التدريب السحابي

يوفر التدريب السحابي على منصة Ultralytics تدريباً بضغطة زر واحدة على وحدات معالجة الرسوميات (GPU) السحابية، مما يجعل تدريب النماذج متاحاً دون الحاجة إلى إعدادات معقدة. قم بتدريب نماذج YOLO مع بث المقاييس في الوقت الفعلي وحفظ نقاط التحقق تلقائياً.

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

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

نافذة التدريب

ابدأ التدريب من واجهة المستخدم الخاصة بالمنصة بالنقر على نموذج جديد في أي صفحة مشروع (أو تدريب من صفحة مجموعة البيانات). تحتوي نافذة التدريب على تبويبين: التدريب السحابي و التدريب المحلي.

نافذة التدريب السحابي على منصة Ultralytics

الخطوة 1: اختيار النموذج الأساسي

اختر من بين نماذج YOLO26 الرسمية أو نماذجك المدربة الخاصة:

الفئة	الوصف (Description)
رسمي	جميع نماذج YOLO26 الـ 25 (5 أحجام × 5 مهام)
نماذجك	نماذجك المكتملة للضبط الدقيق

يتم تنظيم النماذج الرسمية حسب نوع المهمة (Detect، Segment، Pose، OBB، Classify) بأحجام تتراوح من nano إلى xlarge.

الخطوة 2: اختيار مجموعة البيانات

اختر مجموعة بيانات للتدريب عليها (راجع مجموعات البيانات):

الخيار	الوصف (Description)
رسمي	مجموعات بيانات منسقة من Ultralytics
مجموعات بياناتك	مجموعات البيانات التي قمت برفعها

متطلبات مجموعة البيانات

يجب أن تكون مجموعات البيانات في حالة ready مع صورة واحدة على الأقل في مجموعة التدريب (train split)، وصورة واحدة على الأقل في مجموعة التحقق (validation) أو الاختبار (test split)، وصورة واحدة على الأقل تحتوي على تسميات (labeled image).

عدم تطابق المهمة

يظهر تحذير بعدم تطابق المهمة إذا كانت مهمة النموذج (مثل detect) لا تتطابق مع مهمة مجموعة البيانات (مثل segment). سيفشل التدريب إذا تابعت مع مهام غير متطابقة. تأكد من أن كلاً من النموذج ومجموعة البيانات يستخدمان نفس نوع المهمة، كما هو موضح في أدلة المهام.

الخطوة 3: تهيئة المعلمات

اضبط معلمات التدريب الأساسية:

المعامل	الوصف (Description)	الافتراضي (Default)
الحقب (Epochs)	عدد تكرارات التدريب	100
حجم الدفعة (Batch Size)	العينات لكل تكرار	-1 (تلقائي)
حجم الصورة (Image Size)	دقة الإدخال (قائمة منسدلة 320/416/512/640/1280، أي مضاعف لـ 32 من 32-4096 في محرر YAML)	640
اسم التشغيل (Run Name)	اسم اختياري لعملية التدريب	تلقائي

الخطوة 4: الإعدادات المتقدمة (اختياري)

قم بتوسيع الإعدادات المتقدمة للوصول إلى محرر المعلمات الكامل المستند إلى YAML مع أكثر من 40 معلمة تدريب منظمة حسب المجموعة (راجع مرجع التكوين):

المجموعة	المعلمات
معدل التعلم (Learning Rate)	lr0, lrf, momentum, weight_decay, warmup_epochs, warmup_momentum, warmup_bias_lr
المحسن (Optimizer)	auto (افتراضي), SGD, MuSGD, Adam, AdamW, NAdam, RAdam, RMSProp, Adamax
أوزان الخسارة (Loss Weights)	box, cls, dfl, pose, kobj, label_smoothing
تعزيز اللون (Color Augmentation)	hsv_h, hsv_s, hsv_v
التعزيز الهندسي (Geometric Augment.)	degrees, translate, scale, shear, perspective
تعزيز القلب والخلط (Flip & Mix Augment.)	flipud, fliplr, mosaic, mixup, copy_paste
التحكم في التدريب (Training Control)	patience, seed, deterministic, amp, cos_lr, close_mosaic, save_period
مجموعة البيانات (Dataset)	fraction, freeze, single_cls, rect, multi_scale, resume

المعلمات مدركة للمهمة (على سبيل المثال، لا تظهر copy_paste إلا لمهام القطاعات (segment)، و pose/kobj لمهام الوضع (pose) فقط). تظهر شارة معدل (Modified) عندما تختلف القيم عن القيم الافتراضية، ويمكنك إعادة تعيين الكل إلى القيم الافتراضية باستخدام زر إعادة التعيين.

