درّب نماذج YOLO بسرعة أكبر باستخدام Ultralytics Platform

قدّمت Ultralytics الأسبوع الماضي Ultralytics Platform، وهي مساحة عمل موحّدة مصممة لتبسيط طريقة إنشاء الفرق لنماذج الرؤية الحاسوبية وتدريبها ونشرها. وبدلاً من التنقل بين أدوات متعددة، تجمع المنصة كل شيء في مكان واحد. ويصبح الانتقال من الفكرة إلى نشر نماذج الذكاء الاصطناعي للرؤية خاليًا من التعقيدات.

يُعد هذا أمرًا بالغ الأهمية لأن الرؤية الحاسوبية أصبحت بسرعة جزءًا أساسيًا من قطاعات متنوعة. فهي تشغّل تطبيقات مثل فحص التصنيع، وتحليلات البيع بالتجزئة، والملاحة الذاتية.

يعتمد تحويل هذه التطبيقات المدعومة بالرؤية إلى أنظمة موثوقة على مدى جودة تدريب النماذج. يتضمن تدريب النموذج التعلّم من البيانات الموسومة لكي يتمكن النموذج من التعرّف على الأنماط وإجراء تنبؤات دقيقة. وبوجه عام، تؤدي النماذج المدرّبة جيدًا إلى أداء أفضل ونتائج أكثر موثوقية في التطبيقات الواقعية.

ومع ذلك، لا يكون تدريب نموذج للرؤية الحاسوبية مباشرًا دائمًا. فهو يتضمن جوانب متعددة، مثل إعداد البيئات، واختيار موارد الحوسبة المناسبة، وضبط المعلمات الفائقة، وتتبع تجارب تدريب متعددة. وعندما تتوزع هذه الخطوات على أدوات وأنظمة مختلفة، يصبح سير عمل التدريب معقدًا وصعب الإدارة بسرعة.

تحل Ultralytics Platform هذه المشكلة من خلال جمع عملية التدريب بأكملها في لوحة معلومات موحّدة واحدة. يمكنك إعداد مهام التدريب وتشغيلها ومراقبتها في مكان واحد، سواء كنت تعمل على السحابة أو محليًا أو على Google Colab.

الشكل 1. لمحة عن تدريب النموذج داخل Ultralytics Platform (المصدر)

في هذه المقالة، سنستكشف كيف تعمل Ultralytics Platform على تبسيط تدريب النماذج ولماذا يمكنها منحك ميزة في مشاريع الذكاء الاصطناعي للرؤية. لنبدأ!

تتعلّم نماذج الرؤية الحاسوبية من البيانات من خلال تدريب النماذج#

قبل التعمق في كيفية عمل تدريب النماذج على Ultralytics Platform، لنتراجع أولًا خطوة ونستعرض ماهية تدريب النماذج وما يتضمنه.

تدريب النموذج هو العملية التي يتعلم من خلالها نموذج الرؤية الحاسوبية تفسير البيانات المرئية. إذ يحلل الصور أو مقاطع الفيديو ويضبط معلماته الداخلية تدريجيًا لتنفيذ مهام الرؤية مثل اكتشاف الأجسام، وتصنيف الصور، وتقسيم المثيلات بدقة. ومع مرور الوقت، يتحسن النموذج من خلال تعلم الأنماط مباشرةً من البيانات التي يراها.

تعتمد جودة التدريب بدرجة كبيرة على مجموعات البيانات. ويمكنك التفكير في مجموعة البيانات على أنها مجموعة من البطاقات التعليمية التي قد يستخدمها معلم لتدريب طالب، حيث يساعد كل مثال النموذج على تعلم ما ينبغي البحث عنه.

تتضمن مجموعة بيانات الرؤية الحاسوبية النموذجية صورًا، عادةً بتنسيقات مثل JPG أو PNG، وتعليقات توضيحية تصف محتوى كل صورة. وتوفر هذه التعليقات، التي تُخزّن غالبًا في ملفات JSON أو TXT، التسميات والسياق اللذين يحتاجهما النموذج للتعلم بفاعلية.

لكن التدريب لا يقتصر على تمرير البيانات إلى نموذج. فهو يتضمن عدة خطوات أساسية، بدءًا من إعداد مجموعة البيانات، مرورًا باختيار النموذج المناسب، ووصولًا إلى إعداد عملية التدريب. لنلقِ نظرة أقرب على بعض هذه الخطوات.

