تدريب YOLO بشكل أسرع باستخدام Ultralytics

في الأسبوع الماضي، Ultralytics Ultralytics وهي مساحة عمل موحدة مصممة لتبسيط الطريقة التي تعتمدها الفرق في إنشاء نماذج الرؤية الحاسوبية وتدريبها ونشرها. وبدلاً من الاضطرار إلى التنقل بين أدوات متعددة، تجمع المنصة كل شيء في مكان واحد. وبذلك يصبح الانتقال من الفكرة إلى النشر باستخدام نماذج الذكاء الاصطناعي للرؤية أمراً سهلاً وخالياً من المتاعب. 

وهذا أمر بالغ الأهمية لأن الرؤية الحاسوبية أصبحت بسرعة جزءًا أساسيًا في العديد من القطاعات. فهي تدعم تطبيقات مثل فحص المنتجات في مجال التصنيع، وتحليلات قطاع التجزئة، والملاحة الذاتية.

يعتمد تحويل هذه التطبيقات التي تعتمد على الرؤية إلى أنظمة موثوقة على مدى جودة تدريب النماذج. يتضمن تدريب النماذج التعلم من البيانات المصنفة حتى يتمكن النموذج من التعرف على الأنماط وإجراء تنبؤات دقيقة. وبشكل عام، تؤدي النماذج المدربة جيدًا إلى تحسين أداء النموذج والحصول على نتائج أكثر موثوقية في التطبيقات العملية.

ومع ذلك، فإن تدريب نموذج الرؤية الحاسوبية لا يكون دائمًا أمرًا بسيطًا. فهو ينطوي على جوانب متعددة، مثل إعداد البيئات، واختيار موارد الحوسبة المناسبة، وضبط المعلمات الفائقة، ومتابعة تجارب التدريب المتعددة. وعندما تتوزع هذه الخطوات على أدوات وأنظمة مختلفة، سرعان ما يصبح سير عمل التدريب معقدًا ويصعب إدارته.

تحل Ultralytics هذه المشكلة من خلال تجميع عملية التدريب بأكملها في لوحة تحكم واحدة وموحدة. يمكنك تهيئة مهام التدريب وتشغيلها ومراقبتها من مكان واحد، سواء كنت تعمل في السحابة أو محليًا أو على Google . 

في هذا المقال، سنتعرف على الكيفية التي تعمل بها Ultralytics على تبسيط عملية تدريب النماذج ، ولماذا يمكن أن تمنحك ميزة تنافسية في مشاريع الذكاء الاصطناعي الخاصة بالرؤية. هيا بنا نبدأ!

تتعلم نماذج الرؤية الحاسوبية من البيانات من خلال تدريب النماذج

قبل الخوض في كيفية عمل تدريب النماذج على Ultralytics ، دعونا أولاً نأخذ خطوة إلى الوراء ونستعرض ما هو تدريب النماذج وما الذي ينطوي عليه.

تدريب النموذج هو العملية التي يتعلم من خلالها نموذج الرؤية الحاسوبية تفسير البيانات المرئية. فهو يحلل الصور أو مقاطع الفيديو ويقوم تدريجيًا بتعديل معلماته الداخلية لأداء مهام الرؤية بدقة، مثل اكتشاف الكائنات وتصنيف الصور وتقسيم العناصر. ومع مرور الوقت، يتحسن النموذج من خلال تعلم الأنماط مباشرةً من البيانات التي يراها.

تعتمد جودة التدريب بشكل كبير على مجموعات البيانات. يمكنك تصور مجموعة البيانات على أنها مجموعة من البطاقات التعليمية التي يستخدمها المعلم لتدريب الطالب، حيث يساعد كل مثال النموذج على تعلم ما يجب البحث عنه.

