماء، يظل MuSGD التلقائي عند 0.9.
weight_decayfloat0.0005مصطلح انتظام L2، يعاقب الأوزان الكبيرة لمنع فرط التكيّف.
warmup_epochsfloat3.0حقب الإحماء (يُسمح بالقيم الكسرية)، مع تحديد الحد الأقصى بحيث تبقى الحقبة الأخيرة بلا إحماء. يرتفع معدل التعلّم خطيًا من 0 (الانحياز من warmup_bias_lr) إلى قيمته المجدولة، والزخم من warmup_momentum إلى momentum، وتراكم التدرجات من دفعة واحدة إلى قيمته الاسمية (راجع nbs)، وتصل جميعها إلى قيمها المستهدفة عند انتهاء الإحماء.
warmup_momentumfloat0.8الزخم الابتدائي للمحسّنات التي تتضمن حدًا للزخم (SGD وMuSGD وRMSprop)، ويُرفع خطيًا إلى momentum بحلول نهاية الإحماء. لا يُجرى إحماء beta1 في عائلة Adam.
warmup_bias_lrfloat0.1معدل التعلّم لمعاملات الانحياز أثناء مرحلة الإحماء، ما يساعد على تحقيق استقرار تدريب النموذج في الحقب الأولى. يُضبط تلقائيًا على 0.0 مع الإعداد الافتراضي optimizer='auto'؛ لذا حدّد محسِّنًا صراحةً لاستخدامه.
distill_modelstrNoneمسار نقطة تحقق نموذج المعلّم (مثل yolo26x.pt) لتقطير المعرفة. عند تعيينه، يُدرّب نموذج الطالب باستخدام خسارة تقطير إضافية يوجّهها نموذج المعلّم المجمّد.
disfloat6.0وزن خسارة التقطير المضافة إلى خسائر الكشف القياسية. تزيد القيم الأعلى من تأثير توجيه خصائص نموذج المعلّم.
boxfloat7.5وزن مكوّن خسارة الصندوق في دالة الخسارة، ويؤثر في مقدار التركيز على التنبؤ الدقيق بإحداثيات الصندوق المحيط.
clsfloat0.5وزن خسارة التصنيف في دالة الخسارة الكلية، ويؤثر في أهمية التنبؤ الصحيح بالفئة مقارنةً بالمكونات الأخرى.
cls_pwfloat0.0قوة ترجيح الفئات لمعالجة اختلال توازن الفئات باستخدام معكوس تكرار الفئة. تعطّل 0.0 ترجيح الفئات، بينما تطبّق 1.0 الترجيح الكامل بمعكوس التكرار. وتوفّر القيم بين 0 و1 ترجيحًا جزئيًا.
dflfloat1.5وزن حد انحدار مسافة الصندوق: خسارة البؤرة التوزيعية (DFL) عندما يستخدم رأس الكشف reg_max > 1، وخسارة L1 لمسافات الصندوق المطبّعة في YOLO26 الخالي من DFL (reg_max: 1).
posefloat12.0وزن خسارة الوضعية في النماذج المدرّبة لتقدير الوضعيات، ويؤثر في التركيز على التنبؤ الدقيق بالنقاط المفتاحية للوضعية.
kobjfloat1.0وزن خسارة احتمالية وجود الكائن عند النقطة المفتاحية في نماذج تقدير الوضعيات، لتحقيق توازن بين ثقة الكشف ودقة الوضعية.
rlefloat1.0وزن خسارة تقدير الاحتمالية اللوغاريتمية المتبقية في نماذج تقدير الوضعيات، ويؤثر في دقة تحديد مواقع النقاط المفتاحية.
anglefloat1.0وزن خسارة الزاوية في نماذج OBB، ويؤثر في دقة التنبؤ بزوايا الصناديق المحيطة الموجّهة.
dlogfloat1.0وزن خسارة اللوغاريتمية الثابتة للمقياس (SILog) في نماذج تقدير العمق، وهي الحد الأساسي المحرّك لدقة العمق.
dgradfloat0.5وزن خسارة التدرّج في نماذج تقدير العمق، وتعاقب الأخطاء عند حواف العمق وتشجّع على حدود أسطح أكثر وضوحًا.
dlamfloat1.0عامل التركيز على التباين في خسارة SILog بنماذج تقدير العمق. تجعل 1.0 الخسارة ثابتة المقياس بالكامل، بينما تقلّصها 0.0 إلى RMSE لوغاريتمي عادي.
nbsint64حجم الدفعة الاسمي. تتراكم التدرجات على مدى round(nbs / batch) دفعات لكل خطوة للمحسّن (بحد أدنى دفعة واحدة، وبحد أقصى يساوي إجمالي عدد دفعات التشغيل خارج وضع time)، ويُضرب weight_decay في batch * accumulate / nbs لمطابقته.
overlap_maskboolTrueيحدّد ما إذا كان ينبغي دمج أقنعة الأجسام في قناع واحد للتدريب، أم إبقاء قناع منفصل لكل جسم. عند التداخل، يوضع القناع الأصغر فوق الأكبر أثناء الدمج.
mask_ratioint4نسبة خفض دقة أقنعة التجزئة، وتؤثر في دقة الأقنعة المستخدمة أثناء التدريب. ولا تغيّر دقة الأقنعة المتنبأ بها.
dropoutfloat0.0معدل الإسقاط للتنظيم في مهام التصنيف، ويمنع فرط التكيّف بإسقاط الوحدات عشوائيًا أثناء التدريب.
valboolTrueيتيح التحقق أثناء التدريب، ما يسمح بالتقييم الدوري لأداء النموذج على مجموعة بيانات منفصلة.
splitstr'val'تقسيم مجموعة البيانات المستخدم للتحقق أثناء التدريب: val أو test أو train. تُستخدم مقاييسه لاختيار best.pt وتفعيل الإيقاف المبكر.
nmsbool، اختياريNoneيختار رأس الاستدلال المستخدم للتحقق في كل حقبة واختيار نقاط التحقق والإيقاف المبكر. يستخدم None أو True أسلوب واحد إلى متعدد مع NMS؛ أما False فيستخدم الرأس الخالي من NMS عند توفره. ويحتفظ كلا الرأسين بخسائر التدريب.
plotsboolTrueينشئ مخططات مقاييس التدريب والتحقق وأمثلة التنبؤ ويحفظها، ما يوفّر رؤى مرئية حول أداء النموذج وتقدمه في التعلّم.
compilebool أو strFalseيتيح تجميع رسوم torch.compile في PyTorch 2.x باستخدام backend='inductor'. يقبل True → "default"، أو False لتعطيله، أو وضعًا نصيًا مثل "default"، "reduce-overhead"، "max-autotune-no-cudagraphs". ويعود إلى التنفيذ الفوري مع تحذير إذا لم يكن مدعومًا.
channels_lastboolNoneيستخدم تنسيق الذاكرة channels_last (NHWC) لعمليات الالتفاف أثناء التدريب. يُفعِّل None هذا التنسيق تلقائيًا على CUDA مع PyTorch 1.11 أو الإصدارات الأحدث، باستثناء Windows وAMD ROCm، حيث أظهرت القياسات أنه أبطأ. يعطّله False، بينما يطلبه True صراحةً. يظل التدريب على CPU أو MPS دائمًا بتنسيق NCHW (True يُتجاهل مع إصدار تحذير).
max_detint300الحد الأقصى لعدد الكشوف لكل صورة أثناء التحقق من التدريب. بالنسبة إلى الكشف والتقسيم والوضعية وOBB، لا ترتفع القيمة الافتراضية 300 إلى أكبر عدد من الأجسام الموسومة في التدريب/التحقق إلا إذا تجاوز ذلك العدد 300. وتظل القيم الأخرى ثابتة؛ ويؤدي تجاوز الحد إلى ظهور تحذير.
ملاحظة حول إعدادات حجم الدفعة