نظرة على كيفية إعداد مجموعات البيانات#

قد يبدو أنك تستطيع بدء تدريب النموذج فورًا بمجرد امتلاك مجموعة بيانات، لكن هناك بضع خطوات ينبغي اتخاذها أولًا، مثل تقسيم مجموعة البيانات.

عمومًا، تُقسّم مجموعة البيانات إلى ثلاثة أجزاء: مجموعة التدريب، ومجموعة التحقق، ومجموعة الاختبار. وتُستخدم صور التدريب لتعليم النموذج الأنماط الموجودة في البيانات، بينما تساعد مجموعة التحقق على مراقبة الأداء وضبطه أثناء التدريب.

تُستخدم مجموعة الاختبار في النهاية لتقييم مدى أداء النموذج على بيانات جديدة تمامًا لم يسبق له رؤيتها. ويساعد هذا الإعداد على ضمان ألا يحفظ النموذج البيانات فحسب، بل أن يتمكن من التعميم على سيناريوهات العالم الحقيقي.

اختيار النموذج المناسب للتدريب#

تتمثل خطوة مهمة أخرى قبل التدريب في اختيار النموذج الذي تريد استخدامه. وفي كثير من الحالات، يعني ذلك اختيار نموذج مدرّب مسبقًا. فنماذج مثل نماذج Ultralytics YOLO تكون مدرّبة مسبقًا على مجموعات بيانات كبيرة، وقد تعلمت أنماطًا بصرية عامة، مما يجعلها نقطة انطلاق قوية.

يُعد استخدام هذه النماذج مثالًا على التعلم بالنقل، حيث تبني على المعرفة الموجودة وتكيّف النموذج مع مهمتك الخاصة. ويساعد هذا النهج على تسريع التدريب وتحسين النتائج، لا سيما عند العمل مع بيانات محدودة.

تأتي هذه النماذج أيضًا بأحجام مختلفة، ويقدم كل حجم مفاضلة بين السرعة والدقة. فالنماذج الأصغر أسرع وأكثر كفاءة، بينما تميل النماذج الأكبر إلى تقديم دقة أعلى، لكنها تتطلب قدرًا أكبر من الحوسبة.

إعداد معلمات التدريب لنماذج الرؤية#

بعد إعداد مجموعة البيانات واختيار النموذج، تتمثل الخطوة التالية في إعداد كيفية تعلّم النموذج.

يُدرّب نموذج الرؤية الحاسوبية باستخدام مجموعة من المعلمات التي تحدد كيفية معالجته للبيانات، وتحديث أوزانه، وتحسنه بمرور الوقت. وتؤثر هذه الإعدادات مباشرةً في سرعة التدريب والدقة النهائية، مما يجعلها ضرورية لتحقيق نتائج قوية.

فيما يلي بعض معلمات التدريب الأكثر استخدامًا:

• العصور التدريبية: تمثل عدد المرات التي يمر فيها النموذج عبر مجموعة البيانات بأكملها أثناء التدريب. وتمنح زيادة عدد العصور التدريبية النموذج فرصًا أكثر لتعلم الأنماط من البيانات.
• حجم الدفعة: هو عدد الصور التي تُعالج معًا في خطوة تدريب واحدة. ويمكن لأحجام الدفعات الأكبر تسريع التدريب، لكنها تتطلب ذاكرة أكبر.
• حجم الصورة: يحدد دقة صور الإدخال المستخدمة أثناء التدريب. وقد تحسن الدقات الأعلى دقة الاكتشاف، لكنها تزيد التكلفة الحسابية.
• معدل التعلّم: هو المعدل الذي يحدّث به النموذج معلماته الداخلية أثناء التدريب. ويمكن للقيم المرتفعة أو المنخفضة جدًا أن تجعل التدريب غير مستقر.
• المُحسِّن: هو الخوارزمية المسؤولة عن تحديث معلمات النموذج استنادًا إلى الخطأ المحسوب أثناء كل تكرار تدريبي.

في سير العمل المستند إلى Ultralytics YOLO، تُعرّف هذه الإعدادات عادةً في ملف YAML. ويحدد هذا الملف مسارات مجموعات البيانات، وأسماء الفئات، وكيفية تقسيم البيانات. ويعمل بوصفه إعدادًا مركزيًا يخبر النموذج بكيفية تفسير مجموعة البيانات.