تتضمن مجموعة بيانات الرؤية الحاسوبية النموذجية صورًا، عادةً بتنسيقات مثل JPG أو PNG، وتعليقات توضيحية تصف محتوى كل صورة. وتوفر هذه التعليقات التوضيحية، التي غالبًا ما يتم تخزينها كملفات JSON أو TXT، العلامات والسياق اللذين يحتاجهما النموذج للتعلم بفعالية.

لكن التدريب لا يقتصر على إدخال البيانات في النموذج فحسب. بل يتضمن عدة خطوات أساسية، بدءًا من إعداد مجموعة البيانات وصولاً إلى اختيار النموذج المناسب وتهيئة عملية التدريب. والآن، دعونا نلقي نظرة عن كثب على بعض هذه الخطوات.

نظرة على كيفية إعداد مجموعات البيانات

قد يبدو أنه بمجرد حصولك على مجموعة بيانات، يمكنك البدء فورًا في تدريب النموذج، ولكن هناك بعض الخطوات التي يتعين عليك اتخاذها أولاً، مثل تقسيم مجموعة البيانات.

بشكل عام، تنقسم مجموعة البيانات إلى ثلاثة أجزاء: مجموعة التدريب، ومجموعة التحقق، ومجموعة الاختبار. تُستخدم صور التدريب لتعليم النموذج الأنماط الموجودة في البيانات، بينما تساعد مجموعة التحقق في مراقبة الأداء وضبطه أثناء التدريب. 

تُستخدم مجموعة الاختبار في النهاية لتقييم مدى كفاءة أداء النموذج على بيانات جديدة تمامًا لم يسبق له رؤيتها. ويساعد هذا الإجراء على ضمان ألا يقتصر دور النموذج على حفظ البيانات فحسب، بل أن يكون قادرًا على التعميم على سيناريوهات واقعية.

اختيار النموذج المناسب للتدريب

هناك خطوة مهمة أخرى قبل البدء في التدريب، وهي اختيار النموذج الذي تريد استخدامه. وفي كثير من الأحيان، يعني ذلك اختيار نموذج تم تدريبه مسبقًا. فقد تم تدريب نماذج مثلYOLO Ultralytics YOLO بالفعل على مجموعات بيانات ضخمة، وتعلّمت الأنماط البصرية العامة، مما يجعلها نقطة انطلاق قوية.

يُعد استخدام هذه النماذج مثالاً على «التعلم الترحيلي»، حيث تعتمد على المعرفة الموجودة وتقوم بتكييف النموذج ليتناسب مع مهمتك المحددة. تساعد هذه الطريقة في تسريع عملية التدريب وتحسين النتائج، لا سيما عند التعامل مع بيانات محدودة.

تتوفر هذه النماذج أيضًا بأحجام مختلفة، حيث يقدم كل منها توازنًا بين السرعة والدقة. فالنماذج الأصغر حجمًا تكون أسرع وأكثر كفاءة، بينما تميل النماذج الأكبر حجمًا إلى توفير دقة أعلى، لكنها تتطلب قدرًا أكبر من الحوسبة.

تكوين معلمات التدريب لنماذج الرؤية

بعد أن تصبح مجموعة البيانات جاهزة وتكون قد اخترت نموذجًا، فإن الخطوة التالية هي تكوين طريقة تعلم النموذج.

يتم تدريب نموذج الرؤية الحاسوبية باستخدام مجموعة من المعلمات التي تحدد كيفية معالجته للبيانات، وتحديث أوزانه، وتحسين أدائه بمرور الوقت. وتؤثر هذه الإعدادات بشكل مباشر على كل من سرعة التدريب والدقة النهائية، مما يجعلها أساسية لتحقيق نتائج قوية.