يقبل الوسيط batch ثلاثة أنواع من القيم، وتضيف أداة التدريب إجراءي حماية:

  • حجم الدفعة الثابت: عيّن قيمة صحيحة (مثل batch=16) لتحديد عدد الصور في كل دفعة مباشرةً. يوزّع التدريب باستخدام وحدات GPU متعددة حجم الدفعة الإجمالي بالتساوي على وحدات GPU، لذا يجب أن يكون مساويًا لعدد وحدات GPU أو أكبر منه؛ ويُسقط الباقي (مثلًا، يؤدي استخدام batch=15 على وحدتي GPU إلى تدريب 7 صور لكل وحدة GPU).
  • الوضع التلقائي (60% من ذاكرة GPU): استخدم batch=-1 لضبط حجم الدفعة تلقائيًا بحيث يستهلك نحو 60% من ذاكرة CUDA المتاحة للتدريب.
  • الوضع التلقائي مع تحديد نسبة الاستخدام: عيّن قيمة النسبة (مثل batch=0.70) لضبط حجم الدفعة استنادًا إلى النسبة المحددة من ذاكرة GPU المتاحة.
  • إعادة المحاولة التلقائية عند نفاد الذاكرة: إذا وقع خطأ نفاد ذاكرة CUDA خلال العصر التدريبي الأول، يخفض المُدرِّب حجم الدفعة إلى النصف تلقائيًا ثم يعيد المحاولة (حتى 3 مرات). ينطبق هذا على التدريب باستخدام GPU واحد فقط؛ أما التدريب باستخدام عدة وحدات GPU (DDP) فيُصدر الخطأ فورًا.
  • تعذّر العثور على حجم مناسب: إذا لم ينتج أي حجم مرشح للدفعة ملف تعريف قابلًا للاستخدام، يرفع AutoBatch خطأ RuntimeError واضحًا بدلًا من الرجوع بصمت إلى قيمة افتراضية غير ذات صلة.

