التدريب السحابي
منصة Ultralytics للتدريب السحابي توفر تدريبًا بنقرة واحدة على وحدات معالجة الرسوميات (GPU) السحابية، مما يجعل تدريب النماذج متاحًا دون إعداد معقد. قم بتدريب نماذج YOLO مع بث المقاييس في الوقت الفعلي وحفظ نقاط الفحص تلقائيًا.
التدريب من واجهة المستخدم
ابدأ التدريب السحابي مباشرة من المنصة:
- انتقل إلى مشروعك
- انقر على تدريب النموذج
- تكوين معلمات التدريب
- انقر على بدء التدريب
الخطوة 1: تحديد مجموعة البيانات
اختر مجموعة بيانات من ملفاتك المحملة:
| الخيار | الوصف |
|---|---|
| مجموعات بياناتك | مجموعات البيانات التي قمت بتحميلها |
| مجموعات البيانات العامة | مجموعات البيانات العامة من Explore |
الخطوة 2: تهيئة النموذج
حدد النموذج الأساسي والمعلمات:
| المعلمة | الوصف | افتراضي |
|---|---|---|
| النموذج | البنية الأساسية (YOLO26n، s، m، l، x) | YOLO26n |
| الحقب | عدد تكرارات التدريب | 100 |
| حجم الصورة | دقة الإدخال | 640 |
| حجم الدفعة | العينات لكل تكرار | تلقائي |
الخطوة 3: تحديد وحدة GPU
اختر موارد الحوسبة الخاصة بك:
| المستوى | GPU | VRAM | السعر/الساعة | الأفضل لـ |
|---|---|---|---|---|
| الميزانية | RTX A2000 | 6 جيجابايت | $0.12 | مجموعات البيانات الصغيرة، الاختبار |
| الميزانية | RTX 3080 | 10 غيغابايت | $0.25 | مجموعات البيانات المتوسطة |
| الميزانية | RTX 3080 Ti | 12 جيجابايت | $0.30 | مجموعات البيانات المتوسطة |
| الميزانية | A30 | 24 جيجابايت | $0.44 | أحجام دفعات أكبر |
| متوسط | RTX 4090 | 24 جيجابايت | $0.60 | سعر/أداء رائع |
| متوسط | A6000 | 48 جيجابايت | $0.90 | نماذج كبيرة |
| متوسط | L4 | 24 جيجابايت | $0.54 | استنتاج محسّن |
| متوسط | L40S | 48 جيجابايت | $1.72 | تدريب مجموعات كبيرة |
| احترافي | A100 40 جيجابايت | 40 جيجابايت | $2.78 | تدريب على الإنتاج |
| احترافي | A100 80 جيجابايت | 80 جيجابايت | $3.44 | النماذج الكبيرة جدًا |
| احترافي | H100 | 80 جيجابايت | $5.38 | أسرع تدريب |
| المؤسسات | H200 | 141 غيغابايت | $5.38 | أقصى أداء |
| المؤسسات | B200 | 192 جيجابايت | $10.38 | أكبر الموديلات |
| تستخدم Ultralytics | RTX PRO 6000 | 48 جيجابايت | $3.68 | Ultralytics |
اختيار الـ GPU
- RTX 4090: أفضل نسبة سعر/أداء لمعظم المهام بسعر 0.60 دولار/ساعة
- A100 80GB: مطلوب لأحجام الدفعات الكبيرة أو النماذج الضخمة
- H100/H200: أداء فائق للتدريبات التي تتطلب سرعة في الإنجاز
- B200: بنية NVIDIA لأعباء العمل المتطورة
الخطوة 4: بدء التدريب
انقر على بدء التدريب لتشغيل مهمتك. المنصة:
- توفر مثيل GPU
- تحمل مجموعة بياناتك
- تبدأ التدريب
- تبث المقاييس في الوقت الفعلي
أرصدة مجانية
تحصل الحسابات الجديدة على رصيد تسجيل بقيمة 5 دولارات (25 دولارًا للبريد الإلكتروني الخاص بالشركة) - وهو ما يكفي لعدة دورات تدريبية. تحقق من رصيدك في الإعدادات > الفواتير.
مراقبة التدريب
عرض تقدم التدريب في الوقت الفعلي:
مقاييس مباشرة
| مقياس (Metric) | الوصف |
|---|---|
| الخسارة | خسارة التدريب والتحقق |
| mAP | متوسط الدقة المتوسطة |
| الدقة | التنبؤات الإيجابية الصحيحة |
| الاسترجاع | الحقائق الأساسية المكتشفة |
| استخدام GPU | نسبة استخدام GPU |
| الذاكرة | استخدام ذاكرة GPU |
نقاط الفحص
يتم حفظ نقاط التحقق تلقائيًا:
- كل حقبة: يتم حفظ أحدث الأوزان
- أفضل نموذج: يتم الاحتفاظ بنقطة التحقق ذات أعلى mAP
- النموذج النهائي: الأوزان عند اكتمال التدريب
إيقاف واستئناف
إيقاف التدريب
انقر على إيقاف التدريب لإيقاف مهمتك مؤقتًا:
- تم حفظ نقطة التحقق الحالية
- تم تحرير مثيل الـ GPU
- يتوقف احتساب الرصيد
استئناف التدريب
المتابعة من آخر نقطة تحقق لديك:
- الانتقال إلى النموذج
- انقر على استئناف التدريب
- تأكيد المتابعة
قيود الاستئناف
يمكنك فقط استئناف التدريب الذي تم إيقافه بشكل صريح. قد تحتاج مهام التدريب الفاشلة إلى البدء من جديد.