فيما يلي بعض معلمات التدريب الأكثر استخدامًا:

• عدد الدورات: يمثل عدد المرات التي يمر فيها النموذج بكامل مجموعة البيانات أثناء التدريب. وتؤدي زيادة عدد الدورات إلى منح النموذج فرصًا أكثر لتعلم الأنماط من البيانات.
• حجم الدفعة: هو عدد الصور التي تتم معالجتها معًا في خطوة تدريب واحدة. يمكن أن تؤدي الدفعات الأكبر حجمًا إلى تسريع عملية التدريب، لكنها تتطلب مساحة أكبر من الذاكرة.
• حجم الصورة: يحدد دقة الصور المدخلة المستخدمة أثناء التدريب. قد تؤدي الدقة الأعلى إلى تحسين دقة الكشف، لكنها تزيد من التكلفة الحسابية.
• معدل التعلم: هو المعدل الذي يتم به تحديث المعلمات الداخلية للنموذج أثناء التدريب. وقد تؤدي القيم المرتفعة جدًا أو المنخفضة جدًا إلى عدم استقرار عملية التدريب.
• المُحسِّن: هي الخوارزمية المسؤولة عن تحديث معلمات النموذج بناءً على الخطأ المحسوب خلال كل تكرار من تكرارات التدريب.

في سير العملYOLO Ultralytics عادةً ما يتم تحديد هذه التكوينات في ملف YAML. يحدد هذا الملف مسارات مجموعات البيانات وأسماء الفئات وكيفية تقسيم البيانات. وهو بمثابة تكوين مركزي يرشد النموذج إلى كيفية تفسير مجموعة البيانات.

من سير العمل المجزأ إلى تجربة موحدة مع Ultralytics

لقد ناقشنا للتو بعض الخطوات الأساسية التي ينطوي عليها تدريب نموذج الرؤية الحاسوبية، بدءًا من إعداد مجموعات البيانات وصولاً إلى اختيار النموذج وتهيئة معلمات التدريب. وفي الواقع العملي، غالبًا ما تمتد هذه العملية لتشمل إجراء تجارب التتبع، ومقارنة عمليات التدريب المتعددة، والتحسين المستمر للنماذج بمرور الوقت.

نادرًا ما تتم معالجة هذه الخطوات في مكان واحد. فقد يتم إعداد مجموعات البيانات باستخدام أداة ما، وتنفيذ عمليات التدريب في بيئة أخرى، وإدارة تتبع التجارب بشكل منفصل. ومع نمو المشاريع، تزيد هذه التجزئة من التعقيد، وتبطئ عملية التكرار، وتجعل من الصعب الحفاظ على تنظيم كل شيء.

تُزيل Ultralytics هذه التعقيدات من خلال تجميع جميع مراحل عملية التدريب في بيئة واحدة. فبدلاً من التنقل بين الأدوات المختلفة، يمكنك إدارة مجموعات البيانات، وتهيئة التدريب، وإجراء التجارب، ومراقبة النتائج، كل ذلك من مكان واحد.

بعد ذلك، دعونا نتعمق في كيفية قيام Ultralytics بجعل تدريب النماذج أكثر ذكاءً. 

خيارات التدريب التي تدعمها Ultralytics

في التطبيقات العملية، غالبًا ما يتطلب تدريب نموذج الرؤية الحاسوبية بيئات مرنة. وبناءً على حجم مجموعة البيانات لديك، ومدى تعقيد النموذج، والأجهزة المتاحة، يمكنك اختيار إجراء التدريب في السحابة، أو على جهاز محلي، أو من خلال بيئات أجهزة كمبيوتر محمولة خارجية.

تدعم Ultralytics خيارات التدريب التالية لتلبية هذه الاحتياجات:

• التدريب السحابي: يتم إجراء التدريب على وحدات معالجة الرسومات (GPU) السحابية Ultralytics. ويُعد هذا الخيار مثاليًا لمجموعات البيانات الكبيرة أو النماذج الأكثر تعقيدًا التي تتطلب موارد حاسوبية كبيرة.
• التدريب المحلي: يستخدم هذا الخيار الأجهزة المتوفرة على جهازك، وهو خيار مثالي لإجراء التجارب السريعة أو اختبار التكوينات أو العمل مع مجموعات بيانات أصغر حجمًا. أما بالنسبة لأحمال العمل التي تتطلب قابلية أكبر للتوسع، فيمكن أيضًا إجراء التدريب في بيئة السحابة الخاصة بك، مثل AWS أو GCP.
• Google : باستخدام Ultralytics ، يمكنك تشغيل عمليات التدريب في بيئة دفاتر العمل المستضافة Google مما يتيح سير عمل مرنًا يعتمد على المتصفح دون الحاجة إلى تهيئة جهاز محلي.