مثال: ضبط التعزيز لمجموعات البيانات الصغيرة

بالنسبة لمجموعات البيانات الصغيرة (<1000 صورة)، قم بزيادة التعزيز لتقليل الإفراط في التخصيص (overfitting):

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

الخطوة 5: اختيار وحدة معالجة الرسوميات GPU (تبويب السحابة)

اختر وحدة معالجة الرسوميات (GPU) الخاصة بك من سحابة Ultralytics:

محدد وحدة معالجة الرسوميات والتكلفة في نافذة التدريب على منصة Ultralytics

GPU	الجيل	VRAM	التكلفة/ساعة	الأفضل لـ
RTX 2000 Ada	Ada	16 جيجابايت	$0.24	مجموعات بيانات صغيرة، اختبار
RTX A4500	Ampere	20 جيجابايت	$0.25	مجموعات بيانات صغيرة-متوسطة
RTX 4000 Ada	Ada	20 جيجابايت	$0.26	مجموعات بيانات متوسطة
RTX A5000	Ampere	24 جيجابايت	$0.27	مجموعات بيانات متوسطة
L4	Ada	24 جيجابايت	$0.39	محسّن للاستدلال
A40	Ampere	48 جيجابايت	$0.44	أحجام دفعات أكبر
RTX 3090	Ampere	24 جيجابايت	$0.46	تدريب عام
RTX A6000	Ampere	48 جيجابايت	$0.49	نماذج كبيرة
RTX PRO 4500	Blackwell	32 جيجابايت	$0.64	سعر/أداء رائع
RTX 4090	Ada	24 جيجابايت	$0.69	أفضل سعر/أداء
RTX 6000 Ada	Ada	48 جيجابايت	$0.77	تدريب دفعات كبيرة
L40S	Ada	48 جيجابايت	$0.86	تدريب دفعات كبيرة
RTX 5090	Blackwell	32 جيجابايت	$0.99	أحدث جيل للمستهلكين
L40	Ada	48 جيجابايت	$0.99	نماذج كبيرة
A100 PCIe	Ampere	80 GB	$1.39	تدريب الإنتاج
A100 SXM	Ampere	80 GB	$1.49	تدريب الإنتاج
RTX PRO 6000	Blackwell	96 GB	$1.89	الخيار الافتراضي الموصى به
H100 PCIe	Hopper	80 GB	$2.39	تدريب عالي الأداء
H100 SXM	Hopper	80 GB	$2.99	أسرع تدريب
H100 NVL	Hopper	94 GB	$3.07	أقصى أداء
H200 NVL	Hopper	143 GB	$3.39	أقصى ذاكرة
H200 SXM	Hopper	141 GB	$3.99	أقصى أداء
B200	Blackwell	180 GB	$5.49	نماذج كبيرة (Pro+)
B300	Blackwell	288 GB	$7.39	أكبر النماذج (Pro+)

اختيار وحدة معالجة الرسوميات (GPU)

RTX PRO 6000: سعة 96 جيجابايت Blackwell، وهو الخيار الافتراضي الموصى به لمعظم المهام
A100 SXM: سعة 80 جيجابايت HBM2e — خيار قوي لأحجام الدفعات الكبيرة أو النماذج الأكبر
H100 PCIe / H100 SXM / H100 NVL: سعة 80–94 جيجابايت Hopper للتدريب الحساس للوقت (متاحة في جميع الخطط)
H200 NVL / H200 SXM: سعة 141–143 جيجابايت Hopper لأحمال العمل عالية الذاكرة (متاحة في جميع الخطط)
B200 / B300: سعة 180–288 جيجابايت NVIDIA Blackwell لأحمال العمل المتطورة — تتطلب خطة Pro أو Enterprise

تعرض النافذة رصيدك الحالي وزر شحن الرصيد (Top Up). يتم حساب التكلفة والمدة التقديرية بناءً على التكوين الخاص بك (حجم النموذج، صور مجموعة البيانات، الحقب، سرعة وحدة معالجة الرسوميات).

