التدريب السحابي#

يوفّر Ultralytics Platform للتدريب السحابي تدريبًا بنقرة واحدة على وحدات GPU السحابية، ما يجعل تدريب النماذج متاحًا دون إعدادات معقدة. درّب نماذج YOLO مع بث المقاييس في الوقت الفعلي وحفظ نقاط التحقق تلقائيًا.

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

مربع حوار التدريب#

ابدأ التدريب من واجهة المستخدم الخاصة بالمنصة بالنقر على نموذج جديد في أي صفحة مشروع أو مجموعة بيانات. يحتوي مربع حوار التدريب على علامتي تبويب: التدريب السحابي والتدريب المحلي. عندما تكون مجموعة البيانات المحددة موجودة على مضيف محلي، تصبح علامة التبويب الأولى محليًا وتُخفى علامة تبويب التدريب المحلي — ولا يمكن تدريب مجموعة البيانات هذه إلا على مضيفها الخاص، ما يتطلب خطة Enterprise وعاملًا متصلًا ومتواجدًا على الإنترنت.

يتذكر مربع الحوار النموذج الأساسي وأي معلمات غير افتراضية كانت موجودة عند إغلاقه آخر مرة، لكل مهمة مجموعة بيانات ومساحة عمل في المتصفح الحالي، ويستعيدها في المرة التالية التي تفتح فيها مربع الحوار لتلك المهمة. لا يتم تذكر اختيار وحدة معالجة الرسوميات (GPU)، وتؤدي إعادة المحاولة (Retry) عند تشغيل فاشل إلى استعادة وسيطات التشغيل نفسه بدلاً من ذلك.

الخطوة 1: اختيار النموذج الأساسي#

اختر نموذجًا رسميًا من Ultralytics أو أحد نماذجك المكتملة:

ضمن كل علامة تبويب، تُجمّع النماذج حسب المهمة بالترتيب المعتمد وتُرتّب حسب الحجم. يرشّح المحدد النماذج الرسمية إلى المهام المتوافقة مع مجموعة البيانات المحددة. يتضمن YOLO26 متغيرات الكشف والتقسيم والدلالي والعمق والتصنيف والوضعية وOBB بأحجام تتراوح من nano إلى xlarge.

الخطوة 2: اختيار مجموعة البيانات#

اختر مجموعة بيانات للتدريب عليها (راجع مجموعات البيانات):

الخطوة 3: تهيئة المعلمات#

حدّد معلمات التدريب الأساسية:

تُحصر القيم المُدخلة خارج نطاق المعلمة عند فقدان الحقل للتركيز.

الخطوة 4: الإعدادات المتقدمة (اختيارية)#

وسّع الإعدادات المتقدمة للوصول إلى محرر المعلمات الكامل المستند إلى YAML، والذي يضم أكثر من 50 معلمة تدريب منظّمة حسب المجموعة (راجع مرجع التهيئة):

تراعي المعلمات المهمة (مثلًا، يظهر copy_paste لمهام التقسيم فقط، ويظهر pose/kobj لمهام الوضعية فقط، ويظهر dropout للتصنيف فقط). تظهر شارة معدّل عندما تختلف القيم عن الإعدادات الافتراضية، ويمكنك إعادة تعيينها جميعًا إلى الإعدادات الافتراضية باستخدام زر إعادة التعيين. لا تُرسل إلى مهمة التدريب سوى القيم المتقدمة غير الافتراضية (أما معلمات العصور الأساسية وحجم الدفعة وحجم الصورة فتُضمّن دائمًا)، لذلك يظل الأمر الناتج واضحًا.

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)#

فعّل حفظ إصدار مجموعة البيانات لربط النموذج بإصدار غير قابل للتغيير من مجموعة بيانات مستضافة على المنصة. تتحقق المنصة من تغيّر محتوى مجموعة البيانات، وتعيد استخدام إصدار مطابق عندما لا يكون قد تغيّر، وتنشئ إصدارًا جديدًا مرقّمًا عند الحاجة فقط. يستخدم التدريب بعد ذلك لقطة NDJSON الدقيقة هذه، ويسجل رقم إصدارها وتجزئة محتواها على النموذج.

يحافظ هذا على البيانات المستخدمة في التشغيل حتى إذا أضفت صورًا أو أزلتها لاحقًا، أو عدّلت التعليقات التوضيحية، أو غيّرت تقسيمات مجموعة البيانات. يمكنك العثور على الإصدار المرتبط في علامتي التبويب النماذج والإصدارات لمجموعة البيانات.

