بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
تعرف على كيفية اختيار GPU السحابية المناسبة GPU أنظمة الرؤية الحاسوبية GPU Ultralytics استنادًا إلى عوامل مثل حجم مجموعة البيانات، وتعقيد النموذج، والتكلفة.
قم بتوسيع نطاق مشاريع الرؤية الحاسوبية الخاصة بك باستخدام Ultralytics
في الشهر الماضي، أطلقنا Ultralytics وهي بيئة متكاملة مصممة لتبسيط سير عمل الرؤية الحاسوبية بأكمله، بدءًا من إدارة مجموعات البيانات وصولاً إلى تدريب النماذج ونشرها. تجمع Ultralytics كل ما يلزم لبناء نماذج الذكاء الاصطناعي الخاصة بالرؤية وتوسيع نطاقها في تجربة واحدة وموحدة.
يُعد تدريب النماذج جزءًا أساسيًا من هذا المسار العملي، حيث تتعلم الشبكات العصبية الأنماط من البيانات لإجراء تنبؤات دقيقة، ويؤدي الوصول إلى موارد الحوسبة المناسبة دورًا حاسمًا في هذا الصدد. وقد استكشفنا سابقًا كيف تدعم Ultralytics تدريب النماذج باستخدام وحدات معالجة الرسومات (GPU) السحابية، مما يتيح للمستخدمين تدريب نماذج الرؤية الحاسوبية دون الحاجة إلى إدارة البنية التحتية المحلية.
بفضل إمكانية الوصول عند الطلب إلى NVIDIA القوية NVIDIA يمكن للمستخدمين - بدءًا من الطلاب والشركات الناشئة وصولاً إلى الباحثين والمؤسسات الكبيرة - تشغيل أحمال عمل الذكاء الاصطناعي بكفاءة لم يسبق لها مثيل. ورغم أن البدء في التدريب السحابي أمر بسيط، GPU اختيار GPU المناسبة GPU مراعاة عوامل مثل حجم مجموعة البيانات، وتعقيد النموذج، والتكلفة.
مع توفر مجموعة واسعة من الخيارات اليوم، بدءًا من وحدات معالجة الرسومات RTX ذات التكلفة المعقولة وصولاً إلى NVIDIA عالية الأداء وأجهزة Blackwell من الجيل التالي، فإن اختيار التكوين المناسب يمكن أن يؤثر بشكل كبير على كل من تطوير النماذج والتكلفة.
في هذا المقال، سنتناول GPU على GPU السحابية في مجال الرؤية الحاسوبية على Ultralytics وكيفية اختيار الأجهزة المناسبة لأعباء العمل الخاصة بك. هيا بنا نبدأ!
نظرة عامة على التدريب على السحابة عبر Ultralytics
قبل الخوض في كيفية اختيار وحدة GPU السحابي على Ultralytics دعونا نرجع قليلاً إلى الوراء ونلقي نظرة على كيفية عمل التدريب السحابي.
ما هو GPU السحابية؟
يشير GPU السحابية إلى استخدام وحدات معالجة الرسومات الموجودة في بيئة الحوسبة السحابية لتدريب نماذج التعلم الآلي والتعلم العميق، بدلاً من الاعتماد على الأجهزة المحلية أو محطات العمل الخاصة بك. وعلى Ultralytics يتيح لك ذلك الوصول إلى وحدات معالجة رسومات قوية عند الطلب وتشغيل مهام التدريب عن بُعد، دون الحاجة إلى إعدادات خاصة بك.
وهذا يسهل عليك توسيع نطاق مواردك وفقًا لحجم العمل لديك. يمكنك اختيار وحدات معالجة رسومات (GPU) أكثر قوة أو زيادة السعة حسب الحاجة، دون أن تكون مقيدًا بقدرات نظامك. يمكنك تصور الأمر على أنه الوصول إلى أجهزة قوية، أو «عقد»، في مراكز بيانات بعيدة، حيث يمكنك توسيع نطاق الموارد أو تقليصها حسب الحاجة.
كما أنه يلغي الحاجة إلى تركيب وصيانة أجهزة باهظة الثمن. فلن تضطر إلى شراء وحدات معالجة الرسومات (GPU) أو تثبيت برامج التشغيل أو التعامل مع مشكلات التوافق.