استكشاف التدريب على السحابة عبر Ultralytics

عندما يتعلق الأمر بمشاريع الرؤية الحاسوبية، فإن تدريب النماذج محليًا أو عبر بيئات أجهزة الكمبيوتر المحمولة ليس بالأمر السهل دائمًا.

على سبيل المثال، في حالة التدريب المحلي، يعتمد الأداء كليًا على الأجهزة المتوفرة لديك، مما قد يحد من قوة الحوسبة ويؤدي إلى إبطاء عملية التجريب. وتعد وحدات معالجة الرسومات (GPU) ضرورية لإجراء تدريب فعال، ولكن ليس كل نظام يتمتع بإمكانية الوصول الموثوقة إليها. 

في حين توفر بيئات العمل مثل Google بديلاً من خلال توفير وحدات معالجة الرسومات (GPU) المستندة إلى السحابة، فإن الجلسات غالبًا ما تكون مؤقتة وقد تؤدي إلى مقاطعة عمليات التدريب الطويلة. ومع تزايد حجم مجموعات البيانات وزيادة تعقيد سير العمل، يمكن أن تتحول هذه القيود بسرعة إلى معوقات، مما يجعل عملية التدريب أبطأ وأقل موثوقية.

تتصدى Ultralytics لهذه المشكلة من خلال خيار التدريب السحابي الذي توفره. فهي توفر بيئة جاهزة للاستخدام حيث PyTorch تهيئة Python وأطر العمل مثل PyTorch مسبقًا، مما يتيح لك بدء التدريب دون الحاجة إلى إعدادات إضافية.

من خلال لوحة تحكم واحدة، يمكنك بدء مهام التدريب ومتابعة التقدم المحرز في الوقت الفعلي. وهذا يسهل التركيز على تحسين نماذجك بدلاً من إدارة البنية التحتية.

الآن، دعونا نرى كيف نبدأ التدريب على السحابة عبر Ultralytics .

الخطوة 1: اختر طرازًا أساسيًا

الخطوة الأولى هي اختيار نموذج أساسي لتجربة التدريب الخاصة بك. يمكنك اختيار YOLO Ultralytics YOLO مدرب مسبقًا، أو استنساخ نموذج من المجتمع، أو تحميل أوزانك المدربة مسبقًا لتلبية متطلباتك الخاصة.

تدعم المنصة جميعYOLO Ultralytics YOLO ، بما في ذلك Ultralytics ، Ultralytics YOLO11و Ultralytics YOLOv8، و Ultralytics YOLOv5، وكل منها متوفر في أحجام مختلفة مثل النانو (n)، والصغير (s)، والمتوسط (m)، والكبير (l)، والكبير جدًا (x). مع وجود نماذج مختلفة توفر توازنًا بين السرعة والدقة، يمكنك اختيار النموذج الذي يناسب متطلبات الأداء والحوسبة الخاصة بك.

تدعم هذه النماذج مجموعة من مهام الرؤية الحاسوبية التي اعتاد عليهاYOLO Ultralytics YOLO بالفعل، بما في ذلك اكتشاف الكائنات، وتقسيم الحالات، وتصنيف الصور، واكتشاف الصناديق المحيطة الموجهة (OBB)، وتقدير الوضع.