إعدادات الإثراء والمعاملات الفائقة#

تُعد تقنيات زيادة البيانات ضرورية لتحسين متانة نماذج YOLO وأدائها، إذ تضيف تنوعًا إلى بيانات التدريب وتساعد النموذج على التعميم بشكل أفضل على البيانات التي لم يسبق له رؤيتها. يوضّح الجدول التالي الغرض من كل وسيط لزيادة البيانات وتأثيره:

المعاملالنوعالافتراضيالمهام المدعومةالنطاقالوصف
hsv_hfloat0.015detect, segment, semantic, depth, classify, pose, obb0.0 - 1.0يضبط درجة تدرج اللون في الصورة بجزء من عجلة الألوان، ما يضيف تنوعًا لونيًا. ويساعد النموذج على التعميم في ظروف الإضاءة المختلفة. بالنسبة إلى classify، لا ينطبق هذا إلا عند auto_augment=None.
hsv_sfloat0.7detect, segment, semantic, depth, classify, pose, obb0.0 - 1.0يغيّر تشبع الصورة بمقدار كسري، ما يؤثر في شدة الألوان. ويفيد في محاكاة الظروف البيئية المختلفة. بالنسبة إلى classify، لا ينطبق هذا إلا عند auto_augment=None.
hsv_vfloat0.4detect, segment, semantic, depth, classify, pose, obb0.0 - 1.0يعدّل قيمة الصورة (السطوع) بمقدار كسري، ما يساعد النموذج على الأداء الجيد في ظروف الإضاءة المتنوعة. بالنسبة إلى classify، لا ينطبق هذا إلا عند auto_augment=None.
degreesfloat0detect, segment, semantic, depth, pose, obb0.0 - 180يدير الصورة عشوائيًا ضمن نطاق الدرجات المحدد، ما يحسّن قدرة النموذج على التعرّف على الأجسام بمختلف اتجاهاتها.
translatefloat0.1detect, segment, semantic, depth, pose, obb0.0 - 1.0ينقل الصورة أفقيًا ورأسيًا بجزء من حجمها، ما يساعد النموذج على تعلم اكتشاف الأجسام الظاهرة جزئيًا.
scalefloat | tuple0.5detect, segment, semantic, depth, classify, pose, obb0 - 1، أو صف (min, max) صريح (ليس لـ classify).يغيّر حجم الصورة بعامل تكبير، لمحاكاة وجود الأجسام على مسافات مختلفة من الكاميرا.
shearfloat0detect, segment, semantic, depth, pose, obb-180 - +180يقص الصورة بالدرجة المحددة، لمحاكاة تأثير رؤية الأجسام من زوايا مختلفة.
perspectivefloat0detect, segment, semantic, depth, pose, obb0.0 - 0.001يطبّق تحويل منظور عشوائيًا على الصورة، ما يعزز قدرة النموذج على فهم الأجسام في فضاء ثلاثي الأبعاد.
flipudfloat0detect, segment, semantic, depth, classify, pose, obb0.0 - 1.0يقلب الصورة رأسًا على عقب بالاحتمال المحدد، ما يزيد تنوع البيانات دون التأثير في خصائص الجسم.
fliplrfloat0.5detect, segment, semantic, depth, classify, pose, obb0.0 - 1.0يقلب الصورة من اليسار إلى اليمين بالاحتمال المحدد، ما يفيد في تعلم الأجسام المتماثلة وزيادة تنوع مجموعة البيانات.
bgrfloat0detect, segment, semantic, depth, pose, obb0.0 - 1.0يقلب قنوات الصورة من RGB إلى BGR بالاحتمال المحدد، ما يفيد في زيادة المتانة تجاه الترتيب غير الصحيح للقنوات.
mosaicfloat1detect, segment, semantic, pose, obb0.0 - 1.0يدمج أربع صور تدريب في صورة واحدة، محاكيًا تركيبات مشاهد وتفاعلات أجسام مختلفة. وهو فعّال لفهم المشاهد المعقدة.
mixupfloat0detect, segment, semantic, pose, obb0.0 - 1.0يمزج صورتين وتسميتيهما لإنشاء صورة مركّبة. ويعزز قدرة النموذج على التعميم عبر إدخال ضوضاء على التسميات وتنوع بصري.
cutmixfloat0detect, segment, semantic, pose, obb0.0 - 1.0يدمج أجزاءً من صورتين، منشئًا مزجًا جزئيًا مع الحفاظ على مناطق متميزة. ويعزز متانة النموذج عبر إنشاء حالات حجب.
copy_pastefloat0segment, semantic, obb0.0 - 1.0نسبة الأجسام المؤهلة التي تُلصق؛ يعكسها flip داخل الصورة، بينما يستخدم mixup القيمة أيضًا احتمالًا للتطبيق عبر الصور.
copy_paste_modestrflipsegment, semantic, obb-يحدد استراتيجية copy-paste المراد استخدامها. تشمل الخيارات 'flip' و'mixup'.
auto_augmentstrrandaugmentclassify-يطبّق سياسة زيادة بيانات محددة مسبقًا ('randaugment' أو 'autoaugment' أو 'augmix') لتحسين أداء النموذج من خلال التنوع البصري.
erasingfloat0.4classify0.0 - 1.0يمحو مناطق من الصورة عشوائيًا أثناء التدريب، لتشجيع النموذج على التركيز على السمات الأقل وضوحًا.
augmentationslistNonedetect, segment, semantic, depth, pose, obb-تحويلات Albumentations مخصصة لزيادة البيانات المتقدمة (واجهة Python فقط). تقبل قائمة بكائنات التحويل لتلبية احتياجات زيادة البيانات المتخصصة.