الخطوة 6: بدء التدريب

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

توفير مثيل (Instance) لوحدة معالجة رسوميات
تنزيل مجموعة البيانات الخاصة بك
بدء التدريب
بث المقاييس في الوقت الفعلي

دورة حياة مهمة التدريب

تتقدم مهام التدريب عبر الحالات التالية:

الحالة (Status)	الوصف (Description)
معلقة (Pending)	تم إرسال المهمة، في انتظار تخصيص وحدة معالجة رسوميات
جاري البدء (Starting)	تم توفير وحدة معالجة الرسوميات، جاري تنزيل مجموعة البيانات والنموذج
قيد التشغيل (Running)	التدريب قيد التقدم، بث المقاييس في الوقت الفعلي
مكتملة (Completed)	انتهى التدريب بنجاح
فاشلة (Failed)	فشل التدريب (راجع سجلات وحدة التحكم للحصول على التفاصيل)
ملغاة (Cancelled)	تم إلغاء التدريب من قبل المستخدم

أرصدة مجانية

تحصل الحسابات الجديدة على أرصدة تسجيل — 5 دولارات لرسائل البريد الإلكتروني الشخصية و 25 دولاراً لرسائل البريد الإلكتروني الخاصة بالشركات. تحقق من رصيدك في الإعدادات > الفواتير.

تقدم التدريب على منصة Ultralytics مع المخططات

مراقبة التدريب

شاهد تقدم التدريب في الوقت الفعلي في تبويب تدريب الخاص بصفحة النموذج:

تبويب المخططات الفرعي

المخططات المباشرة لتدريب النموذج على منصة Ultralytics

المقياس	الوصف (Description)
الخسارة (Loss)	خسارة التدريب والتحقق
mAP	متوسط الدقة (Mean Average Precision)
الدقة (Precision)	التنبؤات الإيجابية الصحيحة
الاستدعاء (Recall)	الحقائق الأرضية المكتشفة

علامة تبويب وحدة التحكم (Console Subtab)

مخرجات وحدة تحكم مباشرة مع دعم ألوان ANSI، وأشرطة التقدم، واكتشاف الأخطاء.

علامة تبويب النظام (System Subtab)

استخدام GPU، والذاكرة، ودرجة الحرارة، وCPU، واستخدام القرص في الوقت الفعلي.

نقاط الحفظ (Checkpoints)

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

إلغاء التدريب

انقر على إلغاء التدريب (Cancel Training) في صفحة النموذج لإيقاف وظيفة قيد التشغيل:

يتم إنهاء مثيل الحوسبة
يتوقف خصم الأرصدة
تظل أفضل نقطة حفظ متاحة إذا تم الوصول إليها قبل الإلغاء

التدريب عن بعد (Remote Training)

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

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

تدرب على أجهزتك الخاصة مع بث المقاييس إلى المنصة.

متطلبات إصدار الحزمة

تتطلب عملية التكامل مع المنصة استخدام ultralytics>=8.4.35. الإصدارات الأقدم لن تعمل مع المنصة.

pip install -U ultralytics

إعداد مفتاح API

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

التدريب مع البث (Train with Streaming)

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 تبويب التدريب المحلي (Local Training) في مربع حوار التدريب أمرًا مُهياً مسبقًا مع مفتاح API الخاص بك، والمعلمات المحددة، والوسائط المتقدمة المضمنة.

استخدام مجموعات بيانات المنصة

تدرب 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 وتكوينها تلقائيًا. يتم ربط النموذج تلقائيًا بمجموعة البيانات الموجودة على المنصة (انظر استخدام مجموعات بيانات المنصة).

