ابدأ بهدف العمل

وثيقة الهدف من صفحة واحدة#

تجيب خمسة صفوف عن الأسئلة التي تعتمد عليها كل خطوة لاحقة. ويتناول دليل تحديد أهداف المشروع الموضوعات نفسها بمزيد من التفصيل. إليك مثالًا مكتملًا لمستودع، تستند إليه هذه الدورة:

ثبّت الصفحة في مكان يستطيع الفريق بأكمله رؤيته. إذا اعترض أحد أصحاب المصلحة على صف لاحقًا، فعدّل الصفحة أولًا ثم مجموعة البيانات.

اختر أبسط مهمة تجيب عن السؤال#

تحدد المهمة ما يرسمه المعلّقون، وهذا بدوره يحدد معظم ميزانية وضع التسميات. اتبع شجرة القرار هذه، وتوقف عند أول مهمة تجيب عن سؤال العمل:

يدعم Ultralytics YOLO سبع مهام. عند تخطيط مجموعة البيانات، المهم هو تكلفة وضع التسميات لكل مهمة؛ ويقارن درس أساسيات الرؤية الحاسوبية بينها بالتفصيل في درس مهام الرؤية.

اقرأ لوحة الموز كما لو كانت قائمة أسعار: فالكشف يحدد بالفعل وجود الموز وموقعه وعدده، ولا تضيف لوحتا التقسيم سوى الحجم والشكل، مقابل تكلفة وسم أعلى بكثير. إذا كان العمل يحتاج فقط إلى معرفة «كم عدد الموزات»، فالكشف هو الحل، واستخدام المضلعات هدر للميزانية.

اكتب فئات يستطيع المعلّق تطبيقها#

لا تكون الفئة مفيدة إلا إذا صنّف معلّقان الكائن نفسه بالطريقة ذاتها. اكتب لكل فئة تعريفاً من جملة واحدة يذكر شيئاً مشابهاً في المظهر يستثنيه:

• forklift: شاحنة رفع آلية، بما في ذلك شوكتاها وساريتها. لا تشمل رافعات المنصات اليدوية.
• person: أي إنسان، حتى إن كان ظاهراً جزئياً أو جالساً أو داخل مقصورة مركبة. لا تشمل الانعكاسات والملصقات.
• pallet: منصة شحن خشبية أو بلاستيكية، محمّلة أو فارغة. لا تشمل الصناديق المكدسة من دون قاعدة منصة.

بعد ذلك، اختر مستوى التفصيل عن قصد. الفئات العامة («مركبة») أقل تكلفة وأسرع تقارباً؛ أما الفئات الدقيقة («سيدان»، «شاحنة صغيرة») فهي أنفع في المراحل اللاحقة، لكن يصعب الحفاظ على اتساقها. ابدأ بما يحتاج إليه العمل. يمكن دمج التسميات الدقيقة في فئات عامة لاحقاً بسطر واحد من التعليمات البرمجية، لكن لا يمكن أبداً تقسيم الفئات العامة من دون إعادة الوسم.

حوّل المقياس إلى اختبار قبول قابل للتنفيذ#

اختر المقياس الذي يتوافق مع تكلفة الخطأ:

• تفويت حالة مكلف (السلامة، العيوب): اجعل الاستدعاء لهذه الفئة شرطاً للاجتياز.
• الإنذار الكاذب مكلف (رفض الأجزاء آلياً، تنبيه الموظفين): اجعل الدقة شرطاً للاجتياز.
• كل الفئات متساوية الأهمية (العد، المخزون): اجعل AP لكل فئة شرطاً للاجتياز، كي لا تختبئ أي فئة خلف المتوسط.

يشرح دليل مقاييس أداء YOLO كل مقياس. ثم اكتب الاختبار على هيئة تعليمات برمجية، كي لا يعود السؤال «هل الأداء جيد بما يكفي؟» موضع نقاش. يعمل هذا البرنامج النصي اليوم بنموذج مدرّب مسبقاً على مجموعة العرض COCO8، ثم يعمل لاحقاً باستخدام نقطة تحقق خاصة بك ومجموعة اختبار محجوبة:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # later: your fine-tuned runs/detect/train/weights/best.pt
metrics = model.val(data="coco8.yaml", classes=[0], verbose=False)  # 0 = person; later: your holdout YAML

precision, recall = metrics.box.mp, metrics.box.mr
print(f"person: precision={precision:.2f} recall={recall:.2f}")
print("PASS" if recall >= 0.95 and precision >= 0.85 else "FAIL: below the acceptance test")

                   all          4         10      0.939        0.8      0.848      0.387
person: precision=0.94 recall=0.80
FAIL: below the acceptance test

ما الذي يخبرك به كل سطر:

• يقيّم classes=[0] الفئة person فقط، لذا لا يمكن للفئات الأخرى رفع النتيجة. استخدم معرّف فئة السلامة الخاص بك.
• يُظهر صف أداة التحقق 4 صور تضم 10 أشخاص موسومين. يمثّل mp وmr الدقة والاستدعاء عند عتبة الثقة التي تحقق أفضل توازن بينهما (أقصى F1).
• يعثر نموذج COCO المدرّب مسبقاً على 8 من أصل 10 أشخاص، لذا يبلغ الاستدعاء 0.80: نتيجة دقيقة، لكنها غير آمنة بما يكفي. إن ظهور نتيجة FAIL يعني أن الاختبار يؤدي وظيفته. في هذه الدورة، تعني نتيجة FAIL الرجوع إلى البيانات، لا إلى المعلمات الفائقة.

دوّن ما لن يفعله الإصدار الأول v1#

لا يوجد نموذج مثالي، لذا حدّد مسبقاً حالات الإخفاق المقبولة: الظروف التي لن تقدم وعوداً بشأنها (الضباب الكثيف، الظلام الدامس)، والأشياء المتشابهة التي تقبل الالتباس بينها، والفئات النادرة المؤجلة إلى الإصدار الثاني v2. يمنع هذا الصف الحكم على نموذج يحقق هدفه وفق معيار 100% غير مكتوب، ويوضح لفريق جمع البيانات أين لا ينبغي إنفاق الجهد في الوقت الحالي.