الخطوة 5: اختيار GPU (علامة تبويب السحابة)#

اختر GPU الخاص بك من Ultralytics Cloud:

يعرض مربع الحوار رصيدك الحالي وزر إضافة رصيد. تقدّر بطاقة التكلفة المدة الإجمالية والسعر لإعدادك (حجم النموذج، وصور مجموعة البيانات، والعصور، وحجم الصورة، وحجم الدفعة، والمحسِّن، وسرعة GPU)، كما تعرض عدد الثواني المقدّر لكل عصر وعدد صور مجموعة البيانات.

الخطوة 6: بدء التدريب#

انقر على بدء التدريب لإطلاق مهمتك. تقوم المنصة بما يلي:

1. تحدّد إصدار مجموعة البيانات غير القابل للتغيير عند تفعيل حفظ إصدار مجموعة البيانات
2. توفّر مثيل GPU
3. تنزّل مجموعة البيانات
4. تبدأ التدريب
5. تبث المقاييس في الوقت الفعلي

تعيد عملية تدريب نموذج موجود استخدام صفحة النموذج نفسها وتمسح مخططات التشغيل السابق ومخرجات وحدة التحكم ومقاييس النظام وحالة الخطأ بمجرد إنشاء المهمة الجديدة. أما التشغيل الذي يفشل قبل توفير موارد الحوسبة، فيترك النتائج السابقة دون تغيير.

دورة حياة مهمة التدريب#

تمر مهام التدريب بالحالات التالية:

يؤدي خطأ Python فادح في تدفق وحدة التحكم — مثل سجل تتبّع، أو خطأ نفاد ذاكرة CUDA، أو فشل تهيئة CUDA — إلى إنهاء التشغيل فورًا بدلًا من انتظار انتهاء المهلة، وتظهر الرسالة المستخرجة في شريط خطأ بصفحة النموذج مع إجرائي عرض سجلات وحدة التحكم الكاملة وإعادة محاولة التدريب. وتُعلَّم عمليات التشغيل التي تتوقف عن الإبلاغ عن النشاط لعدة ساعات تلقائيًا على أنها فاشلة، كما تُحرَّر موارد الحوسبة الخاصة بها.

لتلقي النتائج المكتملة والفاشلة دون إبقاء هذه الصفحة مفتوحة، اربط تنبيهات Slack.

مراقبة التدريب#

اعرض تقدّم التدريب في الوقت الفعلي من علامة التبويب Train في صفحة النموذج:

علامة تبويب المخططات#

تُجمَّع المخططات حسب عائلة المقاييس، وتعتمد المجموعات التي تظهر على ما يبلّغ عنه التشغيل:

يمكن طي كل مجموعة، كما يمكن إخفاء المخططات الفردية أو إظهارها من قائمة المجموعة، ويمكن سحب المخططات وتغيير حجمها — ويُحفَظ التخطيط للاستخدام في المرة التالية.

علامة تبويب وحدة التحكم#

مخرجات مباشرة لوحدة التحكم مع دعم ألوان ANSI وأشرطة التقدّم واكتشاف الأخطاء الفادحة. ويُحتفظ بآخر 2000 سطر، ويمكن تبديل عرض الطوابع الزمنية، كما يمكن نسخ السجل بأكمله كنص عادي.

علامة تبويب النظام#

بطاقة مباشرة للمضيف (اسم المضيف وإجماليات CPU وGPU وRAM والقرص)، بالإضافة إلى مخططات لكل حقبة لاستخدام CPU وRAM، واستغلال GPU وذاكرته، ودرجة حرارة GPU، وإدخال/إخراج الشبكة، وإدخال/إخراج القرص.

نقاط التحقق#

تُرفع أفضل نقطة تحقق (best.pt) إلى المنصة دوريًا أثناء التدريب ومرة أخرى عند انتهاء التشغيل، ولذلك تستخدم عمليات التنزيل والتصدير والنشر دائمًا أفضل حقبة أُنتجت حتى ذلك الوقت. وإذا أُلغي التشغيل، تُحتفظ بنقطة التحقق التي رُفعت قبل الإلغاء.

