التدريب النموذجي مع Ultralytics YOLO

مقدمة

ينطوي تدريب نموذج التعلم العميق على تغذيته بالبيانات وتعديل معلماته حتى يتمكن من إجراء تنبؤات دقيقة. تم تصميم وضع التدريب في Ultralytics YOLO11 لتدريب نماذج الكشف عن الكائنات بفعالية وكفاءة، مع الاستفادة الكاملة من قدرات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام مجموعة الميزات القوية YOLO11.

شاهد: كيفية تدريب نموذج YOLO على مجموعة بياناتك المخصصة في Google كولاب.

لماذا تختار Ultralytics YOLO للتدريب؟

فيما يلي بعض الأسباب المقنعة لاختيار وضع القطار YOLO11:

• الكفاءة: حقق أقصى استفادة من أجهزتك، سواء كنت تستخدم إعدادًا واحدًا علىGPU أو تتوسع عبر وحدات معالجة رسومات متعددة.
• تعدد الاستخدامات: التدريب على مجموعات بيانات مخصصة بالإضافة إلى مجموعات البيانات المتاحة بسهولة مثل COCO و VOC و ImageNet.
• سهولة الاستخدام: واجهات CLI و Python بسيطة وقوية في نفس الوقت لتجربة تدريب مباشرة.
• مرونة البارامتر الفائق: مجموعة واسعة من البارامترات الفائقة القابلة للتخصيص لضبط أداء النموذج.

الميزات الرئيسية لوضع القطار

فيما يلي بعض الميزات البارزة في وضع القطار YOLO11:

• تنزيل مجموعة البيانات تلقائيًا: يتم تنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet تلقائيًا عند الاستخدام الأول.
• دعم متعددGPU : قم بتوسيع نطاق جهودك التدريبية بسلاسة عبر وحدات معالجة رسومات متعددة لتسريع العملية.
• تكوين المعرف التشعبي: خيار تعديل المعلمات التشعبية من خلال ملفات تكوين YAML أو الوسيطات CLI .
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة على الاستخدام

تدريب YOLO11n على مجموعة بيانات COCO8 ل 100 الحقب الزمنية بحجم الصورة 640. يمكن تحديد جهاز التدريب باستخدام device الوسيطة. إذا لم يتم تمرير أي وسيطة GPU device=0 إذا كان متاحًا، وإلا device='cpu' سيتم استخدامها. انظر قسم الحجج أدناه للحصول على قائمة كاملة بوسائط التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

تدريب متعددGPU

يسمح التدريب متعددGPU باستخدام أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب على وحدات معالجة رسومات متعددة. تتوفر هذه الميزة من خلال كل من واجهة برمجة التطبيقات Python وواجهة سطر الأوامر. لتمكين التدريب المتعددGPU ، حدد معرّفات الأجهزة GPU التي ترغب في استخدامها.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

تدريب Apple Silicon MPS Apple

مع دعم رقاقات Apple السيليكونية المدمجة في طرازات Ultralytics YOLO ، أصبح من الممكن الآن تدريب نماذجك على الأجهزة التي تستخدم إطار عمل الأداء المعدني القوي (MPS). يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحوسبة ومعالجة الصور على سيليكون Apple المخصص.

لتمكين التدريب على رقائق السيليكون من Apple، 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("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

مع الاستفادة من القوة الحسابية لشرائح السيليكون من Apple، مما يتيح معالجة أكثر كفاءة لمهام التدريب. لمزيد من الإرشادات التفصيلية وخيارات التكوين المتقدمة، يُرجى الرجوع إلى وثائقPyTorch MPS .

استئناف التدريبات المتقطعة

يعد استئناف التدريب من حالة محفوظة مسبقًا ميزة مهمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدًا في سيناريوهات مختلفة، مثل عندما تنقطع عملية التدريب بشكل غير متوقع، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لمزيد من الحقب الزمنية.

عند استئناف التدريب، يقوم الموقع Ultralytics YOLO بتحميل الأوزان من آخر نموذج محفوظ، ويستعيد أيضًا حالة المُحسِّن وجدولة معدل التعلم ورقم الحلقة الزمنية. يتيح لك ذلك متابعة عملية التدريب بسلاسة من حيث توقفت.

يمكنك استئناف التدريب بسهولة في Ultralytics YOLO عن طريق تعيين resume حجة لـ True عند استدعاء train وتحديد المسار إلى طريقة .pt ملف يحتوي على أوزان النموذج المدرّب جزئيًا.

فيما يلي مثال على كيفية استئناف تدريب متقطع 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)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

من خلال الإعداد resume=Trueفإن train ستواصل الدالة التدريب من حيث توقفت، باستخدام الحالة المخزّنة في ملف "المسار/إلى/لاست.pt". إذا كانت resume أو تم حذف الوسيطة أو ضبطها على Falseفإن train ستبدأ وظيفة بدء دورة تدريبية جديدة.

