استخدم التعزيز بحذر

آلية عمل التعزيز#

يُجري تعزيز البيانات تحويلات على صور التدريب أثناء التشغيل، فيرى النموذج نسخة مختلفة قليلًا من كل صورة في كل حقبة. وعند تطبيقه جيدًا، يحسّن المتانة أمام تغيرات الإضاءة والمقياس والاتجاه، ويحدّ من فرط التكيّف، لأن النموذج لا يستطيع حفظ صور تتغير باستمرار. أما تطبيقه السيئ فيعلّم النموذج مشاهد مستحيلة واقعيًا، ويحجب أوجه النقص في مجموعة البيانات التي ينبغي معالجتها.

انظر إلى لوحة درجة اللون أعلاه: يتحول لون ببغاء المكاو الأحمر إلى الأصفر. وهذا غير ضار عند التمييز بين «المكاو» و«غير المكاو»، لكنه مضر إذا كان اللون هو ما يميّز بين فئتين لديك.

الإعدادات الافتراضية المهمة#

هذه هي الإعدادات الافتراضية في Ultralytics 8.4؛ ويسرد مرجع إعدادات التعزيز جميع الوسائط:

تُعد مجموعات بيانات العمق استثناءً: إذ ستنتج mosaic وmixup وcutmix وcopy_paste خرائط عمق مزدوجة غير صالحة، لذا يضبطها محمّل بيانات العمق تلقائيًا على 0.

اختبار ملاءمة النشر#

يجب أن يجتاز كل تحويل مفعّل سؤالًا، ثم سؤالًا ثانيًا:

تُعد صورة ببغاء مكاو مقلوب صورة تدريب مناسبة لطائرة مسيّرة تنظر مباشرة إلى الأسفل، لكنها صورة مهدرة لكاميرا مثبتة على جدار. تنتج التحويلات التي لا تجتاز الاختبار إشارة تدريب سلبية: إذ يتعلم النموذج التعرّف على صور لن يراها مطلقًا، على حساب قدرته على التعامل مع الصور التي سيواجهها.

ملف إعدادات تطبيقي#

تفرز كاميرا علوية موضوعة فوق ناقل أجزاءً تختلف فئاتها باللون فقط. يجب إيقاف تغيير درجة اللون، في حين يصبح القلب العمودي والدورانات الصغيرة واقعية. يُشغَّل هذا كما هو موضح على مجموعة العرض COCO8؛ استبدل ملف YAML الخاص ببياناتك وعدد حقب التدريب الفعلي:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=1,
    imgsz=320,
    hsv_h=0.0,  # ⁨اللون هو إشارة الفئة: حافظ على دقة درجات الألوان⁩
    flipud=0.5,  # ⁨منظور علوي: لا يوجد «أعلى» في الإطار⁩
    degrees=10.0,  # ⁨تظهر القطع بزوايا صغيرة مختلفة⁩
)

افتح train_batch0.jpg في مجلد التشغيل وتحقق من ثلاثة أمور: بقاء الصناديق محكمة بعد التحويل، وصمود السمات التي تحدد الفئة (اللون والشكل والنص)، وعدم ظهور أي شيء مستحيل ماديًا. خفّف أي تحويل يخلّ بأحد هذه الأمور. يتناول تدريب نموذجك الأول عملية التدريب نفسها.

Mosaic و close_mosaic#

يدمج Mosaic أربع صور في صورة واحدة، ويكون مفعّلًا افتراضيًا. وهو أقوى تعزيز من حيث الأثر في اكتشاف الأجسام: إذ تحتوي كل صورة تدريب على عدة مشاهد ومقاييس وسياقات للأجسام. لكن صور Mosaic لا تشبه إطارات النشر، لذا يوقف close_mosaic=10 تشغيله خلال آخر 10 حقب، وينهي النموذج تدريبه على مدخلات واقعية. كما يؤدي إيقاف Mosaic إلى إيقاف mixup وcutmix وcopy_paste، بينما يستمر تشغيل القلب وتحويلات HSV والتحويلات الهندسية.

ما الذي لا يستطيع التعزيز إصلاحه#

التعزيز مضاعف لما هو موجود بالفعل. إذا لم تتضمن مجموعة البيانات صورًا ليلية، فلن ينتج أي إعداد مشاهد ليلية؛ بل سينتج نسخًا أكثر سطوعًا وأخرى أغمق من مشاهد النهار. إذا لم تنجح فئة إلا مع تعزيز مكثف، فهذا يعني أن عينات تلك الفئة غير كافية. ارجع إلى جمع بيانات عالية الجودة وممثلة.