استكشاف الأخطاء وإصلاحها لمشكلات YOLO الشائعة

مقدمة

يعد هذا الدليل بمثابة مساعدة شاملة لاستكشاف الأخطاء وإصلاحها للمشكلات الشائعة التي تتم مواجهتها أثناء العمل مع YOLO11 في مشاريع Ultralytics الخاصة بك. يمكن أن يكون التنقل عبر هذه المشكلات أمرًا سهلاً مع التوجيه الصحيح، مما يضمن بقاء مشاريعك على المسار الصحيح دون تأخيرات غير ضرورية.

شاهد: Ultralytics YOLO11 المشكلات الشائعة | أخطاء التثبيت، مشكلات تدريب النموذج

مشكلات شائعة

أخطاء التثبيت

يمكن أن تنشأ أخطاء التثبيت لأسباب مختلفة، مثل الإصدارات غير المتوافقة أو التبعيات المفقودة أو إعدادات البيئة غير الصحيحة. تحقق أولاً للتأكد من أنك تفعل ما يلي:

• أنت تستخدم Python 3.8 أو إصدار أحدث كما هو مُوصى به.
• تأكد من تثبيت الإصدار الصحيح من PyTorch (1.8 أو أحدث).
• ضع في اعتبارك استخدام بيئات افتراضية لتجنب التعارضات.
• اتبع دليل التثبيت الرسمي خطوة بخطوة.

بالإضافة إلى ذلك، إليك بعض مشكلات التثبيت الشائعة التي واجهها المستخدمون، بالإضافة إلى حلولها:

• أخطاء الاستيراد أو مشكلات التبعية - إذا كنت تتلقى أخطاءً أثناء استيراد YOLO11، أو كانت لديك مشكلات متعلقة بالتبعيات، ففكر في خطوات استكشاف الأخطاء وإصلاحها التالية:

  • تثبيت جديد: في بعض الأحيان، يمكن أن يؤدي البدء بتثبيت جديد إلى حل المشكلات غير المتوقعة. خاصة مع مكتبات مثل Ultralytics، حيث قد تُدخل التحديثات تغييرات على هيكل شجرة الملفات أو الوظائف.

  • تحديث بانتظام: تأكد من أنك تستخدم أحدث إصدار من المكتبة. قد لا تكون الإصدارات القديمة متوافقة مع التحديثات الأخيرة، مما يؤدي إلى تعارضات أو مشكلات محتملة.

  • التحقق من التبعيات: تحقق من أن جميع التبعيات المطلوبة مثبتة بشكل صحيح وأنها من الإصدارات المتوافقة.

  • مراجعة التغييرات: إذا قمت في البداية باستنساخ أو تثبيت إصدار أقدم، فاعلم أن التحديثات الهامة قد تؤثر في بنية المكتبة أو وظائفها. ارجع دائمًا إلى الوثائق الرسمية أو سجلات التغيير لفهم أي تغييرات كبيرة.

  • تذكر أن الحفاظ على تحديث المكتبات والتبعيات الخاصة بك أمر بالغ الأهمية للحصول على تجربة سلسة وخالية من الأخطاء.

• تشغيل YOLO11 على GPU - إذا كنت تواجه مشكلة في تشغيل YOLO11 على GPU، ففكر في خطوات استكشاف الأخطاء وإصلاحها التالية:

  • تحقق من توافق CUDA وتثبيته: تأكد من أن وحدة معالجة الرسومات (GPU) الخاصة بك متوافقة مع CUDA وأن CUDA مثبت بشكل صحيح. استخدم ال nvidia-smi أمر للتحقق من حالة NVIDIA GPU وإصدار CUDA الخاص بك.

  • تحقق من تكامل PyTorch و CUDA: تأكد من أن PyTorch يمكنه استخدام CUDA عن طريق التشغيل import torch; print(torch.cuda.is_available()) في طرفية Python. إذا أرجعت 'True'، فسيتم إعداد PyTorch لاستخدام CUDA.

  • تفعيل البيئة: تأكد من أنك في البيئة الصحيحة حيث يتم تثبيت جميع الحزم الضرورية.

  • تحديث الحزم الخاصة بك: قد لا تكون الحزم القديمة متوافقة مع وحدة معالجة الرسومات GPU الخاصة بك. حافظ على تحديثها.