يمكن ضبط هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة. وقد يساعدك تجريب قيم مختلفة في العثور على استراتيجية زيادة البيانات الأنسب.

معلومات

لمزيد من المعلومات حول عمليات إثراء بيانات التدريب، راجع قسم المراجع.

التسجيل#

تُكتب مقاييس التدريب ورسومه البيانية ونقاط التحقق دائمًا في مجلد التشغيل، كما تبثّها Ultralytics أيضًا إلى أي متعقّب للتجارب قمت بتثبيته وتفعيله: Comet، وClearML، وTensorBoard، وMLflow، وWeights & Biases، وDVCLive. ويمكن تفعيل كل مسجّل أو تعطيله من خلال إعدادات Ultralytics، مثل yolo settings tensorboard=True. وتُعرض أدناه أكثر ثلاثة تكوينات شيوعًا.

Comet#

Comet منصة تتيح لعلماء البيانات والمطورين تتبّع التجارب والنماذج ومقارنتها وشرحها وتحسينها. وتوفر مقاييس آنية وفروقًا بين الشيفرات وتتبعًا للمعلمات الفائقة.

لاستخدام Comet:

مثال
# pip install comet_ml
import comet_ml

comet_ml.login()

تذكّر تسجيل الدخول إلى حسابك في Comet على موقعهم الإلكتروني والحصول على مفتاح API. ستحتاج إلى إضافته إلى متغيرات البيئة أو إلى البرنامج النصي لتسجيل تجاربك.

ClearML#

ClearML منصة مفتوحة المصدر تؤتمت تتبّع التجارب وتساعد على مشاركة الموارد بكفاءة. صُممت لمساعدة الفرق على إدارة أعمال التعلم الآلي وتنفيذها وإعادة إنتاجها بكفاءة أكبر.

لاستخدام ClearML:

مثال
# pip install clearml
import clearml

clearml.browser_login()

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

TensorBoard#

TensorBoard مجموعة أدوات للتصور خاصة بـTensorFlow. تتيح لك تصور مخطط TensorFlow ورسم المقاييس الكمية المتعلقة بتنفيذ المخطط وعرض بيانات إضافية، مثل الصور التي تمر عبره.

لاستخدام TensorBoard في Google Colab:

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

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

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

سيؤدي ذلك إلى تشغيل TensorBoard وتوجيهه إلى الدليل الذي تُحفَظ فيه سجلات التدريب.

بعد إعداد المسجّل، ابدأ التدريب كالمعتاد. تُسجَّل مقاييس التدريب تلقائيًا على المنصة التي اخترتها، حيث يمكنك مراقبة الأداء بمرور الوقت ومقارنة النماذج وتحديد الجوانب التي تحتاج إلى تحسين.

ما الخطوة التالية؟#

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

الأسئلة الشائعة#

  • نعم. يتضمن التدريب السحابي على منصة Ultralytics أرصدة مجانية للبدء. ارفع مجموعة بياناتك، واختر نموذجًا وGPU، وابدأ التدريب مباشرةً من المتصفح.

  • لتدريب نموذج لكشف الأجسام باستخدام Ultralytics YOLO26، يمكنك استخدام واجهة Python البرمجية أو CLI. فيما يلي مثال لكل منهما:

    مثال على التدريب باستخدام GPU واحد وCPU
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج⁩
    model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
    
    # ⁨تدريب النموذج⁩
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    لمزيد من التفاصيل، راجع قسم إعدادات التدريب.

  • تشمل الميزات الرئيسية لوضع التدريب في Ultralytics YOLO26 ما يلي:

    • تنزيل مجموعة البيانات تلقائيًا: ينزّل مجموعات البيانات القياسية مثل COCO وVOC وImageNet تلقائيًا.
    • دعم عدة وحدات GPU: وسّع نطاق التدريب عبر وحدات GPU متعددة لتسريع المعالجة.
    • ضبط المعاملات الفائقة: خصّص المعاملات الفائقة عبر ملفات YAML أو وسائط CLI.
    • التصور والمراقبة: تتبّع مقاييس التدريب في الوقت الفعلي للحصول على رؤى أفضل.

    تجعل هذه الميزات التدريب فعالًا وقابلًا للتخصيص وفق احتياجاتك. لمزيد من التفاصيل، راجع قسم الميزات الرئيسية لوضع التدريب.

  • لاستئناف التدريب بعد انقطاع جلسة، عيّن الوسيطة resume إلى True وحدد مسار آخر نقطة تحقق محفوظة.

    مثال على استئناف التدريب
    from ultralytics import YOLO
    
    # ⁨تحميل النموذج المدرَّب جزئيًا⁩
    model = YOLO("path/to/last.pt")
    
    # ⁨استئناف التدريب⁩
    results = model.train(resume=True)

    راجع قسم استئناف عمليات التدريب المنقطعة لمزيد من المعلومات.