الفواتير

تعتمد تكاليف التدريب على استخدام GPU:

تقدير التكلفة

قبل بدء التدريب، تقدر المنصة التكلفة الإجمالية عن طريق:

تقدير الثواني لكل دورة (epoch) من حجم مجموعة البيانات، وتعقيد النموذج، وحجم الصورة، وحجم الدفعة (batch size)، وسرعة GPU
حساب إجمالي وقت التدريب عن طريق ضرب الثواني لكل دورة في عدد الدورات، ثم إضافة النفقات العامة لبدء التشغيل
حساب التكلفة المقدرة من إجمالي ساعات التدريب مضروبة في السعر بالساعة الخاص بـ GPU

العوامل المؤثرة على التكلفة:

العامل	التأثير
حجم مجموعة البيانات	المزيد من الصور = وقت تدريب أطول (الأساس: ~2.8 ثانية حوسبة لكل 1000 صورة على RTX 4090)
حجم النموذج	تتدرب النماذج الأكبر (m, l, x) بشكل أبطأ من (n, s)
عدد الدورات (Epochs)	مضاعف مباشر لوقت التدريب
حجم الصورة (Image Size)	حجم الصور (imgsz) الأكبر يزيد من الحوسبة: 320 بكسل=0.25x، 640 بكسل=1.0x (الأساس)، 1280 بكسل=4.0x
حجم الدفعة (Batch Size)	الدفعة (batches) الأكبر أكثر كفاءة (دفعة 32 = ~0.85x وقت، دفعة 8 = ~1.2x وقت مقابل أساس دفعة 16)
سرعة GPU	تُقلل وحدات GPU الأسرع من وقت التدريب (على سبيل المثال، H100 SXM = ~3.4x أسرع من RTX 4090)
النفقات العامة لبدء التشغيل	ما يصل إلى 5 دقائق لتهيئة المثيل، وتنزيل البيانات، والإحماء (تتوسع مع حجم مجموعة البيانات)

أمثلة على التكلفة

التقديرات

تقديرات التكلفة تقريبية وتعتمد على عوامل كثيرة. يعرض مربع حوار التدريب تقديرًا في الوقت الفعلي قبل بدء التدريب.

السيناريو	GPU	التكلفة المقدرة
500 صورة، YOLO26n، 50 دورة	RTX 4090	~$0.50
1000 صورة، YOLO26n، 100 دورة	RTX PRO 6000	~$5
5000 صورة، YOLO26s، 100 دورة	H100 SXM	~$23

سير عمل الفواتير

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

سير عمل فواتير التدريب السحابي:

التقدير: تُحسب التكلفة قبل بدء التدريب
التحقق من الرصيد: يتم التحقق من الأرصدة المتاحة قبل الإطلاق
التدريب: يتم تشغيل الوظيفة على الحوسبة المحددة
الخصم: التكلفة النهائية تعتمد على وقت التشغيل الفعلي

حماية المستهلك

تتتبع الفواتير استخدام الحوسبة الفعلي، بما في ذلك التشغيلات الجزئية التي تم إلغاؤها. لا يتم فرض رسوم عليك مطلقًا مقابل تشغيلات التدريب الفاشلة.

الفواتير حسب حالة الوظيفة

الحالة (Status)	هل تم الخصم؟
مكتملة (Completed)	نعم — وقت GPU الفعلي المستخدم
ملغاة (Cancelled)	نعم — وقت GPU من البدء حتى الإلغاء
فاشلة (Failed)	لا — لا يتم فرض رسوم على التشغيلات الفاشلة
عالق (Stuck)	جزئي — يتم خصم وقت التدريب الفعلي فقط

لا توجد رسوم على الأخطاء

إذا فشل تشغيل التدريب بسبب خطأ في التكوين، أو مشكلة في الذاكرة (out-of-memory)، أو أي فشل آخر، لا يتم فرض رسوم عليك. يتم إصدار فواتير بوقت الحوسبة الناجح فقط. يتم إنهاء الوظائف العالقة (لا يوجد نشاط لمدة 4+ ساعات) تلقائيًا ويتم فرض رسوم عليها فقط للوقت الذي كانت فيه GPU تتدرب بنشاط، وليس وقت الخمول.

