تدريب النماذج باستخدام Ultralytics YOLO

مقدمة

يتضمن تدريب نموذج تعلم عميق تزويده بالبيانات وضبط معاييره حتى يتمكن من إجراء تنبؤات دقيقة. تم تصميم وضع التدريب (Train mode) في Ultralytics YOLO26 لتدريب فعال وكفء لنماذج اكتشاف الكائنات، مع الاستفادة الكاملة من قدرات 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؟

إليك بعض الأسباب المقنعة لاختيار وضع التدريب في YOLO26:

• الكفاءة: حقق أقصى استفادة من أجهزتك، سواء كنت تستخدم وحدة معالجة رسومات (GPU) واحدة أو تتوسع عبر وحدات 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 المعلمات الفائقة (Hyperparameter): مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج بدقة. 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 (Train Mode)

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO26:

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

أمثلة على الاستخدام

قم بتدريب YOLO26n على مجموعة بيانات COCO8 لمدة 100 عصر بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام وسيطة device. إذا لم يتم تمرير أي وسيطة، فسيتم استخدام GPU device=0 عند توفره؛ 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

يسمح التدريب باستخدام وحدات GPU متعددة باستغلال 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 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 الخامل

يتيح التدريب باستخدام GPU الخامل الاختيار التلقائي لأقل وحدات GPU استخداماً في الأنظمة متعددة وحدات GPU، مما يؤدي إلى تحسين استخدام الموارد دون اختيار يدوي لـ 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])

تعطي 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 ذات قيمة خاصة 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 على Apple Silicon عبر MPS

مع دعم شرائح 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 شرائح Apple المخصصة.

لتمكين التدريب على شرائح 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")

أثناء الاستفادة من القوة الحسابية لشرائح 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 مسبقاً ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيداً في سيناريوهات مختلفة، مثل عندما تتم مقاطعة عملية التدريب بشكل غير متوقع، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لفترات تدريب إضافية.

عند استئناف التدريب، يقوم Ultralytics YOLO بتحميل الأوزان من آخر نموذج محفوظ ويستعيد أيضاً حالة المحسِّن، وجدولة معدل التعلم، ورقم العصر (epoch). يسمح لك هذا بمواصلة عملية التدريب بسلاسة من حيث توقفت.

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

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)

من خلال ضبط resume=True، ستستمر وظيفة train في التدريب من حيث توقفت، باستخدام الحالة المخزنة في ملف 'path/to/last.pt'. إذا تم حذف وسيطة resume أو ضبطها على False، فستبدأ وظيفة train جلسة تدريب جديدة.

تذكر أن نقاط التحقق تُحفظ في نهاية كل عصر افتراضياً، أو في فترات زمنية محددة باستخدام وسيطة save_period، لذا يجب عليك إكمال عصر واحد على الأقل لاستئناف تشغيل التدريب.

إعدادات التدريب

تشمل إعدادات التدريب لنماذج YOLO العديد من المعلمات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته ودقة التنبؤ. تشمل إعدادات التدريب الرئيسية حجم الدفعة (batch size)، ومعدل التعلم، والزخم (momentum)، وتلاشي الوزن (weight decay). بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسِّن، ودالة الخسارة، وتكوين مجموعة بيانات التدريب على عملية التدريب. يعد الضبط الدقيق والتجربة بهذه الإعدادات أمراً حاسماً لتحسين الأداء.

محسِّن MuSGD

في YOLO26، يعتبر MuSGD محسِّناً هجيناً يجمع بين تحديثات SGD القياسية وتحديثات Muon-style orthogonalized.

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

تتلقى فقط المعلمات ذات param.ndim >= 2 (مثل أوزان التفاف) تحديث نمط Muon مع SGD، بينما تظل المعلمات ذات الأبعاد المنخفضة مثل طبقات تطبيع الدفعة (batch normalization) ومصطلحات الانحياز (bias terms) على SGD القياسي.

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

مثال للاستخدام:

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

انظر التنفيذ في ultralytics/optim/muon.py ومنطق الاختيار التلقائي للمحسِّن في BaseTrainer.build_optimizer.

إعدادات زيادة البيانات والمعلمات الفائقة

تعد تقنيات زيادة البيانات (Augmentation) ضرورية لتحسين قوة وأداء نماذج YOLO من خلال إدخال التباين في بيانات التدريب، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل وسيطة زيادة وتأثيرها:

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

التسجيل (Logging)

عند تدريب نموذج YOLO26، قد تجد أنه من المفيد تتبع 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 التجارب والنماذج ومقارنتها وتفسيرها وتحسينها. توفر وظائف مثل المقاييس في الوقت الفعلي، وفروق الكود، وتتبع المعاملات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

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

ClearML

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في مشاركة الموارد بكفاءة. صُممت لمساعدة الفرق على إدارة وتنفيذ وإعادة إنتاج عملهم في تعلم الآلة 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 في المتصفح ومصادقة جلستك.

TensorBoard

TensorBoard هي مجموعة أدوات تصور لـ TensorFlow. تسمح لك بتصور مخطط TensorFlow الخاص بك، ورسم مقاييس كمية حول تنفيذ المخطط 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 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 الذي يتم فيه حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك، يمكنك بعد ذلك 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.

الأسئلة الشائعة

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 أقوم بتدريب نموذج كشف الكائنات باستخدام Ultralytics YOLO26؟

لتدريب نموذج كشف 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 في Ultralytics YOLO26؟

تشمل الميزات الرئيسية لوضع التدريب في Ultralytics YOLO26 ما يلي:

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

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

كيف أستأنف التدريب من جلسة متقطعة في Ultralytics YOLO26؟

لاستئناف التدريب من جلسة متقطعة، اضبط وسيط resume على True وحدد مسار 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 المتقطعة لمزيد من المعلومات.

كيف أقوم بتدريب 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 في 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 تكرار الفئة العكسي:

• cls_pw=0.0 (الافتراضي): يعطل ترجيح الفئة
• cls_pw=1.0: يطبق 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 ويتم تطبيعها بحيث يساوي متوسطها 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 تدريب خاص 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، والحقبات، والمزيد من خلال الوسائط. إليك نظرة عامة موجزة:

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