من عمليات العمل المجزأة إلى تجربة موحّدة مع Ultralytics Platform#

لقد ناقشنا للتو بعض الخطوات الأساسية المتضمنة في تدريب نموذج للرؤية الحاسوبية، بدءًا من إعداد مجموعات البيانات، مرورًا باختيار نموذج، ووصولًا إلى إعداد معلمات التدريب. عمليًا، غالبًا ما تتجاوز العملية ذلك، إذ تشمل تتبع التجارب، ومقارنة عمليات تدريب متعددة، وتحسين النماذج باستمرار بمرور الوقت.

نادرًا ما تُدار هذه الخطوات في مكان واحد. فقد تُعد مجموعات البيانات في أداة، وتُنفذ عمليات التدريب في بيئة أخرى، وتُدار متابعة التجارب بصورة منفصلة. ومع نمو المشاريع، يضيف هذا التجزؤ تعقيدًا، ويبطئ التكرار، ويجعل الحفاظ على تنظيم كل شيء أكثر صعوبة.

تزيل Ultralytics Platform هذا التعقيد من خلال جمع سير عمل التدريب بأكمله في بيئة واحدة. وبدلاً من التبديل بين الأدوات، يمكنك إدارة مجموعات البيانات، وإعداد التدريب، وتشغيل التجارب، ومراقبة النتائج كلها في مكان واحد.

والآن، لنتعمق في كيفية جعل Ultralytics Platform تدريب النماذج أكثر ذكاءً.

خيارات التدريب التي تدعمها Ultralytics Platform#

في التطبيقات الواقعية، يتطلب تدريب نموذج للرؤية الحاسوبية غالبًا بيئات مرنة. وبناءً على حجم مجموعة البيانات، وتعقيد النموذج، والأجهزة المتاحة، قد تختار تشغيل التدريب على السحابة، أو على جهاز محلي، أو عبر بيئات دفاتر ملاحظات خارجية.

تدعم Ultralytics Platform خيارات التدريب التالية لتلبية هذه الاحتياجات:

• التدريب السحابي: تُشغّل عمليات التدريب على وحدات معالجة الرسومات (GPUs) السحابية التي تديرها Ultralytics. ويُعد هذا الخيار مثاليًا لمجموعات البيانات الأكبر أو النماذج الأكثر تعقيدًا التي تتطلب موارد حوسبة كبيرة.
• التدريب المحلي: يستخدم هذا الخيار الأجهزة المتاحة على جهازك، وهو مناسب للتجارب السريعة، أو اختبار الإعدادات، أو العمل مع مجموعات بيانات أصغر. وبالنسبة إلى أحمال العمل الأكثر قابلية للتوسع، يمكن أيضًا تشغيل التدريب في بيئتك السحابية الخاصة، مثل AWS أو GCP.
• Google Colab: باستخدام Ultralytics Platform، يمكنك تشغيل التدريب في بيئة دفاتر الملاحظات المستضافة على Google Colab، مما يتيح سير عمل مرنًا قائمًا على المتصفح دون إعداد جهاز محلي.

استكشاف التدريب السحابي على Ultralytics Platform#

عند العمل على مشاريع الرؤية الحاسوبية، لا يكون تدريب النماذج محليًا أو عبر بيئات دفاتر الملاحظات سهلًا دائمًا.

فعلى سبيل المثال، يعتمد الأداء في التدريب المحلي بالكامل على أجهزتك، مما قد يحد من قدرة الحوسبة ويبطئ التجارب. وتُعد GPUs ضرورية للتدريب الفعّال، لكن لا تتوفر إمكانية وصول موثوقة إليها في كل إعداد.

رغم أن بيئات دفاتر الملاحظات مثل Google Colab توفر بديلًا من خلال وحدات GPUs السحابية، فإن الجلسات غالبًا ما تكون مؤقتة وقد تقطع عمليات التدريب الأطول. ومع نمو مجموعات البيانات وزيادة تعقيد عمليات العمل، يمكن أن تتحول هذه القيود سريعًا إلى اختناقات، مما يجعل التدريب أبطأ وأقل موثوقية.

تعالج Ultralytics Platform ذلك من خلال خيار التدريب السحابي. فهي توفر بيئة جاهزة للاستخدام تكون فيها تبعيات Python وأطر العمل مثل PyTorch مُعدّة مسبقًا، مما يسمح لك ببدء التدريب دون إعداد إضافي.

ومن لوحة معلومات واحدة، يمكنك إطلاق مهام التدريب ومراقبة التقدم في الوقت الفعلي. وهذا يسهّل التركيز على تحسين نماذجك بدلًا من إدارة البنية التحتية.