طرق الدفع

الأسلوب	الوصف (Description)
رصيد الحساب	أرصدة مُحملة مسبقًا
الدفع لكل وظيفة	خصم عند اكتمال الوظيفة

الحد الأدنى للرصيد

يتطلب بدء التدريب رصيدًا متاحًا إيجابيًا وأرصدة كافية لتغطية التكلفة المقدرة للوظيفة.

عرض تكاليف التدريب

بعد التدريب، اعرض التكاليف التفصيلية في علامة تبويب الفواتير (Billing):

تفصيل التكلفة لكل دورة
إجمالي وقت GPU
تنزيل تقرير التكلفة

تفاصيل فواتير تدريب منصة Ultralytics

نصائح التدريب

اختر حجم النموذج الصحيح

النموذج (Model)	المعلمات	الأفضل لـ
YOLO26n	2.4 مليون	وقت فعلي، أجهزة الحافة (edge devices)
YOLO26s	9.5 مليون	توازن السرعة/الدقة
YOLO26m	20.4 مليون	دقة أعلى
YOLO26l	24.8 مليون	دقة الإنتاج
YOLO26x	55.7 مليون	أقصى دقة

تحسين وقت التدريب

استراتيجيات توفير التكلفة

ابدأ صغيرًا: اختبر بـ 10-20 دورة على GPU اقتصادية للتحقق من أن مجموعة البيانات والتكوين الخاص بك يعملان
استخدم GPU مناسب: تتعامل RTX PRO 6000 مع معظم أحمال العمل بكفاءة
تحقق من صحة مجموعة البيانات: قم بإصلاح مشاكل التسمية قبل الإنفاق على التدريب
راقب التدريب مبكراً: ألغِ التدريب إذا استقرت الخسارة - فأنت تدفع فقط مقابل وقت الحوسبة المستخدم

استكشاف الأخطاء وإصلاحها

المشكلة	الحل
التدريب عالق عند 0%	تحقق من تنسيق مجموعة البيانات، وحاول مجدداً
نفاذ الذاكرة	قلل حجم الدفعة (batch size) أو استخدم GPU أكبر
دقة ضعيفة	زد عدد الحقب (epochs)، وتحقق من جودة البيانات
التدريب بطيء	ضع في اعتبارك استخدام GPU أسرع
خطأ عدم تطابق المهمة	تأكد من تطابق مهام النموذج ومجموعة البيانات

الأسئلة الشائعة

كم يستغرق التدريب من وقت؟

يعتمد وقت التدريب على:

حجم مجموعة البيانات
حجم النموذج
عدد العصور (epochs)
الـ GPU المحدد

الأوقات النموذجية (1000 صورة، 100 حقبة):

النموذج (Model)	RTX PRO 6000	A100 SXM
YOLO26n	~20 دقيقة	~15 دقيقة
YOLO26m	~40 دقيقة	~30 دقيقة
YOLO26x	~80 دقيقة	~60 دقيقة

الأوقات التقريبية

أوقات التدريب تقريبية وتتغير حسب تعقيد مجموعة البيانات، وإعدادات التعزيز (augmentation)، وحجم الدفعة. استخدم تقدير التكلفة في مربع حوار التدريب للحصول على تنبؤات أكثر دقة.

هل يمكنني التدريب طوال الليل؟

نعم، يستمر التدريب حتى الاكتمال. ستتلقى إشعاراً عند انتهاء التدريب. تأكد من أن حسابك يحتوي على رصيد كافٍ للتدريب القائم على الحقب.

ماذا يحدث إذا نفدت الاعتمادات؟

إذا وصل رصيد اعتماداتك إلى الصفر أثناء تشغيل التدريب، فإن التدريب يستمر حتى الاكتمال ويصبح رصيدك سالباً. يضمن هذا عدم مقاطعة مهمة التدريب الخاصة بك في منتصف التشغيل.

بعد اكتمال التدريب، ستحتاج إلى إضافة اعتمادات لإعادة رصيدك إلى الموجب قبل بدء مهام تدريب جديدة. يتم حفظ نموذجك المكتمل، ونقاط التحقق، وجميع عناصر التدريب بالكامل بغض النظر عن الرصيد.

