التدريب السحابي#
يقدم تدريب السحابية من Ultralytics Platform تدريباً بضغطة زر واحدة على وحدات معالجة الرسوميات السحابية، مما يجعل تدريب النماذج متاحاً بدون إعداد معقد. قم بتدريب نماذج YOLO مع بث المقاييس في الوقت الفعلي والحفظ التلقائي لنقاط التحقق.
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:#fffنافذة التدريب#
ابدأ التدريب من واجهة مستخدم المنصة بالنقر فوق New Model في أي صفحة مشروع أو مجموعة بيانات. يحتوي مربع حوار التدريب على علامتي تبويب: Cloud Training وLocal Training. عندما تكون مجموعة البيانات المحددة على مضيف On Premise، تصبح علامة التبويب الأولى On Premise وتتم مخفاة علامة تبويب Local Training — إذ لا يمكن تدريب مجموعة البيانات تلك إلا على مضيفها الخاص، مما يتطلب خطة Enterprise وعامل متصل ومتصل بالإنترنت.
الخطوة 1: اختر النموذج الأساسي#
اختر نموذجاً رسمياً من Ultralytics أو أحد نماذجك المكتملة:
| علامة التبويب | الوصف |
|---|---|
| Official | نماذج مشاريع YOLO26 (موصى به)، وYOLO11، وYOLOv8، وYOLOv5 |
| My Models | نماذجك المكتملة أو المُحمَّلة، مجمعة حسب المشروع، لغرض الضبط الدقيق |
داخل كل علامة تبويب، تُرتب النماذج حسب المهمة بالترتيب الأساسي وتُفرز حسب الحجم. يقوم المُرشِّح بتصفية النماذج الرسمية لتناسب المهام المتوافقة مع مجموعة البيانات المحددة. يتضمن YOLO26 متغيرات Detect، وSegment، وSemantic، وDepth، وClassify، وPose، وOBB بأحجام تتراوح من nano إلى xlarge.
يمكن رفع مجموعات بيانات العمق باستخدام أهداف NPY العائمة بالأمتار أو أهداف PNG uint16 باستخدام depth_scale الخاص بمجموعة البيانات. راجع تنسيق مجموعة بيانات العمق.
الخطوة 2: اختر مجموعة البيانات#
اختر مجموعة بيانات للتدريب عليها (انظر Datasets):
| Option | الوصف |
|---|---|
| Official | مجموعات بيانات منسقة من Ultralytics |
| Your Datasets | مجموعات البيانات التي قمت برفعها |
يجب أن تكون مجموعات البيانات في حالة ready مع صورة واحدة على الأقل في تقسيم التدريب، وصورة واحدة على الأقل في تقسيم التحقق أو الاختبار، وصورة واحدة مصنفة على الأقل، واسم فئة واحد على الأقل. تتطلب مجموعات بيانات التصنيف بالإضافة إلى ذلك أن تكون صورة تقسيم التدريب مصنفة، ويجب أن تحدد مجموعات بيانات الوضع شكل النقاط الرئيسية. تتطلب مجموعات بيانات العمق بدلاً من ذلك خريطة مقترنة واحدة في train واثنتين في val؛ يتم استبعاد الصور غير المقترنة.
يظهر تحذير عدم تطابق المهام عندما لا يمكن للنموذج المحدد تدريب مهمة مجموعة البيانات، ويظل زر Start Training معطلاً حتى تختار نموذجاً متوافقاً. تقبل مجموعة بيانات القطع نماذج القطع أو النماذج الدلالية؛ تتطلب مهام مجموعات البيانات الأخرى مهمة النموذج المطابقة. راجع task guides.