التدريب عن بُعد
تدريب على أجهزتك الخاصة مع بث المقاييس إلى المنصة.
متطلبات إصدار الحزمة
يتطلب دمج المنصة ultralytics>=8.4.0. الإصدارات الأقدم لن تعمل مع المنصة.
pip install "ultralytics>=8.4.0"
إعداد مفتاح API
- انتقل إلى الإعدادات > مفاتيح API
- أنشئ مفتاحًا جديدًا بنطاق تدريب
- عيّن متغير البيئة:
export ULTRALYTICS_API_KEY="your_api_key"
التدريب بالبث
استخدم project و name معلمات لبث المقاييس:
yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
project=username/my-project name=experiment-1
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(
data="coco.yaml",
epochs=100,
project="username/my-project",
name="experiment-1",
)
استخدام مجموعات بيانات المنصة
تدريب باستخدام مجموعات البيانات المخزنة على المنصة:
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100
في ul:// يقوم تنسيق URI تلقائيًا بتنزيل مجموعة البيانات الخاصة بك وتهيئتها.
الفواتير
تعتمد تكاليف التدريب على استخدام GPU:
تقدير التكاليف
قبل بدء التدريب، تقدر المنصة التكلفة الإجمالية بناءً على:
Estimated Cost = Base Time × Model Multiplier × Dataset Multiplier × GPU Speed Factor × GPU Rate
العوامل المؤثرة على التكلفة:
| العامل | التأثير |
|---|---|
| حجم مجموعة البيانات | المزيد من الصور = وقت تدريب أطول |
| حجم النموذج | النماذج الأكبر حجماً (m، l، x) تتدرب بشكل أبطأ من (n، s) |
| عدد العصور | مضاعف مباشر لوقت التدريب |
| حجم الصورة | زيادة حجم imgsz يزيد من الحساب |
| GPU | تقلل وحدات معالجة الرسومات الأسرع من وقت التدريب |
أمثلة على التكاليف
| السيناريو | GPU | الوقت | التكلفة |
|---|---|---|---|
| 1000 صورة، YOLO26n، 100 حقبة | RTX 4090 | حوالي ساعة واحدة | ~0.60 دولار |
| 5000 صورة، YOLO26m، 100 حقبة | A100 80 جيجابايت | حوالي 4 ساعات | ~13.76 دولار |
| 10000 صورة، YOLO26x، 200 حقبة | H100 | حوالي 8 ساعات | ~43.04 دولار |
نظام الحجز/التسوية
تستخدم المنصة نموذج فوترة لحماية المستهلك:
- التقدير: التكلفة محسوبة قبل بدء التدريب
- الاحتفاظ: المبلغ المقدر + 20٪ هامش أمان محجوز من الرصيد
- القطار: المبلغ المحجوز يظهر كـ "محجوز" في رصيدك
- التسوية: بعد الانتهاء، يتم احتساب الرسوم فقط على GPU الفعلي المستخدم
- الاسترداد: أي فائض يتم إرجاعه تلقائيًا إلى رصيدك
حماية المستهلك
لن تُفرض عليك رسوم تتجاوز التقدير الموضح قبل التدريب. إذا اكتمل التدريب مبكرًا أو تم إلغاؤه، فإنك تدفع فقط مقابل وقت الحوسبة الفعلي المستخدم.
طرق الدفع
| الطريقة | الوصف |
|---|---|
| رصيد الحساب | رصيد مُحمّل مسبقًا |
| الدفع لكل مهمة | يتم الخصم عند اكتمال المهمة |
الحد الأدنى للرصيد
يلزم رصيد لا يقل عن 5.00 دولارات لبدء التدريب القائم على الحقبة (epoch).
