التدريب السحابي
يوفر تدريب Ultralytics Cloud تدريبًا بنقرة واحدة على وحدات معالجة الرسومات السحابية (GPU)، مما يجعل تدريب النماذج متاحًا دون الحاجة إلى إعدادات معقدة. قم بتدريب YOLO باستخدام تدفق المقاييس في الوقت الفعلي وحفظ نقاط الفحص التلقائي.
شاهد: تدريب على السحابة باستخدام Ultralytics
قطار من UI
ابدأ التدريب على السحابة مباشرة من المنصة:
- انتقل إلى مشروعك
- انقر على نموذج القطار
- تكوين معلمات التدريب
- انقر فوق " بدء التدريب"
الخطوة 1: حدد مجموعة البيانات
اختر مجموعة بيانات من ملفاتك التي تم تحميلها:
| خيار | الوصف |
|---|---|
| مجموعات البيانات الخاصة بك | مجموعات البيانات التي قمت بتحميلها |
| مجموعات البيانات العامة | مجموعات البيانات المشتركة من Explore |
الخطوة 2: تكوين النموذج
اختر النموذج الأساسي والمعلمات:
| المعلمة | الوصف | افتراضي |
|---|---|---|
| النموذج | البنية الأساسية (YOLO11n، s، m، l، x) | YOLO11n |
| العصور | عدد مرات تكرار التدريب | 100 |
| حجم الصورة | دقة الإدخال | 640 |
| حجم الدفعة | العينات لكل تكرار | السيارات |
الخطوة 3: حدد GPU
اختر موارد الحوسبة الخاصة بك:
| GPU | ذاكرة الفيديو | السرعة | التكلفة/الساعة |
|---|---|---|---|
| RTX 6000 Pro | 96 جيجابايت | سريع جدًا | مجاني |
| M4 Pro (ماك) | 64 جيجابايت | سريع | مجاني |
| RTX 3090 | 24 جيجابايت | جيد | $0.44 |
| RTX 4090 | 24 جيجابايت | سريع | $0.74 |
| L40S | 48 جيجابايت | سريع | $1.14 |
| A100 40 جيجابايت | 40 جيجابايت | سريع جدًا | $1.29 |
| A100 80 جيجابايت | 80 جيجابايت | سريع جدًا | $1.99 |
| H100 80 جيجابايت | 80 جيجابايت | أسرع | $3.99 |
GPU
- RTX 6000 Pro (مجاني): ممتاز لمعظم مهام التدريب على Ultralytics
- M4 Pro (مجاني): خيار Apple Silicon لأحمال العمل المتوافقة
- RTX 4090: أفضل قيمة للتدريب المدفوع على السحابة
- A100 80 جيجابايت: مطلوب لحجم الدُفعات الكبيرة أو النماذج الكبيرة
- H100: أداء فائق للتدريبات التي تتطلب سرعة في الاستجابة
مستوى التدريب المجاني
تتوفر وحدات معالجة الرسومات RTX 6000 Pro Ada (96 جيجابايت VRAM) و M4 Pro مجانًا، وتعمل على Ultralytics . وهي مثالية للبدء في العمل ومهام التدريب المنتظمة.
الخطوة 4: بدء التدريب
انقر على " بدء التدريب " لبدء عملك. المنصة:
- توفير GPU
- تنزيل مجموعة البيانات الخاصة بك
- يبدأ التدريب
- مقاييس التدفقات في الوقت الفعلي
رصيد مجاني
تحصل الحسابات الجديدة على رصيد بقيمة 5 دولارات - وهو ما يكفي لإجراء عدة تدريبات على RTX 4090. تحقق من رصيدك في الإعدادات > الفواتير.
