تدريب النماذج باستخدام Ultralytics YOLO

مقدمة

يتضمن تدريب نموذج التعلم العميق تغذيته بالبيانات وضبط معاملاته بحيث يمكنه تقديم تنبؤات دقيقة. تم تصميم وضع التدريب في Ultralytics YOLO11 للتدريب الفعال والناجع لنماذج الكشف عن الأجسام، والاستفادة الكاملة من قدرات الأجهزة الحديثة. يهدف هذا الدليل إلى تغطية جميع التفاصيل التي تحتاجها للبدء في تدريب النماذج الخاصة بك باستخدام مجموعة الميزات القوية في YOLO11.

شاهد: كيفية تدريب نموذج YOLO على مجموعة البيانات المخصصة الخاصة بك في Google Colab.

لماذا تختار Ultralytics YOLO للتدريب؟

فيما يلي بعض الأسباب المقنعة لاختيار وضع التدريب في YOLO11:

• الكفاءة: حقق أقصى استفادة من جهازك، سواء كنت تستخدم إعداد وحدة معالجة رسومات واحدة (GPU) أو تتوسع عبر وحدات معالجة رسومات متعددة.
• التنوع: التدريب على مجموعات بيانات مخصصة بالإضافة إلى المجموعات المتاحة بسهولة مثل COCO و VOC و ImageNet.
• سهولة الاستخدام: واجهات بسيطة لكنها قوية للـ CLI و python لتجربة تدريب مباشرة.
• مرونة المعلمات الفائقة: مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج.

الميزات الرئيسية لوضع التدريب

فيما يلي بعض الميزات البارزة لوضع التدريب في YOLO11:

• تنزيل تلقائي لمجموعة البيانات: يتم تنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet تلقائيًا عند الاستخدام الأول.
• دعم وحدات معالجة الرسوميات المتعددة: قم بتوسيع نطاق جهود التدريب الخاصة بك بسلاسة عبر وحدات معالجة الرسوميات المتعددة لتسريع العملية.
• تكوين المعلمات الفائقة: خيار تعديل المعلمات الفائقة من خلال ملفات تكوين YAML أو وسيطات CLI.
• التصور والمراقبة: تتبع في الوقت الفعلي لمقاييس التدريب وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة الاستخدام

تدريب YOLO11n على مجموعة بيانات COCO8 لـ 100 حقبة بحجم صورة 640. يمكن تحديد جهاز التدريب باستخدام الوسيطة device . إذا لم يتم تمرير أي وسيطة، فسيتم استخدام GPU device=0 إذا كان متاحًا، وإلا device='cpu' سيتم استخدام CPU. راجع قسم الوسائط أدناه للحصول على قائمة كاملة بوسائط التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

التدريب متعدد وحدات معالجة الرسومات (GPU)

يتيح التدريب باستخدام وحدات معالجة رسومات متعددة الاستخدام الأكثر كفاءة لموارد الأجهزة المتاحة عن طريق توزيع حمل التدريب عبر وحدات معالجة رسومات متعددة. هذه الميزة متاحة من خلال واجهة python API وسطح الأوامر. لتمكين التدريب متعدد وحدات معالجة الرسومات، حدد معرفات أجهزة GPU التي ترغب في استخدامها.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

تدريب GPU في وضع الخمول

يمكّن تدريب GPU في وضع الخمول الاختيار التلقائي لوحدات معالجة الرسومات الأقل استخدامًا في الأنظمة متعددة وحدات معالجة الرسومات، مما يحسن استخدام الموارد دون تحديد GPU يدويًا. تحدد هذه الميزة وحدات معالجة الرسومات المتاحة بناءً على مقاييس الاستخدام وتوافر VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1,-1

تعطي خوارزمية الاختيار التلقائي الأولوية لوحدات معالجة الرسومات (GPUs) التي:

1. نسب استخدام حالية أقل
2. ذاكرة متاحة أعلى (VRAM مجانية)
3. انخفاض درجة الحرارة واستهلاك الطاقة

تعتبر هذه الميزة ذات قيمة خاصة في بيئات الحوسبة المشتركة أو عند تشغيل وظائف تدريب متعددة عبر نماذج مختلفة. تتكيف تلقائيًا مع الظروف المتغيرة للنظام، مما يضمن التخصيص الأمثل للموارد دون تدخل يدوي.

