درّب نماذج YOLO بسرعة أكبر باستخدام منصة Ultralytics

في الأسبوع الماضي، أطلقت Ultralytics Ultralytics Platform، وهي مساحة عمل موحدة مصممة لتبسيط طريقة بناء الفرق لنماذج الرؤية الحاسوبية وتدريبها ونشرها. وبدلًا من التنقل بين أدوات متعددة، تجمع المنصة كل شيء في مكان واحد، مما يسهّل الانتقال من الفكرة إلى النشر باستخدام نماذج الذكاء الاصطناعي للرؤية.

وهذا أمر بالغ الأهمية، لأن الرؤية الحاسوبية أصبحت بسرعة جزءًا أساسيًا من قطاعات متعددة. فهي تدعم تطبيقات مثل فحص التصنيع، وتحليلات تجارة التجزئة، والملاحة الذاتية.

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

لكن تدريب نموذج للرؤية الحاسوبية ليس دائمًا عملية مباشرة. فهو يشمل جوانب متعددة، مثل إعداد البيئات، واختيار موارد الحوسبة المناسبة، وضبط المعلمات الفائقة، وتتبع تجارب تدريب متعددة. وعندما تتوزع هذه الخطوات على أدوات وأنظمة مختلفة، سرعان ما يصبح سير عمل التدريب معقدًا وصعب الإدارة.

تحل منصة Ultralytics هذه المشكلة بجمع عملية التدريب بأكملها في لوحة معلومات موحدة واحدة. ويمكنك إعداد مهام التدريب وتشغيلها ومراقبتها من مكان واحد، سواء كنت تعمل على السحابة أو محليًا أو على Google Colab.

الشكل 1. لمحة عن تدريب النماذج ضمن منصة Ultralytics (المصدر)

في هذا المقال، نستعرض كيف تبسّط Ultralytics Platform تدريب النماذج، ولماذا يمكن أن تمنحك ميزة في مشاريع الذكاء الاصطناعي للرؤية.

تتعلّم نماذج الرؤية الحاسوبية من البيانات عبر التدريب#

قبل التعمق في كيفية عمل تدريب النماذج على منصة Ultralytics، دعونا نتوقف قليلًا ونستعرض ماهية تدريب النماذج وما يتطلبه.

تدريب النماذج هو العملية التي يتعلم من خلالها نموذج الرؤية الحاسوبية تفسير البيانات المرئية. إذ يحلل الصور أو مقاطع الفيديو ويعدّل معلماته الداخلية تدريجيًا لتنفيذ مهام الرؤية بدقة، مثل اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور. ويتحسن النموذج بمرور الوقت من خلال تعلّم الأنماط مباشرةً من البيانات التي يراها.

تعتمد جودة التدريب بدرجة كبيرة على مجموعات البيانات. ويمكن تشبيه مجموعة البيانات بمجموعة بطاقات تعليمية يستخدمها المعلم لتدريب طالب، إذ يساعد كل مثال النموذج على تعلّم ما ينبغي البحث عنه.

تتضمن مجموعة بيانات الرؤية الحاسوبية النموذجية صورًا، عادةً بتنسيقات مثل JPG أو PNG، وشروحًا تصف محتوى كل صورة. وتوفر هذه الشروح، التي تُخزَّن غالبًا في ملفات JSON أو TXT، التسميات والسياق اللذين يحتاج إليهما النموذج ليتعلم بفاعلية.

لكن التدريب لا يقتصر على إدخال البيانات إلى النموذج، بل يشمل عدة خطوات أساسية، بدءًا من إعداد مجموعة البيانات ووصولًا إلى اختيار النموذج المناسب وتهيئة عملية التدريب. والآن، دعونا نلقي نظرة أقرب على بعض هذه الخطوات.

نظرة على إعداد مجموعات البيانات#

قد يبدو أن امتلاك مجموعة بيانات يعني إمكانية البدء فورًا بتدريب النموذج، لكن ثمة بضع خطوات ينبغي تنفيذها أولًا، مثل تقسيم مجموعة البيانات.

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

تُستخدم مجموعة الاختبار في النهاية لتقييم أداء النموذج على بيانات جديدة تمامًا لم يسبق له رؤيتها. ويساعد هذا الإعداد على ضمان ألا يكتفي النموذج بحفظ البيانات، بل أن يعمم ما تعلمه على سيناريوهات العالم الحقيقي.