تدريب المراقبين
عرض تقدم التدريب في الوقت الفعلي:
مقاييس حية
| مقياس (Metric) | الوصف |
|---|---|
| الخسارة | خسارة التدريب والتحقق |
| mAP | متوسط الدقة المتوسطة |
| الدقة | التنبؤات الإيجابية الصحيحة |
| الاسترجاع | الحقائق المكتشفة على أرض الواقع |
| GPU | نسبة GPU |
| الذاكرة | استخدام GPU |
نقاط التفتيش
يتم حفظ نقاط التفتيش تلقائيًا:
- كل حقبة: أحدث الأوزان المحفوظة
- أفضل نموذج: أعلى mAP محفوظة
- النموذج النهائي: الأوزان عند الانتهاء من التدريب
إيقاف واستئناف
توقف عن التدريب
انقر فوق " إيقاف التدريب " لإيقاف عملك مؤقتًا:
- يتم حفظ نقطة الفحص الحالية
- تم تحرير GPU
- توقف احتساب الائتمانات
استئناف التدريب
تابع من آخر نقطة تحقق:
- انتقل إلى النموذج
- انقر فوق " استئناف التدريب"
- تأكيد الاستمرار
قيود السيرة الذاتية
لا يمكنك استئناف سوى التدريب الذي تم إيقافه بشكل صريح. قد يتعين إعادة تشغيل مهام التدريب الفاشلة من البداية.
التدريب عن بعد
تدرب على أجهزتك الخاصة أثناء بث المقاييس إلى المنصة.
متطلبات إصدار الحزمة
يتطلب تكامل 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
- إنشاء مفتاح جديد بنطاق تدريب
- قم بتعيين متغير البيئة:
export ULTRALYTICS_API_KEY="your_api_key"
تدرب مع البث المباشر
استخدم project و name معلمات لتدفق المقاييس:
yolo train model=yolo11n.pt data=coco.yaml epochs=100 \
project=username/my-project name=experiment-1
from ultralytics import YOLO
model = YOLO("yolo11n.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=yolo11n.pt data=ul://username/datasets/my-dataset epochs=100
في ul:// يقوم تنسيق URI بتنزيل مجموعة البيانات الخاصة بك وتكوينها تلقائيًا.
الفواتير
تستند تكاليف التدريب إلى GPU :
حساب التكلفة
Total Cost = GPU Rate × Training Time (hours)
| مثال | GPU | الوقت | التكلفة |
|---|---|---|---|
| وظيفة صغيرة | RTX 4090 | ساعة واحدة | $0.74 |
| وظيفة متوسطة | A100 40 جيجابايت | 4 ساعات | $5.16 |
| مهمة كبيرة | H100 | 8 ساعات | $31.92 |
طرق الدفع
| الطريقة | الوصف |
|---|---|
| رصيد الحساب | رصيد مسبق التحميل |
| الدفع لكل مهمة | الرسوم عند الانتهاء من العمل |
الحد الأدنى للرصيد
يلزم وجود رصيد لا يقل عن 5.00 دولارات لبدء التدريب القائم على العصر.