التدريب على Apple Silicon MPS

بدعم شرائح Apple silicon المدمجة في نماذج Ultralytics YOLO، أصبح من الممكن الآن تدريب النماذج الخاصة بك على الأجهزة التي تستخدم إطار عمل Metal Performance Shaders (MPS) القوي. يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحساب ومعالجة الصور على شريحة Apple المخصصة.

لتمكين التدريب على شرائح Apple silicon، يجب عليك تحديد 'mps' كجهازك عند بدء عملية التدريب. فيما يلي مثال لكيفية القيام بذلك في python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

مع الاستفادة من القوة الحسابية لشرائح Apple silicon، فإن هذا يتيح معالجة أكثر كفاءة لمهام التدريب. للحصول على إرشادات أكثر تفصيلاً وخيارات التكوين المتقدمة، يرجى الرجوع إلى وثائق PyTorch MPS.

استئناف التدريبات المتوقفة

يُعد استئناف التدريب من حالة محفوظة مسبقًا ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدًا في سيناريوهات مختلفة، مثل عندما تنقطع عملية التدريب بشكل غير متوقع، أو عندما ترغب في متابعة تدريب نموذج ببيانات جديدة أو لمزيد من الحقب.

عند استئناف التدريب، يقوم Ultralytics YOLO بتحميل الأوزان من النموذج الذي تم حفظه مؤخرًا، كما يستعيد حالة المُحسِّن، وجدول معدل التعلم، ورقم الحقبة. يتيح لك ذلك متابعة عملية التدريب بسلاسة من حيث توقفت.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO عن طريق تعيين الوسيطة resume إلى True عند استدعاء الدالة train وتحديد المسار إلى ملف .pt الذي يحتوي على أوزان النموذج المدرب جزئيًا.

فيما يلي مثال لكيفية استئناف التدريب المتقطع باستخدام python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

عن طريق تعيين resume=True، ستستمر دالة train في التدريب من حيث توقفت، باستخدام الحالة المخزنة في الملف 'path/to/last.pt'. إذا كان resume تم حذف الوسيطة أو تعيينها إلى False، ستستمر دالة train ستبدأ الدالة دورة تدريب جديدة.

تذكر أنه يتم حفظ نقاط التحقق في نهاية كل حقبة افتراضيًا، أو على فترات ثابتة باستخدام save_period لذلك يجب عليك إكمال حقبة واحدة على الأقل لاستئناف عملية التدريب.

إعدادات التدريب

تشمل إعدادات التدريب لنماذج YOLO مختلف المعلمات الفائقة والتكوينات المستخدمة أثناء عملية التدريب. تؤثر هذه الإعدادات على أداء النموذج وسرعته و دقته. تتضمن إعدادات التدريب الرئيسية حجم الدفعة ومعدل التعلم والزخم وتضاؤل الوزن. بالإضافة إلى ذلك، يمكن أن يؤثر اختيار المحسن و دالة الخسارة وتكوين مجموعة بيانات التدريب على عملية التدريب. يعد الضبط الدقيق والتجريب بهذه الإعدادات أمرًا بالغ الأهمية لتحسين الأداء.

إعدادات الزيادة الفعالة والبارامترات الفائقة

تعتبر تقنيات الزيادة ضرورية لتحسين قوة وأداء نماذج YOLO من خلال إدخال تغييرات على بيانات التدريب، مما يساعد النموذج على التعميم بشكل أفضل على البيانات غير المرئية. يوضح الجدول التالي الغرض من كل وسيطة زيادة وتأثيرها:

يمكن تعديل هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة قيد التنفيذ. يمكن أن يساعد التجريب بقيم مختلفة في العثور على استراتيجية التوسيع المثالية التي تؤدي إلى أفضل أداء للنموذج.

تسجيل البيانات

في تدريب نموذج YOLO11، قد تجد أنه من القيّم تتبع أداء النموذج بمرور الوقت. هذا هو المكان الذي يلعب فيه التسجيل دورًا. توفر Ultralytics YOLO دعمًا لثلاثة أنواع من المسجلات - Comet و ClearML و TensorBoard.

لاستخدام مسجل، حدده من القائمة المنسدلة في مقتطف الشفرة أعلاه وقم بتشغيله. سيتم تثبيت المسجل المحدد وتهيئته.

