تدريب النماذج باستخدام Ultralytics YOLO#

مقدمة#

يتضمن تدريب نموذج التعلّم العميق تزويده بالبيانات وضبط معلماته ليتمكن من تقديم تنبؤات دقيقة. صُمم وضع التدريب في Ultralytics YOLO26 لتدريب نماذج اكتشاف الأجسام بفعالية وكفاءة، مع الاستفادة الكاملة من إمكانات العتاد الحديث. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاج إليها لبدء تدريب نماذجك باستخدام مجموعة الميزات القوية في YOLO26. إذا لم تثبّت Ultralytics بعد، فابدأ بـدليل البدء السريع.

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

لماذا تختار Ultralytics YOLO للتدريب؟#

فيما يلي بعض الأسباب المقنعة لاختيار وضع التدريب في YOLO26:

• الكفاءة: استفد إلى أقصى حد من العتاد لديك، سواء كنت تستخدم إعدادًا بوحدة GPU واحدة أو توسّع نطاق العمل عبر وحدات GPU متعددة.
• تعدد الاستخدامات: درّب على مجموعات بيانات مخصصة، 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. ولتحكم أعمق، 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 متعددة: وسّع نطاق 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: تتبّع مقاييس التدريب في الوقت الفعلي واعرض عملية التعلّم لتحسين الرؤى.

أمثلة الاستخدام#

درّب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام الوسيطة device. إذا لم تُمرّر 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

# ⁨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#

يتيح التدريب باستخدام وحدات GPU متعددة الاستفادة من موارد العتاد المتاحة بكفاءة أكبر، وذلك بتوزيع عبء التدريب على عدة وحدات GPU. تتوفر هذه الميزة عبر كل من واجهة Python API وواجهة سطر الأوامر. لتفعيل التدريب متعدد وحدات GPU، حدّد معرّفات أجهزة GPU التي ترغب في استخدامها.

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])

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

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#

يتيح التدريب باستخدام وحدات GPU الأقل انشغالًا اختيار وحدات GPU الأقل استخدامًا تلقائيًا في الأنظمة متعددة وحدات GPU، ما يحسّن استخدام الموارد دون الحاجة إلى اختيار GPU يدويًا. وتحدّد هذه الميزة وحدات GPU المتاحة استنادًا إلى مقاييس الاستخدام وتوفر ذاكرة VRAM.

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)

تكتسب هذه الميزة أهمية خاصة في بيئات الحوسبة المشتركة أو عند تشغيل مهام تدريب متعددة على نماذج مختلفة. فهي تتكيف تلقائيًا مع تغير ظروف النظام، ما يضمن تخصيص الموارد على النحو الأمثل دون تدخل يدوي.

التدريب باستخدام Apple Silicon وMPS#

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

لتفعيل التدريب على شرائح Apple silicon، حدّد 'mps' جهازًا عند بدء عملية التدريب. فيما يلي مثال على تنفيذ ذلك باستخدام Python وسطر الأوامر:

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")

يتيح ذلك معالجة مهام التدريب بكفاءة أكبر مع الاستفادة من القدرة الحاسوبية لشرائح Apple silicon. لمزيد من الإرشادات التفصيلية وخيارات الإعداد المتقدمة، يُرجى الرجوع إلى وثائق PyTorch MPS.

استئناف التدريب بعد انقطاعه#

تُعدّ استئناف التدريب من حالة محفوظة سابقًا ميزةً أساسية عند العمل بنماذج التعلم العميق. وقد يكون ذلك مفيدًا في سيناريوهات متعددة، مثل انقطاع عملية التدريب على نحو غير متوقع، أو الرغبة في مواصلة تدريب نموذج ببيانات جديدة أو لعدد أكبر من العصور التدريبية.

