التدريب السحابي#

يوفر التدريب السحابي في Ultralytics Platform تدريباً بضغطة واحدة على وحدات معالجة الرسومات (GPUs) السحابية، مما يجعل تدريب النماذج متاحاً دون الحاجة إلى إعدادات معقدة. يمكنك تدريب نماذج YOLO مع بث مقاييس الأداء في الوقت الفعلي وحفظ نقاط التحقق تلقائياً.

graph LR
    A[Configure]:::start --> B[Start Training]:::proc
    B --> C[Provision GPU]:::proc
    C --> D[Download Dataset]:::proc
    D --> E[Train]:::proc
    E --> F[Stream Metrics]:::proc
    F --> G[Save Checkpoints]:::proc
    G --> H[Complete]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

نافذة التدريب#

ابدأ التدريب من واجهة المستخدم الخاصة بالمنصة بالقرص على New Model في أي صفحة مشروع أو مجموعة بيانات. يحتوي مربع حوار التدريب على علامتي تبويب: Cloud Training و Local Training.

الخطوة 1: اختر النموذج الأساسي#

اختر نموذجاً رسمياً من Ultralytics أو أحد نماذجك المكتملة:

يقوم المحدد بتصفية النماذج الرسمية لتناسب المهام المتوافقة مع مجموعة البيانات المحددة. تتضمن YOLO26 متغيرات Detect وSegment وSemantic وDepth وClassify وPose وOBB بأحجام تتراوح من nano إلى xlarge.

الخطوة 2: اختر مجموعة البيانات#

اختر مجموعة بيانات للتدريب عليها (راجع Datasets):

الخطوة 3: تكوين المعلمات#

قم بتعيين معلمات التدريب الأساسية:

الخطوة 4: الإعدادات المتقدمة (اختياري)#

قم بتوسيع Advanced Settings للوصول إلى محرر المعلمات الكامل المستند إلى YAML مع أكثر من 40 معلمة تدريب مرتبة حسب المجموعة (راجع configuration reference):

المعلمات مدركة للمهمة (على سبيل المثال، لا تظهر copy_paste إلا في مهام segment، وتظهر pose/kobj فقط في مهام pose). تظهر شارة Modified عندما تختلف القيم عن الإعدادات الافتراضية، ويمكنك إعادة تعيين كل شيء إلى القيم الافتراضية باستخدام زر إعادة التعيين.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment only)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

حفظ إصدار مجموعة البيانات (اختياري)#

قم بتمكين Save Dataset Version لربط النموذج بإصدار غير قابل للتغيير من مجموعة بيانات مستضافة على المنصة. تتحقق المنصة مما إذا كانت محتويات مجموعة البيانات قد تغيرت، وتعيد استخدام إصدار مطابق عندما لا تتغير، وتنشئ إصداراً جديداً مرقماً فقط عند الحاجة. يستخدم التدريب بعد ذلك لقطة NDJSON تلك بالضبط ويسجل رقم إصدارها وتجزئة محتواها على النموذج.

يؤدي هذا إلى الاحتفاظ بالبيانات المستخدمة في التشغيل حتى لو قمت لاحقاً بإضافة أو إزالة صور، أو تعديل التعليقات التوضيحية، أو تغيير تقسيمات مجموعة البيانات. يمكنك العثور على الإصدار المرتبط في علامتي تبويب Models و Versions الخاصتين بمجموعة البيانات.

الخطوة 5: اختر وحدة معالجة الرسومات (علامة تبويب Cloud)#

اختر وحدة معالجة الرسومات الخاصة بك من Ultralytics Cloud:

تعرض النافذة رصيدك الحالي وزر إضافة رصيد (Top Up). يتم حساب التكلفة والمدة التقديرية بناءً على التكوين الخاص بك (حجم النموذج، صور مجموعة البيانات، عدد الدورات، سرعة وحدة معالجة الرسومات).

الخطوة 6: بدء التدريب#

انقر على Start Training لبدء مهمتك. تقوم المنصة بـ:

1. يحل إصدار مجموعة البيانات غير القابل للتغيير عند تمكين Save Dataset Version
2. توفير مثيل لوحدة معالجة الرسومات
3. تنزيل مجموعة البيانات الخاصة بك
4. بدء التدريب
5. بث المقاييس في الوقت الفعلي

دورة حياة مهمة التدريب#

تتقدم مهام التدريب عبر الحالات التالية:

لتلقي نتائج المهام المكتملة والفاشلة دون الحاجة إلى إبقاء هذه الصفحة مفتوحة، قم بربط تنبيهات Slack.