اختيار النموذج المناسب للتدريب#

من الخطوات المهمة الأخرى قبل التدريب اختيار النموذج الذي ترغب في استخدامه. ويعني ذلك في كثير من الحالات اختيار نموذج مدرّب مسبقًا. فالنماذج مثل نماذج Ultralytics YOLO مدرّبة بالفعل على مجموعات بيانات ضخمة، وقد تعلّمت أنماطًا بصرية عامة، ما يجعلها نقطة انطلاق قوية.

يُعد استخدام هذه النماذج مثالًا على التعلّم بالنقل، حيث تستفيد من المعرفة الموجودة وتكيّف النموذج مع مهمتك المحددة. ويساعد هذا النهج على تسريع التدريب وتحسين النتائج، لا سيما عند العمل ببيانات محدودة.

تتوفر هذه النماذج أيضًا بأحجام مختلفة، يقدم كل منها مفاضلة بين السرعة والدقة. فالنماذج الأصغر أسرع وأكثر كفاءة، بينما تميل النماذج الأكبر إلى تحقيق دقة أعلى، لكنها تتطلب موارد حوسبة أكبر.

تهيئة معلمات تدريب نماذج الرؤية#

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

يُدرَّب نموذج الرؤية الحاسوبية باستخدام مجموعة من المعلمات التي تحدد كيفية معالجته للبيانات وتحديث أوزانه وتحسّنه بمرور الوقت. وتؤثر هذه الإعدادات مباشرةً في سرعة التدريب والدقة النهائية، ما يجعلها أساسية لتحقيق نتائج قوية.

فيما يلي بعض معلمات التدريب الأكثر استخدامًا:

• العصور التدريبية (Epochs): تمثل عدد المرات التي يمر فيها النموذج على مجموعة البيانات بأكملها أثناء التدريب. وتمنح زيادة عدد العصور التدريبية النموذج فرصًا إضافية لتعلّم أنماط البيانات.
• حجم الدفعة: هو عدد الصور التي تُعالَج معًا في خطوة تدريب واحدة. وقد تسرّع أحجام الدفعات الأكبر التدريب، لكنها تتطلب ذاكرة أكبر.
• حجم الصورة: يحدد دقة الصور المُدخلة المستخدمة أثناء التدريب. وقد تحسّن الدقة الأعلى دقة الاكتشاف، لكنها تزيد التكلفة الحاسوبية.
• معدل التعلّم: هو المعدل الذي يحدّث به النموذج معلماته الداخلية أثناء التدريب. وقد تجعل القيم المرتفعة أو المنخفضة جدًا التدريب غير مستقر.
• المُحسِّن: هو الخوارزمية المسؤولة عن تحديث معلمات النموذج استنادًا إلى الخطأ المحسوب في كل تكرار تدريبي.

في مسارات العمل المعتمدة على Ultralytics YOLO، تُمرّر هذه الإعدادات على شكل وسيطات التدريب، بينما توصف مجموعة البيانات في ملف YAML. ويحدد هذا الملف مسارات مجموعة البيانات وأسماء الفئات وكيفية تقسيم البيانات. وهو بمثابة إعداد مركزي يوضح للنموذج كيفية تفسير مجموعة البيانات.

من مسارات العمل المجزأة إلى تجربة موحدة مع منصة Ultralytics#

ناقشنا للتو بعض الخطوات الأساسية لتدريب نموذج للرؤية الحاسوبية، بدءًا من إعداد مجموعات البيانات ووصولًا إلى اختيار نموذج وتهيئة معلمات التدريب. وعمليًا، غالبًا ما تمتد العملية إلى ما هو أبعد من ذلك، فتشمل تتبع التجارب ومقارنة عمليات تدريب متعددة وتحسين النماذج باستمرار بمرور الوقت.

نادرًا ما تُنفذ هذه الخطوات في مكان واحد. فقد تُعد مجموعات البيانات باستخدام أداة، وتُشغّل عمليات التدريب في بيئة أخرى، وتُدار متابعة التجارب بصورة منفصلة. ومع نمو المشاريع، يزيد هذا التشتت من التعقيد، ويبطئ دورات التطوير، ويصعّب الحفاظ على تنظيم كل شيء.

