تدريب النموذج باستخدام Ultralytics YOLO#

مقدمة#

يتضمن تدريب نموذج التعلم العميق تزويده بالبيانات وضبط معاملاته لتمكينه من تقديم تنبؤات دقيقة. تم تصميم وضع التدريب في Ultralytics YOLO26 لتدريب نماذج الكشف عن الكائنات بفعالية وكفاءة، مع الاستفادة الكاملة من إمكانيات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام مجموعة ميزات YOLO26 القوية. إذا لم تقم بتثبيت Ultralytics بعد، فابدأ بـ دليل البدء السريع.

لماذا تختار Ultralytics YOLO للتدريب؟#

إليك بعض الأسباب المقنعة لاختيار وضع التدريب في YOLO26:

• الكفاءة: حقق أقصى استفادة من أجهزتك، سواء كنت تستخدم وحدة معالجة رسومات (GPU) واحدة أو كنت 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 و Python بسيطة وقوية لتجربة تدريب مباشرة.
• مرونة المعاملات الفائقة: مجموعة واسعة من المعاملات الفائقة القابلة للتخصيص لتحسين أداء النموذج بدقة. للتحكم بشكل أعمق، يمكنك تخصيص المدرب نفسه.
• التدريب السحابي: التدريب على وحدات معالجة الرسوميات السحابية من خلال منصة Ultralytics مع مقاييس في الوقت الفعلي وحفظ تلقائي لنقاط التفتيش.

الميزات الرئيسية لوضع التدريب#

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO26:

• التنزيل التلقائي لمجموعات البيانات: يتم تنزيل تكوين مجموعات البيانات التي تحتوي على مصدر تنزيل تلقائياً عند الاستخدام الأول، على سبيل المثال، yolo train data=coco8.yaml. راجع نظرة عامة على مجموعات البيانات لمعرفة التنسيقات ومجموعات البيانات المدعومة.
• دعم تعدد وحدات GPU: وسع نطاق 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 فوري لمقاييس التدريب وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة الاستخدام#

تدريب YOLO26n على مجموعة البيانات COCO8 لمدة 100 عصر تدريب بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام الوسيطة device. إذا لم يتم تمرير أي وسيطة، سيتم استخدام وحدة معالجة الرسوميات device=0 عندما تكون متاحة؛ وإلا سيتم استخدام device='cpu'. راجع قسم الوسيطات أدناه للحصول على قائمة كاملة بوسيطات 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 استغلالاً أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب عبر وحدات GPU متعددة. هذه الميزة متاحة من خلال كل من Python API وواجهة سطر الأوامر. لتمكين التدريب باستخدام وحدات GPU متعددة، حدد معرفات أجهزة 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

يستخدم تدريب وحدات معالجة الرسوميات من AMD إصدار PyTorch ROCm مع بناء الجملة القياسي device=0 أو device=cuda:0. راجع دليل تكامل AMD للتثبيت وحالة دعم MIGraphX و DirectML و Ryzen AI NPU الحالية.

يستخدم تدريب وحدات معالجة الرسوميات من Intel device=xpu:0، أو معرفات XPU متعددة مع إصدار PyTorch الذي يوفر XCCL.

تدريب وحدة معالجة العصبيات Huawei Ascend NPU#

تدعم Ultralytics التدريب والتحقق على وحدات NPU من Huawei Ascend من خلال torch_npu. قم بتثبيت إصدارات CANN و PyTorch و torch_npu المتوافقة متبادلاً باتباع دليل تثبيت ملحق Ascend لـ PyTorch، ثم قم بتفعيل 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")

تستخدم ميزات التدريب القياسية، بما في ذلك AMP والتحقق وحفظ نقاط التفتيش والاستئناف، وحدة NPU النشطة. تتوفر ميزة AutoBatch للتدريب أحادي وحدة NPU، بينما تطلق معرفات NPU المتعددة تدريباً موزَّعاً من خلال HCCL. راجع دليل تكامل Huawei Ascend لتصدير النموذج ونشره بعد التدريب.