مراقبة التدريب#

شاهد تقدم التدريب في الوقت الفعلي في علامة تبويب Train في صفحة النموذج:

علامة تبويب فرعية للمخططات#

علامة تبويب فرعية لوحدة التحكم#

مخرجات وحدة التحكم المباشرة مع دعم ألوان ANSI، وأشرطة التقدم، واكتشاف الأخطاء.

علامة تبويب فرعية للنظام#

استخدام وحدة معالجة الرسومات، والذاكرة، ودرجة الحرارة، ووحدة المعالجة المركزية (CPU)، واستخدام القرص في الوقت الفعلي.

نقاط التحقق#

بعد اكتمال التدريب، يتم رفع أفضل نموذج (best.pt، وهو نقطة التحقق ذات أعلى mAP) إلى المنصة وإتاحته للتنزيل والتصدير والنشر.

إلغاء التدريب#

انقر فوق Cancel Training في صفحة النموذج وأكد الإجراء. بالنسبة للتدريب السحابي، تقوم المنصة بإيقاف الوظيفة، وتحرير وحدة الحساب الخاصة بها، واحتساب وقت GPU المنقضي المستخدم قبل إلغائها. بالنسبة للتدريب المحلي، يشير الإلغاء إلى توقف العملية عند حدود الحقبة التالية ويحافظ على النتائج الجزئية.

التدريب عن بُعد#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::proc
    C --> D[Stream Metrics]:::proc
    D --> E[Platform Dashboard]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

قم بالتدريب على أجهزتك الخاصة مع بث المقاييس إلى المنصة.

pip install -U ultralytics

إعداد مفتاح API#

1. انتقل إلى Settings > API Keys
2. أنشئ مفتاحاً جديداً (أو تقوم المنصة بإنشائه تلقائياً عند فتح علامة التبويب Local Training)
3. قم بتعيين متغير البيئة:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

التدريب مع البث#

استخدم معلمات project و name لبث المقاييس:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

تعرض علامة التبويب Local Training في مربع حوار التدريب أمراً مهيأ مسبقاً يتضمن مفتاح API الخاص بك، والمعلمات المحددة، والوسائط المتقدمة.

استخدام مجموعات بيانات المنصة#

قم بالتدريب باستخدام مجموعات البيانات المخزنة على المنصة باستخدام تنسيق URI ul://:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

يقوم تنسيق URI ul:// بتنزيل مجموعة البيانات الخاصة بك وتهيئتها تلقائياً. يتم ربط النموذج تلقائياً بمجموعة البيانات الموجودة على المنصة (راجع استخدام مجموعات بيانات المنصة).

الفواتير#

تعتمد تكاليف التدريب على استخدام GPU:

تقدير التكلفة#

قبل بدء التدريب، تقوم المنصة بتقدير التكلفة الإجمالية عن طريق:

1. تقدير الثواني لكل حقبة (epoch) بناءً على حجم مجموعة البيانات، وتعقيد النموذج، وحجم الصورة، وحجم الدفعة (batch size)، وسرعة GPU
2. حساب إجمالي وقت التدريب بضرب ثواني الحقبة في عدد الحقب، ثم إضافة الوقت المستغرق لبدء التشغيل (startup overhead)
3. حساب التكلفة التقديرية من إجمالي ساعات التدريب مضروبة في المعدل الساعي لـ GPU

العوامل المؤثرة على التكلفة:

أمثلة التكلفة#

دورة الفواتير#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

دورة فواتير التدريب السحابي:

1. التقدير: يتم احتساب التكلفة قبل بدء التدريب
2. فحص الرصيد: يتم التحقق من الأرصدة المتاحة قبل الإطلاق
3. التدريب: يتم تشغيل المهمة على وحدة الحوسبة المختارة
4. الخصم: تعتمد التكلفة النهائية على وقت التشغيل الفعلي

الفواتير حسب حالة المهمة#

طرق الدفع#

يتم دفع تكلفة التدريب السحابي من رصيد رصيدك في المنصة.