تزيل منصة Ultralytics هذا التعقيد بجمع سير عمل التدريب بأكمله في بيئة واحدة. وبدلًا من التنقل بين الأدوات، يمكنك إدارة مجموعات البيانات وتهيئة التدريب وتشغيل التجارب ومراقبة النتائج من مكان واحد.

والآن، دعونا نتعمق في كيفية جعل منصة Ultralytics تدريب النماذج أكثر كفاءة.

خيارات التدريب التي تدعمها منصة Ultralytics#

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

تدعم منصة Ultralytics خيارات التدريب التالية لتلبية هذه الاحتياجات:

• التدريب السحابي: تُشغَّل عمليات التدريب على وحدات معالجة الرسومات (GPUs) السحابية التي تديرها Ultralytics. وهذا الخيار مثالي 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 واختبار الإعدادات والعمل مع مجموعات البيانات الأصغر. ولأعباء العمل القابلة للتوسع، يمكن أيضًا تشغيل التدريب في بيئتك السحابية الخاصة، مثل AWS أو GCP.
• Google Colab: تتيح لك منصة Ultralytics تشغيل التدريب في بيئة دفاتر الملاحظات المستضافة على Google Colab، ما يوفر سير عمل مرنًا قائمًا على المتصفح دون الحاجة إلى إعداد جهاز محلي.

استكشاف التدريب السحابي على منصة Ultralytics#

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

فعلى سبيل المثال، يعتمد الأداء في التدريب المحلي كليًا على أجهزتك، ما قد يحد من قدرة الحوسبة ويبطئ التجارب. وتُعد وحدات معالجة الرسومات أساسية للتدريب الفعال، لكن ليس كل إعداد يتيح الوصول إليها بصورة موثوقة.

ورغم أن بيئات دفاتر الملاحظات مثل Google Colab توفر بديلًا من خلال إتاحة وحدات معالجة الرسومات السحابية، فإن الجلسات غالبًا ما تكون مؤقتة وقد تقطع عمليات التدريب الطويلة. ومع نمو مجموعات البيانات وزيادة تعقيد مسارات العمل، قد تتحول هذه القيود سريعًا إلى اختناقات، فتجعل التدريب أبطأ وأقل موثوقية.

تعالج منصة Ultralytics ذلك من خلال خيار التدريب السحابي. فهي توفر بيئة جاهزة للاستخدام، أُعدت فيها مسبقًا تبعيات Python وأُطر العمل مثل PyTorch، ما يتيح لك بدء التدريب دون إعداد إضافي.

يمكنك تشغيل مهام التدريب ومراقبة تقدمها في الوقت الفعلي من لوحة معلومات واحدة. ويسهّل ذلك التركيز على تحسين النماذج بدلًا من إدارة البنية التحتية.

والآن، لنتعرّف على كيفية بدء التدريب السحابي على منصة Ultralytics.

الخطوة 1: اختيار نموذج أساسي#

تتمثل الخطوة الأولى في اختيار نموذج أساسي لعملية التدريب. ويمكنك اختيار نموذج Ultralytics YOLO مدرّب مسبقًا، أو استنساخ نموذج من المجتمع، أو تحميل أوزانك المدرّبة مسبقًا لتلبية متطلباتك الخاصة.

تدعم المنصة جميع نماذج Ultralytics YOLO، بما فيها Ultralytics YOLO26 وUltralytics YOLO11 وUltralytics YOLOv8 وUltralytics YOLOv5، ويتوفر كل منها بإصدارات مختلفة الأحجام، مثل نانو (n) وصغير (s) ومتوسط (m) وكبير (l) وكبير جدًا (x). ونظرًا إلى أن إصدارات النماذج المختلفة تقدم مفاضلات بين السرعة والدقة، يمكنك اختيار النموذج الذي يلائم متطلبات الأداء والحوسبة لديك.

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

إذا كانت لديك متطلبات خاصة، يمكنك أيضًا تحميل أوزان نموذجك المدرّب مسبقًا. وهذا يعني أنه يمكنك مواصلة تدريب نموذج موجود، مثل كاشف أجسام، أو ضبطه بدقة ضمن المنصة بدلًا من البدء من الصفر. ويكون ذلك مفيدًا على نحو خاص إذا سبق لك تدريب نموذج في مكان آخر أو رغبت في تكييف نموذج لحالة استخدام أكثر تحديدًا.