Comet

Comet عبارة عن منصة تتيح لعلماء البيانات والمطورين تتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. يوفر وظائف مثل المقاييس في الوقت الفعلي وفروق التعليمات البرمجية وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى حساب Comet الخاص بك على موقعه على الويب والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة الخاصة بك أو البرنامج النصي الخاص بك لتسجيل تجاربك.

ClearML

ClearML عبارة عن منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في المشاركة الفعالة للموارد. وهي مصممة لمساعدة الفرق على إدارة وتنفيذ وإعادة إنتاج أعمال تعلم الآلة الخاصة بهم بكفاءة أكبر.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي، ستحتاج إلى تسجيل الدخول إلى حساب ClearML الخاص بك على المتصفح ومصادقة جلستك.

TensorBoard

TensorBoard عبارة عن مجموعة أدوات تصور لـ TensorFlow. يتيح لك تصور مخطط TensorFlow الخاص بك، ورسم المقاييس الكمية حول تنفيذ الرسم البياني الخاص بك، وإظهار بيانات إضافية مثل الصور التي تمر عبره.

لاستخدام TensorBoard في Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

لاستخدام TensorBoard محليًا، قم بتشغيل الأمر أدناه وعرض النتائج على http://localhost:6006/.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

سيؤدي هذا إلى تحميل TensorBoard وتوجيهه إلى الدليل الذي تم فيه حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك، يمكنك بعد ذلك المتابعة بتدريب النموذج الخاص بك. سيتم تسجيل جميع مقاييس التدريب تلقائيًا في النظام الأساسي الذي اخترته، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء النموذج الخاص بك بمرور الوقت، ومقارنة النماذج المختلفة، وتحديد مجالات التحسين.

الأسئلة الشائعة

كيف يمكنني تدريب نموذج اكتشاف الكائنات باستخدام Ultralytics YOLO11؟

لتدريب نموذج اكتشاف الكائنات باستخدام Ultralytics YOLO11، يمكنك إما استخدام Python API أو CLI. يوجد أدناه مثال لكليهما:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

لمزيد من التفاصيل، راجع قسم إعدادات التدريب.

ما هي الميزات الرئيسية لوضع التدريب في Ultralytics YOLO11؟

تشمل الميزات الرئيسية لوضع التدريب في Ultralytics YOLO11 ما يلي:

• تنزيل مجموعة البيانات تلقائيًا: يقوم تلقائيًا بتنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet.
• دعم وحدات معالجة الرسومات المتعددة: قم بتوسيع نطاق التدريب عبر وحدات معالجة الرسومات المتعددة لمعالجة أسرع.
• تكوين المعلمات الفائقة: تخصيص المعلمات الفائقة من خلال ملفات YAML أو وسيطات CLI.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي للحصول على رؤى أفضل.

هذه الميزات تجعل التدريب فعالاً وقابلاً للتخصيص حسب احتياجاتك. لمزيد من التفاصيل، راجع قسم الميزات الرئيسية لوضع التدريب.

كيف يمكنني استئناف التدريب من جلسة متوقفة في Ultralytics YOLO11؟

لاستئناف التدريب من جلسة متوقفة، قم بتعيين resume إلى True وحدد المسار إلى آخر نقطة تفتيش محفوظة.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

تحقق من القسم الخاص بـ استئناف التدريبات المتوقفة لمزيد من المعلومات.

هل يمكنني تدريب نماذج YOLO11 على شرائح Apple silicon؟

نعم، يدعم Ultralytics YOLO11 التدريب على رقائق Apple silicon باستخدام إطار عمل Metal Performance Shaders ‏(MPS). حدد 'mps' كجهاز التدريب الخاص بك.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

لمزيد من التفاصيل، راجع قسم التدريب على Apple Silicon MPS.

ما هي إعدادات التدريب الشائعة، وكيف يمكنني تكوينها؟

يتيح لك Ultralytics YOLO11 تكوين مجموعة متنوعة من إعدادات التدريب مثل حجم الدفعة ومعدل التعلم والحقب والمزيد من خلال الوسائط. إليك نظرة عامة موجزة:

للحصول على دليل متعمق حول إعدادات التدريب، تحقق من قسم إعدادات التدريب.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 26 يومًا

تعليقات