  • يحدث اختلال توازن الفئات عندما يكون عدد أمثلة بعض الفئات في بيانات التدريب أقل بكثير من غيرها. وقد يؤدي ذلك إلى ضعف أداء النموذج على الفئات النادرة. يدعم Ultralytics YOLO ترجيح الفئات باستخدام الوسيط cls_pw لمعالجة هذه المشكلة. ويكون ترجيح الخسارة أكثر فاعلية كخطوة أخيرة، بعد جمع الفئات النادرة وزيادة أخذ عيناتها، كما هو موضح في معالجة اختلال توازن الفئات.

    تتحكم الوسيطة cls_pw في مقدار ترجيح الفئات استنادًا إلى معكوس تواتر الفئة:

    • cls_pw=0.0 (افتراضي): يعطّل ترجيح الفئات
    • cls_pw=1.0: يطبّق ترجيحًا كاملًا بمعكوس التواتر
    • توفر القيم بين 0.0 و1.0 ترجيحًا جزئيًا للاختلال المعتدل

    تُحسب أوزان الفئات باستخدام (1.0 / class_counts) ^ cls_pw وتُطبَّع بحيث يساوي متوسطها 1.0. يشير class_counts إلى عدد الكائنات الموسومة لكل فئة، أو عدد صور التدريب لكل فئة في مهام التصنيف، وتحصل الفئات التي لا تتوفر لها تسميات تدريب، مثل الفئات المستبعدة بواسطة classes=، على وزن قدره 1.0. أما التجزئة الدلالية فتحسب أوزانها من تكرار وحدات البكسل بدلًا من ذلك، كما في (1.0 / ln(1.02 + p)) ^ cls_pw، حيث يشير p إلى نسبة وحدات البكسل الموسومة في بيانات التدريب ضمن كل فئة، ولذلك تحصل الفئة التي لا تحتوي على وحدات بكسل موسومة على أكبر وزن.

    التدريب على مجموعة بيانات غير متوازنة
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج مدرَّب مسبقًا⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨التدريب بترجيح كامل للفئات عند وجود اختلال شديد في توازن البيانات⁩
    results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)
    
    # ⁨أو استخدام ترجيح جزئي (0.25) للاختلال المعتدل⁩
    results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)
    نصيحة

    ابدأ باستخدام cls_pw=0.25 مع مجموعات البيانات ذات الاختلال المعتدل، وارفع القيمة إلى 1.0 إذا استمر ضعف أداء الفئات النادرة. يمكنك التحقق من أوزان الفئات المحسوبة في سجلات التدريب للتأكد من توزيع الأوزان.

  • نعم، يدعم Ultralytics YOLO26 التدريب على شرائح Apple silicon باستخدام إطار عمل Metal Performance Shaders (MPS). حدّد mps جهازًا للتدريب.

    مثال على التدريب باستخدام MPS
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج مدرَّب مسبقًا⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تدريب النموذج على شريحة Apple silicon (M1/M2/M3/M4)⁩
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

    لمزيد من التفاصيل، راجع قسم التدريب باستخدام Apple Silicon وMPS.

  • تتيح لك Ultralytics YOLO26 ضبط مجموعة متنوعة من إعدادات التدريب عبر الوسائط، مثل حجم الدفعة ومعدل التعلم وعدد العصور التدريبية وغيرها. إليك لمحة موجزة:

    المعاملالافتراضيالوصف
    modelNoneمسار ملف النموذج المراد تدريبه.
    dataNoneمسار ملف YAML لمجموعة البيانات (مثل coco8.yaml)، أو دليل مجموعة البيانات أو اسمها (مثل imagenet10) لمهمة التصنيف.
    epochs100العدد الإجمالي لعصور التدريب.
    batch16حجم الدفعة، ويمكن ضبطه كعدد صحيح أو باستخدام الوضع التلقائي.
    imgsz640حجم الصور المستهدف للتدريب.
    deviceNoneجهاز أو أجهزة الحوسبة المستخدمة للتدريب، مثل cpu أو 0 أو 0,1 أو mps.
    saveTrueيتيح حفظ نقاط تحقق التدريب وأوزان النموذج النهائية.

    للاطلاع على دليل مفصل حول إعدادات التدريب، راجع قسم إعدادات التدريب.

التعليقات1,074

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. drcosimoGitHub

    Hi there, I' m new to this field and I'm trying to train a YOLO model for detection and tracking of video streams for security.

    Until now I have managed to create my pipeline for training and I want to understand if it's a correct/possible approach:

    1. Load a pretrained model from yolo

    2. transfer learning with my custom dataset that possibly can focus on just some classes(person,car,truck,bus,bycicle)

    3. Validate model to see how it performs

    4. Operate a tuning with the custom best model and using my custom dataset

    5. Retrain the initial pretrained model with my custom dataset and the best hyperparameters found in the tuning process.

    6. Validate final model

    The questions are several:

    • The above approach is logically correct or it has flaws?
    • Is it correct to narrow the detected classes? Or it isn't crucial to the precision of the model?
    • When tuning(if its a correct approach) should i use my dataset or try the coco dataset to keep generalization?
    • When tuning should i specify the classes to detect?
    • When retraining should I use the first pretrained model or it is better to use my custom trained model?
    • In the final training am I using the correct parameters?