الخطوة 3: تكوين المعلمات#
قم بتعيين معلمات التدريب الأساسية:
| المعامل | الوصف | الافتراضي |
|---|---|---|
| Epochs | عدد دورات التدريب (1-10000) | 100 |
| Batch Size | العينات لكل دورة (-1 لضبط ذاكرة VRAM المتاحة تلقائياً، أو 1-512) | -1 (تلقائي) |
| حجم الصورة | شريط تمرير دقة الإدخال، من 32 إلى 1280 بخطوات قدرها 32 | 640 |
| الاسم | اسم اختياري لجلسة التدريب | تلقائي |
يتم تثبيت القيم المُدخلة خارج نطاق المعلمة عندما يفقد الحقل التركيز.
يتوقف شريط التمرير عند 1280، ولكن محرر YAML يقبل أحجاماً تصل إلى 4096. يظهر تحذير أعلى 1280 لأن الدقة الأعلى تزيد بشكل كبير من استخدام ذاكرة GPU، ووقت التدريب، والتكلفة.
الخطوة 4: الإعدادات المتقدمة (اختياري)#
قم بتوسيع Advanced Settings للوصول إلى محرر المعلمات الكامل المستند إلى YAML والذي يحتوي على أكثر من 50 معلمة تدريب منظمة حسب المجموعة (راجع configuration reference):
| المجموعة | المعاملات |
|---|---|
| معدل التعلم (Learning Rate) | lr0, lrf, momentum, weight_decay, warmup_epochs, warmup_momentum, warmup_bias_lr |
| Optimizer | auto (افتراضي), SGD, MuSGD, Adam, AdamW, NAdam, RAdam, RMSProp, Adamax |
| Loss Weights | box, cls, dfl, pose, kobj, label_smoothing |
| Color Augmentation | hsv_h, hsv_s, hsv_v |
| Geometric Augmentation | degrees, translate, scale, shear, perspective |
| Flip & Mix Augmentation | flipud, fliplr, mosaic, mixup, copy_paste |
| Training Control | epochs, batch, imgsz, pretrained, patience, time, seed, deterministic, amp, cos_lr, compile, close_mosaic, save_period |
| Dataset | fraction, freeze, single_cls, rect, multi_scale, val, resume |
| Device & Inference | device, cache, workers, dropout, iou, max_det |
المعلمات واعية بالمهام (على سبيل المثال، يظهر copy_paste فقط لمهام التجزءة، وpose/kobj فقط لمهام الوضعية، وdropout فقط للتصنيف). تظهر شارة Modified عندما تختلف القيم عن الإعدادات الافتراضية، ويمكنك إعادة تعيين الكل إلى الإعدادات الافتراضية باستخدام زر إعادة التعيين. يتم إرسال القيم المتقدمة غير الافتراضية فقط إلى مهمة التدريب (يتم تضمين معلمات الحالات الأساسية epochs وbatch وحجم الصورة دائماً)، بحيث يظل الأمر الناتج قابلاً للقراءة.
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 scalingحفظ 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.
Save Dataset Version غير متاح لمساحة التخزين السحابية المتصلة ومجموعات البيانات المحلية (On Premise). يمكنك أيضاً إنشاء لقطات يدوياً من Versions tab.
