الضبط الدقيق الأول وحلقة التكرار

ابدأ بأوزان مدرّبة مسبقًا#

يبدأ الضبط الدقيق بأوزان تتعرف مسبقًا على الحواف والقوام والأشكال، ولذلك يتقارب أسرع ويحتاج إلى بيانات أقل بكثير من التدريب بأوزان عشوائية. اختر نقطة تحقق YOLO26 الملائمة لمهمتك:

ينتقل كل من العمود الفقري والعنق كما هما؛ ويُعاد تهيئة رأس المهمة جزئيًا ليتوافق مع عدد فئاتك. لا يكون التدريب من الصفر مجديًا إلا مع مجموعات بيانات ضخمة في مجالات غير مألوفة للغاية. ابدأ بنموذج nano (n) للحصول سريعًا على خط أساس، ولا تنتقل إلى أحجام أكبر إلا بعد أن تتوقف دورة البيانات عن تحقيق تحسّن. يشرح دليل الضبط الدقيق ما يجري داخل النموذج.

شغّل خط الأساس#

درّب بالإعدادات الافتراضية؛ فالهدف من التشغيل الأول هو إنشاء خط أساس، لا تسجيل رقم قياسي. يجري هذا التدريب على تقسيم مجموعة التدريب الوارد في تقسيم مجموعة البيانات على نحو صحيح، مع كتابة YAML البيانات أولًا:

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import YAML

names = check_det_dataset("coco128.yaml")["names"]  # ⁨تحتفظ مجموعة التدريب بأسماء فئات COCO⁩
YAML.save("practice.yaml", {"path": "datasets/practice", "train": "train.txt", "val": "val.txt", "test": "test.txt", "names": names})

model = YOLO("yolo26n.pt")  # ⁨مدرّب مسبقًا على COCO؛ استخدم نقطة التحقق الخاصة بمهمتك⁩
model.train(data="practice.yaml", epochs=3, imgsz=320)  # ⁨تشغيل فعلي: epochs=100, imgsz=640⁩

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         20        143      0.614        0.6      0.664      0.486

يحتوي مجلد التشغيل (runs/detect/train/) الآن على weights/best.pt. لا يستحق النظر في التشغيل الأول سوى ثلاث وسيطات:

يتناول تدريب نموذجك الأول استدعاء التدريب وسجلّه المباشر بالتفصيل.

رتّب الفئات واطّلع على حالات الإخفاق#

تخفي قيمة mAP الإجمالية موضع المشكلة. رتّب الفئات حسب AP50-95، واستخدم مصفوفة الالتباس لتقسيم أخطاء كل فئة إلى كائنات لم يكتشفها النموذج مطلقًا وكائنات صنّفها على أنها تنتمي إلى فئة أخرى:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")  # your fine-tuned checkpoint
metrics = model.val(data="practice.yaml", imgsz=320, verbose=False)  # same data YAML and imgsz as training

matrix = metrics.confusion_matrix.matrix  # rows: predicted class, columns: true class; last row = background
for ap, cls in sorted(zip(metrics.box.ap, metrics.box.ap_class_index))[:5]:  # weakest five classes first
    total, missed, correct = matrix[:, cls].sum(), matrix[-1, cls], matrix[cls, cls]
    print(f"{model.names[cls]:>8}  AP50-95={ap:.3f}  {total:2.0f} labeled: {correct:2.0f} found, "
          f"{missed:2.0f} missed, {total - correct - missed:2.0f} called another class")

     car  AP50-95=0.000   4 labeled:  0 found,  4 missed,  0 called another class
    fork  AP50-95=0.000   1 labeled:  0 found,  0 missed,  1 called another class
 handbag  AP50-95=0.025   1 labeled:  1 found,  0 missed,  0 called another class
     cup  AP50-95=0.039  14 labeled:  0 found, 10 missed,  4 called another class
    sink  AP50-95=0.075   1 labeled:  1 found,  0 missed,  0 called another class

يشير كل نوع من الأخطاء إلى إصلاح مختلف لمجموعة البيانات:

• عدد قليل جدًا من الحالات في مجموعة التحقق (fork وhandbag وsink، حالة واحدة لكل منها): قيمة AP هنا مجرد ضوضاء. لا تتخذ إجراءً بشأن فئة حتى تضم مجموعة التحقق بضع عشرات من حالاتها على الأقل؛ واجمع أولًا مزيدًا من مجموعات التحقق.
• لم يُكتشف (car في 4 من 4 حالات، وcup في 10 من 14 حالة): لا يرى النموذج أي كائن على الإطلاق. تحقّق من تغطية هذا السيناريو في التدريب وابحث عن الوسوم المفقودة باستخدام suspect_labels.py.
• صُنّف على أنه ينتمي إلى فئة أخرى (cup في 4 من 14 حالة): تتداخل تعريفات الفئات. افتح تلك الصور، ودقّق التعريفات، واذكر الفئة المشابهة في الدليل.

cup هي النتيجة التي تستدعي اتخاذ إجراء هنا: 14 حالة موسومة، ولم يُعثر على أي منها.

اقرأ مجلد التشغيل بوصفه تغذية راجعة عن البيانات#

ينشئ كل تشغيل تدريبي هذه الملفات، كما تعرض Ultralytics Platform المنحنيات نفسها مباشرةً أثناء التدريب السحابي:

يشرح التحقق والتشخيص كل مخطط؛ والسؤال هنا دائمًا هو: ما الذي تفتقده البيانات؟

حلقة العمل التي تبدأ بالبيانات#

خطوات التكرار المعتادة: اختر أضعف فئة لديها عدد كافٍ من الحالات في مجموعة التحقق، وراجع نحو 50 صورة تحتوي عليها، وأصلح البيانات، وأعِد التدريب بالإعدادات والتقسيم نفسيهما، ثم قارن AP لكل فئة. بعد ذلك انتقل إلى الفئة التالية من حيث الضعف.

متى تلجأ إلى المعلمات الفائقة#

بعد تكرارين أو ثلاثة لتحسين البيانات، عندما لا يعود من الممكن إرجاع الفئات الضعيفة المتبقية إلى قصور التغطية أو الوسوم أو التعريفات، قد يساعد الضبط على كسب النقاط القليلة الأخيرة. يتناول دليل الضبط الدقيق تجميد الطبقات ومعدلات التعلّم واختيار المُحسِّن. لكن ضبط النموذج قبل تصحيح البيانات يعني قضاء أسابيع في تحسين نموذج لمجموعة البيانات الخاطئة.

بعد اجتياز النموذج acceptance_test.py على مجموعة الاختبار المحجوزة، يتناول كتاب Ultralytics YOLO in Production التصدير والتقديم، ويتناول كلٌّ من مراقبة الحالة والدقة وأتمتة حلقة إعادة التدريب في كتاب Build with Ultralytics Platform حلقة إعادة التدريب.