تتولى Ultralytics إدارة كل شيء من خلال خدمات السحابة المُدارة، بدءًا من توفير الموارد وصولاً إلى إعداد البيئة والتنسيق وتشغيل مهام التدريب، مما يتيح لك التركيز على تدريب نماذجك وتجربتها وتحسينها.
كيفية عمل تدريب النماذج على Ultralytics
على Ultralytics يُعد مسار عمل التدريب GPU بسيطًا. يمكنك البدء بإدخال مجموعة البيانات الخاصة بك بعدة طرق.
يمكنك تحميل بياناتك الخاصة، أو استخدام مجموعات البيانات العامة المتاحة على المنصة، أو استنساخ مجموعات البيانات التي يشاركها المجتمع للاستفادة من الأعمال الموجودة بالفعل. يؤدي استنساخ مجموعة البيانات إلى إنشاء نسخة منها في مساحة العمل الخاصة بك، مما يتيح لك تعديلها وتوسيعها مع الحفاظ على النسخة الأصلية دون تغيير.
بمجرد اختيار مجموعة البيانات، يمكنك مراجعة صورك وتعليقاتك وتنظيمها للتأكد من أن كل شيء منظم بشكل صحيح. تتضمن المنصة أيضًا أدوات تعليق مدمجة، مما يتيح لك تصنيف البيانات لمهام مثل اكتشاف الكائنات والتقسيم والتصنيف، أو تسريع العملية باستخدام الميزات المدعومة بالذكاء الاصطناعي.
الشكل 1. عرض مجموعة بيانات داخل Ultralytics (المصدر)
بعد ذلك، يمكنك اختيار مشروع أو إنشاء مشروع لإدارة عمليات التدريب الخاصة بك. تساعدك المشاريع على تنظيم النماذج ومقارنتها، track مقاييس track وحفظ التجارب ذات الصلة في مكان واحد.
ومن هناك، يمكنك الانتقال إلى التدريب السحابي، حيث تختار نموذجًا، وتقوم بتكوين المعلمات، وتختار وحدة GPU لاحتياجاتك من حيث الأداء والميزانية. وتقوم المنصة بإدارة البنية التحتية السحابية الأساسية نيابة عنك.
يقوم هذا النظام بتوفير GPU المحدد، وإعداد مجموعة البيانات الخاصة بك، وتشغيل مهمة التدريب في السحابة. ومع تقدم عملية التدريب، يمكنك مراقبة المقاييس والسجلات وأداء النظام في الوقت الفعلي، دون الحاجة إلى إدارة الإعدادات أو CUDA أو أطر العمل مثل PyTorch TensorFlow أو الأجهزة.
التدريب بنقرة واحدة: ابدأ مهام التدريب بأقل قدر من الإعدادات، وانتقل بسرعة من مجموعة البيانات إلى تدريب النموذج دون الحاجة إلى إعدادات معقدة.
وحدات معالجة الرسومات (GPU) حسب الطلب: اختر من بين مجموعة متنوعة من GPU وفقًا لاحتياجاتك، وقم بتوسيع نطاق الموارد حسب الحاجة دون التزامات طويلة الأجل.
المراقبة في الوقت الفعلي: تتبع تقدم التدريب من خلال الرسوم البيانية والسجلات المباشرة، واطلع على مؤشرات النظام مثل GPU والذاكرة في الوقت الفعلي.
نقاط حفظ تلقائية: يتم حفظ تقدم التدريب على فترات منتظمة، مما يسهل استئناف العمل أو استعادته عند الحاجة.
سهولة النشر: بمجرد اكتمال التدريب، يمكنك نشر النماذج المدربة واستخدامها في التطبيقات أو سير العمل من خلال واجهات برمجة التطبيقات (API) المشتركة للاستدلال، أو نقاط النهاية المخصصة، أو عن طريق تصديرها للاستخدام على أنظمة خارجية. تتيح خيارات النشر هذه الاستدلال بزمن انتقال منخفض، مما يجعل من الممكن تشغيل التطبيقات في الوقت الفعلي مثل تحليلات الفيديو وأنظمة الأتمتة وحلول الذكاء الاصطناعي التفاعلية.
GPU مختلفة GPU السحابية ضمن Ultralytics
الآن بعد أن تعرفنا على كيفية عمل التدريب على المنصة، دعونا نلقي نظرة على GPU المختلفة المتاحة. يمكن أن تؤثر GPU على سرعة تدريب النموذج، ومستوى أدائه، وتكلفته.