  • تكوين البرنامج: تحقق مما إذا كان البرنامج أو التعليمات البرمجية تحدد استخدام وحدة معالجة الرسومات (GPU). في YOLO11، قد يكون هذا في الإعدادات أو التكوين.

مشاكل تدريب النموذج

سيعالج هذا القسم المشكلات الشائعة التي تواجهها أثناء التدريب وشروحاتها وحلولها.

التحقق من إعدادات التكوين

إشكالية: أنت غير متأكد ما إذا كانت إعدادات التهيئة في .yaml يتم تطبيقها بشكل صحيح أثناء تدريب النموذج.

الحل: إعدادات التهيئة في .yaml يجب تطبيقه عند استخدام model.train() الدالة. للتأكد من تطبيق هذه الإعدادات بشكل صحيح، اتبع الخطوات التالية:

• تأكد من أن المسار إلى .yaml ملف الإعداد صحيح.

• تأكد من تمرير المسار إلى .yaml باعتباره data وسيطة عند استدعاء model.train()، كما هو موضح أدناه:

  model.train(data="/path/to/your/data.yaml", batch=4)
  

تسريع التدريب باستخدام وحدات معالجة الرسوميات المتعددة (GPUs)

مشكلة: التدريب بطيء على وحدة معالجة رسوميات (GPU) واحدة، وتريد تسريع العملية باستخدام وحدات معالجة رسوميات (GPUs) متعددة.

الحل: يمكن أن يؤدي زيادة حجم الدفعة إلى تسريع التدريب، ولكن من الضروري مراعاة سعة ذاكرة وحدة معالجة الرسومات (GPU). لتسريع التدريب باستخدام وحدات معالجة رسومات متعددة، اتبع الخطوات التالية:

• تأكد من توفر وحدات معالجة الرسوميات (GPU) متعددة لديك.
• عدِّل ملف تكوين .yaml لتحديد عدد وحدات معالجة الرسومات (GPU) المراد استخدامها، على سبيل المثال، gpus: 4.
• قم بزيادة حجم الدفعة وفقًا لذلك للاستفادة الكاملة من وحدات معالجة الرسومات المتعددة دون تجاوز حدود الذاكرة.

• عدِّل أمر التدريب الخاص بك لاستخدام وحدات معالجة الرسومات (GPU) المتعددة:

  # Adjust the batch size and other settings as needed to optimize training speed
  model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)
  

معلمات المراقبة المستمرة

مشكلة: تريد معرفة المعلمات التي يجب مراقبتها باستمرار أثناء التدريب، بصرف النظر عن الخسارة.

الحل: في حين أن الخسارة هي مقياس حاسم للمراقبة، فمن الضروري أيضًا تتبع المقاييس الأخرى لتحسين أداء النموذج. تتضمن بعض المقاييس الرئيسية التي يجب مراقبتها أثناء التدريب ما يلي:

• الدقة
• الاسترجاع
• متوسط الدقة المتوسطة (mAP)

يمكنك الوصول إلى هذه المقاييس من سجلات التدريب أو باستخدام أدوات مثل TensorBoard أو wandb للتصور. يمكن أن يساعدك تطبيق الإيقاف المبكر بناءً على هذه المقاييس في تحقيق نتائج أفضل.

أدوات لتتبع تقدم التدريب

مشكلة: أنت تبحث عن توصيات بشأن أدوات لتتبع تقدم التدريب.

الحل: لتتبع وتصور تقدم التدريب، يمكنك التفكير في استخدام الأدوات التالية:

• TensorBoard: TensorBoard هو خيار شائع لتصور مقاييس التدريب، بما في ذلك الخسارة و الدقة والمزيد. يمكنك دمجه مع عملية تدريب YOLO11 الخاصة بك.
• Comet: يوفر Comet مجموعة أدوات شاملة لتتبع التجارب ومقارنتها. يتيح لك تتبع المقاييس والمعلمات الفائقة وحتى أوزان النموذج. يعد التكامل مع نماذج YOLO أيضًا أمرًا مباشرًا، مما يوفر لك نظرة عامة كاملة على دورة تجربتك.
• Ultralytics HUB: يوفر Ultralytics HUB بيئة متخصصة لتتبع نماذج YOLO، مما يمنحك منصة شاملة لإدارة المقاييس ومجموعات البيانات وحتى التعاون مع فريقك. نظرًا لتركيزه المخصص على YOLO، فإنه يوفر خيارات تتبع أكثر تخصيصًا.

