أفضل المنصات لتدريب مصنّفات صور مخصصة

مشهد فحص توضيحي مولّد بالذكاء الاصطناعي. تعرض المربعات أربع صور اختبار مصنّفة تصنيفًا صحيحًا، اختيرت لوضوحها البصري، من مجموعة بيانات بقع الأقمشة. صنّف نموذج Ultralytics YOLO26s-cls الذي درّبناه 65 من أصل 71 صورة اختبار تصنيفًا صحيحًا، بما فيها 7 من أصل 11 صورة نظيفة و58 من أصل 60 صورة ملطخة. المربعات قصاصات مربعة من صور الاختبار. تبيّن الدرجات ثقة النموذج، لا دقته.

تعتمد أفضل منصة لتدريب مصنّف صور مخصص على مكان تشغيل النموذج ومقدار التحكم الذي تحتاج إليه. تتيح المنصات السحابية بلا كتابة شيفرة مثل Amazon Rekognition Custom Labels وAutoML على Gemini Enterprise Agent Platform (المعروفة سابقًا باسم Vertex AI AutoML) وLandingLens وUltralytics Platform رفع الصور الموسومة وتدريب النماذج دون كتابة شيفرة. وتمنحك مسارات عمل المطورين مثل Amazon SageMaker AI وAzure Machine Learning AutoML وHugging Face Transformers تحكمًا أكبر في النموذج ومهمة التدريب. أما الأدوات المخصصة للحافة مثل Edge Impulse فتستهدف الأجهزة الصغيرة، وتوفر Teachable Machine طريقة مجانية لإنشاء نموذج أولي في المتصفح.

تُعد حالة الخدمة مهمة عند الاختيار. ستنهي Microsoft دعم Azure Custom Vision في 25 سبتمبر 2028، ولم تعد Hugging Face AutoTrain تخضع للصيانة. وتُسمّي Google الآن Vertex AI AutoML AutoML على Gemini Enterprise Agent Platform؛ ويختصر هذا الدليل الاسم إلى Google Cloud AutoML.

يقارن هذا الدليل الأدوات المستخدمة لتدريب مصنّف على صورك الموسومة، ويوضح كيفية الاختيار، ويبيّن كيفية اختبار المصنّف قبل الالتزام باستخدامه. لاختيار بنية النموذج، راجع مقارنة نماذج تصنيف الصور. ولتقديم نموذج لديك بالفعل، راجع مقارنة منصات استدلال الرؤية الحاسوبية. تنشر Ultralytics هذه المقارنة وتقدم إحدى المنصات المدرجة فيها.

ما الذي ينبغي مقارنته#

يُسند تصنيف الصور تسمية واحدة أو أكثر إلى الصورة كاملة، مثل "معيب" أو "OK" لقطعة على خط إنتاج. وتختلف منصات تدريب المصنّفات في خمسة جوانب أهم من قوائم ميزاتها:

• التسميات: تسمية واحدة (فئة واحدة لكل صورة) أو تسميات متعددة (عدة فئات لكل صورة). لا تدعم كل المنصات كلا النوعين.
• التحكم: يختار AutoML النموذج والإعدادات نيابةً عنك، بينما تتيح لك منصات المطورين اختيار البنية وحجم الصورة وإعدادات التدريب.
• مكان تشغيل النموذج: لا تتيح بعض المنصات تقديم النموذج إلا من سحابتها الخاصة، بينما تتيح منصات أخرى تصديره لتشغيله على أجهزتك.
• نموذج التكلفة: تختلف طريقة تراكم تكاليف وقت التدريب وساعات الاستضافة ورسوم التنبؤ لكل صورة. وقد تكون تكلفة إبقاء النموذج قيد التشغيل أعلى من تكلفة تدريبه.
• موقع البيانات: المكان الذي تُخزّن فيه الصور وتُعالَج، وهو أمر مهم للبيانات الخاضعة للتنظيم.

