Link to this sectionتدريب النموذج باستخدام Ultralytics YOLO#

Link to this sectionمقدمة#

يتضمن تدريب نموذج تعلم عميق تغذيته بالبيانات وضبط معاملاته ليتمكن من إجراء تنبؤات دقيقة. تم تصميم وضع التدريب (Train mode) في Ultralytics YOLO26 لتدريب نماذج اكتشاف الكائنات بشكل فعال وكفء، مع الاستفادة الكاملة من قدرات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية كافة التفاصيل التي تحتاجها للبدء في تدريب نماذجك الخاصة باستخدام مجموعة ميزات YOLO26 القوية.

Link to this sectionلماذا 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 (Hyperparameters): مجموعة واسعة من المعاملات الفائقة القابلة للتخصيص لضبط أداء النموذج بدقة. لمزيد من التحكم، يمكنك تخصيص المُدرب نفسه.
• التدريب السحابي: تدرب على وحدات GPU سحابية من خلال Ultralytics Platform مع مقاييس فورية وحفظ تلقائي لنقاط التحقق (checkpoints).

Link to this sectionالميزات الرئيسية لوضع التدريب#

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO26:

• التنزيل التلقائي لمجموعة البيانات: يتم تنزيل مجموعات البيانات القياسية مثل COCO وVOC وImageNet تلقائياً عند الاستخدام لأول مرة.
• 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.

Link to this sectionأمثلة الاستخدام#

قم بتدريب YOLO26n على مجموعة بيانات COCO8 لمدة 100 حقبة بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام الوسيط device. إذا لم يتم تمرير أي وسيط، فسيتم استخدام GPU device=0 عند توفره؛ وإلا سيتم استخدام device='cpu'. راجع قسم الوسائط أدناه للحصول على قائمة كاملة بوسائط 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)

Link to this sectionالتدريب 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

Link to this sectionتدريب 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.

Link to this sectionالتدريب 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 لرقائق Apple silicon، يتيح ذلك معالجة أكثر كفاءة لمهام التدريب. لمزيد من التوجيه المفصل وخيارات التكوين المتقدمة، يرجى الرجوع إلى توثيق PyTorch MPS.

Link to this sectionاستئناف 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، تقوم Ultralytics YOLO بتحميل الأوزان من آخر نموذج تم حفظه كما تستعيد حالة المُحسن (optimizer)، وجدول معدل التعلم، ورقم الحقبة. هذا يسمح لك بمواصلة عملية التدريب بسلاسة من حيث توقفت.

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

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)

عن طريق ضبط resume=True، ستواصل وظيفة train التدريب من حيث توقفت، باستخدام الحالة المخزنة في ملف 'path/to/last.pt'. إذا تم حذف الوسيط resume أو ضبطه على False، ستبدأ وظيفة train جلسة تدريب جديدة.

تذكر أن نقاط التحقق يتم حفظها في نهاية كل حقبة افتراضياً، أو في فترات زمنية محددة باستخدام الوسيط save_period، لذا يجب عليك إكمال حقبة واحدة على الأقل لاستئناف تشغيل التدريب.

Link to this sectionإعدادات التدريب#

تشمل إعدادات التدريب لنماذج YOLO العديد من المعاملات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته ودِقته. تشمل إعدادات التدريب الرئيسية حجم الدُفعة، ومعدل التعلم، والزخم، واضمحلال الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المُحسن، ودالة الخسارة، وتركيب مجموعة بيانات التدريب على عملية التدريب. الضبط الدقيق والتجريب باستخدام هذه الإعدادات ضروري لتحسين الأداء.

Link to this sectionمُحسن 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.

فقط المعاملات ذات param.ndim >= 2 (مثل أوزان التلافيف) تتلقى تحديث نمط Muon مع SGD، بينما تظل المعاملات ذات الأبعاد الأقل مثل طبقات تطبيع الدُفعة (batch normalization) وحدود التحيز على SGD القياسي.

عند استخدام optimizer=auto، تختار Ultralytics تلقائياً MuSGD لجلسات التدريب الأطول (عادة عندما تكون التكرارات > 10000). بالنسبة للجلسات الأقصر، يعود المُدرب إلى AdamW.

مثال للاستخدام:

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

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

Link to this sectionإعدادات الزيادة (Augmentation) والمعلمات الفائقة (Hyperparameters)#

تعد تقنيات الزيادة 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 وسيط زيادة وتأثيره:

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.

Link to this sectionالتسجيل#

عند تدريب نموذج YOLO26، قد تجد أنه من القيم تتبع أداء النموذج بمرور الوقت. هنا 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.

Link to this sectionComet#

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع ومقارنة وشرح وتحسين التجارب والنماذج. توفر وظائف مثل المقاييس في الوقت الفعلي، وفروق الكود، وتتبع المعلمات 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.

Link to this sectionClearML#

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في المشاركة الفعالة للموارد. وهي مصممة لمساعدة الفرق على إدارة وتنفيذ وإعادة إنتاج عمل التعلم الآلي الخاص بهم بكفاءة أكبر.

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.

Link to this sectionTensorBoard#

TensorBoard عبارة عن مجموعة أدوات تصور لـ TensorFlow. وهي تتيح لك تصور رسم TensorFlow البياني الخاص بك، ورسم مقاييس كمية حول تنفيذ الرسم البياني، وعرض بيانات إضافية مثل الصور التي تمر من خلاله.

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 في 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.

Link to this sectionالأسئلة الشائعة#

Link to this sectionهل يمكنني التدريب بدون GPU محلي؟#

نعم. تدعم منصة Ultralytics التدريب السحابي مع أرصدة مجانية للبدء. قم بتحميل مجموعة البيانات الخاصة بك، وحدد نموذجاً وGPU، وقم بالتدريب مباشرة من المتصفح. راجع دليل التدريب السحابي للحصول على التفاصيل.

Link to this sectionكيف يمكنني تدريب نموذج اكتشاف 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.

Link to this sectionما 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.

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

Link to this sectionكيف يمكنني استئناف التدريب من جلسة مقاطعة في Ultralytics YOLO26؟#

لاستئناف التدريب من جلسة مقاطعة، قم بتعيين وسيط resume إلى True وحدد المسار إلى آخر نقطة فحص 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.

Link to this sectionكيف يمكنني تدريب 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. يمكن أن يتسبب هذا في ضعف أداء النموذج على 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 التردد العكسي للفئة:

• cls_pw=0.0 (افتراضي): يعطل ترجيح الفئة
• cls_pw=1.0: يطبق ترجيح التردد العكسي الكامل
• قيم بين 0.0 و 1.0: توفر ترجيحاً جزئياً لعدم التوازن المعتدل

يتم حساب أوزان الفئة كـ (1.0 / class_counts) ^ cls_pw ويتم تسويتها 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)

Link to this sectionهل 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.

Link to this sectionما 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، راجع قسم إعدادات التدريب.