تقدم كل أداة من هذه الأدوات مجموعة المزايا الخاصة بها، لذلك قد ترغب في التفكير في الاحتياجات المحددة لمشروعك عند اتخاذ قرار.

كيفية التحقق مما إذا كان التدريب يحدث على وحدة معالجة الرسوميات GPU

مشكلة: قيمة 'الجهاز' في سجلات التدريب هي 'null'، وأنت غير متأكد مما إذا كان التدريب يحدث على وحدة معالجة الرسوميات (GPU).

الحل: تعني قيمة 'الجهاز' التي تكون 'فارغة' (null) عادةً أن عملية التدريب مُعدة لاستخدام وحدة معالجة الرسومات (GPU) المتاحة تلقائيًا، وهو السلوك الافتراضي. لضمان إجراء التدريب على وحدة معالجة رسومات معينة، يمكنك تعيين قيمة 'الجهاز' يدويًا إلى فهرس وحدة معالجة الرسومات (على سبيل المثال، '0' لوحدة معالجة الرسومات الأولى) في ملف تكوين .yaml الخاص بك:

device: 0

سيؤدي هذا إلى تعيين عملية التدريب بشكل صريح إلى وحدة معالجة الرسوميات المحددة. إذا كنت ترغب في التدريب على وحدة المعالجة المركزية CPU، فقم بتعيين 'device' على 'cpu'.

راقب مجلد 'runs' بحثًا عن السجلات والمقاييس لمراقبة تقدم التدريب بفعالية.

اعتبارات أساسية لتدريب النموذج الفعال

فيما يلي بعض الأمور التي يجب وضعها في الاعتبار إذا كنت تواجه مشكلات تتعلق بتدريب النموذج.

تنسيق مجموعة البيانات والتسميات

• الأهمية: يكمن أساس أي نموذج للتعلم الآلي في جودة وتنسيق البيانات التي يتم تدريبه عليها.
• توصية: تأكد من أن مجموعة البيانات المخصصة والملصقات المرتبطة بها تلتزم بالتنسيق المتوقع. من الضروري التحقق من أن التعليقات التوضيحية دقيقة وعالية الجودة. يمكن أن تؤدي التعليقات التوضيحية غير الصحيحة أو المتدنية إلى تعطيل عملية تعلم النموذج، مما يؤدي إلى نتائج غير متوقعة.

تقارب النموذج

• الأهمية: تحقيق تقارب النموذج يضمن أن النموذج قد تعلم بشكل كافٍ من بيانات التدريب.
• توصية: عند تدريب نموذج 'من البداية'، من الضروري التأكد من أن النموذج يصل إلى مستوى مرضٍ من التقارب. قد يستلزم ذلك مدة تدريب أطول، مع المزيد من الحقب، مقارنةً بما يحدث عند الضبط الدقيق لنموذج موجود.

معدل التعلم وحجم الدفعة

• الأهمية: تلعب هذه المعلمات الفائقة دورًا محوريًا في تحديد كيفية تحديث النموذج لأوزانه أثناء التدريب.
• توصية: قم بتقييم بانتظام ما إذا كان معدل التعلم وحجم الدُفعة المختاران مثاليين لمجموعة البيانات المحددة الخاصة بك. يمكن أن تعيق المعلمات التي لا تتناسب مع خصائص مجموعة البيانات أداء النموذج.

توزيع الفئات

• الأهمية: يمكن أن يؤثر توزيع الفئات في مجموعة البيانات الخاصة بك على ميول تنبؤ النموذج.
• توصية: قم بتقييم توزيع الفئات بانتظام داخل مجموعة البيانات الخاصة بك. إذا كان هناك عدم توازن في الفئات، فهناك خطر من أن يطور النموذج تحيزًا تجاه الفئة الأكثر انتشارًا. يمكن أن يكون هذا التحيز واضحًا في مصفوفة الارتباك، حيث قد يتنبأ النموذج في الغالب بالفئة الأغلبية.

