تدريب عمليات التشغيل وقراءة نتائجها وضبطها الدقيق

بدء عملية تشغيل#

انقر New Model في صفحة مشروع أو مجموعة بيانات. ترشدك علامة التبويب Cloud Training خلال هذه الإعدادات:

الوسيطات هي نفسها التي يقبلها model.train(...) محليًا، وتعرض صفحة النموذج لاحقًا أمر yolo train قابلًا للنسخ، مع القيم غير الافتراضية.

اختيار وحدة GPU وتحديد ميزانية التشغيل#

تقدّر بطاقة التكلفة المدة والسعر قبل البدء: نحو $0.23 مقابل 1,000 صورة × YOLO26n × 100 حقبة على RTX PRO 6000 الافتراضي، ونحو $1.56 مقابل 5,000 صورة × YOLO26s × 100 حقبة على H100 SXM، الذي يدرّب بسرعة تزيد بنحو 3.4× على RTX 4090. تُحتسب الفوترة وفق وقت GPU الفعلي: تُفرض رسوم على عمليات التشغيل المكتملة والملغاة والفاشلة بمجرد بدء GPU، ويحتاج التشغيل إلى رصيد يغطي تقديره (15 دقيقة على الأقل من وقت GPU)، كما تتوقف عمليات التشغيل النشطة إذا أصبح الرصيد سالبًا؛ لذا فعّل إعادة الشحن التلقائي في Settings > Billing للمهام الطويلة. قد يؤدي اختيار GPU أرخص من RTX PRO 6000 إلى ترقية مجانية إليه عندما تكون السعة التي تديرها Ultralytics خاملة، مع استمرار احتساب الفاتورة وفق السعر الذي اخترته.

قواعد اتخاذ القرار: اختبر مجموعة بيانات جديدة مبدئيًا باستخدام 10–20 حقبة على GPU الافتراضي. انتقل إلى H100 أو H200 عندما يستغرق التشغيل ساعات ويكون هناك من ينتظره. اختر GPU أرخص لا أسرع عندما يظل استخدام GPU منخفضًا.

راقب التشغيل#

تعرض علامة التبويب Train في صفحة النموذج ثلاثة علامات تبويب فرعية لبث البيانات. تعرض Charts المقاييس وخسائر التدريب والتحقق ومعدل التعلّم لكل حقبة؛ وتحتفظ Console بآخر 2,000 سطر وتوقف التشغيل فورًا عند ظهور تتبّع خطأ أو خطأ نفاد ذاكرة CUDA؛ أما System فتعرض استخدام GPU والذاكرة ودرجة الحرارة:

يُعلَّم التشغيل بالفشل إذا لم يُبلغ عن أي شيء لمدة 4 ساعات. تُرفع أفضل نقطة تحقق دوريًا، لذا يحتفظ التشغيل الملغى بأفضل حقبة وصل إليها حتى ذلك الحين، ويمكن أن تخبرك تنبيهات Slack عند اكتمال عمليات التشغيل أو فشلها.

مثال عملي: تدريب تشغيل وبثه وقراءته#

يمكنك التدريب في أي مكان مع الاستمرار في تتبّع التشغيل في Platform. بعد تصدير مفتاح API من Settings > API Keys بوصفه ULTRALYTICS_API_KEY، يبث project بالشكل username/project المخططات ووحدة التحكم وأفضل نقطة تحقق إلى ذلك المشروع:

from ultralytics import YOLO

# export ULTRALYTICS_API_KEY="..." first to stream this run into your Platform project
model = YOLO("yolo26n.pt")
results = model.train(data="medical-pills.yaml", epochs=10, imgsz=320, project="username/pill-inspection", name="v1-baseline")
print(f"mAP50-95 {results.box.map:.3f}, best checkpoint: {model.trainer.best}")

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         23        399       0.97      0.957      0.977      0.659
mAP50-95 0.659, best checkpoint: .../runs/detect/username/pill-inspection/v1-baseline/weights/best.pt