والآن، لنرَ كيفية البدء بالتدريب السحابي على Ultralytics Platform.

الخطوة 1: اختيار نموذج أساسي#

تتمثل الخطوة الأولى في اختيار نموذج أساسي لعملية التدريب. يمكنك اختيار نموذج Ultralytics YOLO مدرّب مسبقًا، أو استنساخ نموذج من المجتمع، أو تحميل أوزانك المدرّبة مسبقًا لتلبية المتطلبات المخصصة.

تدعم المنصة جميع نماذج Ultralytics YOLO، بما في ذلك Ultralytics YOLO26، وUltralytics YOLO11، وUltralytics YOLOv8، وUltralytics YOLOv5، ويتوفر كل منها بمتغيرات أحجام مختلفة مثل nano (n)، وsmall (s)، وmedium (m)، وlarge (l)، وextra-large (x). وبما أن متغيرات النماذج المختلفة توفر مفاضلة بين السرعة والدقة، يمكنك اختيار نموذج يلائم متطلبات الأداء والحوسبة لديك.

تدعم هذه النماذج مجموعة من مهام الرؤية الحاسوبية التي اعتاد مستخدمو Ultralytics YOLO عليها، بما في ذلك اكتشاف الأجسام، وتقسيم المثيلات، وتصنيف الصور، واكتشاف مربعات الإحاطة الموجّهة (OBB)، وتقدير الوضعية.

إذا كانت لديك متطلبات مخصصة، يمكنك أيضًا تحميل أوزان نموذجك المدرّب مسبقًا. وهذا يعني أنه يمكنك مواصلة تدريب نموذج موجود، أو ضبطه بدقة، مثل كاشف أجسام، داخل المنصة بدلًا من البدء من الصفر. ويكون ذلك مفيدًا بصفة خاصة إذا سبق أن درّبت نموذجًا في مكان آخر أو أردت تكييف نموذج مع حالة استخدام أكثر تخصصًا.

الخطوة 2: اختيار مجموعة بيانات#

تتمثل الخطوة التالية في اختيار مجموعة بيانات للتدريب. على Ultralytics Platform، يمكنك استخدام مجموعات بيانات موجودة مسبقًا مثل مجموعة بيانات COCO، أو استنساخ مجموعات بيانات من المجتمع، أو تحميل مجموعة بيانات مخصصة تناسب تطبيقك تحديدًا.

تدعم المنصة تنسيقات التعليقات التوضيحية الشائعة مثل Ultralytics YOLO وCOCO، ويمكنها أيضًا التعامل مع عمليات تحميل الصور الخام إذا كنت تخطط لـإضافة تعليقات توضيحية إلى البيانات المخصصة مباشرةً على المنصة.

بعد تحميلها، تُعالج مجموعات البيانات تلقائيًا، بما في ذلك التحقق، والتطبيع، وتحليل التسميات، وإنشاء الإحصاءات. ويمنحك ذلك رؤية فورية لبياناتك، بما في ذلك توزيعات الفئات وبنية مجموعة البيانات، ويساعد على ضمان جاهزية كل شيء للتدريب.

كما تُربط مجموعات البيانات تلقائيًا بعمليات التدريب، مما يتيح لك تتبع البيانات المستخدمة لكل نموذج والحفاظ على الاتساق عبر التجارب.

الخطوة 3: إعداد معلمات التدريب#

بعد اختيار مجموعة البيانات، يمكنك إعداد معلمات التدريب التي تتحكم في كيفية تعلّم النموذج. وتشمل هذه المعلمات العصور التدريبية، وحجم الدفعة، وحجم الصورة، واسم العملية لسجل التدريب. ويؤثر كثير من هذه المعلمات في مدة التدريب والأداء النهائي للنموذج.

ولتحكم أكبر في التدريب، تتيح لك المنصة أيضًا ضبط معلمات متقدمة مثل معدل التعلّم، ونوع المُحسِّن، وإعدادات زيادة الألوان، وخيارات التدريب الأخرى. ويمكن لهذه الإعدادات ضبط عملية التدريب بدقة لتحسين دقة النموذج واستقراره.

الخطوة 4: اختيار GPU#

بعد ذلك، يمكنك اختيار تكوين GPU لعملية التدريب. ويعتمد اختيار GPU المناسب على عوامل مثل حجم مجموعة البيانات، وحجم الدفعة، ودقة الصورة، وتعقيد النموذج. ويساعد العثور على التوازن المناسب في الحفاظ على كفاءة التدريب دون استخدام حوسبة أكثر من اللازم.

