درّب نموذجك الأول

مثال تطبيقي: تدريب كاشف الأقراص#

يطلب مربع حوار «تدريب نموذج جديد» في منصة Ultralytics الخيارات نفسها الواردة في الشيفرة أدناه — النموذج الأساسي ومجموعة البيانات والحقب وحجم الصورة — ثم ينفذها إما على GPU سحابي أو ينشئ الأمر المحلي المطابق. تُنجز هذه الإعدادات في نحو دقيقة على CPU في حاسوب محمول:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # ⁨مدرَّب مسبقًا على COCO⁩
results = model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v1")
print(results.save_dir)

CLI وPython متكافئان. يُبقي epochs=10 وimgsz=320 تشغيلات CPU قصيرة؛ أما عند استخدام GPU، فاحذفهما واعتمد الإعدادات الافتراضية (epochs=100، imgsz=640)، لأن زيادة عدد الحقب والبكسلات مفيدة دائمًا تقريبًا. ينفذ وضع التدريب هذه الحلقة نيابةً عنك:

اقرأ السجل سطرًا سطرًا#

مخرجات فعلية، مقتطعة لتعرض أول حقبتين وآخر حقبتين:

optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups ...
Using 92 train, 23 val images for fraction=1.0 at imgsz=320
      Epoch    GPU_mem   box_loss   cls_loss    l1_loss  Instances       Size
       1/10         0G      1.818      3.899   0.008805        206        320: 100% 6/6 3.3s
                   all         23        399      0.957      0.805      0.927      0.548
       2/10         0G      1.434      3.291   0.006285        208        320: 100% 6/6 4.4s
                   all         23        399      0.953      0.911      0.964      0.592
       ...
       9/10         0G      1.121      1.103   0.005143        194        320: 100% 6/6 5.0s
                   all         23        399      0.949      0.957      0.975      0.656
      10/10         0G      1.174      1.125   0.005068        212        320: 100% 6/6 5.1s
                   all         23        399       0.97      0.957      0.977      0.659
10 epochs completed in 0.015 hours.

• optimizer: AdamW(lr=0.002 ...): اختار optimizer=auto الافتراضي المحسِّن ومعدل التعلّم نيابةً عنك.
• Using 92 train, 23 val images: تأكد من مطابقة هذه القيم لمجموعة البيانات لديك. يشير العدد الأقل إلى صور تم تخطيها.
• GPU_mem 0G: يجري التدريب على CPU. على GPU، ستظهر هنا الذاكرة المستخدمة؛ ويعني 0G على جهاز مزود بـGPU أنه غير مستخدم.
• السطر الأول لكل حقبة: الخسائر الثلاث لمجموعة التدريب، بالإضافة إلى عدد الكائنات الموسومة في الدفعة الأخيرة (Instances) وحجم الصورة.
• سطر all لكل حقبة: الدقة والاستدعاء وmAP50 وmAP50-95 على مجموعة التحقق. هذا هو السطر الذي ينبغي مراقبته.

هنا، ارتفعت mAP50-95 من القيمة الأساسية 0.0002 إلى 0.548 بعد حقبة واحدة، ثم إلى 0.659 بعد عشر حقب. وانخفضت الدقة إلى 0.80 في الحقبة 4 ثم تعافت: فالنتائج متقلبة بين الحقب عند التحقق على 23 صورة، لذا قيّم الاتجاه العام لا سطرًا واحدًا. قواعد اتخاذ القرار أثناء التشغيل:

• تنخفض الخسائر وترتفع mAP: اترك التشغيل مستمرًا.
• الخسائر ثابتة منذ الحقبة 1: أوقف التشغيل باستخدام Ctrl+C وتحقق من التسميات وملف YAML.
• الدقة أعلى بكثير من الاستدعاء: النموذج متحفظ ويفوّت الكائنات. الاستدعاء أعلى بكثير من الدقة: يكتشف النموذج أشياء غير موجودة.
• mAP ثابتة لحقب عديدة: لن تساعد زيادة عدد الحقب؛ غيّر البيانات أو imgsz.

الخسائر الثلاث هي مكونات دالة الخسارة في YOLO26؛ ويشرح دليل مقاييس الأداء كل مقياس بالتفصيل.

اعثر على الملفات التي أنشأها التشغيل#

تُحفظ جميع الملفات في runs/detect/pills_v1/:

افتح train_batch0.jpg قبل أي شيء آخر. إذا لم تكن صناديقه منطبقة على الكائنات، فالتسميات خاطئة، ولن يصلح ذلك أي عدد من الحقب.

غيّر هذه الوسيطات أولًا#

model.train(data="my_dataset/data.yaml", epochs=200, imgsz=1024, batch=-1, patience=20, name="pills_v1_1024")

تعني القيمة الافتراضية patience البالغة 100 أن تشغيلًا من 100 حقبة لن يتوقف مبكرًا أبدًا. تنهي قيمة أقل تشغيلًا متعثرًا عند النقطة التي تشير إليها المنحنيات أعلاه؛ ويُحتفظ بـbest.pt في الحالتين.

عند استخدام عدة وحدات GPU، مرّر قائمة مثل device=[0, 1, 2, 3]: تبدأ Ultralytics تدريبًا موزعًا متوازيًا للبيانات (DDP) نيابةً عنك، ويمثل batch الإجمالي عبر وحدات GPU، ويستخدم التدريب الدقة المختلطة افتراضيًا (amp=True). عندما يتجاوز التشغيل قدرة حاسوبك المحمول، يمكنك تشغيل مجموعة البيانات والوسيطات نفسها على GPU سحابي عبر منصة Ultralytics، كما هو موضح في تدريب عمليات التشغيل وقراءتها وضبطها الدقيق.

تجنّب هذه الأخطاء#

يتناول دليل نصائح تدريب النماذج الوسيطات المتبقية، ويتناول دليل ضبط المعلمات الفائقة تجارب معدل التعلّم والضبط الجيني. ويتناول دليل الضبط الدقيق تجميد الطبقات.