مقارنة منصات تدريب مصنّفات الصور#

هذه أدوات من أنواع مختلفة: خدمات AutoML مُدارة، ومسارات عمل للمطورين، ونماذج أولية تعمل في المتصفح. حدّد قائمة مختصرة وفق دعم التسميات ومكان تشغيل النموذج قبل مقارنة التكلفة، وتحقق أولًا مما إذا كان نموذج مدرّب مسبقًا موجودًا ينجز المهمة بالفعل.

المنصات مرتبة أبجديًا. روجعت وثائق المورّدين في 9 نوفمبر 2026؛ وهذه مقارنة للقدرات وليست معيارًا عمليًا للأداء. على الشاشات الصغيرة، مرّر الجدول أفقيًا للاطلاع على جميع الأعمدة.

قوائم مختصرة توضيحية بحسب المتطلبات. تتداخل هذه المجموعات؛ تحقق من دعم التسميات وحقوق النشر وتوافق بيئة التشغيل قبل الاختيار.

تدرّب Ultralytics Platform مصنّفات ذات تسمية واحدة، بحيث تُسنَد فئة واحدة إلى كل صورة. إذا كنت تحتاج إلى تصنيف متعدد التسميات، ففكّر في Azure Machine Learning AutoML أو Google Cloud AutoML.

كيفية الاختيار#

ابدأ بالقرار الذي تملك أقل قدر من المرونة بشأنه.

تريد العمل دون كتابة شيفرة واستخدام API مُدارة#

اختر خدمة AutoML في السحابة التي تستخدمها بالفعل: Amazon Rekognition Custom Labels على AWS، أو Google Cloud AutoML على Google Cloud. تتولى كلتاهما إدارة النموذج وإعداداته نيابةً عنك. تحقق من المدة التي يجب أن يظل فيها النموذج قيد التشغيل، لأن Rekognition Custom Labels تحتسب الرسوم عن كل ساعة يكون فيها النموذج قيد التشغيل، حتى عندما لا يحلل الصور.

تحتاج إلى تشغيل النموذج على أجهزتك#

اختر منصة تصدّر النموذج المدرّب. تتيح Edge Impulse وGoogle Cloud AutoML (نماذج Edge) وTeachable Machine وUltralytics Platform تصدير النماذج؛ تحقق من بيئة التشغيل المدعومة وحدود الخطة وشروط الترخيص قبل الاختيار. تعمل نماذج تصنيف YOLO26 المُصدّرة على حواسيب المصانع وكاميراتها ووحدات GPU باستخدام ONNX أو TensorRT أو OpenVINO. أما المتحكمات الدقيقة، فقد صُممت Edge Impulse لهذه الفئة من الأجهزة.

تريد تحكمًا كاملًا في النموذج#

للتحكم في البنية وإعدادات التدريب، استخدم SageMaker مع شيفرة التدريب الخاصة بك، أو أنشئ مسار عمل باستخدام PyTorch أو TensorFlow أو Keras أو Hugging Face Transformers أو حزمة Ultralytics YOLO. تحقق من البنى التي تدعمها كل مكتبة. وتتيح أدوات AutoML مثل Azure Machine Learning AutoML التحكم ضمن النماذج والإعدادات التي تدعمها. توقع الحاجة إلى مزيد من الإعداد في كلتا الحالتين.

تنتقل من Azure Custom Vision#

ستواصل Microsoft دعم العملاء الحاليين بالكامل حتى 25 سبتمبر 2028، وتوصي باستخدام Azure Machine Learning AutoML للتصنيف المخصص. للانتقال، صدّر صورك وتعيينات التسميات، واحتفظ بالتسميات المتعددة حيثما استخدمتها، ثم حوّلها إلى تنسيق الاستيراد الخاص بالمنصة الجديدة قبل إعادة التدريب.

تتعلم أو تنشئ نموذجًا أوليًا#

Teachable Machine مجانية وتُجري التدريب في المتصفح، ما يجعلها وسيلة جيدة لاختبار إمكانية التمييز بين فئاتك قبل جمع مجموعة بيانات كاملة.