إلغاء التدريب#

انقر على إلغاء في بطاقة معلومات التشغيل بصفحة النموذج وأكّد الإجراء. بالنسبة إلى التدريب السحابي، توقف المنصة المهمة، وتحرر موارد الحوسبة الخاصة بها، وتحتسب زمن GPU المنقضي والمستخدم قبل الإلغاء. أما بالنسبة إلى التدريب المحلي، فيرسل الإلغاء إشارة إلى العملية للتوقف عند حدّ الحقبة التالية ويحافظ على النتائج الجزئية — إذ يرفع التشغيل ما لديه قبل الخروج.

التدريب عن بُعد#

graph LR
    A[Local GPU]:::start --> B[ultralytics Package]:::proc
    B --> C[Train]:::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

درّب النموذج على أجهزتك الخاصة مع بث المقاييس إلى المنصة.

pip install -U ultralytics

إعداد مفتاح API#

1. انتقل إلى Settings > API Keys
2. أنشئ مفتاحًا جديدًا (أو تنشئ المنصة مفتاحًا تلقائيًا عند فتح علامة تبويب التدريب المحلي)
3. اضبط متغير البيئة:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

التدريب مع البث#

استخدم المَعْلَمتين project وname لبث المقاييس:

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

تعرض علامة تبويب التدريب المحلي في مربع حوار التدريب أمرًا مُعدًّا مسبقًا يتضمن مفتاح API الخاص بك، والمَعْلَمات المحددة، والوسائط المتقدمة.

استخدام مجموعات بيانات المنصة#

درّب النموذج باستخدام مجموعات البيانات المخزنة على المنصة وفق تنسيق URI ‏ul://:

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

ينزّل تنسيق URI ‏ul:// مجموعة بياناتك ويُعدّها تلقائيًا. ويرتبط النموذج تلقائيًا بمجموعة البيانات على المنصة (راجع استخدام مجموعات بيانات المنصة).

الفوترة#

تعتمد تكاليف التدريب على استخدام GPU:

تقدير التكلفة#

قبل بدء التدريب، تقدّر المنصة المدة والتكلفة الإجماليتين استنادًا إلى حجم مجموعة البيانات، وحجم النموذج، وحجم الصورة، وحجم الدفعة، وعدد الحقبات، وGPU المحدد. التقديرات تقريبية؛ وما تتم فوترته هو الاستخدام الفعلي.

العوامل المؤثرة في التكلفة:

تستند التقديرات إلى عمليات تدريب سحابية فعلية، ويستخدم التقدير دائمًا GPU الذي حددته — لذلك تنتهي المهمة الموجّهة إلى بنية Ultralytics الأساسية الأسرع قبل الوقت المقدّر لها.

أمثلة على التكلفة#

مسار الفوترة#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::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

مسار فوترة التدريب السحابي:

1. التقدير: تُحسب التكلفة قبل بدء التدريب
2. التحقق من الرصيد: تُتحقق الأرصدة المتاحة قبل التشغيل
3. التدريب والقياس: تعمل المهمة على موارد الحوسبة المحددة، ويُخصم زمن GPU المتراكم من رصيدك على دفعات أثناء تشغيلها
4. التسوية: عند الوصول إلى الحالة النهائية، يُخصم الجزء المتبقي وتُسجَّل معاملة تدريب واحدة للتشغيل بالكامل

الفوترة حسب حالة المهمة#

تُعلَّم عملية التشغيل التي تتوقف عن الإبلاغ عن النشاط لعدة ساعات تلقائيًا على أنها فاشلة؛ ويُنهى المثيل وتُسوّى تكلفة زمن GPU المنقضي. أما عمليات التشغيل عن بُعد على أجهزتك الخاصة فتُعلَّم ببساطة على أنها فاشلة دون أي رسوم.

طرق الدفع#

يُدفع مقابل التدريب السحابي من رصيد أرصدة المنصة لديك.

عرض تكاليف التدريب#

قبل بدء مهمة سحابية، يعرض مربع حوار التدريب رصيد أرصدتك الحالي ويقدّر مدة المهمة وتكلفتها استنادًا إلى النموذج ومجموعة البيانات والحقبات وحجم الصورة وGPU المحددة. التقدير إرشادي؛ وتُحتسب الرسوم الفعلية مقابل زمن GPU المستهلك. بعد ذلك، راجع معاملة الرصيد الناتجة في الإعدادات > الفوترة.

نصائح التدريب#

اختيار حجم النموذج المناسب#

تحسين وقت التدريب#

استكشاف الأخطاء وإصلاحها#

مرجع معلمات التدريب#

الأسئلة الشائعة#