تدريب GPU الخاملة#

يتيح تدريب GPU الخاملة الاختيار التلقائي لوحدات GPU الأقل استخداماً في الأنظمة متعددة وحدات GPU، مما يحسن استخدام الموارد دون اختيار يدوي لوحدات GPU. تحدد هذه الميزة وحدات GPU المتاحة بناءً على مقاييس الاستخدام وتوافر 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

هذه الميزة قيّمة بشكل خاص في بيئات الحوسبة المشتركة أو عند تشغيل مهام تدريب متعددة عبر نماذج مختلفة. وهي تتكيف تلقائياً مع ظروف النظام المتغيرة، مما يضمن التخصيص الأمثل للموارد 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 رقائق Apple المخصصة.

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

أثناء الاستفادة من القوة الحوسبية لرقاقات Apple silicon، يتيح ذلك معالجة أكثر كفاءة لمهام التدريب. للحصول على إرشادات أكثر تفصيلاً وخيارات تكوين متقدمة، يُرجى الرجوع إلى توثيق PyTorch MPS.

استئناف التدريبات المقطوعة#

يعد استئناف التدريب من حالة محفوظة مسبقاً ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيداً في سيناريوهات مختلفة، مثل عندما يتم قطع عملية التدريب بشكل غير متوقع، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لعدد أكبر من الحقبات.

عند استئناف التدريب، يقوم Ultralytics YOLO بتحميل الأوزان من آخر نموذج محفوظ ويستعيد أيضًا حالة المُحسِّن، ومجدول معدل التعلم، ورقم العصر. يتيح لك ذلك مواصلة عملية التدريب بسلاسة من حيث توقفت.

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

فيما يلي مثال لكيفية استئناف تدريب مقطوع 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)

من خلال تعيين resume=True، ستتابع وظيفة train التدريب من حيث توقفت، باستخدام الحالة المخزنة في الملف 'path/to/last.pt'. إذا تم إغفال وسيطة resume أو تعيينها إلى False، ستعقِد وظيفة train جلسة تدريب جديدة.

تذكر أن نقاط التفتيش يتم حفظها في نهاية كل عصر تدريب بشكل افتراضي، أو على فترات زمنية ثابتة باستخدام وسيطة save_period، لذا يجب عليك إكمال عصر واحد على الأقل لاستئناف تشغيل التدريب.

إعدادات التدريب#

تشمل إعدادات التدريب لنماذج YOLO مختلف المعاملات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته وداقته. تشمل إعدادات التدريب الرئيسية حجم الدُفعة، ومعدل التعلم، والزخم، واضمحلال الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المُحسِّن، ودالة الخسارة، وتكوين مجموعة بيانات التدريب على عملية التدريب. يُعد الضبط الدقيق والتجريب باستخدام هذه الإعدادات أمرًا بالغ الأهمية لتحسين الأداء.

مُحسن MuSGD#

في YOLO26، MuSGD هو مُحسن هجين يجمع بين تحديثات SGD القياسية مع تحديثات متعامدة بنمط Muon.

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

تتلقى الأوزان الخطية ثنائية الأبعاد فقط وفلاتر الالتفاف رباعية الأبعاد (التي يتم إعادة تشكيلها إلى ثنائية الأبعاد) تحديث نمط Muon مع SGD، بينما تظل جميع المعلمات الأخرى، مثل أوزان التطبيع الدفعي ومصطلحات الانحياز، على خوارزمية SGD القياسية.

عند استخدام optimizer=auto، تختار Ultralytics تلقائيًا MuSGD لعمليات التدريب الأطول (عادةً عندما تكون التكرارات > 10000). بالنسبة للعمليات الأقصر، يعود المدرب تلقائيًا إلى استخدام AdamW.

مثال للاستخدام:

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

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

إعدادات الزيادة (Augmentation) والمعلمات الفائقة (Hyperparameters)#

تعتبر 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 المكتشفة سابقًا. يوضح الجدول التالي الغرض والتأثير لكل وسيطة تعزيز:

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

التسجيل#

عند تدريب نموذج YOLO26، قد تجد أنه من المفيد تتبع أداء النموذج بمرور الوقت. وهنا يأتي دور تسجيل البيانات. يوفر Ultralytics YOLO دعمًا لثلاثة أنواع من مسجلات البيانات - Comet، وClearML، وTensorBoard.

