كيفية التدريب والتحقق والتنبؤ والتصدير وقياس الأداء باستخدام نماذج Ultralytics YOLO

تأتي نماذج Ultralytics YOLO مزودة بعدة أوضاع تغطي دورة حياة النموذج كاملة. سواء كنت تدرب نماذج مخصصة لـاكتشاف الكائنات أو تعمل على التقسيم، فإن فهم هذه الأوضاع خطوة أساسية.

ستجد في وثائق Ultralytics عدة أوضاع يمكنك استخدامها مع نماذجك، سواء من أجل التدريب أو التحقق أو التنبؤ أو التصدير أو التتبع أو قياس الأداء. لكل وضع من هذه الأوضاع غرض فريد، ويساعدك على تحسين أداء نموذجك ونشره.

وضع التدريب#

لنبدأ بوضع التدريب، حيث تنشئ نموذجك وتحسّنه. ستجد في الوثائق إرشادات مفصلة وأدلة مصورة بالفيديو، ما يسهّل عليك البدء بتدريب نماذجك المخصصة.

يتضمن تدريب النموذج تزويده بمجموعة بيانات جديدة ليتمكن من تعلم أنماط مختلفة. وبعد تدريبه، يمكن استخدامه في الوقت الفعلي لاكتشاف كائنات جديدة سبق تدريبه عليها. ومن الضروري إضافة تعليقات توضيحية إلى مجموعة بياناتك بتنسيق YOLO قبل بدء التدريب.

وضع التحقق#

بعد ذلك، لنلقِ نظرة على وضع التحقق. فالتحقق ضروري لضبط المعلمات الفائقة وضمان أداء النموذج على نحو جيد. توفر Ultralytics مجموعة متنوعة من خيارات التحقق، منها الإعدادات الآلية، ودعم مقاييس متعددة، والتوافق مع Python API. ويمكنك أيضًا إجراء التحقق مباشرةً عبر واجهة سطر الأوامر (CLI) باستخدام أمر واحد.

ما أهمية التحقق؟#

يُعد التحقق أساسيًا 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 جاهزة للمستخدمين يمكنك نسخها ولصقها في نصوص Python البرمجية. 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 Predict تنفيذ الاستدلال على بيانات جديدة ومشاهدة النموذج أثناء العمل. وهذا الوضع مثالي لاختبار أداء نموذجك على بيانات العالم الحقيقي. وباستخدام بضعة أسطر فقط من تعليمات Python البرمجية، ستتمكن من إجراء تنبؤات على صورك.

وضع التصدير#

بعد التحقق وإجراء التنبؤات، قد ترغب في نشر نموذجك. يتيح لك وضع التصدير تحويل النموذج إلى تنسيقات متعددة، مثل ONNX أو TensorRT، ما يسهّل نشره على منصات مختلفة.

وضع قياس الأداء#

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

كيفية قياس الأداء#

لإجراء قياس للأداء، يمكنك استخدام أمثلة المستخدمين المتاحة في الوثائق. تغطي هذه الأمثلة المقاييس الأساسية وتنسيقات التصدير، بما فيها ONNX وTensorRT. ويمكنك أيضًا تعيين الوسيطة quantize للتكميم الصحيح (INT8) أو الدقة النصفية (FP16) لمعرفة تأثير الإعدادات المختلفة على الأداء.

مثال عملي على قياس الأداء#

لنلقِ نظرة على مثال عملي لقياس الأداء. عند قياس أداء نموذج PyTorch، نلاحظ سرعة استدلال تبلغ 68 مللي ثانية على وحدة GPU من طراز RTX 3070. وبعد التصدير إلى TorchScript، تنخفض سرعة الاستدلال إلى 4 مللي ثوانٍ، ما يُظهر تحسنًا كبيرًا.

نحقق سرعة استدلال تبلغ 21 مللي ثانية لنماذج ONNX. وعند اختبار هذه النماذج على CPU (معالج Intel i9 من الجيل الثالث عشر)، نلاحظ تفاوت النتائج. يستغرق TorchScript 115 مللي ثانية، بينما يحقق ONNX أداءً أفضل بزمن يبلغ 84 مللي ثانية. وأخيرًا، يحقق OpenVINO، المحسّن لعتاد Intel، زمنًا يبلغ 23 مللي ثانية.

الشكل 1. Nicolai Nielsen يوضح كيفية قياس أداء نماذج Ultralytics YOLO.

أهمية قياس الأداء#

يوضح قياس الأداء أثر اختلاف الأجهزة وتنسيقات التصدير 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 التشغيل المستهدفة، ليقدم أفضل أداء ممكن.

الخاتمة#

باختصار، تمثل الأوضاع الواردة في وثائق Ultralytics أدوات فعالة 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 الشيفرة البرمجية المتاحة في مشاريعك. باستخدام هذه الأدوات، يمكنك إنشاء نماذج عالية الأداء وضمان عملها بكفاءة في أي بيئة.