الخطوة 5: اختر وحدة معالجة الرسومات (علامة تبويب Cloud)#
اختر وحدة معالجة الرسومات الخاصة بك من Ultralytics Cloud:
| GPU | الجيل | ذاكرة الفيديو (VRAM) | التكلفة/ساعة | الأفضل لـ |
|---|---|---|---|---|
| RTX 2000 Ada | Ada | 16 GB | $0.24 | مجموعات بيانات صغيرة، الاختبار |
| RTX A4500 | Ampere | 20 GB | $0.25 | مجموعات بيانات صغيرة إلى متوسطة |
| RTX 4000 Ada | Ada | 20 GB | $0.26 | مجموعات بيانات متوسطة |
| RTX A5000 | Ampere | 24 GB | $0.27 | مجموعات بيانات متوسطة |
| L4 | Ada | 24 GB | $0.39 | محسّن للاستدلال |
| A40 | Ampere | 48 GB | $0.44 | أحجام دفعات أكبر |
| RTX 3090 | Ampere | 24 GB | $0.46 | التدريب العام |
| RTX A6000 | Ampere | 48 GB | $0.49 | نماذج كبيرة |
| RTX PRO 4000 | Blackwell | 24 GB | $0.57 | Budget Blackwell |
| RTX PRO 4500 | Blackwell | 32 GB | $0.64 | سعر/أداء رائع |
| RTX 4090 | Ada | 24 GB | $0.69 | أفضل سعر/أداء |
| RTX 6000 Ada | Ada | 48 GB | $0.77 | تدريب بدفعات كبيرة |
| L40S | Ada | 48 GB | $0.86 | تدريب بدفعات كبيرة |
| RTX PRO 5000 | Blackwell | 48 GB | $0.96 | تدريب بدفعات كبيرة |
| RTX 5090 | Blackwell | 32 GB | $0.99 | أحدث جيل للمستهلك |
| L40 | Ada | 48 GB | $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 | $2.09 | الخيار الافتراضي الموصى به |
| H100 PCIe | Hopper | 80 GB | $2.89 | تدريب عالي الأداء |
| H100 NVL | Hopper | 94 GB | $3.19 | أقصى أداء |
| H100 SXM | Hopper | 80 GB | $3.29 | أسرع تدريب |
| H200 NVL | Hopper | 143 GB | $3.39 | أقصى ذاكرة |
| H200 SXM | Hopper | 141 GB | $4.39 | أقصى أداء |
| B200 | Blackwell | 180 GB | $5.89 | النماذج الكبيرة (Pro+) |
| B300 | Blackwell | 288 GB | $7.39 | أكبر النماذج (Pro+) |
- RTX PRO 6000: بسعة 96 جيجابايت من نوع Blackwell، وهي الخيار الافتراضي الموصى به لمعظم المهام
- A100 SXM: بسعة 80 جيجابايت HBM2e — خيار قوي لأحجام الدفعات الكبيرة أو النماذج الأكبر
- H100 PCIe / H100 SXM / H100 NVL: بسعة 80–94 جيجابايت Hopper للتدريب الحساس للوقت (متاحة في جميع الخطط)
- H200 NVL / H200 SXM: بسعة 141–143 جيجابايت Hopper لأحمال العمل ذات الذاكرة العالية (متاحة في جميع الخطط)
- B200 / B300: وحدة معالجة رسوميات NVIDIA Blackwell بسعة 180–288 جيجابايت لأعباء العمل المتقدمة — تتطلب Pro or Enterprise
يعرض مربع الحوار balance الحالي الخاص بك وزر Top Up. تقدر بطاقة التكلفة الإجمالي للمدة والسعر لتكوينك (حجم النموذج، صور مجموعة البيانات، الدورات، حجم الصورة، حجم الدفع، المُحسِّن، وسرعة GPU) كما توضح المقدر لكل ثانية لكل دورة وعدد صور مجموعة البيانات.
يعكس منتقي GPU المخزون السحابي المباشر، لذا يتم وضع علامة على الخيارات التي نفدت سعتها. إذا تعذر وضع وظيفة على وحدة معالجة الرسومات (GPU) التي اخترتها، تُبلغ المنصة عن النقص وتبدل اختيارك إلى أقرب GPU متاحة - مطابقة VRAM أولاً، ثم السرعة، ثم السعر - وتخبرك بذاكرة VRAM الجديدة والمعدل بالساعة حتى تتمكن من البدء فوراً أو الاختيار بشكل مختلف.