عرض تكاليف التدريب
بعد التدريب، يمكنك عرض التكاليف التفصيلية في علامة تبويب الفواتير:
- تفصيل التكلفة لكل حقبة (epoch)
- إجمالي وقت الـ GPU
- تنزيل تقرير التكلفة
نصائح للتدريب
اختيار حجم النموذج المناسب
| النموذج | المعلمات | الأفضل لـ |
|---|---|---|
| YOLO26n | 2.4M | أجهزة حافة، في الوقت الفعلي |
| YOLO26s | 9.5M | توازن بين السرعة والدقة |
| YOLO26m | 20.4M | دقة أعلى |
| YOLO26l | 24.8M | دقة الإنتاج |
| YOLO26x | 55.7M | أقصى دقة |
تحسين وقت التدريب
- ابدأ صغيرًا: اختبر بعدد أقل من الحقب أولاً
- استخدم GPU المناسب: طابق الـ GPU مع حجم النموذج/الدفعة
- تحقق من صحة مجموعة البيانات: تأكد من الجودة قبل التدريب
- راقب مبكرًا: توقف إذا استقرت المقاييس
استكشاف الأخطاء وإصلاحها
| إشكالية | الحل |
|---|---|
| التدريب متوقف عند 0% | تحقق من تنسيق مجموعة البيانات، ثم أعد المحاولة |
| نفاد الذاكرة | قلل حجم الدفعة أو استخدم GPU أكبر |
| دقة ضعيفة | زيادة عدد الدورات (epochs)، والتحقق من جودة البيانات |
| التدريب بطيء | النظر في استخدام GPU أسرع |
الأسئلة الشائعة
كم يستغرق التدريب؟
يعتمد وقت التدريب على:
- حجم مجموعة البيانات
- حجم النموذج
- عدد الدورات التدريبية
- GPU المحدد
الأوقات النموذجية (1000 صورة، 100 دورة تدريبية):
| النموذج | RTX 4090 | A100 |
|---|---|---|
| YOLO26n | 30 دقيقة | 20 دقيقة |
| YOLO26m | 60 دقيقة | 40 دقيقة |
| YOLO26x | 120 دقيقة | 80 دقيقة |
هل يمكنني التدريب طوال الليل؟
نعم، يستمر التدريب حتى الاكتمال. ستتلقى إشعارًا عند انتهاء التدريب. تأكد من أن حسابك يحتوي على رصيد كافٍ للتدريب القائم على الحقبة.
ماذا يحدث إذا نفدت أرصدتي؟
يتوقف التدريب مؤقتًا في نهاية الحقبة الحالية. يتم حفظ نقطة التحقق الخاصة بك، ويمكنك استئناف التدريب بعد إضافة الرصيد.
هل يمكنني استخدام وسائط تدريب مخصصة؟
نعم، يمكن للمستخدمين المتقدمين تحديد وسيطات إضافية في إعدادات التدريب.
مرجع معلمات التدريب
المعلمات الأساسية
| المعلمة | النوع | افتراضي | النطاق | الوصف |
|---|---|---|---|---|
epochs | عدد صحيح | 100 | 1+ | عدد دورات التدريب (epochs) |
batch | عدد صحيح | 16 | -1 = تلقائي | حجم الدفعة (-1 للتلقائي) |
imgsz | عدد صحيح | 640 | 32+ | حجم الصورة المدخلة |
patience | عدد صحيح | 100 | 0+ | صبر الإيقاف المبكر |
workers | عدد صحيح | 8 | 0+ | عاملات تحميل البيانات |
cache | منطقي | خطأ | - | تخزين الصور مؤقتًا (ذاكرة الوصول العشوائي/القرص) |
معلمات معدل التعلم
| المعلمة | النوع | افتراضي | النطاق | الوصف |
|---|---|---|---|---|
lr0 | عائم | 0.01 | 0.0-1.0 | معدل التعلم الأولي |
lrf | عائم | 0.01 | 0.0-1.0 | عامل معدل التعلم النهائي |
momentum | عائم | 0.937 | 0.0-1.0 | زخم SGD |
weight_decay | عائم | 0.0005 | 0.0-1.0 | تنظيم L2 |
warmup_epochs | عائم | 3.0 | 0+ | حقبة التسخين |
cos_lr | منطقي | خطأ | - | مجدول معدل التعلم الجيبي |
معلمات تعزيز البيانات
| المعلمة | النوع | افتراضي | النطاق | الوصف |
|---|---|---|---|---|
hsv_h | عائم | 0.015 | 0.0-1.0 | زيادة تشبع الألوان HSV |
hsv_s | عائم | 0.7 | 0.0-1.0 | تشبع HSV |
hsv_v | عائم | 0.4 | 0.0-1.0 | قيمة HSV |
degrees | عائم | 0.0 | - | درجات الدوران |
translate | عائم | 0.1 | 0.0-1.0 | كسر الإزاحة |
scale | عائم | 0.5 | 0.0-1.0 | عامل المقياس |
fliplr | عائم | 0.5 | 0.0-1.0 | احتمالية القلب الأفقي |
flipud | عائم | 0.0 | 0.0-1.0 | احتمالية القلب العمودي |
mosaic | عائم | 1.0 | 0.0-1.0 | توسيع الفسيفساء |
mixup | عائم | 0.0 | 0.0-1.0 | توسيع Mixup |
copy_paste | عائم | 0.0 | 0.0-1.0 | نسخ ولصق (segment) |
اختيار المحسِّن
| القيمة | الوصف |
|---|---|
auto | اختيار تلقائي (افتراضي) |
SGD | هبوط التدرج العشوائي |
Adam | محسن Adam |
AdamW | Adam مع اضمحلال الوزن |
معاملات خاصة بالمهمة
تنطبق بعض المعاملات على مهام محددة فقط:
- تجزئة:
overlap_mask,mask_ratio,copy_paste - الوضع:
pose(وزن الخسارة),kobj(موضوعية النقاط الرئيسية) - تصنيف:
dropout,erasing,auto_augment