الرصيد السالب

يمنع الرصيد السالب بدء مهام تدريب جديدة فقط. تستمر عمليات النشر الحالية وميزات النظام الأساسي الأخرى في العمل بشكل طبيعي. أضف اعتمادات عبر الإعدادات > الفوترة أو قم بتمكين التعبئة التلقائية لتجنب الانقطاعات.

ماذا يحدث إذا كانت تكلفة تدريبي أعلى من التقدير؟

تقديرات التكلفة تقريبية - قد يختلف وقت التدريب الفعلي بسبب عوامل مثل سرعة تحميل البيانات، وتسخين GPU، وسلوك تقارب النموذج. إذا تجاوزت التكلفة الفعلية التقدير، فقد يصبح رصيدك سالباً (انظر أعلاه). المنصة لا توقف التدريب بناءً على التقدير.

لإدارة التكاليف:

راقب تقدم التدريب في الوقت الفعلي وألغه مبكراً إذا لزم الأمر
قم بتمكين التعبئة التلقائية لتجديد الاعتمادات 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 للتكوين. يتم تضمين القيم غير الافتراضية في أوامر التدريب السحابية والمحلية.

يدعم محرر YAML أيضاً استيراد التكوينات من عمليات التدريب السابقة:

نسخ من نموذج موجود: في صفحة أي نموذج مكتمل، تحتوي بطاقة تكوين التدريب على زر نسخ كـ JSON. انسخ JSON وألصقه مباشرة في محرر YAML - فهو يكتشف تنسيق JSON تلقائياً ويستورد جميع المعلمات.
لصق YAML أو JSON: الصق أي تكوين تدريب صالح بتنسيق YAML أو JSON في المحرر. يتم التحقق من صحة المعلمات تلقائياً، مع تثبيت القيم خارج النطاق وعرض التحذيرات.
سحب وإسقاط الملفات: اسحب ملف .yaml أو .json مباشرة إلى المحرر لاستيراد معلماته.

Ultralytics Platform Training Dialog Copy Training Config JSON

هذا يجعل من السهل إعادة إنتاج أو التكرار على تكوينات التدريب السابقة دون الحاجة إلى إعادة إدخال كل معلمة يدوياً.

هل يمكنني التدريب من صفحة مجموعة البيانات؟

نعم، يفتح زر التدريب في صفحات مجموعة البيانات مربع حوار التدريب مع تحديد مجموعة البيانات مسبقاً وقفلها. ثم تختار مشروعاً ونموذجاً لبدء التدريب.

مرجع معلمات التدريب

المعامل	النوع (Type)	الافتراضي (Default)	النطاق	الوصف (Description)
`epochs`	int	100	1-10000	عدد حقب التدريب
`batch`	int	-1 (تلقائي)	-1 إلى 512	حجم الدفعة (`-1` = الملاءمة التلقائية لـ VRAM المتاح)
`imgsz`	int	640	32-4096	حجم صورة الإدخال
`patience`	int	100	1-1000	صبر التوقف المبكر
`seed`	int	0	0-2147483647	البذرة العشوائية (random seed) لإمكانية التكرار
`deterministic`	bool	True	-	وضع التدريب الحتمي
`amp`	bool	True	-	الدقة المختلطة التلقائية
`close_mosaic`	int	10	0-50	تعطيل الموزاييك في آخر N حقبة
`save_period`	int	-1	-1-100	حفظ نقطة التحقق كل N حقبة
`workers`	int	8	0-64	عمال تحميل البيانات
`cache`	select	false	ram/disk/false	تخزين الصور مؤقتاً

المعلمات الخاصة بالمهمة

بعض المعلمات تنطبق فقط على مهام محددة:

مهام الكشف فقط (detect، segment، pose، OBB — باستثناء classify): box، dfl، degrees، translate، shear، perspective، mosaic، mixup، close_mosaic
التقسيم (Segment) فقط: copy_paste
تقدير الوضع (Pose) فقط: pose (وزن الفقد)، kobj (موضوعية النقاط المفصلية)

Contributors

GLglenn-jocher¹⁴ MYmykolaxboiko² SEsergiuwaxmann¹ LALaughing-q¹

Created قبل ٤ أشهرUpdated قبل ٣ أيام