يعمل الأمر نفسه على وحدات GPU في Platform عند النقر على New Model؛ أما محليًا، فقد استغرق أقل من دقيقتين على CPU محمول باستخدام imgsz=320. يحتوي results.csv الخاص بالتشغيل على السلاسل الزمنية لكل حقبة التي تعرضها علامة التبويب الفرعية Charts، لذا تحوّل بضعة أسطر عبارة "راقب المنحنيات" إلى قاعدة:

import pandas as pd

df = pd.read_csv("results.csv")  # the per-epoch metrics behind the Charts subtab
df.columns = df.columns.str.strip()
m = df["metrics/mAP50-95(B)"]
best_epoch = int(df.loc[m.idxmax(), "epoch"])
recent_gain = m.iloc[-1] - m.iloc[-4]  # change over the last 3 epochs
val_loss = df["val/box_loss"]
print(f"epochs={len(df)} best mAP50-95={m.max():.3f} at epoch {best_epoch}")
print(f"gain over last 3 epochs: {recent_gain:+.3f}")
print(f"val box loss: {val_loss.iloc[0]:.3f} -> {val_loss.iloc[-1]:.3f}")
if recent_gain < 0.005 and val_loss.iloc[-1] >= val_loss.iloc[-4]:
    print("verdict: plateaued - stop, and fix the data before training longer")
elif best_epoch == len(df):
    print("verdict: still improving at the last epoch - more epochs should help")
else:
    print("verdict: converged - keep best.pt")

epochs=10 best mAP50-95=0.659 at epoch 10
gain over last 3 epochs: +0.028
val box loss: 1.367 -> 1.045
verdict: still improving at the last epoch - more epochs should help

أفضل حقبة هي الأخيرة، وارتفع mAP50-95 بمقدار 2.8 نقطة خلال الحقبات الثلاث الأخيرة، وما زالت خسارة التحقق تنخفض: توقف هذا التشغيل بعد 10 حقبات مبكرًا، وسيفيد تشغيل أطول أو ضبط دقيق. استخدم الإشارات الثلاث نفسها في علامة التبويب الفرعية Charts لأي تشغيل على Platform: موضع أفضل حقبة، ومقدار التحسن الأخير، واتجاه خسارة التحقق.

اضبط النموذج بدقة انطلاقًا من نموذج سابق#

اختر نموذجك السابق ضمن My Models ليكون النموذج الأساسي؛ فتنشئ Platform نموذجًا جديدًا يبدأ من نقطة التحقق هذه وتُبقي النموذج القديم دون تغيير. تنصح التوصية المعتادة باستخدام معدل تعلّم أقل، لكن التدريب باستخدام optimizer: auto الافتراضي يختار المحسّن ومعدل التعلّم بنفسه ويتجاهل lr0. وتوضح وحدة التحكم ذلك في الأسطر الأولى:

optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and determining best 'optimizer' and 'lr0' automatically...
optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)

عيّن optimizer صراحةً في Advanced Settings ليُعتمد هذا الإعداد. يسجل الضبط الدقيق لنموذج الحبوب لمدة 5 حقبات إضافية باستخدام optimizer: SGD وlr0: 0.001 ما يلي:

optimizer: SGD(lr=0.001, momentum=0.937) with parameter groups 114 weight(decay=0.0), 126 weight(decay=0.0005), 126 bias(decay=0.0)
                   all         23        399      0.969      0.962      0.983      0.687

ارتفع mAP50-95 من 0.659 إلى 0.687. ستُخضع هذا النموذج المرشح لبوابة ترقية في الدرس التالي.

لإعادة تشغيل سابق، افتح جدول Training Configuration في صفحة النموذج، واختر Copy JSON، ثم الصقه في Advanced Settings. يتناول دليل الضبط الدقيق تجميد الطبقات، ويتناول دليل ضبط المعلمات الفائقة عمليات المسح المنهجية.

مواطن الخلل#