اختيار وحدة معالجة رسومات (GPU) أرخص من RTX PRO 6000 يجعل مهمتك مؤهلة للبنية التحتية المُدارة بواسطة Ultralytics. عندما تكون هذه السعة متاحة، يتم تنفيذ التشغيل على RTX PRO 6000 ولكن لا يزال يتم فوترته بالمعدل الخاص بوحدة معالجة الرسومات التي اخترتها، وبالتالي يمكن للتشغيل أن ينتهي بشكل أسرع وأقل تكلفة مما كان سيكون عليه على وحدة معالجة الرسومات التي اخترتها - الترقية نفسها لا تجعل التشغيل أبطأ أو أكثر تكلفة أبداً.
الخطوة 6: بدء التدريب#
انقر على Start Training لبدء مهمتك. تقوم المنصة بـ:
- يحل إصدار مجموعة البيانات غير القابل للتغيير عند تمكين Save Dataset Version
- توفير مثيل لوحدة معالجة الرسومات
- تنزيل مجموعة البيانات الخاصة بك
- بدء التدريب
- بث المقاييس في الوقت الفعلي
إعادة تدريب نموذج موجود تعيد استخدام نفس صفحة النموذج وتمسح مخططات التشغيل السابق، ومخرجات وحدة التحكم، ومقاييس النظام، وحالة الخطأ بمجرد إنشاء الوظيفة الجديدة. التشغيل الذي يفشل قبل توفير قوة الحساب يترك النتائج السابقة كما هي بدون تغيير.
دورة حياة مهمة التدريب#
تتقدم مهام التدريب عبر الحالات التالية:
| الحالة | الوصف |
|---|---|
| Pending | تم إرسال المهمة، بانتظار تخصيص وحدة معالجة الرسومات |
| Starting | تم توفير وحدة معالجة الرسومات، ويجري تنزيل مجموعة البيانات والنموذج |
| Running | التدريب قيد التقدم، ويتم بث المقاييس في الوقت الفعلي |
| Completed | اكتمل التدريب بنجاح |
| Failed | فشل التدريب (راجع سجلات وحدة التحكم لمعرفة التفاصيل) |
| Cancelled | تم إلغاء التدريب بواسطة المستخدم |
يؤدي خطأ Python فادح في دفق وحدة التحكم - مثل تتبع الأخطاء (traceback)، أو خطأ نفاد ذاكرة CUDA، أو فشل تهيئة CUDA - إلى إنهاء التشغيل فوراً بدلاً من انتظار مهلة زمنية، وتظهر الرسالة المستخرجة في لافتة خطأ على صفحة النموذج مع إجراءات View full console logs وRetry Training. يتم تلقائياً تمثيل التشغيلات التي تتوقف عن الإبلاغ عن النشاط لعدة ساعات على أنها فاشلة، ويتم تحرير قوة الحساب الخاصة بها.
لتلقي نتائج الاكتمال والفشل دون إبقاء هذه الصفحة مفتوحة، قم بربط Slack alerts.
تحصل الحسابات الجديدة على أرصدة اشتراك — 5 دولارات للبريد الإلكتروني الشخصي و25 دولاراً للبريد الإلكتروني للشركات. Check your balance في Settings > Billing.
مراقبة التدريب#
شاهد تقدم التدريب في الوقت الفعلي في علامة تبويب Train في صفحة النموذج:
علامة تبويب فرعية للمخططات#
المخططات مُجمَّعة حسب عائلة المقاييس، والمجموعات التي تظهر تعتمد على ما يُبلِّغ عنه التشغيل:
| المجموعة | المحتويات |
|---|---|
| المقاييس (Metrics) | مقاييس المهمة - mAP50، وmAP50-95، والدقة (precision)، والاستدعاء (recall) للكشف؛ راجع Models للمهام الأخرى |
| الخسارة (Loss) | مخطط واحد لكل مكون خسارة، مع سلسلة التدريب بخط متصل وسلسلة التحقق بخط متقطع |
| معدل التعلم (Learning Rate) | lr/pg0، lr/pg1، lr/pg2 |
يمكن طي كل مجموعة، ويمكن إخفاء أو إظهار المخططات الفردية من قائمة المجموعة، ويمكن سحب المخططات وتغيير حجمها - يتم تذكر التخطيط للمرة القادمة.