تقدم Ultralytics مجموعة واسعة من وحدات معالجة الرسومات (GPU)، بدءًا من خيارات مثل RTX 2000 Ada وRTX A4500، مرورًا بوحدات مثل RTX 4000 Ada وRTX A5000 وRTX 3090 وRTX A6000، وصولاً إلى خيارات أكثر قوة مثل RTX 4090 وRTX PRO 6000.
الشكل 2. مثال على GPU المختلفة التي تدعمها Ultralytics (المصدر)
بالنسبة لمعظم المستخدمين، تُعد بطاقة RTX PRO 6000 خيارًا افتراضيًا متوازنًا. فهي توفر أداءً موثوقًا في مجموعة متنوعة من مهام العمل دون الحاجة إلى الكثير من الضبط. أما بطاقة RTX 4090 فهي خيار شائع آخر، حيث توفر أداءً قويًا مقارنةً بسعرها.
بالنسبة للمهام الأصغر حجمًا، مثل التجارب السريعة أو إنشاء النماذج الأولية أو العمل مع مجموعات البيانات الخفيفة، تُعد وحدات معالجة الرسومات (GPU) مثل RTX 2000 Ada وRTX A4500 نقطة انطلاق جيدة. ومع تزايد حجم العمل، توفر خيارات مثل RTX 4000 Ada وRTX A5000 وRTX 3090 أداءً أكثر ثباتًا للتدريب العام.
في الفئة الأعلى، صُممت وحدات معالجة الرسومات (GPU) مثل A100 (Ampere) وH100 وH200 (Hopper) وB200 (Blackwell) لتلبية احتياجات أحمال العمل الضخمة. وهي الأنسب لتدريب النماذج الضخمة للغاية، أو معالجة مجموعات البيانات الهائلة، أو تنفيذ المهام التي تتطلب سرعة وأداءً عاليين.
فهم GPU المختلفة وحالات استخدامها
بعد ذلك، دعونا نلقي نظرة على المقارنة بين أنواع مختلفة من وحدات معالجة الرسومات (GPU) والمجالات التي تناسبها بشكل أفضل.
NVIDIA بطاقات الرسومات RTX من NVIDIA عمومًا أكثر فعالية من حيث التكلفة، وتُستخدم عادةً في التدريب اليومي والتجارب وأحمال العمل الصغيرة والمتوسطة. فهي توفر توازنًا بين الأداء وسهولة الاستخدام، مما يجعلها مناسبة لمجموعة واسعة من حالات الاستخدام.
وبالمقارنة، صُممت وحدات معالجة الرسومات (GPU) مثل A100 وA40 وL40 لأحمال العمل الأثقل وعمليات التدريب على نطاق أوسع. فهي توفر استقرارًا وقابلية للتوسع أعلى، لا سيما عند التعامل مع مجموعات بيانات أكبر أو نماذج أكثر تعقيدًا.
في الفئة الأعلى، تمثل وحدات معالجة الرسومات (GPU) مثل H100 وتلك القائمة على بنية Blackwell NVIDIAأحدث أجهزة الذكاء الاصطناعي. وقد صُممت هذه الوحدات لأحمال العمل عالية الأداء، وتُستخدم عادةً في التدريب على نطاق واسع، أو الأبحاث المتقدمة، أو المهام التي تتطلب سرعة في التنفيذ.
توفر مجموعة GPU المتاحة على Ultralytics مرونة في التعامل مع أحمال العمل المختلفة. ووفقًا لمتطلباتك، يمكنك البدء بإعدادات أصغر الحجم ثم التوسع حسب الحاجة.
كيفية اختيار وحدة GPU السحابية المناسبة GPU شروعك
عند اختيار وحدة GPU السحابي على Ultralytics هناك عدة عوامل يجب أخذها في الاعتبار، بما في ذلك حجم مجموعة البيانات، وتعقيد النموذج، والتكلفة. دعونا نستعرض كل واحد من هذه العوامل.
مواءمة GPU مع حجم مجموعة البيانات
GPU حجم مجموعة البيانات أحد العوامل الرئيسية في اختيار وحدة GPU ، حيث إنه يؤثر على المدة التي يستغرقها التدريب ومقدار القوة الحاسوبية المطلوبة.