    Here the code of the pipeline:

    from ultralytics import YOLO import yaml

    load pretrained model from coco dataset

    model:YOLO = YOLO('yolov8n.yaml').load('yolov8n.pt')

    train_classes = []

    NOTE if you're using COCO format, the new dataset should also be in COCO format.

    operate transfer learning with my custom dataset, narrowing the classes to the ones I want to detect

    model.train(data='custom_data.yaml',classes=train_classes,epochs=200,imgsz=640,optimizer='AdamW',device=[0,1],augment=True,name='custom_model')

    load custom model

    custom_model = YOLO('path/to/best.pt')

    validate custom model

    custom_model.val()

    try tuning to find the best hyperparameters for my custom model

    custom_model.tune(data='custom_data.yaml', epochs=50, iterations=100,optimizer="AdamW", plots=True,save=True,val=True)

    load best hyperparameters

    cfg = yaml.load(open('path/to/best_hyperparameters.yaml'))

    retrain custom model from pretrained on coco with best hyperparameters

    model.train(data='custom_data.yaml',classes=train_classes,epochs=200,imgsz=640,device=[0,1],name='custom_model',exist_ok=True,optimizer='AdamW',**cfg)

    load and validate

    tuned_custom_model = YOLO('path/to/best.pt')

    tuned_custom_model.val()


    Thank you for your effort and time in this project!

    3
    1. Paula DerrengerUltralytics(تم التعديل)

      Hello,

      Your approach to training a YOLO model for detection and tracking is well-thought-out and mostly aligns with best practices. Here are some insights and answers to your questions:

      1. Approach Validity: Your steps are logically sound. Starting with a pretrained model and applying transfer learning to your specific classes is a recommended strategy. Validating and tuning based on the performance helps refine the model further.

      2. Narrowing Detected Classes: It's perfectly fine to focus on specific classes if those are the only ones relevant to your use case. This can help improve the model's performance by reducing the complexity of the problem it needs to solve.

      3. Dataset for Tuning: Use your custom dataset for tuning. This ensures that the hyperparameters are optimized for the specific characteristics of your data rather than the general characteristics of the COCO dataset.

      4. Specifying Classes During Tuning: When tuning, you should specify the classes if your dataset is a subset of the original classes used in the pretrained model. This helps in focusing the model’s learning and evaluation on relevant classes.

      5. Model for Retraining: Tuning only finds hyperparameters, so the usual practice is to train again from the original pretrained model with the best hyperparameters, as in your step 5. Continuing from the already fine-tuned model is also possible, but then it effectively trains for longer, which makes the result harder to compare with the tuning runs.

      6. Parameters for Final Training: The parameters should be chosen based on the results of your tuning. Ensure that they are the ones that gave the best validation performance during the tuning phase.

      Keep up the great work, and don't hesitate to reach out if you have more questions!

    2. drcosimoGitHub

      Thank you very much for you response. I adjusted my script to follow your insights. I have another question regarding transfer learning. The normal approach in transfer learning is to freeze the first n layers to preserve the more generic feature extraction properties of an already trained model and then it is retrained letting only the remaining layers update. I found the callback function to achieve this. My question is, applying the fine-tuning as specified by ultralytics documentation has the same effect? What I mean is: executing the train method again on a pretrained model changing the dataset causes the underlying library to execute the freeze automatically? If it isn't the case it is not clear to me why the fine-tuning is said to have the same effect as applying transfer learning.

      Another question is: it is useful to take a pretrained model from ultralytics and train it with the coco dataset? Because from what I know the pretrained model is already trained using coco dataset. Doing such a thing following the logic you provide for fine-tuning would be essentially the same as resuming a training / do the same train with more epochs?

      Thank you again for your time.

    3. Paula DerrengerUltralytics

      Hello,

      Thank you for your follow-up questions. Let's address each of them:

      1. Freezing Layers in Transfer Learning: The Ultralytics YOLO framework does not automatically freeze any layers when you initiate training, even if you're using a pretrained model. If you want to freeze the first N layers (common in transfer learning to preserve learned features), you must explicitly specify this in your training script. This is different from some other frameworks that might automate this aspect of transfer learning.

      2. Training on COCO Dataset with a Pretrained Model: If the pretrained model you are using was already trained on the COCO dataset, retraining it on the same dataset without significant changes or additional data might not yield substantial improvements. It could be beneficial for fine-tuning if you've made modifications to the model architecture or if you're using a significantly altered version of the dataset. However, generally, this approach would indeed be akin to simply extending the training duration.

      For fine-tuning and transfer learning, it's crucial to tailor the approach based on what changes you've made to the dataset or model and your specific goals (e.g., improving accuracy, adapting to new classes, etc.).

      I hope this clarifies your queries! If you have more questions or need further assistance, feel free to ask.

    1. Paula DerrengerUltralytics

      哈哈,确实,“train”翻译成“火车”听起来很有趣 😄。这里的“train”应该翻译为“训练”,指的是在机器学习中对模型进行训练,以提高其准确性和效率。感谢您指出这个问题,我们会尽快修正翻译错误。如果您有任何其他建议或问题,欢迎随时告诉我们!🚀

      2
  2. Syedshajib55GitHub

    Hi, does platform.ultralytics currently support using custom PyTorch modules directly via a YAML configuration without modifying tasks.py or the core source code? We are attempting to train a custom architecture (e.g., YOLO26) and want to know if there is an existing feature for dynamic module registration.