علامة تبويب فرعية لوحدة التحكم#
إخراج وحدة التحكم مباشرة مع دعم ألوان ANSI، وأشرطة التقدم، والكشف عن الأخطاء الفادحة. يتم الاحتفاظ بآخر 2000 سطر، ويمكن تبديل الطابع الزمني، ويمكن نسخ السجل بالكامل كنص عادي.
علامة تبويب فرعية للنظام#
بطاقة مضيف حية (اسم المضيف، CPU، GPU، RAM، وإجمالي القرص) بالإضافة إلى مخططات لكل دورة لاستخدام CPU وRAM، واستخدام GPU والذاكرة، ودرجة حرارة GPU، وإدخال/إخراج الشبكة، وإدخال/إخراج القرص.
نقاط التحقق#
يتم تحميل أفضل نقطة تحقق (best.pt) إلى المنصة بشكل دوري أثناء التدريب ومرة أخرى عند انتهاء التشغيل، بحيث تستخدم التنزيلات والتصدير والنشر دائماً أفضل دورة تم إنتاجها حتى الآن. إذا تم إلغاء التشغيل، يتم الاحتفاظ بنقطة التحقق التي تم تحميلها قبل الإلغاء.
إلغاء التدريب#
انقر فوق Cancel في بطاقة Run Information على صفحة النموذج وأكد الإجراء. بالنسبة للتدريب السحابي، توقف المنصة الوظيفة، وتحرر الحساب الخاص بها، وتخصم وقت GPU المنقضي المستخدم قبل الإلغاء. أما بالنسبة للتدريب المحلي، فإن الإلغاء يشير إلى العملية بالتوقف عند حدود الدورة التالية وتحافظ على النتائج الجزئية - يقوم التشغيل بتحميل 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:#fffقم بالتدريب على أجهزتك الخاصة مع بث المقاييس إلى المنصة.
يتطلب تكامل المنصة ultralytics>=8.4.120. الإصدارات الأقل لن تعمل مع المنصة.
pip install -U ultralyticsإعداد مفتاح API#
- انتقل إلى
Settings > API Keys - أنشئ مفتاحاً جديداً (أو تقوم المنصة بإنشائه تلقائياً عند فتح علامة التبويب Local Training)
- قم بتعيين متغير البيئة:
export ULTRALYTICS_API_KEY="YOUR_API_KEY"التدريب مع البث#
استخدم معلمات project وname لبث المقاييس:
yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
project=username/my-project name=experiment-1تعرض 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 ul:// URI format:
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
project=username/my-project name=exp1يقوم تنسيق معرف الموارد المنتظم ul:// بتنزيل وتكوين مجموعة البيانات الخاصة بك تلقائياً. يتم ربط النموذج تلقائياً بمجموعة البيانات الموجودة على المنصة (راجع Using Platform Datasets).
الفواتير#
تعتمد تكاليف التدريب على استخدام GPU:
تقدير التكلفة#
قبل أن يبدأ التدريب، تُقدر المنصة إجمالي المدة والتكلفة من حجم مجموعة البيانات، وحجم النموذج، وحجم الصورة، وحجم الدفع، والدورات، ووحدة معالجة الرسومات المحددة. التقديرات تقريبية؛ الاستخدام الفعلي هو ما يتم فوترته.
