كيفية التدريب والتحقق والتنبؤ والتصدير وقياس الأداء باستخدام نماذج Ultralytics YOLO

دعنا نتعمق في عالم Ultralytics ونستكشف الأوضاع المختلفة المتاحة لنماذج YOLO المختلفة. سواء كنت تقوم بتدريب نماذج اكتشاف الكائنات المخصصة أو تعمل على التجزئة، فإن فهم هذه الأوضاع يعد خطوة حاسمة. هيا بنا نبدأ!

من خلال وثائق Ultralytics، ستجد العديد من الأوضاع التي يمكنك استخدامها لنماذجك، سواء كان ذلك للتدريب أو التحقق أو التنبؤ أو التصدير أو قياس الأداء أو التتبع. يخدم كل 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 لاكتشاف كائنات جديدة تم تدريبه عليها. قبل البدء في عملية التدريب، من الضروري إضافة تعليقات توضيحية إلى مجموعة البيانات الخاصة بك بتنسيق YOLO.

وضع التحقق

بعد ذلك، دعنا نتعمق في وضع التحقق. التحقق ضروري لضبط المعلمات الفائقة والتأكد من أن نموذجك يعمل بشكل جيد. توفر Ultralytics مجموعة متنوعة من خيارات التحقق، بما في ذلك الإعدادات التلقائية ودعم المقاييس المتعددة والتوافق مع Python API. يمكنك حتى تشغيل التحقق مباشرة من خلال واجهة سطر الأوامر (CLI) 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.

توفر Ultralytics أيضًا أمثلة للمستخدمين يمكنك نسخها ولصقها في نصوص Python البرمجية الخاصة بك. تتضمن هذه الأمثلة معلمات مثل حجم الصورة وحجم الدفعة والجهاز (وحدة المعالجة المركزية أو وحدة معالجة الرسومات) والتقاطع على الاتحاد (IoU).

وضع التوقع

بمجرد تدريب النموذج الخاص بك والتحقق منه، فقد حان الوقت لتقديم التوقعات. يتيح لك وضع التوقع تشغيل الاستدلال على بيانات جديدة ورؤية النموذج الخاص بك أثناء العمل. هذا الوضع مثالي لاختبار أداء النموذج الخاص بك على بيانات العالم الحقيقي.

باستخدام مقتطف كود Python أدناه، ستتمكن من تشغيل التوقعات على صورك!

وضع التصدير

بعد التحقق والتنبؤ، قد تحتاج إلى نشر النموذج الخاص بك. يتيح لك وضع التصدير تحويل النموذج الخاص بك 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 قياس، 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 تحديد الكميات الصحيحة (INT8) أو تحديد الكميات النقطة العائمة (FP16) لمعرفة كيف تؤثر الإعدادات المختلفة على الأداء.

مثال على القياس في العالم الحقيقي

دعنا نلقي نظرة على مثال واقعي للقياس. عندما نقوم بقياس نموذج PyTorch الخاص بنا، نلاحظ سرعة استدلال تبلغ 68 مللي ثانية على وحدة معالجة الرسومات RTX 3070. بعد التصدير إلى TorchScript، تنخفض سرعة الاستدلال إلى 4 مللي ثانية، مما يدل على تحسن كبير.

بالنسبة لنماذج ONNX، نحقق سرعة استدلال تبلغ 21 مللي ثانية. عند اختبار هذه النماذج على وحدة معالجة مركزية (Intel i9 من الجيل الثالث عشر)، نرى نتائج متفاوتة. يعمل TorchScript بسرعة 115 مللي ثانية، بينما يكون أداء ONNX أفضل بسرعة 84 مللي ثانية. وأخيرًا، تحقق OpenVINO المحسّنة لأجهزة Intel سرعة فائقة تبلغ 23 مللي 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، الأوضاع في وثائق Ultralytics هي أدوات قوية لتدريب نماذج YOLO الخاصة بك والتحقق من صحتها والتنبؤ بها وتصديرها وقياس أدائها. يلعب كل وضع دورًا حيويًا في تحسين النموذج الخاص بك 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.