تذكر أنه يتم حفظ نقاط التحقق في نهاية كل حقبة زمنية بشكل افتراضي، أو على فترات زمنية ثابتة باستخدام save_period حجة، لذا يجب عليك إكمال حقبة زمنية واحدة على الأقل لاستئناف التدريب.

إعدادات القطار

تشتمل إعدادات التدريب لنماذج YOLO على مختلف المعلمات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته ودقته. تتضمن إعدادات التدريب الرئيسية حجم الدُفعات ومعدل التعلّم والزخم وتضاؤل الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المُحسِّن ووظيفة الخسارة وتكوين مجموعة بيانات التدريب على عملية التدريب. يعد الضبط والتجريب الدقيق لهذه الإعدادات أمرًا بالغ الأهمية لتحسين الأداء.

إعدادات التعزيز والمعلمات الفائقة

تُعد تقنيات التعزيز ضرورية لتحسين متانة وأداء نماذج YOLO من خلال إدخال التباين في بيانات التدريب، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضّح الجدول التالي الغرض من كل وسيطة تعزيز وتأثيرها:

يمكن تعديل هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة المطروحة. يمكن أن تساعد تجربة قيم مختلفة في العثور على استراتيجية التعزيز المثلى التي تؤدي إلى أفضل أداء للنموذج.

التسجيل

عند تدريب نموذج YOLO11 ، قد تجد أنه من المفيد تتبع أداء النموذج بمرور الوقت. وهنا يأتي دور التسجيل. Ultralytics يوفر YOLO دعمًا لثلاثة أنواع من أدوات التسجيل - Comet و ClearML و TensorBoard.

لاستخدام أحد المسجّلات، اختره من القائمة المنسدلة في مقتطف الشيفرة أعلاه وشغّله. سيتم تثبيت المسجل المختار وتهيئته.

Comet

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. وهي توفر وظائف مثل المقاييس في الوقت الحقيقي، واختلافات التعليمات البرمجية، وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى حسابك Comet على موقعهم الإلكتروني والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة أو البرنامج النصي 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 أعمال تعلّم الآلة بكفاءة أكبر.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

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

لوحة تينسور بورد

TensorBoard عبارة عن مجموعة أدوات تصور ل TensorFlow. يسمح لك بتصور الرسم البياني TensorFlow الخاص بك، ورسم مقاييس كمية حول تنفيذ الرسم البياني الخاص بك، وإظهار 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 قم بتشغيل الأمر أدناه وعرض النتائج على http://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 السجل الخاص بك، يمكنك بعد ذلك متابعة تدريب نموذجك. سيتم تسجيل جميع مقاييس التدريب تلقائيًا في النظام الأساسي الذي اخترته، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت، ومقارنة النماذج المختلفة، وتحديد مجالات التحسين.

الأسئلة الشائعة

كيف يمكنني تدريب نموذج اكتشاف الكائنات باستخدام Ultralytics YOLO11 ؟

لتدريب نموذج اكتشاف الكائنات باستخدام Ultralytics YOLO11 ، يمكنك إما استخدام واجهة برمجة التطبيقات Python أو CLI. فيما يلي مثال لكليهما:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

لمزيد من التفاصيل، راجع قسم إعدادات القطار.

ما هي الميزات الرئيسية لوضع القطار Ultralytics YOLO11 ؟

تتضمن الميزات الرئيسية لوضع القطار Ultralytics YOLO11 'Train 'ما يلي:

• تنزيل مجموعة البيانات تلقائيًا: تنزيل مجموعات البيانات القياسية تلقائيًا مثل COCO و VOC و ImageNet.
• دعم متعددGPU : توسيع نطاق التدريب عبر وحدات معالجة رسومات متعددة لمعالجة أسرع.
• تكوين المعرفات التشعبية: تخصيص المعلمات التشعبية من خلال ملفات YAML أو الوسيطات CLI .
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي للحصول على رؤى أفضل.

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

كيف يمكنني استئناف التدريب من جلسة متقطعة في Ultralytics YOLO11 ؟

لاستئناف التدريب من جلسة متقطعة، قم بتعيين resume حجة لـ True وتحديد المسار إلى آخر نقطة تفتيش محفوظة.

from ultralytics import YOLO

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

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

yolo train resume model=path/to/last.pt

راجع القسم الخاص باستئناف التدريبات المتقطعة لمزيد من المعلومات.

هل يمكنني تدريب نماذج YOLO11 على رقائق السيليكون من Apple؟

نعم، يدعم موقع Ultralytics YOLO11 التدريب على رقائق السيليكون من Apple باستخدام إطار عمل الأداء المعدني (MPS). حدد "mps" كجهاز التدريب الخاص بك.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

للمزيد من التفاصيل، راجع قسم تدريب Apple Silicon MPS .

ما هي إعدادات التدريب الشائعة، وكيف يمكنني تهيئتها؟

Ultralytics YOLO11 يسمح لك بتكوين مجموعة متنوعة من إعدادات التدريب مثل حجم الدُفعات ومعدل التعلُّم والحلقات والمزيد من خلال الوسيطات. إليك نظرة عامة موجزة:

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

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 17 يومًا

التعليقات