العوامل المؤثرة على التكلفة:
| العامل | التأثير |
|---|---|
| حجم مجموعة البيانات | المزيد من الصور = وقت تدريب أطول (يزداد حجم الحوسبة خطياً تقريباً مع حجم مجموعة البيانات) |
| حجم النموذج | تستغرق النماذج الأكبر (m, l, x) وقتاً أطول في التدريب مقارنة بـ (n, s) |
| عدد الحقب | مضاعف مباشر لوقت التدريب |
| حجم الصورة | تؤدي imgsz الأكبر إلى زيادة الحسابات بشكل كبير - تكلف 1280 بكسل عدة أضعاف تكلفة 640 بكسل |
| Batch Size | تتدرب الدفعات الأكبر بكفاءة أكبر من الدفعات الصغيرة |
| سرعة GPU | تقلل وحدات معالجة الرسومات الأسرع من وقت التدريب، مما يعوض جزئياً معدلها الأعلى بالساعة |
| Optimizer | يستغرق MuSGD ضعف الوقت تقريباً مقارنة بالمحسِّنات الأخرى |
| وقت بدء التشغيل | ما يصل إلى 5 دقائق لتهيئة المثيل، وتنزيل البيانات، والإحماء (يتناسب مع حجم مجموعة البيانات) |
تستند التقديرات إلى تشغيلات التدريب السحابية الحقيقية، والتقديرات تستخدم دائماً وحدة معالجة الرسومات التي حددتها - لذا فإن المهمة التي يتم توجيهها إلى البنية التحتية الأسرع لـ Ultralytics تنتهي قبل تقديرها.
أمثلة التكلفة#
تقديرات التكلفة تقريبية وتعتمد على عوامل كثيرة. يعرض مربع حوار التدريب تقديراً فورياً قبل بدء التدريب.
| السيناريو | GPU | التكلفة التقديرية |
|---|---|---|
| 500 صورة، YOLO26n، 50 حقبة | RTX 4090 | ~$0.03 |
| 1000 صورة، YOLO26n، 100 حقبة | RTX PRO 6000 | ~$0.23 |
| 5000 صورة، YOLO26s، 100 حقبة | H100 SXM | ~$1.56 |
دورة الفواتير#
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:#fffدورة فواتير التدريب السحابي:
- التقدير: يتم احتساب التكلفة قبل بدء التدريب
- فحص الرصيد: يتم التحقق من الأرصدة المتاحة قبل الإطلاق
- الاشتراك والقياس: يتم تشغيل المهمة على وحدة المعالجة الحوسبية المحددة، ويتم خصم وقت وحدة معالجة الرسوميات (GPU) المتراكم من رصيدك على خطوات أثناء تشغيلها
- التسوية: عند الحالة النهائية، يتم خصم الجزء المتبقي الأخير وتتم كتابة معاملة تدريب واحدة لكامل التشغيل
تتعقب الفوترة وقت GPU الفعلي، بما في ذلك التشغيلات الجزئية التي يتم إلغاؤها أو تفشل بعد بدء تشغيل GPU السحابي.
الفواتير حسب حالة المهمة#
| الحالة | هل توجد تكلفة؟ |
|---|---|
| Completed | نعم — وقت GPU الفعلي المستخدم |
| Cancelled | نعم — وقت GPU من البداية وحتى الإلغاء |
| Failed | نعم، عند بدء تشغيل الحوسبة السحابية - وقت GPU المنقضي المستخدم |
| عالق (Stuck) | نعم - وقت GPU المنقضي حتى الإنهاء التلقائي |
التشغيل الذي يتوقف عن الإبلاغ عن النشاط لعدة ساعات يُعتبر تلقائياً فاشلاً؛ ويتم إنهاء النسخة وتسوية وقت GPU المنقضي. التشغيلات البعيدة على الأجهزة الخاصة بك يتم وضع علامة فشل عليها فقط بدون أي تكلفة.
فشل التحقق أو الإطلاق قبل بدء تشغيل GPU السحابي ليس له استخدام حاسبي للرسوم. بمجرد تشغيل GPU، تتم تسوية الوظائف المكتملة والمُلغاة والفاشلة والمنتهية تلقائياً بناءً على وقت GPU الفعلي المنقضي.
طرق الدفع#
يتم دفع تكلفة التدريب السحابي من رصيد رصيدك في المنصة.