التحقق المرجعي باستخدام الأوزان المدربة مسبقًا

• الأهمية: يمكن أن يوفر الاستفادة من الأوزان المدربة مسبقًا نقطة انطلاق قوية لتدريب النموذج، خاصة عندما تكون البيانات محدودة.
• توصية: كخطوة تشخيصية، ضع في اعتبارك تدريب النموذج الخاص بك باستخدام نفس البيانات ولكن تهيئته بأوزان مُدرَّبة مسبقًا. إذا كان هذا النهج ينتج عنه مصفوفة ارتباك جيدة التكوين، فقد يشير ذلك إلى أن النموذج 'من البداية' قد يتطلب مزيدًا من التدريب أو التعديلات.

المشاكل المتعلقة بتوقعات النموذج

سيعالج هذا القسم المشكلات الشائعة التي تواجهها أثناء توقع النموذج.

الحصول على تنبؤات المربع المحيط بنموذج YOLO11 المخصص الخاص بك

مشكلة: عند تشغيل التنبؤات باستخدام نموذج YOLO11 مخصص، هناك تحديات في تنسيق وإظهار إحداثيات المربع المحيط.

الحل:

• تنسيق الإحداثيات: يوفر YOLO11 إحداثيات المربع المحيط بقيم البكسل المطلقة. لتحويل هذه إلى إحداثيات نسبية (تتراوح من 0 إلى 1)، تحتاج إلى القسمة على أبعاد الصورة. على سبيل المثال، لنفترض أن حجم صورتك هو 640 × 640. ثم يمكنك القيام بما يلي:

  # Convert absolute coordinates to relative coordinates
  x1 = x1 / 640  # Divide x-coordinates by image width
  x2 = x2 / 640
  y1 = y1 / 640  # Divide y-coordinates by image height
  y2 = y2 / 640
  

• اسم الملف: للحصول على اسم ملف الصورة التي تتوقعها، قم بالوصول إلى مسار ملف الصورة مباشرة من كائن النتيجة داخل حلقة التوقع الخاصة بك.

تصفية الكائنات في تنبؤات YOLO11

مشكلة: مواجهة مشكلات في كيفية تصفية وعرض كائنات معينة فقط في نتائج التنبؤ عند تشغيل YOLO11 باستخدام مكتبة Ultralytics.

الحل: لاكتشاف فئات معينة، استخدم وسيطة الفئات لتحديد الفئات التي تريد تضمينها في الإخراج. على سبيل المثال، لاكتشاف السيارات فقط (بافتراض أن 'السيارات' لها فهرس الفئة 2):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

فهم مقاييس الإحكام في YOLO11

مشكلة: ارتباك بشأن الفرق بين دقة المربع، ودقة القناع، ودقة مصفوفة الالتباس في YOLO11.

الحل: يقيس دقة الصندوق مدى دقة الصناديق المحيطة المتوقعة مقارنةً بالصناديق الحقيقية باستخدام IoU (التقاطع على الاتحاد) كمقياس. بينما تقيّم دقة القناع مدى التوافق بين أقنعة التجزئة المتوقعة والأقنعة الحقيقية في تصنيف الكائنات على مستوى البكسل. من ناحية أخرى، تركز دقة مصفوفة الالتباس على دقة التصنيف الإجمالية عبر جميع الفئات ولا تأخذ في الاعتبار الدقة الهندسية للتوقعات. من المهم ملاحظة أن الصندوق المحيط يمكن أن يكون دقيقًا هندسيًا (إيجابيًا حقيقيًا) حتى لو كان توقع الفئة خاطئًا، مما يؤدي إلى اختلافات بين دقة الصندوق ودقة مصفوفة الالتباس. تقيّم هذه المقاييس جوانب متميزة من أداء النموذج، مما يعكس الحاجة إلى مقاييس تقييم مختلفة في المهام المتنوعة.

استخراج أبعاد الكائن في YOLO11

مشكلة: صعوبة في استرجاع طول وارتفاع الكائنات المكتشفة في YOLO11، خاصةً عند اكتشاف كائنات متعددة في صورة.

الحل: لاسترداد أبعاد الصندوق المحيط، استخدم أولاً نموذج Ultralytics YOLO11 للتنبؤ بالكائنات في الصورة. ثم استخرج معلومات العرض والارتفاع للصناديق المحيطة من نتائج التنبؤ.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

تحديات النشر

مشكلات نشر وحدة معالجة الرسوميات GPU

مشكلة: قد يؤدي نشر النماذج في بيئة متعددة وحدات معالجة الرسوميات (GPU) أحيانًا إلى سلوكيات غير متوقعة مثل استخدام الذاكرة بشكل غير متوقع، ونتائج غير متناسقة عبر وحدات معالجة الرسوميات (GPUs)، وما إلى ذلك.