بالنسبة لمجموعات البيانات الصغيرة، التي عادةً ما تقل عن 1000 صورة، غالبًا ما تكون وحدة GPU خفيفة الوزن GPU RTX 2000 كافية. وهذا مناسب تمامًا للتجارب السريعة وعمليات التدريب القصيرة.
بالنسبة لمجموعات البيانات متوسطة الحجم، التي تتراوح بين 1,000 و10,000 صورة تقريبًا، توفر وحدات معالجة الرسومات (GPU) مثل RTX 4090 أو RTX A6000 توازنًا أفضل بين الأداء والكفاءة، مما يساعدك على التدريب بسلاسة أكبر دون تأخيرات طويلة.
بالنسبة لمجموعات البيانات الكبيرة، التي تزيد عن 10,000 صورة، ستحتاج على الأرجح إلى أجهزة أكثر قوة للحفاظ على مدة التدريب في حدود معقولة. وتعد وحدات معالجة الرسومات (GPU) مثل H100 أكثر ملاءمة للتعامل مع أحمال العمل الأثقل والتوسع بفعالية.
بشكل عام، يتعلق الأمر بمواءمة حجم مجموعة البيانات الخاصة بك مع مستوى القوة الحاسوبية وقدرة المعالجة المتوازية التي تحتاجها.
اختيار وحدة معالجة الرسومات GPU على حجم النموذج ومدى تعقيده
GPU عامل مهم آخر في اختيار GPU حجم نموذج الذكاء الاصطناعي الخاص بالرؤية ومدى تعقيده. فالنماذج ذات الأحجام المختلفة ستحتاج إلى مستويات مختلفة من الطاقة لإجراء العمليات الحسابية.
على سبيل المثال، تحتاج النماذج الأصغر حجمًا إلى قدر أقل من قوة GPU ، ويمكنها العمل بكفاءة على وحدات معالجة الرسومات مثل RTX 2000 Ada أو RTX A4500، أو حتى RTX 4090 إذا كنت ترغب في الحصول على نتائج أسرع. وتعد هذه النماذج مثالية لإجراء التجارب السريعة، وإنشاء النماذج الأولية، والمهام الأبسط، مما يتيح لك تكرار العمليات بشكل أسرع واختبار الأفكار دون تكبد تكاليف حوسبة باهظة.
من ناحية أخرى، تتطلب النماذج الأكبر حجماً والأكثر تعقيداً قدراً أكبر بكثير من الذاكرة وقوة المعالجة. وتعد وحدات معالجة الرسومات (GPU) مثل RTX A6000 وRTX PRO 6000 والخيارات المتطورة مثل H100 أكثر ملاءمةً لهذه الأحمال. فهي قادرة على التعامل مع بنى أكبر حجماً، وتقليل وقت التدريب، وتجنب مشاكل الذاكرة، وهو أمر مهم بشكل خاص عند التعامل مع الصور عالية الدقة، أو الدفعات الكبيرة الحجم، أو تصميمات النماذج الأكثر تطوراً.
مقارنة حجم الدفعة GPU
وبالمثل، يلعب حجم الدفعة دورًا مهمًا في تدريب النموذج. وهو يشير إلى عدد عينات التدريب التي يعالجها النموذج دفعة واحدة في خطوة واحدة.
يمكن أن تؤدي الدفعات الأكبر حجماً إلى تحسين كفاءة التدريب من خلال معالجة المزيد من البيانات دفعة واحدة، لكنها تتطلب أيضاً مزيداً من GPU (VRAM). وبشكل عام، يمكن لوحدات معالجة الرسومات التي تتمتع بعرض نطاق ترددي أعلى للذاكرة أن تدعم دفعات أكبر حجماً، في حين أن الوحدات التي تتمتع بذاكرة أقل قد تتطلب دفعات أصغر حجماً.
على سبيل المثال، يمكن لوحدات معالجة الرسومات (GPU) مثل RTX A6000 أو RTX PRO 6000 أو A100 معالجة أحجام الدُفعات الأكبر بسهولة أكبر بفضل سعة الذاكرة الأكبر التي تتمتع بها، في حين أن خيارات مثل RTX 4090 أو RTX 2000 Ada قد تتطلب أحجام دُفعات أصغر حسب حجم العمل.
ومع ذلك، GPU استخدام أكبر GPU ضروريًا دائمًا. ففي حين أن وحدات معالجة الرسومات المتطورة يمكنها تحسين السرعة والسعة، إلا أنها تأتي أيضًا بتكاليف أعلى. وفي كثير من الحالات، GPU يكون تعديل حجم الدفعة على GPU أصغر حجمًا خيارًا أكثر كفاءة.
