بناء مجموعات بيانات YOLO عالية الأداء
دليل عملي للعمل الذي يسبق التدريب: حوّل هدفًا تجاريًا إلى اختبار قبول، وحدّد البيانات التمثيلية واجمعها، وضع التسميات باتساق، ودقّق الجودة باستخدام نصوص برمجية، وقسّم البيانات من دون تسرب، واضبط الزيادة الاصطناعية للبيانات، واشترط اجتياز ضبط Ultralytics YOLO26 الدقيق الأول لفحص الجاهزية.
بواسطة Ultralytics Academy
حوّل هدفًا تجاريًا إلى مجموعة بيانات موثّقة ومتوازنة وخالية من التسرب، وجاهزة لضبط Ultralytics YOLO26 الدقيق عليها، واعرف بالضبط ما الذي ينبغي إصلاحه إذا لم تكن جاهزة بعد.
حوّل هدفًا تجاريًا إلى مهمة رؤية وفئات محددة واختبار قبول يمكنك تشغيله برمجيًا.
اكتب مواصفات مجموعة البيانات مع حصص للسيناريوهات، وحدّد أحجامها وفق أهداف Ultralytics: ≥1,500 صورة و≥10,000 مثيل ذي تسمية لكل فئة، و0–10% صور خلفية.
اجمع البيانات في ظروف النشر الفعلية، واحتفظ ببيانات وصفية عن الالتقاط في أسماء الملفات، وخذ عينات من الفيديو من دون إغراق مجموعة البيانات.
ضع التسميات باتساق مستعينًا بدليل مكتوب وجولة معايرة مقاسة، مع مراعاة أخطاء التعليق العشرة الأكثر شيوعًا.
دقّق التسميات وتوازن الفئات والتكرارات والتسميات المحتمل فقدانها باستخدام نصوص Python برمجية قصيرة.
قسّم البيانات حسب المجموعة (المقطع، أو الكاميرا، أو اليوم، أو الموقع) بحيث تعكس درجات التحقق أداء الإنتاج، وثبّت مجموعة الاختبار.
اختر إعدادات الزيادة الاصطناعية للبيانات بما يتوافق مع النشر، وتحقق منها ضمن دفعات التدريب.
اشترط اجتياز فحص جاهزية من ثمانية عناصر قبل التدريب، وحوّل الضبط الدقيق الأساسي إلى الخطوة التالية لإصلاح مجموعة البيانات.
هدف من صفحة واحدة ونص برمجي لاختبار القبول يطبع PASS أو FAIL.
مواصفات مجموعة بيانات تتضمن حصص السيناريوهات والحالات الحدّية ونسبة الصور الخلفية.
مجموعة بيانات تدريبية تتضمن بيانات وصفية عن الالتقاط في كل اسم ملف، بالإضافة إلى تقرير تغطية وفق حصصك.
دليل وضع التسميات منقّح بعد جولة معايرة بدرجة اتفاق مقاسة.
تدقيق مراقبة الجودة ومراجعة التسميات المشكوك فيها مع ملاحظات موجزة لمراقبة الجودة.
قوائم ملفات التدريب / التحقق / الاختبار المجمّعة، من دون مشاركة أي مقطع أو كاميرا أو يوم بين التقسيمات.
فحص جاهزية بدرجة محددة، وضبط دقيق أول مرتب حسب الفئة، وقائمة تحقق لبدء العمل قابلة لإعادة الاستخدام.
لا يلزم امتلاك خلفية في تعلّم الآلة؛ إذ يُشرح كل مفهوم قبل استخدامه.
Python 3.10+ مع
pip install ultralyticsلتشغيل النصوص البرمجية؛ تكفي وحدة CPU لكل الأمثلة.موصى به: أساسيات الرؤية الحاسوبية للتعرّف على المصطلحات الأساسية.
محتوى الدورة
5 وحدة · 10 درسًاالوحدة 1
الوحدة 3
أفضل ممارسات التعليق التوضيحي
اكتب دليلًا لوضع الوسوم، واختر أداة، وتجنّب الأخطاء العشرة التي تقلّل الدقة بصمت، وقِس اتفاق المعلّقين باستخدام نص برمجي قبل التوسّع.
ضبط جودة مجموعة البيانات
دقّق الوسوم وتوازن الفئات والتكرارات وتغطية التقسيمات باستخدام برنامج نصي، ودع نموذجًا يشير إلى الوسوم المحتمل فقدانها، ثم أصلح ما تجده قبل التدريب.
الوحدة 4
قسّم مجموعة البيانات بشكل صحيح
قِس مدى تسرّب البيانات في التقسيمات العشوائية، وقسّم المجموعات الكاملة مثل المقاطع أو الكاميرات أو الأيام باستخدام برنامج نصي، وتحقّق من تغطية الفئات، وثبّت مجموعة الاختبار.
استخدم التعزيز بحذر
اختبر كل عملية تعزيز باستخدام كاميرا النشر، وأنشئ ملفًا تعريفيًا مبررًا، ودرّب النموذج باستخدامه، ثم تحقّق من النتيجة ضمن دفعات التدريب.
الوحدة 5
اعرف متى تكون مجموعة البيانات جاهزة
اجعل بدء أول عملية تدريب مشروطًا بثمانية اختبارات نجاح أو إخفاق، وأتمتة الاختبارات الثلاثة التي يمكن لبرنامج التحقق منها، واعرف الإصلاح الذي يتطلبه كل إخفاق.
الضبط الدقيق الأول وحلقة التكرار
أجرِ ضبطًا دقيقًا لأوزان YOLO26 المدرّبة مسبقًا بالإعدادات الافتراضية، ورتّب الفئات حسب AP مع إحصاء حالات الإخفاق والالتباس، وحوّل أضعف فئة إلى إصلاح مجموعة البيانات التالية.
قائمة تحقق لعملاء المؤسسات
قائمة تحقق موجزة من صفحة واحدة لاجتماع بدء المشروع وموجهة إلى العميل، توثّق كل قرار يتعلق بمجموعة البيانات قبل جمعها، وتضع بوابةً لكل عملية إعادة تدريب.