عند استئناف التدريب، تحمّل Ultralytics YOLO الأوزان من آخر نموذج محفوظ، وتستعيد أيضًا حالة المُحسِّن ومُجدوِل معدل التعلم ورقم العصر التدريبي ومجموعة البيانات. يتيح ذلك مواصلة عملية التدريب بسلاسة من النقطة التي توقفت عندها. مرّر data= صراحةً إلى جانب resume لمتابعة التدريب على مجموعة بيانات مختلفة بدلًا من مجموعة بيانات نقطة التحقق.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO بتعيين الوسيطة resume إلى True عند استدعاء الطريقة train، وتحديد مسار الملف .pt الذي يحتوي على أوزان النموذج المدرَّب جزئيًا.

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

from ultralytics import YOLO

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

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

بتعيين resume=True، ستواصل الدالة train التدريب من النقطة التي توقفت عندها، باستخدام الحالة المخزنة في الملف 'path/to/last.pt'. إذا حُذفت الوسيطة resume أو عُيّنت إلى False، فستبدأ الدالة train جلسة تدريب جديدة.

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 معاملات فائقة وتكوينات متنوعة تُستخدم أثناء عملية التدريب. وتؤثر هذه الإعدادات في أداء النموذج وسرعته ودقته. تشمل إعدادات التدريب الرئيسية حجم الدفعة ومعدل التعلم والزخم واضمحلال الأوزان. بالإضافة إلى ذلك، قد يؤثر اختيار المُحسِّن ودالة الخسارة وتركيب مجموعة بيانات التدريب في عملية التدريب. ويُعد الضبط الدقيق لهذه الإعدادات والتجريب بها أمرًا أساسيًا لتحسين الأداء.

مُحسِّن MuSGD#

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

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

لا تتلقى تحديث Muon بأسلوبه الخاص إلى جانب SGD إلا الأوزان الخطية ثنائية الأبعاد ومرشحات الالتفاف رباعية الأبعاد (بعد إعادة تشكيلها إلى ثنائية الأبعاد)، بينما تظل جميع المعاملات الأخرى، مثل أوزان تطبيع الدفعات ومصطلحات الانحياز، على 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.

إعدادات الإثراء والمعاملات الفائقة#

تُعد تقنيات الإثراء ضرورية لتحسين متانة نماذج YOLO وأدائها، إذ تُدخل تنوعًا على بيانات التدريب، ما يساعد النموذج على التعميم بصورة أفضل على البيانات التي لم يرها من قبل. يوضح الجدول التالي الغرض من كل وسيطة إثراء وتأثيرها:

يمكن تعديل هذه الإعدادات لتلبية متطلبات مجموعة البيانات والمهمة المحددة. وقد يساعد التجريب بقيم مختلفة في العثور على استراتيجية الإثراء المثلى التي تحقق أفضل أداء للنموذج.

التسجيل#

تُكتب مقاييس التدريب والمخططات ونقاط التحقق دائمًا في دليل التشغيل، كما تبثها Ultralytics إلى أي أداة تتبّع تجارب ثبّتها وفعّلتها: Comet وClearML وTensorBoard وMLflow وWeights & Biases وDVCLive. ويمكن تفعيل كل مسجّل أو إيقافه من خلال إعدادات Ultralytics، مثل yolo settings tensorboard=True. وفيما يلي أكثر ثلاثة إعدادات شيوعًا.

Comet#

Comet منصة تتيح لعلماء البيانات والمطورين تتبّع التجارب والنماذج ومقارنتها وتفسيرها وتحسينها. وتوفر إمكانات مثل المقاييس في الوقت الفعلي وفروق التعليمات البرمجية وتتبع المعاملات الفائقة.

لاستخدام Comet:

# 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:

# 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:

%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 تشغيل TensorBoard وتوجيهه إلى الدليل الذي تُحفَظ فيه سجلات التدريب.

بعد إعداد أداة التسجيل، يمكنك البدء بتدريب النموذج. ستُسجّل جميع مقاييس التدريب تلقائيًا على المنصة التي اخترتها، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء النموذج بمرور الوقت ومقارنة النماذج المختلفة 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#