الخطوة 2: اختيار مجموعة بيانات#

الخطوة التالية هي اختيار مجموعة بيانات للتدريب. في Ultralytics Platform، يمكنك استخدام مجموعات بيانات جاهزة مثل مجموعة بيانات COCO، أو استنساخ مجموعات بيانات من المجتمع، أو تحميل مجموعة بيانات مخصصة من إعدادك لتناسب تطبيقك المحدد.

تدعم المنصة تنسيقات الشروح الشائعة مثل Ultralytics YOLO وCOCO، ويمكنها أيضًا معالجة الصور الخام المحمّلة إذا كنت تخطط لشرح بيانات مخصصة مباشرةً على المنصة.

بمجرد تحميل مجموعات البيانات، تُعالَج تلقائيًا، بما في ذلك التحقق من صحتها وتطبيعها وتحليل التسميات وإنشاء الإحصاءات. ويمنحك ذلك رؤية فورية لبياناتك، بما فيها توزيعات الفئات وبنية مجموعة البيانات، ويساعد على ضمان جاهزية كل شيء للتدريب.

ترتبط مجموعات البيانات تلقائيًا أيضًا بعمليات التدريب، ما يتيح لك تتبع البيانات المستخدمة لكل نموذج والحفاظ على الاتساق بين التجارب.

الخطوة 3: تهيئة معلمات التدريب#

بعد اختيار مجموعة البيانات، يمكنك تهيئة معلمات التدريب التي تتحكم في طريقة تعلّم النموذج. وتشمل هذه المعلمات العصور التدريبية وحجم الدفعة وحجم الصورة واسم عملية التدريب في سجل 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 تعزيز الألوان وخيارات التدريب الأخرى. ويمكن لهذه الإعدادات ضبط عملية التدريب بدقة لتحسين دقة النموذج واستقراره.

الخطوة 4: اختيار وحدة معالجة الرسومات#

بعد ذلك، يمكنك اختيار تكوين GPU لتشغيل 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 قدرة حاسوبية تفوق الحاجة.

توفّر Ultralytics Platform 26 خيارًا لوحدات GPU بمستويات مختلفة من VRAM (ذاكرة وحدة GPU) والقدرة الحاسوبية، لتدعم كل شيء من المهام الصغيرة إلى أحمال العمل واسعة النطاق.

يمكنك الاستفادة من ذلك لمواءمة الأجهزة مع احتياجاتك المحددة، سواء كنت تدرّب نماذج خفيفة أو تعمل على مجموعات بيانات كبيرة ومعقدة. لمزيد من المعلومات، اطّلع على قائمة وحدات معالجة الرسومات المتاحة في صفحة وثائق التدريب على المنصة من Ultralytics.

الشكل 2. بعض خيارات وحدات معالجة الرسومات المتاحة عبر منصة Ultralytics (المصدر)

الخطوة 5: بدء التدريب السحابي#

بعد اختيار النموذج ومجموعة البيانات ومعلمات التدريب وخيار الحوسبة، يصبح بدء عملية التدريب سريعًا. ويمكنك تشغيل التدريب بنقرة واحدة من لوحة المعلومات، وتتولى المنصة بقية المهمة من خلال تهيئة البيئة وتشغيل المهمة على وحدة معالجة الرسومات المحددة.

مع بدء التدريب، يمكنك مراقبة تقدمه مباشرةً ضمن المنصة. وتوفر علامة التبويب Train رؤية فورية للمقاييس الرئيسية، بما فيها مقاييس الأداء ومنحنيات الخسارة واستخدام النظام وسجلات التدريب المباشرة.

لمعرفة المزيد حول التدريب محليًا أو استخدام Google Colab مع منصة Ultralytics، يمكنك استكشاف المزيد من الدروس التعليمية ضمن وثائق المنصة الرسمية من Ultralytics.

تقييم النماذج ومقارنتها على منصة Ultralytics#

بعد اكتمال التدريب، تتمثل الخطوة التالية في تقييم أداء النموذج. على منصة Ultralytics، يمكنك مقارنة عمليات تدريب متعددة ضمن مشروع واحد، ما يمنحك رؤية واضحة لأداء التجارب المختلفة.

عند تطوير النماذج، غالبًا ما يتكرر التدريب مرات عديدة باستخدام إعدادات مختلفة، مثل تغيير معدل التعلّم أو حجم الدفعة أو حجم النموذج، لتحسين النتائج. وتنتج عن كل عملية تدريب نسخة مختلفة قليلًا من النموذج، لذا تُعد المقارنة بينها أمرًا بالغ الأهمية.

