كيفية تدريب نماذج Ultralytics YOLO والتحقق من صحتها والتنبؤ بها وتصديرها وقياسها باستخدام نماذج Ultralytics YOLO

دعنا نتعمق في عالم Ultralytics ونستكشف الأوضاع المختلفة المتاحة لنماذج YOLO المختلفة. سواء كنت تقوم بتدريب نماذج مخصصة لاكتشاف الكائنات أو تعمل على التجزئة، فإن فهم هذه الأوضاع يعد خطوة حاسمة. لنبدأ مباشرةً!

من خلالوثائق Ultralytics، ستجد العديد من الأوضاع التي يمكنك استخدامها لنماذجك، سواء كان ذلك للتدريب أو التحقق من الصحة أو التنبؤ أو التصدير أو القياس أو track. يخدم كل وضع من هذه الأوضاع غرضًا فريدًا ويساعدك على تحسين أداء نموذجك ونشره.

وضع التدريب

لنبدأ أولاً بإلقاء نظرة على وضع التدريب. هذا هو المكان الذي تقوم فيه ببناء نموذجك وتحسينه. يمكنك العثور على تعليمات مفصلة و أدلة فيديو في الوثائق، مما يجعل من السهل البدء في تدريب النماذج المخصصة الخاصة بك.

يتضمن تدريب النموذج تزويد النموذج بمجموعة بيانات جديدة، مما يسمح له بتعلم أنماط مختلفة. بمجرد التدريب، يمكن استخدام النموذج في الوقت الفعلي detect الكائنات الجديدة التي تم تدريبه عليها. قبل البدء في عملية التدريب، من الضروري وضع تعليقات توضيحية لمجموعة البيانات بتنسيق YOLO .

وضع التحقق

بعد ذلك، دعنا نتعمق في وضع التحقق من الصحة. يعد التحقق من الصحة أمرًا ضروريًا لضبط المعلمات الفائقة وضمان أداء نموذجك بشكل جيد. يوفر Ultralytics مجموعة متنوعة من خيارات التحقق من الصحة، بما في ذلك الإعدادات التلقائية، ودعم المقاييس المتعددة، والتوافق مع واجهة برمجة تطبيقات Python . يمكنك حتى تشغيل التحقق من الصحة مباشرةً من خلال واجهة سطر الأوامرCLI) باستخدام الأمر أدناه.

لماذا التحقق؟

التحقق ضروري من أجل:

• الدقة: ضمان اكتشاف النموذج الخاص بك للأجسام بدقة.
  ‍
• الملاءمة: تبسيط عملية التحقق.
  ‍
• المرونة: تقديم طرق تحقق متعددة.
  ‍
• ضبط المعلمات الفائقة: تحسين النموذج الخاص بك للحصول على أداء أفضل.

يوفر Ultralytics أيضًا أمثلة للمستخدم يمكنك نسخها ولصقها في نصوص Python البرمجية. تتضمن هذه الأمثلة معلمات مثل حجم الصورة وحجم الدُفعة والجهازCPU أو GPU) والتقاطع على الاتحادIoU).

وضع التوقع

بمجرد أن يتم تدريب النموذج الخاص بك والتحقق من صحته، يحين وقت إجراء التنبؤات. يسمح لك وضع التنبؤ بتشغيل الاستدلال على بيانات جديدة ورؤية نموذجك أثناء العمل. يعد هذا الوضع مثاليًا لاختبار أداء نموذجك على بيانات العالم الحقيقي.

باستخدام مقتطف كود python أدناه، ستتمكن من تشغيل التنبؤات على صورك!

وضع التصدير

بعد التحقق والتنبؤ، قد ترغب في نشر نموذجك. يمكّنك وضع التصدير من تحويل نموذجك إلى تنسيقات مختلفة، مثل ONNX أو TensorRT مما يسهل نشره عبر منصات مختلفة.

وضع القياس

أخيرًا، لدينا وضع القياس. يعد القياس ضروريًا لتقييم أداء النموذج الخاص بك في سيناريوهات مختلفة. يساعدك هذا الوضع على اتخاذ قرارات مستنيرة بشأن تخصيص الموارد والتحسين وكفاءة التكلفة.

كيفية إجراء القياس

لتشغيل مقياس، يمكنك استخدام أمثلة المستخدم المتوفرة في الوثائق. تغطي هذه الأمثلة المقاييس الرئيسية وتنسيقات التصدير، بما في ذلك ONNX و TensorRT. يمكنك أيضًا تحديد معلمات مثل تكميم الأعداد الصحيحة (INT8) أو تكميم الفاصلة العائمة (FP16) لمعرفة كيف تؤثر الإعدادات المختلفة على الأداء.

مثال على القياس في العالم الحقيقي

لنلقِ نظرة على مثال واقعي لقياس الأداء. عندما نقيس نموذج PyTorch الخاص بنا، نلاحظ سرعة استدلال تبلغ 68 ميلي ثانية على GPU RTX 3070. بعد التصدير إلى TorchScript تنخفض سرعة الاستدلال إلى 4 ميلي ثانية، مما يدل على تحسن كبير.

بالنسبة لنماذج ONNX نحقق سرعة استدلال تبلغ 21 ميلي ثانية. عند اختبار هذه النماذج على CPU ( Intel i9 الجيل الثالث عشر)، نرى نتائج متفاوتة. حيث يعمل TorchScript بسرعة 115 ميلي ثانية، بينما يعمل ONNX بسرعة 84 ميلي ثانية. وأخيرًا، يحقق OpenVINO المحسّن لأجهزة Intel أداءً مذهلًا بسرعة 23 ميلي ثانية.

أهمية قياس الأداء

يوضح قياس الأداء كيف يمكن أن تؤثر الأجهزة وتنسيقات التصدير المختلفة على أداء النموذج الخاص بك. من الضروري قياس أداء النماذج الخاصة بك، خاصة إذا كنت تخطط لنشرها على أجهزة مخصصة أو أجهزة طرفية. تضمن هذه العملية تحسين النموذج الخاص بك للبيئة المستهدفة، مما يوفر أفضل أداء ممكن.

الخلاصة

باختصار، تعد الأوضاع في وثائق Ultralytics أدوات قوية للتدريب والتحقق من صحة نماذج YOLO والتنبؤ بها وتصديرها وقياسها. يلعب كل وضع دورًا حيويًا في تحسين نموذجك وإعداده للنشر.

لا تنس استكشاف مجتمعنا والانضمام إليه وجرّب مقتطفات التعليمات البرمجية المتوفرة في مشاريعك. باستخدام هذه الأدوات، يمكنك إنشاء نماذج عالية الأداء والتأكد من أنها تعمل بكفاءة في أي بيئة.