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

Comet#

Comet هي منصة تتيح لعلماء البيانات والمطورين تتبع ومقارنة وشرح وتحسين التجارب والنماذج. وهي توفر وظائف مثل المقاييس في الوقت الفعلي، وفروق الأكواد البرمجية، وتتبع المعاملات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى حساب Comet الخاص بك على موقعهم الإلكتروني والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة الخاصة بك أو إلى البرنامج النصي الخاص بك لتسجيل تجاربك.

ClearML#

ClearML هي منصة مفتوحة المصدر تؤتمت تتبع التجارب وتساعد في المشاركة الفعالة للموارد. وهي مصممة لمساعدة الفرق على إدارة وتنفيذ وإعادة إنتاج أعمال التعلم الآلي الخاصة بهم بشكل أكثر كفاءة.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي، ستحتاج إلى تسجيل الدخول إلى حساب ClearML الخاص بك على المتصفح والمصادقة على جلستك.

TensorBoard#

TensorBoard هي مجموعة أدوات تصور لـ TensorFlow. تتيح لك تصور رسم بياني TensorFlow الخاص بك، ورسم مقاييس كمية حول تنفيذ الرسم البياني الخاص بك، 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، 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 نموذجك. سيتم تسجيل جميع مقاييس التدريب تلقائياً في المنصة التي اخترتها، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت، ومقارنة النماذج المختلفة، وتحديد مجالات التحسين.

ما هي الخطوة التالية#

تحقق من صحة نموذجك المدرب مقابل البيانات المحتفظ بها للتحقق من دقته في العالم الحقيقي، ثم قم بتصديره إلى ONNX أو TensorRT أو تنسيق نشر آخر. هل تدرب على بياناتك الخاصة بدلاً من COCO8؟ قم بتنسيقها أولاً باستخدام دليل مجموعات البيانات.

الأسئلة الشائعة#

هل يمكنني التدريب بدون GPU محلي؟#

نعم. يتضمن التدريب السحابي لمنصة Ultralytics أرصدة مجانية للبدء. قم بتحميل مجموعة البيانات الخاصة بك، وحدد نموذجًا ووحدة معالجة رسوميات، وتدرب مباشرة من المتصفح.

كيف أقوم بتدريب نموذج الكشف عن الكائنات باستخدام Ultralytics YOLO26؟#

لتدريب نموذج اكتشاف الكائنات 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 في Ultralytics YOLO26؟#

تتضمن الميزات الرئيسية لوضع التدريب في Ultralytics YOLO26 ما يلي:

• التنزيل التلقائي لمجموعة البيانات: يقوم بتنزيل مجموعات البيانات القياسية تلقائياً مثل COCO و VOC و ImageNet.
• دعم تعدد وحدات 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 وفقاً لاحتياجاتك. لمزيد من التفاصيل، راجع قسم الميزات الرئيسية لوضع التدريب.

كيف يمكنني استئناف التدريب من جلسة مقاطعة في Ultralytics YOLO26؟#

لاستئناف التدريب من جلسة تم مقاطعتها، قم بتعيين وسيطة resume إلى True وحدد 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)

تحقق من القسم الخاص بـ استئناف التدريبات المقاطعة لمزيد من المعلومات.

كيف يمكنني تدريب نموذج على مجموعة بيانات غير متوازنة؟#

حدث عدم توازن الفئات عندما تحتوي بعض الفئات على عدد أمثلة أقل بكثير من غيرها في بيانات التدريب الخاصة بك. قد يتسبب هذا في أداء ضعيف للنموذج على الفئات النادرة. يدعم Ultralytics YOLO وزن الفئات من خلال وسيطة cls_pw لمعالجة هذه المشكلة.

تتحكم وسيطة cls_pw في قوة ترجيح الفئات بناءً على تردد الفئة العكسي:

• cls_pw=0.0 (افتراضي): يعطل ترجيح الفئات
• cls_pw=1.0: يطبق ترجيح التردد العكسي الكامل
• القيم بين 0.0 و 1.0: توفر ترجيحاً جزئياً لحالة عدم 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 شرائح Apple silicon؟#

نعم، يدعم Ultralytics YOLO26 التدريب على شرائح 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، ومعدل التعلم، والحقب (epochs)، والمزيد من خلال الوسائط. إليك نظرة عامة موجزة:

للحصول على دليل متعمق حول إعدادات التدريب، تحقق من قسم إعدادات التدريب.