كيفية التحقق من المصنّف قبل الالتزام باستخدامه#

لا تكشف دقة العرض التوضيحي للمنصة إلا القليل عن صورك الخاصة. نفّذ الاختبار القصير نفسه على كل منصة ضمن قائمتك المختصرة:

1. احتفظ بمجموعات منفصلة للتدريب والتحقق والاختبار. اختر صور الاختبار من الكاميرات والظروف التي سيواجهها النموذج في بيئة الإنتاج، واحتفظ بالصور المتشابهة جدًا والصور من تسلسل الالتقاط نفسه ضمن المجموعة ذاتها.
2. درّب نموذجًا أساسيًا على صور التدريب نفسها باستخدام الإعدادات الافتراضية لكل منصة، وسجّل أي قيود على موارد الحوسبة أو ميزانية التدريب أو حجم الصورة.
3. اختر باستخدام مجموعة التحقق. قارن الدقة والاستدعاء لكل فئة ومصفوفة الالتباس، إضافةً إلى السرعة على الأجهزة التي ستستخدمها، واضبط أي عتبات هنا.
4. اختبر الخيار النهائي مرة واحدة باستخدام مجموعة الاختبار التي لم تُمس: دقة الفئة الأعلى للمصنّفات ذات التسمية الواحدة، أو الدقة والاستدعاء وF1 لكل تسمية في المصنّفات متعددة التسميات.
5. تحقق من التكلفة الإجمالية: التدريب مضافًا إليه رسوم الاستضافة أو التنبؤ وفق حجم الاستخدام المتوقع.
6. تحقق من إمكانية الخروج: هل يمكنك تنزيل النموذج المدرّب، وبأي تنسيق، وبموجب أي ترخيص؟

أعد استخدام الصور والتسميات وتقسيمات البيانات نفسها على كل منصة، مع تحويلها إلى تنسيق الاستيراد الخاص بكل منصة. وهذا مثال اختياري للاختبار النهائي باستخدام Ultralytics YOLO:

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # pretrained on ImageNet
model.train(data="path/to/dataset", epochs=50, imgsz=224)  # dataset/train/<class>/, dataset/val/<class>/

metrics = model.val(split="test")  # dataset/test/<class>/, never used in training (needs its own test folder)
print(f"top-1 accuracy: {metrics.top1:.3f}, top-5 accuracy: {metrics.top5:.3f}")

راجع تنسيق مجموعة بيانات التصنيف لمعرفة بنية المجلدات، ووثائق Classify للاطلاع على أمثلة التصنيف، وإعدادات التدريب لمعرفة كل خيارات التدريب. احتفظ بمجلدات منفصلة للتدريب والتحقق والاختبار: إذا كان مجلد الاختبار غير موجود، فسيُجرى الفحص النهائي باستخدام صور التحقق.

موضع Ultralytics في المنظومة#

تدعم Ultralytics تدريب المصنّفات ذات التسمية الواحدة وتصديرها. قارن نتائجها على بياناتك الخاصة قبل اختيارها.

• درّب في السحابة أو محليًا. تدرّب Ultralytics Platform مصنّفات YOLO26 على وحدات GPU سحابية من متصفحك، بينما تدرّب حزمة Python مفتوحة المصدر ultralytics النماذج نفسها على جهازك.
• جهّز البيانات ودرّب ضمن مسار عمل واحد. استورد مجموعات البيانات المنظّمة في مجلدات حسب الفئات باستخدام تعليمات مجموعات بيانات المنصة، وراجع التسميات وتقسيمات البيانات، ثم درّب في Ultralytics Platform.
• شغّل النموذج حيثما تحتاج إليه. صدّره إلى ONNX أو TensorRT أو CoreML أو LiteRT أو تنسيقات أخرى، أو انشره على نقطة نهاية للمنصة.
• اعرف القيود. المصنّفات ذات تسمية واحدة. تعمل نقاط نهاية المنصة على CPU، لذا يُفضّل التعامل مع تقديم النماذج على GPU بكميات كبيرة على أجهزتك أو على سحابة أخرى. توفر Ultralytics ترخيص AGPL-3.0 وترخيص Enterprise: تتطلب عمليات النشر الاحتكارية التي لا تستطيع الوفاء بالتزامات AGPL-3.0 ترخيص Enterprise.