يتطلب بدء التدريب رصيداً متاحاً موجباً وائتمانات كافية لتكلفة الوظيفة المقدرة، حيث يحجز كل تقدير ما لا يقل عن 15 دقيقة من وقت وحدة معالجة الرسومات. مع وجود عدة تشغيلات نشطة في نفس الوقت، يأخذ الفحص في الاعتبار أيضاً الباقي غير المفوتر لتلك التشغيلات.
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#
| النموذج | المعاملات | الأفضل لـ |
|---|---|---|
| YOLO26n | 2.4M | الوقت الفعلي، أجهزة الحافة (edge devices) |
| YOLO26s | 9.5M | توازن السرعة/الدقة |
| YOLO26m | 20.4M | دقة أعلى |
| YOLO26l | 24.8M | دقة الإنتاج |
| YOLO26x | 55.7M | أقصى دقة |
تحسين وقت التدريب#
- ابدأ صغيراً: اختبر مع 10-20 حقبة على وحدة GPU اقتصادية للتحقق من أن مجموعة البيانات والتكوين يعملان
- استخدم GPU مناسباً: RTX PRO 6000 يتعامل مع معظم أعباء العمل بشكل جيد
- تحقق من مجموعة البيانات: أصلح مشاكل التوسيم قبل الإنفاق على التدريب
- راقب مبكراً: ألغِ التدريب إذا استقر مستوى الفقد (loss) — فأنت تدفع فقط مقابل وقت الحوسبة المستخدم
استكشاف الأخطاء وإصلاحها#
| المشكلة | الحل |
|---|---|
| التدريب عالق عند 0% | تحقق من تنسيق مجموعة البيانات، أعد المحاولة |
| نفاد الذاكرة | قلل حجم الدفعة أو استخدم GPU أكبر |
| دقة ضعيفة | زيادة عدد الحقب، تحقق من جودة البيانات |
| التدريب بطيء | ضع في اعتبارك استخدام وحدة معالجة رسوميات (GPU) أسرع |
| خطأ عدم تطابق المهام | تأكد من تطابق مهام النموذج ومجموعة البيانات |
مرجع معلمات التدريب#
| المعامل | النوع | الافتراضي | النطاق | الوصف |
|---|---|---|---|---|
epochs | int | 100 | 1-10000 | عدد حقب التدريب |
batch | int | -1 (تلقائي) | -1 إلى 512 | حجم الدفعة (-1 = ملاءمة تلقائية لذاكرة الوصول العشوائي للفيديو المتاحة) |
imgsz | int | 640 | 32-4096 | حجم صورة الإدخال |
pretrained | منطقي (bool) | True | - | البدء من الأوزان المدربة مسبقاً بدلاً من التهيئة العشوائية |
patience | int | 100 | 1-1000 | صبر الإيقاف المبكر |
time | float | null | 0.1-720 | حد وقت التدريب بالساعات، يتجاوز الدورات |
seed | int | 0 | 0-2147483647 | البذرة العشوائية لإمكانية التكرار |
deterministic | منطقي (bool) | True | - | وضع التدريب الحتمي |
amp | منطقي/نص | True | true/false/fp16/bf16/fp32 | دقة التدريب |
compile | منطقي (bool) | False | - | التجميع باستخدام torch.compile (أول دورة أبطأ) |
close_mosaic | int | 10 | 0-50 | تعطيل الفسيفساء (mosaic) في آخر N حقبة |
save_period | int | -1 | -1-100 | حفظ نقطة تحقق كل N حقبة |
device | تحديد | تلقائي | auto/0/cpu/mps | جهاز التدريب |
workers | int | 8 | 0-64 | عامل تحميل البيانات |
cache | تحديد | false | ram/disk/false | تخزين الصور مؤقتاً |
dropout | float | 0.0 | 0.0-1.0 | إسقاط رأس التصنيف (للتصنيف فقط) |
iou | float | 0.7 | 0.1-0.9 | عتبة IoU لـ NMS أثناء التحقق |
max_det | int | 300 | 1-10000 | الحد الأقصى للاكتشافات لكل صورة |