    1
    1. Muh-7GitHub

      Hi, As far as I know, not at the moment. Ultralytics doesn't seem to have a built-in dynamic registration system where you can define a custom PyTorch module outside the repo and then use it directly in the YAML.

      Usually, the custom module still needs to be imported/registered in tasks.py so that parse_model() can resolve it from the YAML.

      It would be really useful if Ultralytics added something like a register_module() API for this, though.

    2. Murat Raimbekov

      @Syedshajib55 @Muh-7 Platform can train any model that the ultralytics Python package can build, including custom architectures from a modified package or fork. The custom code runs on your own hardware; Platform receives real-time metrics, console and system logs, plots, and the final weights.

      There is no dynamic registration API. parse_model() resolves layer names from the ultralytics.nn.tasks namespace, so a name in your YAML must exist there. You don't need to edit tasks.py for that — expose the class from your own package before building the model:

      import ultralytics.nn.tasks as tasks
      from my_custom_package import MyBlock
      
      tasks.MyBlock = MyBlock  # now `[-1, 1, MyBlock, [...]]` resolves in the YAML

      Full local training with metric streaming to Platform:

      pip install "ultralytics>=8.4.120"
      export ULTRALYTICS_API_KEY="YOUR_API_KEY"
      import ultralytics.nn.tasks as tasks
      from my_custom_package import MyBlock
      from ultralytics import YOLO
      
      tasks.MyBlock = MyBlock
      
      model = YOLO("custom-model.yaml")  # YAML referencing MyBlock
      model.train(
          data="ul://username/datasets/my-dataset",
          epochs=100,
          project="username/my-project",
          name="custom-architecture",
      )

      project and name enable the Platform integration automatically; nothing else is required. Verified on 8.4.157 with a custom nn.Module inserted into a YOLO26n YAML: the model builds, trains, and appears on Platform as a completed run with weights and train args.

      One caveat: the saved .pt pickles the class by import path (my_custom_package.MyBlock), so any environment that loads it needs that package importable — otherwise loading fails with ModuleNotFoundError. That includes Platform-side features that load the uploaded weights with the stock package (Predict, Export, Deploy); local training and streaming are unaffected. Setup details: https://docs.ultralytics.com/platform/train/cloud-training/#remote-training

  3. RussellLee12345GitHub

    Hello all,

    I want my training images to rotate 360 degrees randomly. How do I set the hyper-parameter: degrees?

    Thanks a lot.

    1
    1. Glenn JocherUltralytics

      @RussellLee12345 to rotate your training images randomly up to 360 degrees, set the degrees parameter to 180 in your training configuration. This allows for rotations within the range of -180 to +180 degrees. For more details, see the augmentation settings in the Train Settings documentation.

  4. GKYofficeGitHub

    Please tell me how to set imgsz when I use the yolo11 model for training. Can it only be an integer (this means that the final input is a square)? After I modify this parameter, will the input interface of the network change the input of data? There are corresponding transformations, such as imgsz=1280, does it mean that my input data will be resized to 1280*1280 and input into the network for training?

    Thanks!

    1
    1. Glenn JocherUltralytics

      @GKYoffice when using the YOLO11 model, imgsz can be set as an integer, which resizes the input data to a square of that size (e.g., 1280x1280). This parameter adjusts the input dimensions for training. For more details, please visit the training documentation.

  5. IruhDegSetGitHub

    hi, I'm just wondering if yolov8 accepts class weights, in the data.yaml file:

    names: ['class 1', 'class 2', 'class 3']
    classes_weights: [c1_weight, c2_weight, c3_weight]

    if no how to incorpoorate wighted loss in yolov8 THX

    1
    1. Glenn JocherUltralytics

      @IruhDegSet yOLOv8 does not directly support class weights in the data.yaml file. To incorporate weighted loss, you can modify the loss function in the training script to apply different weights to each class. For more details, you might explore custom loss implementations in PyTorch.

    2. Glenn JocherUltralytics(تم التعديل)

      Yes, YOLO11 supports similar features, including training and hyperparameter customization. For specific details on YOLO11, please refer to the documentation or the relevant sections in the repository.

  6. User

    Dear author, how are the weights of these three losses set: box: 7.5, cls: 0.5, dfl: 1.5? Are they adjusted on the COCO validation, manually adjusted, or obtained through hyperparameter search? For the model I trained, the output confidence scores are very low. I directly increased the weight of cls by 10 times, but the effect did not improve. What other methods can I take?

    1
    1. Glenn JocherUltralytics

      @Stephen-Hao the weights for the box, cls, and dfl losses in YOLOv8 are typically set based on empirical results and fine-tuning on standard datasets like COCO. These values are chosen to balance the contributions of each loss component to the overall training process. If increasing the cls weight did not improve your model's performance, consider the following approaches:

      1. Hyperparameter Tuning: Experiment with other hyperparameters such as learning rate, batch size, and augmentation settings.
      2. Data Quality: Ensure your dataset is well-labeled and balanced. Poor quality data can significantly affect model performance.
      3. Training Duration: Increase the number of epochs to allow the model more time to learn.
      4. Validation: Regularly validate your model to monitor overfitting and adjust training strategies accordingly.