إذا كانت لديك متطلبات مخصصة، فيمكنك أيضًا تحميل أوزان النموذج المُدرَّب مسبقًا الخاصة بك. وهذا يعني أنه يمكنك مواصلة تدريب نموذج موجود بالفعل أو ضبطه بدقة، مثل كاشف الكائنات، داخل المنصة، بدلاً من البدء من الصفر. ويُعد هذا مفيدًا بشكل خاص إذا كنت قد قمت بالفعل بتدريب نموذج في مكان آخر أو كنت ترغب في تكييف نموذج ما مع حالة استخدام أكثر تحديدًا.

الخطوة 2: حدد مجموعة بيانات

الخطوة التالية هي اختيار مجموعة بيانات للتدريب. على Ultralytics ، يمكنك استخدام مجموعات COCO الموجودة مسبقًا مثل COCO ، أو استنساخ مجموعات بيانات من المجتمع، أو تحميل مجموعة بيانات مخصصة خاصة بك ومصممة خصيصًا لتطبيقك المحدد.

تدعم المنصة تنسيقات التعليقات التوضيحية الشائعة مثل Ultralytics YOLO COCO كما يمكنها معالجة الصور الأولية التي يتم تحميلها إذا كنت تخطط لإضافة تعليقات توضيحية إلى البيانات المخصصة مباشرةً على المنصة.

بمجرد تحميل مجموعات البيانات، تتم معالجتها تلقائيًا، بما في ذلك التحقق من صحتها وتوحيدها وتحليل العلامات وإنشاء الإحصائيات. يمنحك ذلك رؤية فورية لبياناتك، بما في ذلك توزيعات الفئات وهيكل مجموعة البيانات، ويساعد على ضمان أن كل شيء جاهز للتدريب.

كما يتم ربط مجموعات البيانات تلقائيًا بعمليات التدريب، مما يتيح لك track البيانات track تم استخدامها لكل نموذج والحفاظ على الاتساق بين التجارب.

الخطوة 3: تكوين معلمات التدريب

بعد اختيار مجموعة البيانات، يمكنك تكوين معلمات التدريب التي تتحكم في كيفية تعلم النموذج. وتشمل هذه المعلمات عدد الدورات، وحجم الدفعة، وحجم الصورة، واسم الجلسة في سجل التدريب. ويؤثر العديد من هذه المعلمات على كل من مدة التدريب والأداء النهائي للنموذج.

ولتحقيق تدريب أكثر تحكماً، تتيح لك المنصة أيضًا ضبط المعلمات المتقدمة مثل معدل التعلم ونوع المُحسِّن وإعدادات تعزيز الألوان وخيارات التدريب الأخرى. ويمكن لهذه الإعدادات ضبط عملية التدريب بدقة لتحسين دقة النموذج واستقراره.

الخطوة 4: اختر وحدة معالجة GPU

بعد ذلك، يمكنك تحديد GPU لعملية التدريب. GPU اختيار GPU المناسبة على عوامل مثل حجم مجموعة البيانات، وحجم الدفعة، ودقة الصورة، ومدى تعقيد النموذج. ويساعد إيجاد التوازن المناسب في الحفاظ على كفاءة عملية التدريب دون استخدام طاقة حاسوبية أكثر من اللازم.

توفر Ultralytics 22 GPU بمستويات مختلفة من ذاكرة VRAM (الذاكرة المخصصة لوحدة GPU) وقدرة الحوسبة، مما يتيح دعم جميع المهام بدءًا من المهام الصغيرة وصولاً إلى أحمال العمل الضخمة.

وباستخدام هذه الميزة، يمكنك اختيار الأجهزة التي تناسب احتياجاتك المحددة، سواء كنت تقوم بتدريب نماذج خفيفة الوزن أو تعمل مع مجموعات بيانات كبيرة ومعقدة. لمعرفة المزيد، راجع قائمة وحدات معالجة الرسومات (GPU) المتاحة على صفحةوثائق التدريب الخاصة بمنصة Ultralytics .