تطبق بعض المعلمات على مهام محددة فقط:
- كل مهمة باستثناء التصنيف والعمق (الكشف، التجزئة، الدلالي، الوضع، obb):
box,dfl,mosaic,mixup,close_mosaic,iou,max_det - كل مهمة باستثناء العمق (المهام ذات الفئات):
cls,label_smoothing,single_cls - كل مهمة باستثناء التصنيف (الكشف، التجزئة، الدلالي، العمق، الوضع، obb):
degrees,translate,shear,perspective - Segment only:
copy_paste - Pose only:
pose(وزن الخسارة)،kobj(موضوعية النقاط الرئيسية) - للتصنيف فقط:
dropout
الأسئلة الشائعة#
يعتمد وقت التدريب على:
- حجم مجموعة البيانات
- حجم النموذج
- عدد العصور (epochs)
- وحدة معالجة الرسوميات (GPU) المختارة
الأوقات النموذجية (1000 صورة، 100 حقبة (epoch)):
النموذج RTX PRO 6000 A100 SXM YOLO26n ~6 دقائق ~5 دقائق YOLO26m ~15 دقيقة ~12 دقيقة YOLO26x ~30 دقيقة ~25 دقيقة الأوقات التقريبيةأوقات التدريب تقريبية وتختلف باختلاف تعقيد مجموعة البيانات، وإعدادات الزيادة (augmentation)، وحجم الدفعة (batch size). استخدم تقدير التكلفة في مربع حوار التدريب للحصول على تنبؤات أكثر دقة.
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.
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.
الرصيد السالبيمنع الرصيد الصفري أو السلبي وظائف التدريب السحابي المدفوعة الجديدة. يؤدي الرصيد المقاس السلبي أيضاً إلى إيقاف تشغيل عمليات التدريب السحابي المدفوعة النشطة.
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
- قم بتفعيل auto top-up لتجديد الأرصدة تلقائياً
- ابدأ بتشغيلات أقصر (عدد حقب أقل) لمعايرة التوقعات
نعم، قم بتوسيع قسم Advanced Settings في مربع حوار التدريب للوصول إلى محرر YAML مع أكثر من 50 معلمة قابلة للتكوين. يتم تضمين القيم غير الافتراضية في أوامر التدريب السحابية والمحلية.
يدعم محرر YAML أيضاً استيراد الإعدادات من عمليات تدريب سابقة:
- Copy from existing model: في صفحة أي نموذج مكتمل، تحتوي بطاقة Training Configuration على قائمة Export data مع خيار Copy JSON. الصق ملف JSON مباشرة في محرر YAML - فهو يكتشف تنسيق JSON تلقائياً ويستورد جميع المعلمات. تقوم نفس القائمة بتنزيل التكوين بتنسيق CSV أو JSON.
- 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.
- Drag and drop files: اسحب ملف
.yamlأو.jsonمباشرة إلى المحرر لاستيراد معاملاته.
هذا يسهل إعادة إنتاج أو التكرار على تكوينات التدريب السابقة دون إعادة إدخال كل معلمة يدوياً.نعم. يعرض النموذج الفاشل لافتة خطأ مع إجراء Retry الذي يعيد فتح مربع حوار التدريب مع نفس النموذج الأساسي، ومجموعة البيانات، والمعلمات، حتى تتمكن من ضبط قيمة واحدة والبدء مرة أخرى. تعيد إعادة المحاولة استخدام نفس صفحة النموذج: يتم مسح مخططات التشغيل السابق، ومخرجات وحدة التحكم، ومقاييس النظام، والخطأ بمجرد إنشاء الوظيفة الجديدة، ويتم استبدال أوزانها عندما ينتج التشغيل الجديد نقطة تحقق أفضل.
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.