      For more detailed guidance, you can refer to the Ultralytics YOLO training documentation.

    2. Glenn JocherUltralytics

      @Stephen-Hao thank you for your question! The weights for box, cls, and dfl losses are typically set based on empirical results and fine-tuning on standard datasets like COCO. If increasing the cls weight didn't improve your model's performance, consider experimenting with other hyperparameters such as learning rate, batch size, and augmentation settings. Additionally, ensure your dataset is well-labeled and balanced. For more detailed guidance, you can refer to the Ultralytics YOLO training documentation.

    1. Glenn JocherUltralytics(تم التعديل)

      Hey there! 🙌 It's awesome that you're looking to further improve your model with new data. To re-train a pre-trained model on a new dataset, you can simply follow these steps:

      1. Make sure your new dataset is prepared in the same YOLO format as your initial training (a dataset YAML plus one .txt label file per image).

      2. Load your pre-trained model using the YOLO loading method, then specify your new dataset in the train method. Here's a quick code snippet for clarity:

        from ultralytics import YOLO
        
        # Load your pre-trained model
        model = YOLO('path/to/your/pretrained/model.pt') 
        
        # Start training on the new dataset
        results = model.train(data='path/to/your/new/dataset.yaml', epochs=50, imgsz=640)

      Just replace 'path/to/your/pretrained/model.pt' and 'path/to/your/new/dataset.yaml' with the actual paths to your model and new dataset config file, respectively. Adjust the epochs and imgsz (image size) to suit your needs. 🛠️

      That's it! Your model will now continue training on the new dataset. If you have any further questions or run into issues, feel free to ask. Happy training! 🚀

  7. songziang182GitHub

    谢谢你们开发了这么完善的 yolov8🙏, 我想问一下,这两种训练方式的区别 model = YOLO('yolov8n.pt') model = YOLO('yolov8n.yaml').load('yolov8n.pt') model.train(.........)

    1
    1. Paula DerrengerUltralytics

      Hello there! 😊

      The main difference between the two training methods you've mentioned:

      1. model = YOLO('yolov8n.pt'): This directly loads a pretrained YOLOv8n model. It's the simplest way to load a model that has already been trained, making it ready for further training, evaluation, or inference right away.

      2. model = YOLO('yolov8n.yaml').load('yolov8n.pt'): This approach builds a new model from the YAML configuration file and then transfers the weights from the pretrained .pt model. It's a two-step process, where the model is first constructed based on the architecture defined in the YAML file, and then the weights from a pretrained model are loaded. This method is useful when you want to customize the model architecture before loading the weights.

      Both methods ultimately get you to a similar starting point for continuing training or making predictions. The choice depends on whether you need to customize the model architecture as defined in the YAML file before applying the pretrained weights.

      Let me know if this helps or if you have more questions!

    2. songziang182GitHub

      Thank you for answering me. I find it very useful. I have another question, which is the configuration file yolov8n.yaml. I didn’t find where it is. Can I adjust the scale of the model, for example, n, s, m, l, etc., is this the case?

    3. Paula DerrengerUltralytics(تم التعديل)

      Hey! 😊 Thank you for your kind words, and I'm glad the information was helpful to you!

      Regarding the yolov8n.yaml configuration file, it defines the architecture for YOLOv8 models. All scales share one model file (yolov8.yaml) that contains a scales section mapping each letter to [depth, width, max_channels]; the letter in the name you load (yolov8n.yaml, yolov8s.yaml, ...) selects the scale:

      scales:
        n: [0.33, 0.25, 1024]
        s: [0.33, 0.50, 1024]

      To create or modify a model, copy the YAML from the Ultralytics GitHub repository, edit the layers or scales, then load it together with the pretrained weights as you mentioned:

      model = YOLO('path/to/custom_yolov8.yaml').load('yolov8n.pt')
      model.train(.........)

      Model changes can require a solid understanding of the network architecture to be effective.

      I hope this clarifies your question! Feel free to reach out if you have further queries or need more examples. 😊

  8. vonzoGitHub

    So, imgsz works different when training than when predicting?

    For train: if it's an int the ratio will be kept and the train function will take care of that (can't be a tuple). For predict: if it's an int the image will be resized as a square of size imgsz x imgsz, if it's a tuple the image will be resized using HxW and the user has to take care of the ratio and stride.

    Is this right? I would add a comment in the doc to avoid confusions

    1
    1. Paula DerrengerUltralytics(تم التعديل)

      You've got it mostly right! 👍 For training (train), imgsz is an int, the aspect ratio is maintained and resizing is handled internally. It can't be a tuple. For prediction (predict), an int imgsz resizes the longest side to imgsz while keeping the aspect ratio, with padding only up to a multiple of the model stride (so the image is not forced into a square), and a [h, w] list sets the size explicitly.

      Great suggestion on the documentation comment – clarity is key! If you have any more questions or need further examples, feel free to ask. 😊