عرض تكاليف التدريب#

قبل بدء وظيفة سحابية، يعرض مربع حوار التدريب رصيدك الحالي ويقدر مدة الوظيفة وتكلفتها من النموذج المحدد، ومجموعة البيانات، والحقب، وحجم الصورة، ووحدة معالجة الرسومات. التقدير إعلامي؛ ويتم فرض رسوم على الاستخدام الفعلي لوقت وحدة معالجة الرسومات المستهلك. بعد ذلك، راجع معاملة الرصيد الناتجة في Settings > Billing.

نصائح للتدريب#

اختر حجم النموذج المناسب#

تحسين وقت التدريب#

استكشاف الأخطاء وإصلاحها#

الأسئلة الشائعة#

كم يستغرق التدريب؟#

يعتمد وقت التدريب على:

• حجم مجموعة البيانات
• حجم النموذج
• عدد العصور (epochs)
• وحدة معالجة الرسوميات (GPU) المختارة

الأوقات النموذجية (1000 صورة، 100 حقبة (epoch)):

هل يمكنني التدريب طوال الليل؟#

نعم. يمكن تشغيل التدريب دون مراقبة طالما ظل ممولاً، وتسجل المنصة حدث اكتمال أو فشل. إذا أدى العداد إلى انخفاض الرصيد إلى أقل من الصفر، تتوقف عمليات التدريب السحابي المدفوعة النشطة وتتم تسوية وقت GPU المستخدم بالفعل.

ماذا يحدث إذا نفد الرصيد؟#

يتم عد استخدام السحابة مع تقدم التدريب. إذا أدى فرض رسوم إلى انخفاض رصيدك إلى أقل من الصفر، فسيتم إيقاف تشغيلات التدريب السحابي المدفوعة النشطة وتسويتها مقابل وقت GPU المستخدم بالفعل. أضف أرصدة أو قم بتمكين إعادة الشحن التلقائي للحفاظ على تمويل الوظائف طويلة الأجل.

ماذا يحدث إذا كانت تكلفة التدريب أكثر من التقدير؟#

تقديرات التكلفة تقريبية - قد يختلف وقت التدريب الفعلي بسبب عوامل مثل سرعة تحميل البيانات، والإحماء لـ GPU، وسلوك تقارب النموذج. إذا استنفد الاستخدام الفعلي الرصيد المتاح، توقف المنصة عمليات السحابة المدفوعة النشطة بعد أن يصبح الرصيد سالباً.

لإدارة التكاليف:

• راقب تقدم التدريب في الوقت الفعلي وألغه مبكراً إذا لزم الأمر
• فعّل التعبئة التلقائية لتجديد الرصيد تلقائياً
• ابدأ بتشغيلات أقصر (عدد حقب أقل) لمعايرة التوقعات

هل يمكنني استخدام وسائط تدريب مخصصة؟#

نعم، قم بتوسيع قسم الإعدادات المتقدمة في مربع حوار التدريب للوصول إلى محرر YAML يحتوي على أكثر من 40 معلماً قابلاً للتهيئة. يتم تضمين القيم غير الافتراضية في أوامر التدريب السحابية والمحلية.

يدعم محرر YAML أيضاً استيراد الإعدادات من عمليات تدريب سابقة:

• نسخ من نموذج موجود: في صفحة أي نموذج مكتمل، تحتوي بطاقة إعدادات التدريب على زر نسخ بتنسيق JSON. انسخ ملف JSON وألصقه مباشرة في محرر YAML؛ فهو يكتشف تنسيق JSON تلقائياً ويستورد جميع المعلمات.
• لصق YAML أو JSON: الصق أي إعدادات تدريب صالحة بتنسيق YAML أو JSON في المحرر. يتم التحقق من صحة المعلمات تلقائياً، مع تثبيت القيم الخارجة عن النطاق وعرض تحذيرات.
• سحب وإفلات الملفات: اسحب ملف .yaml أو .json مباشرة إلى المحرر لاستيراد معلماته.

هذا يجعل من السهل إعادة إنتاج تكوينات التدريب السابقة أو التكرار عليها دون إعادة إدخال كل معامل يدويًا.

هل يمكنني التدريب من صفحة مجموعة البيانات؟#

نعم، يؤدي زر New Model في صفحات مجموعات البيانات إلى فتح مربع حوار التدريب مع تحديد مجموعة البيانات مسبقاً وتأمينها. يمكنك بعد ذلك تحديد مشروع وناذج لبدء التدريب.

مرجع معلمات التدريب#