توفر Ultralytics Platform 22 خيارًا من GPUs بمستويات مختلفة من VRAM (ذاكرة GPU) وقدرة حوسبة، بما يدعم كل شيء بدءًا من المهام الصغيرة ووصولًا إلى أحمال العمل واسعة النطاق.

وبذلك، يمكنك مواءمة الأجهزة مع احتياجاتك الخاصة، سواء كنت تدرّب نماذج خفيفة أو تعمل مع مجموعات بيانات كبيرة ومعقدة. ولمعرفة المزيد، راجع قائمة GPUs المتاحة في صفحة وثائق تدريب Platform على Ultralytics.

الشكل 2. بعض خيارات GPU المتاحة عبر Ultralytics Platform (المصدر)

الخطوة 5: بدء التدريب السحابي#

بمجرد اختيار النموذج، ومجموعة البيانات، ومعلمات التدريب، وخيار الحوسبة، يصبح بدء عملية التدريب سريعًا. فمن لوحة المعلومات، يمكنك إطلاق التدريب بنقرة واحدة، وتتولى المنصة الباقي من خلال تهيئة البيئة وتشغيل المهمة على GPU المحدد.

مع بدء التدريب، يمكنك مراقبة التقدم مباشرةً داخل المنصة. وتوفر علامة التبويب Train رؤية فورية للمقاييس الأساسية، بما في ذلك مقاييس الأداء، ومنحنيات الخسارة، واستخدام النظام، وسجلات التدريب المباشرة.

لمعرفة المزيد عن التدريب محليًا أو استخدام Google Colab مع Ultralytics Platform، يمكنك استكشاف المزيد من البرامج التعليمية ضمن وثائق Platform الرسمية من Ultralytics.

تقييم النماذج ومقارنتها على Ultralytics Platform#

بعد اكتمال التدريب، تتمثل الخطوة التالية في تقييم مدى أداء النموذج. وعلى Ultralytics Platform، يمكنك مقارنة عمليات تدريب متعددة ضمن مشروع واحد، مما يمنحك رؤية واضحة لأداء التجارب المختلفة.

عند تطوير النماذج، غالبًا ما يُكرر التدريب مرات متعددة بإعدادات مختلفة، مثل تغيير معدل التعلّم، أو حجم الدفعة، أو حجم النموذج، لتحسين النتائج. وتنتج كل عملية من هذه العمليات نموذجًا مختلفًا قليلًا، ولهذا تُعد مقارنتها أمرًا بالغ الأهمية.

تعمل المشاريع كمركز رئيسي تُنظّم فيه النماذج والتجارب معًا. ويمكنك تتبع التقدم، ومراجعة النتائج، والحفاظ على التركيز دون التبديل بين الأدوات أو طرق العرض المختلفة.

ومن خلال هذه الرؤية الموحّدة، يمكنك أيضًا تحليل مقاييس الأداء الأساسية مثل الدقة، والاسترجاع، وmAP (متوسط الدقة المتوسطة) لفهم أداء النموذج عبر الفئات المختلفة. كما يمكنك مقارنة عمليات التدريب جنبًا إلى جنب لتحديد الإعدادات التي تحقق أفضل النتائج.

ولتكملة هذه المقاييس، يمكنك استخدام علامة التبويب Predict لاختبار النماذج المدرّبة بسرعة على صور أو بيانات نموذجية، مما يساعدك على التحقق بصريًا من الأداء واكتشاف المشكلات المحتملة.

وبفضل هذه الرؤى، يمكنك اختيار النموذج الأفضل أداءً، والذي يُحفظ عادةً في نقطة التحقق “best.pt”، والانتقال إلى المرحلة التالية، سواء كانت إجراء تقييم إضافي، أو استخدام النموذج لتنفيذ الاستدلال، أو نشر النموذج عبر المنصة.

الشكل 3. مثال على عرض المقاييس على Ultralytics Platform (المصدر)

تقدير تكلفة التدريب ضمن Ultralytics Platform#

يترتب على تدريب نماذج اكتشاف الأجسام في السحابة تكاليف حوسبة، لا سيما عند الوصول إلى GPUs عالية الأداء. ولتسهيل ذلك، توفر Ultralytics Platform تقديرًا للتكلفة قبل بدء التدريب.