الخطوة 5: بدء التدريب على الخدمات السحابية

بمجرد اختيار النموذج ومجموعة البيانات ومعلمات التدريب وخيار الحوسبة، يصبح بدء عملية التدريب أمراً سريعاً. فمن خلال لوحة التحكم، يمكنك بدء التدريب بنقرة واحدة، وتقوم المنصة بالباقي من خلال تهيئة البيئة وتشغيل المهمة على GPU المحددة.

مع بدء التدريب، يمكنك متابعة التقدم المحرز مباشرةً من داخل المنصة. توفر علامة التبويب «التدريب» رؤية في الوقت الفعلي للمؤشرات الرئيسية، بما في ذلك مؤشرات الأداء، ومنحنيات الخسارة، واستخدام النظام، وسجلات التدريب المباشرة.

لمعرفة المزيد عن التدريب محليًا أو استخدام Google مع Ultralytics يمكنك الاطلاع على المزيد من الدروس التعليمية فيالوثائق الرسميةلمنصة Ultralytics .

تقييم ومقارنة النماذج على Ultralytics

بمجرد الانتهاء من التدريب، تتمثل الخطوة التالية في تقييم أداء النموذج الخاص بك. على Ultralytics يمكنك مقارنة عدة دورات تدريب ضمن مشروع واحد، مما يمنحك صورة واضحة عن أداء التجارب المختلفة.

عند تطوير النماذج، غالبًا ما يتم تكرار عملية التدريب عدة مرات باستخدام إعدادات مختلفة، مثل تغيير معدل التعلم أو حجم الدفعة أو حجم النموذج، بهدف تحسين النتائج. وينتج عن كل عملية من هذه العمليات نموذج يختلف قليلاً عن غيره، ولهذا السبب فإن مقارنتها أمر بالغ الأهمية.

تُعد المشاريع بمثابة مركز رئيسي يتم فيه تنظيم النماذج والتجارب معًا. يمكنك track ومراجعة النتائج والحفاظ على تركيزك دون الحاجة إلى التبديل بين الأدوات أو طرق العرض المختلفة.

من خلال هذه النظرة الشاملة، يمكنك أيضًا تحليل مؤشرات الأداء الرئيسية مثل الدقة، ومعدل الاسترجاع، ومتوسط الدقة mAP ) لفهم أداء نموذجك عبر الفئات المختلفة. كما يمكنك مقارنة عمليات التدريب جنبًا إلى جنب لتحديد التكوينات التي تحقق أفضل النتائج. 

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

بفضل هذه المعلومات، يمكنك اختيار النموذج الأفضل أداءً، والذي يتم حفظه عادةً كنقطة تفتيش باسم «best.pt»، والانتقال إلى المرحلة التالية، سواء كان ذلك لإجراء مزيد من التقييم، أو استخدام النموذج لإجراء الاستدلال، أو نشر النموذج عبر المنصة.

تقدير تكلفة التدريب ضمن Ultralytics

ينطوي تدريب نماذج الكشف عن الأجسام في السحابة على تكاليف حوسبة، لا سيما عند استخدام وحدات معالجة الرسومات (GPU) عالية الأداء. ولتسهيل هذه العملية، توفر Ultralytics تقديرًا للتكلفة قبل بدء التدريب.

يمنحك هذا نظرة واضحة على الاستخدام المتوقع، مما يساعدك على تخطيط أحمال العمل وإدارة الميزانيات وتجنب النفقات غير المتوقعة قبل بدء مهمة التدريب. وإليك كيفية التحقق من التكاليف التقديرية قبل بدء التدريب.

كيف يتم تقدير مدة التدريب

لتقدير التكلفة بدقة، تقوم المنصة أولاً بحساب المدة التي ستستغرقها كل مرحلة تدريبية. ويعتمد ذلك على عوامل مثل حجم مجموعة البيانات، وحجم النموذج، ودقة الصورة، وحجم الدفعة، وسرعة وحدة معالجة GPU المختارة.

