كيفية التدريب والتحقق والتنبؤ والتصدير وإجراء القياس المعياري باستخدام نماذج Ultralytics YOLO

لنتعمق في عالم Ultralytics ونستكشف الأوضاع المختلفة المتاحة لنماذج YOLO المختلفة. سواء كنت تدرب نماذج مخصصة لـاكتشاف الكائنات أو تعمل على التجزئة، فإن فهم هذه الأوضاع يُعد خطوة أساسية. فلنبدأ مباشرةً!

من خلال وثائق Ultralytics، ستجد عدة أوضاع يمكنك استخدامها مع نماذجك، سواء من أجل التدريب أو التحقق أو التنبؤ أو التصدير أو قياس الأداء أو التتبع. ويؤدي كل وضع من هذه الأوضاع غرضًا فريدًا، ويساعدك على تحسين أداء نموذجك ونشره.

وضع التدريب#

لنبدأ بإلقاء نظرة على وضع التدريب. هنا تبني نموذجك وتحسّنه. يمكنك العثور على تعليمات مفصلة وأدلة فيديو في الوثائق، مما يسهّل عليك بدء تدريب نماذجك المخصصة.

يتضمن تدريب النموذج تزويده بمجموعة بيانات جديدة، مما يتيح له تعلم أنماط مختلفة. بعد تدريبه، يمكن استخدام النموذج في الوقت الفعلي لاكتشاف الكائنات الجديدة التي تدرب عليها. وقبل بدء عملية التدريب، من الضروري إضافة التعليقات التوضيحية إلى مجموعة بياناتك بتنسيق YOLO.

وضع التحقق#

بعد ذلك، لنتعمق في وضع التحقق. يُعد التحقق ضروريًا لضبط المعلمات الفائقة وضمان أداء نموذجك بشكل جيد. توفر Ultralytics مجموعة متنوعة من خيارات التحقق، بما في ذلك الإعدادات المؤتمتة، ودعم المقاييس المتعددة، والتوافق مع واجهة برمجة التطبيقات Python. ويمكنك حتى تشغيل التحقق مباشرةً عبر واجهة سطر الأوامر (CLI) باستخدام الأمر أدناه.

لماذا نتحقق؟#

يُعد التحقق أمرًا بالغ الأهمية من أجل:

• الدقة: ضمان اكتشاف نموذجك للكائنات بدقة.
• السهولة: تبسيط عملية التحقق.
• المرونة: توفير طرق متعددة للتحقق.
• ضبط المعلمات الفائقة: تحسين نموذجك لتحقيق أداء أفضل.

توفر Ultralytics أيضًا أمثلة للمستخدمين يمكنك نسخها ولصقها في نصوص Python البرمجية الخاصة بك. وتتضمن هذه الأمثلة معلمات مثل حجم الصورة، وحجم الدفعة، والجهاز (CPU أو GPU)، والتقاطع على الاتحاد (IoU).

وضع التنبؤ#

بعد تدريب نموذجك والتحقق منه، يحين وقت إجراء التنبؤات. يتيح لك وضع التنبؤ تشغيل الاستدلال على بيانات جديدة ومشاهدة نموذجك أثناء العمل. ويُعد هذا الوضع مثاليًا لاختبار أداء نموذجك على بيانات العالم الحقيقي. وباستخدام مقتطف Python البرمجي أدناه، ستتمكن من إجراء تنبؤات على صورك!

وضع التصدير#

بعد التحقق وإجراء التنبؤات، قد ترغب في نشر نموذجك. يتيح لك وضع التصدير تحويل نموذجك إلى تنسيقات متنوعة، مثل ONNX أو TensorRT، مما يسهّل نشره عبر منصات مختلفة.

وضع قياس الأداء#

أخيرًا، لدينا وضع قياس الأداء. يُعد قياس الأداء ضروريًا لتقييم أداء نموذجك في سيناريوهات مختلفة. ويساعدك هذا الوضع على اتخاذ قرارات مدروسة بشأن تخصيص الموارد والتحسين وكفاءة التكلفة.

كيفية قياس الأداء#

لتشغيل قياس الأداء، يمكنك استخدام أمثلة المستخدمين المتوفرة في الوثائق. وتغطي هذه الأمثلة المقاييس الأساسية وتنسيقات التصدير، بما في ذلك ONNX وTensorRT. ويمكنك أيضًا تحديد معلمات مثل التكميم الصحيح (INT8) أو تكميم الفاصلة العائمة (FP16) لمعرفة كيفية تأثير الإعدادات المختلفة في الأداء.

مثال واقعي على قياس الأداء#

لنلقِ نظرة على مثال واقعي لقياس الأداء. عند قياس أداء نموذج PyTorch الخاص بنا، نلاحظ سرعة استدلال تبلغ 68 ميلي ثانية على وحدة معالجة الرسومات RTX 3070. وبعد التصدير إلى TorchScript، تنخفض سرعة الاستدلال إلى 4 ميلي ثوانٍ، مما يُظهر تحسنًا كبيرًا.

بالنسبة إلى نماذج ONNX، نحقق سرعة استدلال تبلغ 21 ميلي ثانية. وعند اختبار هذه النماذج على CPU (وهو Intel i9 من الجيل الثالث عشر)، نلاحظ نتائج متفاوتة. يعمل TorchScript خلال 115 ميلي ثانية، بينما يحقق ONNX أداءً أفضل بزمن قدره 84 ميلي ثانية. وأخيرًا، يحقق OpenVINO المحسّن لأجهزة Intel زمنًا مذهلًا يبلغ 23 ميلي ثانية.

الشكل 1. يوضح Nicolai Nielsen كيفية تشغيل قياس الأداء باستخدام نماذج Ultralytics YOLO.

أهمية قياس الأداء#

يوضح قياس الأداء كيفية تأثير الأجهزة وتنسيقات التصدير المختلفة في أداء نموذجك. ومن الضروري قياس أداء نماذجك، خاصةً إذا كنت تخطط لنشرها على أجهزة مخصصة أو أجهزة طرفية. وتضمن هذه العملية تحسين نموذجك لبيئة الهدف، مما يوفر أفضل أداء ممكن.

الخاتمة#

باختصار، تُعد الأوضاع الواردة في وثائق Ultralytics أدوات قوية لتدريب نماذج YOLO والتحقق منها وإجراء التنبؤات وتصديرها وقياس أدائها. ويؤدي كل وضع دورًا حيويًا في تحسين نموذجك وإعداده للنشر.

لا تنسَ استكشاف مجتمعنا والانضمام إليه، وتجربة مقتطفات التعليمات البرمجية المتوفرة في مشاريعك. باستخدام هذه الأدوات، يمكنك إنشاء نماذج عالية الأداء وضمان تشغيلها بكفاءة في أي بيئة.