فهي تمنحك رؤية واضحة للاستخدام المتوقع، مما يساعدك على تخطيط أحمال العمل، وإدارة الميزانيات، وتجنب النفقات غير المتوقعة قبل إطلاق مهمة تدريب. إليك كيفية التحقق من التكاليف المقدّرة قبل بدء التدريب.

كيفية تقدير وقت التدريب#

لتقدير التكلفة بدقة، تحسب المنصة أولًا المدة التي سيستغرقها عصر تدريبي واحد. ويعتمد ذلك على عوامل مثل حجم مجموعة البيانات، وحجم النموذج، ودقة الصورة، وحجم الدفعة، وسرعة GPU المحدد.

وباستخدام هذه المدخلات، تحدد المنصة الوقت المقدّر لكل عصر تدريبي وتوسّعه ليشمل عملية التدريب بأكملها. وتُحسب المدة الإجمالية بدمج الوقت المستغرق في جميع العصور التدريبية مع قدر بسيط من الوقت الإضافي لبدء التشغيل.

ويغطي الوقت الإضافي مهام مثل تهيئة البيئة، وتحميل مجموعات البيانات، وإعداد GPU، مما يضمن أن يعكس التقدير عملية التدريب الكاملة، وليس حلقة التدريب فحسب.

كيفية حساب تكلفة التدريب#

بعد تقدير إجمالي وقت التدريب، تحوّله المنصة إلى تكلفة باستخدام السعر بالساعة لـGPU المحدد.

ومن خلال الجمع بين مدة التدريب وتسعير GPU، يمكننا الحصول على تقدير واضح لتكلفة العملية قبل أن تبدأ حتى.

تجعل الرؤية المسبقة من السهل تعديل إعدادك، مثل ضبط معلمات التدريب أو اختيار GPU مختلف، لكي تتمكن من تحقيق توازن أكثر فاعلية بين الأداء والتكلفة.

الشكل 4. إعداد تدريب النموذج وتقدير التكلفة ضمن Ultralytics Platform (المصدر)

المزايا الأساسية لاستخدام Ultralytics Platform لتدريب النماذج#

حتى الآن، استعرضنا الخطوات الأساسية المتضمنة في تدريب نماذج الرؤية الحاسوبية وكيف تجتمع على Ultralytics Platform.

إلى جانب هذه الميزات الأساسية، توجد إمكانات إضافية تعزز سير عمل التدريب. فيما يلي نظرة عامة على بعض الفوائد الأساسية لاستخدام Ultralytics Platform لتدريب النماذج:

• قابلية إعادة إنتاج التجارب مدمجة: تُسجّل كل عملية تدريب تلقائيًا باستخدام تكوينها الكامل، بما في ذلك النموذج، ومجموعة البيانات، والمعلمات، وإعداد الحوسبة. وهذا يجعل من السهل العودة إلى التجارب وإعادة إنتاج النتائج بشكل موثوق.
• رؤى التدريب بمرور الوقت: بدلًا من الاطلاع على النتائج النهائية فقط، يمكنك تتبّع كيفية تطوّر الأداء عبر حقب التدريب، مما يساعدك على فهم سلوك النموذج أثناء التدريب بصورة أفضل.
• تقليل الأعباء التشغيلية: من خلال التعامل مع إعداد البيئة وإدارة التبعيات والبنية التحتية في الخلفية، تتيح لك المنصة التركيز بدرجة أكبر على تطوير النموذج وبدرجة أقل على الإعداد.
• تنظيم مركزي للتجارب: تعمل المشاريع كمكان واحد لإدارة النماذج ومجموعات البيانات وعمليات التدريب، مما يساعد في الحفاظ على تنظيم التجارب مع ازدياد تعقيد سير العمل.

أهم النقاط المستخلصة#

يُعدّ التدريب إحدى أهم مراحل دورة حياة نموذج تعلّم الآلة. فهو يحدد مدى دقة قدرة النموذج على التعرّف إلى البيانات المرئية وتفسيرها.

من خلال الجمع بين إعداد بيانات التدريب والمراقبة ومقارنة التجارب وتقدير التكاليف في بيئة واحدة، تعمل Ultralytics Platform على تبسيط عملية إنشاء نماذج عالية الأداء للرؤية الحاسوبية وتجهيزها للنشر.

اطّلع على مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. وإذا كنت تتطلع إلى بناء حلول للرؤية، فألقِ نظرة على خيارات الترخيص لدينا. واستكشف صفحات حلولنا لمعرفة المزيد عن فوائد الرؤية الحاسوبية في التصنيع والذكاء الاصطناعي في الزراعة.