وباستخدام هذه المدخلات، تحدد المدة التقديرية لكل حقبة وتقوم بتوسيع نطاقها لتشمل دورة التدريب بأكملها. ويتم حساب المدة الإجمالية من خلال جمع الوقت المستغرق في جميع الحقبات مع إضافة فترة قصيرة للبدء.

تشمل التكاليف العامة مهام مثل تهيئة البيئة، وتحميل مجموعات البيانات، وإعداد وحدة GPU، مما يضمن أن التقدير يعكس عملية التدريب بأكملها، وليس مجرد حلقة التدريب.

كيف يتم حساب تكلفة التدريب

بمجرد تقدير إجمالي وقت التدريب، تقوم المنصة بتحويله إلى تكلفة باستخدام السعر بالساعة GPU المحددة.

من خلال الجمع بين مدة التدريب GPU ، يمكننا الحصول على تقدير واضح لتكلفة عملية التشغيل قبل أن تبدأ.

إن توفر الرؤية المسبقة يسهل عليك تعديل إعداداتك، مثل ضبط معلمات التدريب أو اختيار وحدة GPU مختلفة، مما يتيح لك تحقيق التوازن بين الأداء والتكلفة بشكل أكثر فعالية.

المزايا الرئيسية لاستخدام Ultralytics في تدريب النماذج

حتى الآن، استعرضنا الخطوات الرئيسية التي ينطوي عليها تدريب نماذج الرؤية الحاسوبية وكيفية تكاملها على Ultralytics . 

بالإضافة إلى هذه الميزات الأساسية، هناك إمكانيات إضافية تعمل على تحسين سير عمل التدريب. وفيما يلي نظرة عامة على بعض المزايا الرئيسية لاستخدام Ultralytics في تدريب النماذج:

• إمكانية إعادة إجراء التجارب المدمجة: يتم تسجيل كل عملية تدريب تلقائيًا مع إعداداتها الكاملة، بما في ذلك النموذج ومجموعة البيانات والمعلمات وإعدادات الحوسبة. وهذا يسهل العودة إلى التجارب وإعادة إنتاج النتائج بشكل موثوق.
• رؤى حول التدريب على مدار الوقت: بدلاً من الاكتفاء بمراجعة النتائج النهائية، يمكنك track الأداء عبر المراحل المختلفة، مما يساعدك على فهم سلوك النموذج بشكل أفضل أثناء التدريب.
• تقليل النفقات التشغيلية: من خلال تولي مهام إعداد البيئة وإدارة التبعيات والبنية التحتية في الخلفية، تتيح لك المنصة التركيز بشكل أكبر على تطوير النماذج وتقليل الوقت الذي تقضيه في الإعداد.
• تنظيم التجارب بشكل مركزي: تعمل المشاريع كمكان واحد لإدارة النماذج ومجموعات البيانات وعمليات التدريب، مما يساعد في الحفاظ على تنظيم التجارب مع تزايد تعقيد سير العمل.

النقاط الرئيسية

يُعد التدريب أحد أهم المراحل في دورة حياة نموذج التعلم الآلي. فهو يحدد مدى دقة النموذج في التعرف على البيانات المرئية وتفسيرها. 

من خلال الجمع بين تكوين بيانات التدريب والمراقبة ومقارنة التجارب وتقدير التكاليف في بيئة واحدة، تعمل Ultralytics على تبسيط عملية بناء نماذج الرؤية الحاسوبية عالية الأداء وإعدادها للنشر.

تفضل بزيارة مجتمعنا المتنامي ومستودع GitHub الخاص بنا لمعرفة المزيد عن الرؤية الحاسوبية. إذا كنت ترغب في تطوير حلول للرؤية الحاسوبية، فاطلع على خيارات الترخيص المتاحة لدينا. استكشف صفحات الحلول الخاصة بنا لمعرفة المزيد عن فوائد الرؤية الحاسوبية في مجال التصنيع والذكاء الاصطناعي في مجال الزراعة.