الحل: تحقق من تهيئة GPU الافتراضية. قد تقوم بعض الأطر، مثل PyTorch، بتهيئة عمليات CUDA على وحدة معالجة الرسومات الافتراضية قبل الانتقال إلى وحدات معالجة الرسومات المخصصة. لتجاوز عمليات التهيئة الافتراضية غير المتوقعة، حدد GPU مباشرةً أثناء النشر والتنبؤ. بعد ذلك، استخدم الأدوات لمراقبة استخدام GPU واستخدام الذاكرة لتحديد أي حالات شاذة في الوقت الفعلي. أيضًا، تأكد من أنك تستخدم أحدث إصدار من الإطار أو المكتبة.

مشكلات تحويل/تصدير النموذج

مشكلة: أثناء عملية تحويل أو تصدير نماذج تعلم الآلة إلى تنسيقات أو منصات مختلفة، قد يواجه المستخدمون أخطاءً أو سلوكيات غير متوقعة.

الحل:

• التحقق من التوافق: تأكد من أنك تستخدم إصدارات من المكتبات والأطر متوافقة مع بعضها البعض. يمكن أن تؤدي الإصدارات غير المتطابقة إلى أخطاء غير متوقعة أثناء التحويل.
• إعادة تعيين البيئة: إذا كنت تستخدم بيئة تفاعلية مثل Jupyter أو Colab، ففكر في إعادة تشغيل بيئتك بعد إجراء تغييرات أو عمليات تثبيت كبيرة. يمكن أن تؤدي البداية الجديدة في بعض الأحيان إلى حل المشكلات الأساسية.
• الوثائق الرسمية: ارجع دائمًا إلى الوثائق الرسمية للأداة أو المكتبة التي تستخدمها للتحويل. غالبًا ما تحتوي على إرشادات محددة وأفضل الممارسات لتصدير النماذج.
• دعم المجتمع: تحقق من المستودع الرسمي للمكتبة أو الإطار بحثًا عن مشكلات مماثلة أبلغ عنها مستخدمون آخرون. ربما يكون القائمون على الصيانة أو المجتمع قد قدموا حلولاً أو حلولاً بديلة في سلاسل المناقشة.
• التحديث بانتظام: تأكد من أنك تستخدم أحدث إصدار من الأداة أو المكتبة. غالبًا ما يصدر المطورون تحديثات تعمل على إصلاح الأخطاء المعروفة أو تحسين الوظائف.
• الاختبار بشكل تدريجي: قبل إجراء تحويل كامل، اختبر العملية بنموذج أو مجموعة بيانات أصغر لتحديد المشكلات المحتملة في وقت مبكر.

المجتمع والدعم

يمكن أن يؤدي التفاعل مع مجتمع من الأفراد ذوي التفكير المماثل إلى تحسين تجربتك ونجاحك بشكل كبير في العمل مع YOLO11. فيما يلي بعض القنوات والموارد التي قد تجدها مفيدة.

المنتديات والقنوات للحصول على المساعدة

مشكلات GitHub: يحتوي مستودع YOLO11 على GitHub على علامة تبويب "المشكلات" حيث يمكنك طرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. المجتمع والقائمون على الصيانة نشطون هنا، وهو مكان رائع للحصول على مساعدة في حل المشكلات المحددة.

خادم Ultralytics Discord: لدى Ultralytics خادم Discord حيث يمكنك التفاعل مع المستخدمين الآخرين والمطورين.

الوثائق والمصادر الرسمية

وثائق Ultralytics YOLO11: توفر الوثائق الرسمية نظرة عامة شاملة على YOLO11، بالإضافة إلى أدلة حول التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

يجب أن توفر هذه الموارد أساسًا متينًا لاستكشاف الأخطاء وإصلاحها وتحسين مشاريع YOLO11 الخاصة بك، بالإضافة إلى التواصل مع الآخرين في مجتمع YOLO11.

