استئناف التدريب والتكرار

اختر نوع التشغيل المناسب#

مثال عملي: استئناف عملية تشغيل انقطعت#

يستعيد resume=True النموذج وحالة المحسّن وجدول معدل التعلّم وعداد العصور التدريبية من last.pt، ثم يواصل الخطة الأصلية:

yolo train resume=True model=runs/detect/pills_resume/weights/last.pt

مخرجات فعلية لعملية تشغيل من 5 عصور تدريبية توقفت بعد العصر الثاني:

Resuming training runs/detect/pills_resume/weights/last.pt from epoch 3 to 5 total epochs
        3/5         0G      1.232      2.393   0.005478        206        320: 100% 6/6 4.5s
        4/5         0G      1.345      1.859   0.005833        208        320: 100% 6/6 4.5s
        5/5         0G       1.31      1.625   0.005854        191        320: 100% 6/6 4.4s
3 epochs completed in 0.004 hours.

• from epoch 3 to 5 total epochs: استأنف التدريب تمامًا بعد آخر عصر محفوظ، مع الإبقاء على الهدف الأصلي.
• لم تمرر data أو epochs؛ فقد أُخذت كل الوسيطات من نقطة التحقق. ويمكن تجاوز بعض إعدادات وقت التشغيل، مثل batch وdevice وworkers، عند الاستئناف؛ أما الإعدادات الأخرى فتُتجاهل مع تحذير Resume ignores ....

مثال عملي: بدء الجولة الثانية انطلاقًا من أوزان سابقة#

معظم تجارب «الجولة التالية» ليست استئنافًا، بل عمليات تشغيل جديدة تبدأ من آخر نموذج جيد لديك — أي تعلّم بالنقل اعتيادي ضمن مشروعك. استخدم معدل تعلّم أقل كي يحسّن النموذج ما تعلّمه بدلًا من إعادة التعلّم:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # ⁨بدء دافئ من الجولة الأولى⁩
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # ⁨اضبطه صراحةً: يتجاهل optimizer="auto" قيمة lr0⁩
    lr0=0.0005,  # ⁨أكثر اعتدالًا من القيمة 0.002 التي اختيرت تلقائيًا في الجولة الأولى⁩
    name="pills_v2_warm",
)

يؤكد السجل تطبيق الإعداد: optimizer: AdamW(lr=0.0005, momentum=0.937). يتناول دليل الضبط الدقيق تجميد الطبقات والتدريب على مرحلتين؛ ويتناول دليل ضبط المعلمات الفائقة عمليات البحث الشاملة.

مثال عملي: مقارنة عمليات التشغيل#

سمِّ كل عملية تشغيل وفقًا لما تغيّر — pills_v2_warm وpills_v3_imgsz640 وpills_v4_edge_frames — ولا تستخدم مطلقًا train2 أو final. تنشئ كل عملية تشغيل ملف results.csv، لذا لا تتطلب المقارنة سوى بضعة أسطر:

from pathlib import Path

import pandas as pd

for csv in sorted(Path("runs/detect").glob("*/results.csv")):
    df = pd.read_csv(csv)
    best = df["metrics/mAP50-95(B)"].max()
    print(f"{csv.parent.name:<14} epochs={len(df):<3} best mAP50-95={best:.3f}")

pills_resume   epochs=5   best mAP50-95=0.579
pills_v1       epochs=10  best mAP50-95=0.659
pills_v2_warm  epochs=5   best mAP50-95=0.694

رفعت خمس عصور تدريبية بالبدء الدافئ قيمة mAP50-95 من 0.659 إلى 0.694، بينما لم تتجاوز النتيجة 0.579 بعد خمس عصور تدريبية انطلاقًا من أوزان COCO (pills_resume). يحقق البدء الدافئ تقدمًا بتكلفة أقل — ما دامت الفئات والوسوم لم تتغير في هذه الأثناء. وبعد تنفيذ عدة عمليات تشغيل، تصبح أداة تتبّع التجارب استثمارًا مجديًا: إذ تسجّل Ultralytics Platform (انظر مقارنة عمليات التشغيل واختيار الأفضل)، أو تكاملات Comet وWeights & Biases، كل عملية تشغيل تلقائيًا.

اجعل تكلفة كل جولة منخفضة#

تجيب معظم الجولات عن سؤال واحد، مثل «هل أفادت الإطارات الجديدة؟». تساعدك هذه الوسيطات على الوصول إلى إجابات أسرع أثناء الاستكشاف:

غيّر شيئًا واحدًا في كل جولة، ثم أكّد نجاح الخيار الأفضل بعملية تشغيل بالحجم الكامل قبل نشره. وعندما تحتاج إلى البدء من الصفر، استخدم الاستدعاء نفسه مع الأوزان المدرّبة مسبقًا:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # ⁨العودة إلى الأوزان المدرّبة مسبقًا على COCO⁩
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

تجنّب هذه الأخطاء#