عرض تكاليف التدريب
بعد التدريب، اطلع على التكاليف التفصيلية في علامة التبويب " الفواتير ":
- تفصيل التكلفة لكل حقبة
- إجمالي GPU
- تنزيل تقرير التكلفة
نصائح للتدريب
اختر الحجم المناسب للنموذج
| النموذج | المعلمات | الأفضل لـ |
|---|---|---|
| YOLO11n | 2.6M | أجهزة حديثة تعمل في الوقت الفعلي |
| YOLO11s | 9.4M | سرعة/دقة متوازنة |
| YOLO11m | 20.1M | دقة أعلى |
| YOLO11l | 25.3M | دقة الإنتاج |
| YOLO11x | 56.9M | أقصى دقة |
تحسين وقت التدريب
- ابدأ صغيرًا: اختبر أولاً بعدد أقل من العصور
- استخدم GPU المناسبة: قم بمطابقة GPU حجم النموذج/الدفعة
- التحقق من صحة مجموعة البيانات: ضمان الجودة قبل التدريب
- المراقبة المبكرة: التوقف إذا استقرت المقاييس
استكشاف الأخطاء وإصلاحها
| إشكالية | الحل |
|---|---|
| التدريب عالق عند 0٪ | تحقق من تنسيق مجموعة البيانات، وأعد المحاولة |
| نفاد الذاكرة | تقليل حجم الدفعة أو استخدام GPU أكبر |
| دقة ضعيفة | زيادة العصور، والتحقق من جودة البيانات |
| تدريب بطيء | فكر في استخدام GPU أسرع |
الأسئلة الشائعة
كم من الوقت يستغرق التدريب؟
يعتمد وقت التدريب على:
- حجم مجموعة البيانات
- حجم النموذج
- عدد العصور
- GPU
الأوقات النموذجية (1000 صورة، 100 حقبة):
| النموذج | RTX 4090 | A100 |
|---|---|---|
| YOLO11n | 30 دقيقة | 20 دقيقة |
| YOLO11m | 60 دقيقة | 40 دقيقة |
| YOLO11x | 120 دقيقة | 80 دقيقة |
هل يمكنني التدريب ليلاً؟
نعم، يستمر التدريب حتى الانتهاء. ستتلقى إشعارًا عند انتهاء التدريب. تأكد من أن حسابك يحتوي على رصيد كافٍ للتدريب القائم على العصور.
ماذا يحدث إذا نفدت رصيدتي؟
يتوقف التدريب في نهاية الفترة الحالية. يتم حفظ نقطة التحقق الخاصة بك، ويمكنك الاستئناف بعد إضافة رصيد.
هل يمكنني استخدام حجج تدريب مخصصة؟
نعم، يمكن للمستخدمين المتقدمين تحديد حجج إضافية في تكوين التدريب.
مرجع معلمات التدريب
المعلمات الأساسية
| المعلمة | النوع | افتراضي | النطاق | الوصف |
|---|---|---|---|---|
epochs | int | 100 | 1+ | عدد فترات التدريب |
batch | int | 16 | -1 = تلقائي | حجم الدفعة (-1 للتلقائي) |
imgsz | int | 640 | 32+ | حجم الصورة المدخلة |
patience | int | 100 | 0+ | الصبر على التوقف المبكر |
workers | int | 8 | 0+ | عمال تحميل البيانات |
cache | بول | كاذب | - | 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 LR النهائي |
momentum | عائم | 0.937 | 0.0-1.0 | SGD |
weight_decay | عائم | 0.0005 | 0.0-1.0 | تنظيم L2 |
warmup_epochs | عائم | 3.0 | 0+ | حقبة التسخين |
cos_lr | بول | كاذب | - | مجدول Cosine LR |
معلمات التكبير
| المعلمة | النوع | افتراضي | النطاق | الوصف |
|---|---|---|---|---|
hsv_h | عائم | 0.015 | 0.0-1.0 | زيادة درجة لون 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 | جزء الترجمة |
scale | عائم | 0.5 | 0.0-1.0 | معامل القياس |
fliplr | عائم | 0.5 | 0.0-1.0 | مسبار قلب أفقي |
flipud | عائم | 0.0 | 0.0-1.0 | مسبار انقلاب عمودي |
mosaic | عائم | 1.0 | 0.0-1.0 | تكبير الفسيفساء |
mixup | عائم | 0.0 | 0.0-1.0 | زيادة الخلط |
copy_paste | عائم | 0.0 | 0.0-1.0 | نسخ ولصق (segment) |
اختيار المحسن
| القيمة | الوصف |
|---|---|
auto | الاختيار التلقائي (الافتراضي) |
SGD | الانحدار العشوائي |
Adam | محسن Adam |
AdamW | Adam تضاؤل الوزن |
المعلمات الخاصة بالمهام
بعض المعلمات تنطبق فقط على مهام محددة:
- تجزئة:
overlap_mask,mask_ratio,copy_paste - الوضع:
pose(فقدان الوزن)،kobj(الطابع الموضوعي للنقطة الرئيسية) - تصنيف:
dropout,erasing,auto_augment