في النهاية، يتمثل الهدف في إيجاد التوازن المناسب بين حجم الدفعة GPU المتاحة والتكلفة، بناءً على النموذج ومجموعة البيانات الخاصة بك.
تأثير إعدادات التدريب على GPU
هناك عامل آخر يؤثر على GPU ، وهو تكوين عملية التدريب. ويشمل ذلك معلمات مثل عدد الدورات، وحجم الصورة، وغيرها من الإعدادات التي تحدد كيفية تدريب النموذج.
على سبيل المثال، تؤدي زيادة حجم الصور إلى زيادة حجم العمليات الحسابية المطلوبة في كل خطوة. وقد يؤدي ذلك إلى إبطاء عملية التدريب، وقد يتطلب المزيد من القوة الحاسوبية أو الذاكرة للحفاظ على الأداء الجيد.
وبالمثل، فإن زيادة عدد الدورات يؤدي إلى إطالة مدة التدريب الإجمالية، لا سيما على الأجهزة الأقل قوة. وتشير الدورة إلى مرور كامل واحد عبر مجموعة البيانات بأكملها أثناء التدريب.
كما أن تقنيات مثل توسيع البيانات تضيف عمليات معالجة إضافية أثناء التدريب. حيث يُطبق توسيع البيانات تحويلات مثل الانعكاس أو الدوران أو تغيير الحجم لزيادة تنوع البيانات وتحسين أداء النموذج. ورغم أن ذلك قد يعزز متانة النموذج، إلا أنه قد يؤدي أيضًا إلى إبطاء سرعة التدريب.
بشكل عام، يمكن لوحدات معالجة الرسومات (GPU) الأكثر قوة التعامل مع هذه المتطلبات المتزايدة بكفاءة أكبر، لكن تأثير ذلك سيعتمد على التكوين العام وحجم العمل.
التوازن بين التكلفة ووقت التدريب
عند اختيار وحدة GPU غالبًا ما يكون هناك توازن بين سرعة التدريب GPU .
تسهل Ultralytics تقدير هذه التكاليف وفهمها قبل البدء في مهمة التدريب. وبناءً على إعداداتك، بما في ذلك حجم مجموعة البيانات والنموذج GPU، يمكنك الاطلاع مسبقًا على التكلفة التقديرية ومدة التدريب.
الشكل 3. تيسر Ultralytics تقدير تكاليف الخدمات السحابية وفهمها. (المصدر)
عادةً ما تكون تكلفة استخدام وحدات معالجة الرسومات (GPU) الأسرع أعلى على أساس الساعة، لكنها قادرة على تقليل المدة الإجمالية للتدريب. وتتميز وحدات معالجة الرسومات مثل RTX 4090 وRTX PRO 6000 وH100 عمومًا بقدرتها على إنجاز عملية التدريب بسرعة أكبر بفضل أدائها العالي.
تميل وحدات معالجة الرسومات (GPU) الأقل سرعة إلى أن تكون تكلفتها بالساعة أقل، لكنها تستغرق وقتًا أطول لإكمال عملية التدريب. على سبيل المثال، غالبًا ما تُستخدم وحدات معالجة الرسومات مثل RTX 2000 Ada وRTX A4500 في أحمال العمل الأصغر حجمًا أو المهام التي تستغرق وقتًا أطول، حيث تُعطى الأولوية للتكلفة المنخفضة.
بالإضافة إلى ذلك، فإن بعض وحدات معالجة الرسومات (GPU) الأعلى أداءً، مثل H200 وB200، لا تتوفر إلا في باقات Pro أو Enterprise، في حين أن معظم الخيارات الأخرى متاحة أيضًا في باقة Free.
نظرة على استراتيجيات تحسين التكاليف
بالإضافة إلى اختيار وحدة GPU المناسبة، هناك بعض الطرق العملية للسيطرة على تكاليف التدريب. ومن أكثر الطرق فعالية البدء بتجارب تجريبية صغيرة قبل التوسع.
بدلاً من البدء مباشرةً بالتدريب الكامل، ابدأ بعدد أقل من الدورات للتأكد من أن إعداداتك تعمل كما هو متوقع. فهذا يساعدك على التحقق بسرعة من صحة البيانات والتعليقات التوضيحية وتكوين النموذج، كما يتيح لك تجنب إهدار الوقت والموارد الحاسوبية في عمليات قد لا تسفر عن نتائج مفيدة.