الخلاصة

يعد استكشاف الأخطاء وإصلاحها جزءًا لا يتجزأ من أي عملية تطوير، ويمكن أن يؤدي التزود بالمعرفة الصحيحة إلى تقليل الوقت والجهد المبذولين في حل المشكلات بشكل كبير. يهدف هذا الدليل إلى معالجة التحديات الأكثر شيوعًا التي يواجهها مستخدمو نموذج YOLO11 داخل نظام Ultralytics البيئي. من خلال فهم ومعالجة هذه المشكلات الشائعة، يمكنك ضمان تقدم أكثر سلاسة للمشروع وتحقيق نتائج أفضل في مهام الرؤية الحاسوبية الخاصة بك.

تذكر أن مجتمع Ultralytics يمثل موردًا قيمًا. يمكن أن يوفر التواصل مع زملائك المطورين والخبراء رؤى وحلولًا إضافية قد لا يتم تناولها في الوثائق القياسية. استمر دائمًا في التعلم والتجربة ومشاركة خبراتك للمساهمة في المعرفة الجماعية للمجتمع.

استكشاف الأخطاء وإصلاحها سعيدًا!

الأسئلة الشائعة

كيف يمكنني حل أخطاء التثبيت في YOLO11؟

غالبًا ما تكون أخطاء التثبيت ناتجة عن مشكلات التوافق أو التبعيات المفقودة. تأكد من استخدام Python 3.8 أو إصدار أحدث وأن يكون لديك PyTorch 1.8 أو إصدار أحدث مثبتًا. من المفيد استخدام البيئات الافتراضية لتجنب التعارضات. للحصول على دليل تثبيت خطوة بخطوة، اتبع دليل التثبيت الرسمي الخاص بنا. إذا واجهت أخطاء في الاستيراد، فحاول إجراء تثبيت جديد أو تحديث المكتبة إلى أحدث إصدار.

لماذا يتدرب نموذج YOLO11 الخاص بي ببطء على وحدة معالجة الرسوميات GPU واحدة؟

قد يكون التدريب على وحدة معالجة رسومات واحدة (GPU) بطيئًا بسبب أحجام الدُفعات الكبيرة أو الذاكرة غير الكافية. لتسريع التدريب، استخدم وحدات معالجة رسومات متعددة. تأكد من أن نظامك يحتوي على وحدات معالجة رسومات متعددة متاحة واضبط .yaml ملف الإعداد لتحديد عدد وحدات معالجة الرسوميات (GPU)، على سبيل المثال: gpus: 4. قم بزيادة حجم الدفعة وفقًا لذلك للاستفادة الكاملة من وحدات معالجة الرسوميات (GPUs) دون تجاوز حدود الذاكرة. مثال على الأمر:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

كيف يمكنني التأكد من أن نموذج YOLO11 الخاص بي يتدرب على وحدة معالجة الرسوميات (GPU)؟

إذا كانت قيمة 'device' تعرض 'null' في سجلات التدريب، فهذا يعني عمومًا أن عملية التدريب مُعدة لاستخدام وحدة معالجة الرسوميات GPU المتاحة تلقائيًا. لتعيين وحدة معالجة رسوميات GPU معينة بشكل صريح، قم بتعيين قيمة 'device' في .yaml ملف الإعداد. على سبيل المثال:

device: 0

يؤدي هذا إلى ضبط عملية التدريب على وحدة معالجة الرسومات الأولى. راجع nvidia-smi أمر لتأكيد إعداد CUDA الخاص بك.

كيف يمكنني مراقبة وتتبع تقدم تدريب نموذج YOLO11 الخاص بي؟

يمكن إدارة تتبع وتصوير التقدم في التدريب بكفاءة من خلال أدوات مثل TensorBoard و Comet و Ultralytics HUB. تتيح لك هذه الأدوات تسجيل وتصوير المقاييس مثل الخسارة و الدقة و الاسترجاع و mAP. يمكن أن يساعد تطبيق الإيقاف المبكر بناءً على هذه المقاييس أيضًا في تحقيق نتائج تدريب أفضل.

ماذا يجب أن أفعل إذا كان YOLO11 لا يتعرف على تنسيق مجموعة البيانات الخاصة بي؟

تأكد من أن مجموعة البيانات والتسميات تتوافق مع التنسيق المتوقع. تحقق من دقة وجودة التعليقات التوضيحية. إذا واجهت أي مشكلات، فراجع دليل جمع البيانات والتعليقات التوضيحية للحصول على أفضل الممارسات. للحصول على إرشادات خاصة بمجموعة البيانات، تحقق من قسم مجموعات البيانات في الوثائق.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 23 يومًا

تعليقات