مع تقدم التدريب، راقب مؤشرات الأداء الخاصة بك وأوقف الجلسات في وقت مبكر إذا استقر الأداء أو توقف عن التحسن. يمكن أن تساعدك مراقبة منحنيات الأداء في اتخاذ قرار بشأن الاستمرار في التدريب أو تعديل برنامجك.
يمكنك أيضًا ضبط معلمات مثل حجم الدفعة وحجم الصورة. تؤدي القيم الأصغر إلى تقليل استهلاك الذاكرة والموارد الحاسوبية، مما يجعل من الأسهل إجراء التجارب واختبار التكوينات المختلفة أو تشغيل عمليات محاكاة على نطاق صغير قبل التوسع.
الشكل 4. تصورات لمقاييس التدريب على Ultralytics (المصدر)
علاوة على ذلك، تساعد Ultralytics في تبسيط إدارة التكاليف. فهي توفر أداة مدمجة لتقدير التكاليف، مما يتيح لك معرفة النفقات المتوقعة قبل البدء في العمل.
بفضل نظام الدفع حسب الاستخدام القائم على الرصيد، لا تدفع سوى مقابل وقت الحوسبة الذي تستخدمه فعليًا. وهذا يسهل عليك الالتزام بالميزانية والتوسع بمجرد أن تثق في إعدادات التدريب الخاصة بك.
أفضل الممارسات المتعلقة GPU على GPU السحابية في مجال الرؤية الحاسوبية
فيما يلي بعض أفضل الممارسات التي يجب مراعاتها عند GPU السحابية على Ultralytics :
تحقق من صحة مجموعات البيانات قبل البدء في التدريب: تأكد من أن مجموعة البيانات الخاصة بك خالية من الأخطاء ومُعلَّمة بشكل جيد ومتسقة قبل البدء. إن اكتشاف المشكلات في مرحلة مبكرة يساعد على تجنب إهدار الموارد الحاسوبية ويحسن أداء النموذج.
قم بإجراء تجارب سريعة أولاً: ابدأ بتجارب اختبارية صغيرة وعدد أقل من الدورات للتحقق من صحة إعداداتك. فهذا يساعد على اكتشاف المشكلات في مرحلة مبكرة دون الاضطرار إلى القيام بمهام تدريب طويلة ومكلفة. وبطريقة ما، فإنك تقوم بإنشاء نموذج يمكنك إعادة استخدامه وتوسيع نطاقه بمجرد أن يعمل كل شيء كما هو متوقع.
مراقبة المقاييس الرئيسية: تتبع المقاييس مثل معدل الخطأ (Loss) mAP) والدقة (Precision) ومعدل الاسترجاع (Recall) طوال فترة التدريب. تعمل هذه المقاييس كمعايير مرجعية لتقييم أداء النموذج وتساعدك على تحديد متى يجب تعديله أو إيقافه.
الحفاظ على كفاءة مسارات معالجة البيانات: تأكد من كفاءة عمليات تحميل البيانات ومعالجتها المسبقة، حيث تعتمد هذه الوظائف على CPU وقد تتحول إلى معوقات تؤثر على أداء التدريب بشكل عام.
استخدم الأدوات المدمجة: استخدم الرسوم البيانية وسجلات وحدة التحكم ومقاييس النظام لمراقبة التدريب في الوقت الفعلي واتخاذ قرارات مستنيرة بسرعة.
النقاط الرئيسية
يعتمد اختيار GPU السحابية المناسبة GPU الرؤية الحاسوبية على Ultralytics على فهم حجم العمل الخاص بك، بما في ذلك حجم مجموعة البيانات، وتعقيد النموذج، وتكوين عملية التدريب. وبفضل مجموعة GPU المتاحة، المدعومة بالبنية التحتية السحابية والأجهزة الافتراضية، يمكنك البدء باختيار متوازن والتوسع تدريجيًا مع تزايد احتياجات تدريب النموذج أو ضبطه. من خلال الجمع بين الأجهزة المناسبة والممارسات الجيدة مثل المراقبة والتحكم في التكاليف، يمكنك تدريب نماذج الذكاء الاصطناعي المتطورة بكفاءة مع الاستفادة القصوى من مرونة الحوسبة عالية الأداء.