تعمل المشاريع كمركز موحد لتنظيم النماذج والتجارب معًا. ويمكنك تتبع التقدم ومراجعة النتائج والحفاظ على تركيزك دون التنقل بين أدوات أو طرق عرض مختلفة.

ومن خلال هذه الرؤية الموحدة، يمكنك أيضًا تحليل مقاييس الأداء الرئيسية مثل الدقة والاستدعاء وmAP (متوسط الدقة) لفهم أداء النموذج عبر الفئات المختلفة. ويمكنك كذلك مقارنة عمليات التدريب جنبًا إلى جنب لتحديد الإعدادات التي تحقق أفضل النتائج.

ولتكميل هذه المقاييس، يمكنك استخدام علامة التبويب Predict لاختبار النماذج المدرّبة سريعًا على صور أو بيانات نموذجية، ما يساعدك على التحقق بصريًا من الأداء ورصد المشكلات المحتملة.

وبالاستناد إلى هذه الرؤى، يمكنك اختيار النموذج الأفضل أداءً، والذي يُحفَظ عادةً في نقطة التحقق “best.pt”، ثم الانتقال إلى المرحلة التالية، سواء كانت مزيدًا من التقييم أو استخدام النموذج للاستدلال أو نشر النموذج عبر المنصة.

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

تقدير تكلفة التدريب على منصة Ultralytics#

يترتب على تدريب نماذج اكتشاف الأجسام في السحابة تكاليف للحوسبة، ولا سيما عند استخدام وحدات GPU عالية الأداء. ولتسهيل ذلك، توفر منصة Ultralytics تقديرًا للتكلفة قبل بدء التدريب.

يمنحك ذلك رؤية واضحة للاستخدام المتوقع، ما يساعدك على تخطيط أعباء العمل وإدارة الميزانيات وتجنب النفقات غير المتوقعة قبل بدء مهمة التدريب. إليك كيفية الاطلاع على التكاليف المقدرة قبل بدء التدريب.

كيفية تقدير وقت التدريب#

لتقدير التكلفة بدقة، تحسب المنصة أولًا المدة اللازمة لإكمال حقبة تدريب واحدة. وتعتمد هذه المدة على عوامل مثل حجم مجموعة البيانات، وحجم النموذج، ودقة الصورة، وحجم الدفعة، وسرعة وحدة GPU المحددة.

وباستخدام هذه المدخلات، تحدد المنصة الوقت المقدر لكل حقبة، ثم تحسب الوقت اللازم للتدريب بأكمله. وتُحسب المدة الإجمالية بجمع أوقات جميع الحقب مع إضافة وقت قصير لبدء التشغيل.

ويغطي الوقت الإضافي مهامًا مثل تهيئة البيئة، وتحميل مجموعات البيانات، وإعداد وحدة GPU، مما يضمن أن يعكس التقدير عملية التدريب كاملة، لا حلقة التدريب وحدها.

كيفية حساب تكلفة التدريب#

بعد تقدير إجمالي وقت التدريب، تحوله المنصة إلى تكلفة باستخدام سعر الساعة لوحدة GPU المحددة.

ومن خلال الجمع بين مدة التدريب وتسعير GPU، تحصل على تقدير واضح لتكلفة التشغيل قبل أن يبدأ.

تتيح لك معرفة التكلفة مسبقًا تعديل إعداداتك بسهولة، مثل ضبط معلمات التدريب أو اختيار وحدة GPU مختلفة، لتحقيق توازن أفضل بين الأداء والتكلفة.

الشكل 4. إعداد تدريب النموذج وتقدير التكلفة على منصة Ultralytics (المصدر)

المزايا الرئيسية لاستخدام منصة Ultralytics لتدريب النماذج#

استعرضنا حتى الآن الخطوات الأساسية لتدريب نماذج الرؤية الحاسوبية وكيفية تكاملها على Ultralytics Platform.

إلى جانب هذه الميزات الأساسية، توجد إمكانات إضافية تعزز سير عمل التدريب. إليك لمحة عن بعض الفوائد الرئيسية لاستخدام منصة Ultralytics لتدريب النماذج:

• إمكانية إعادة إنتاج التجارب مدمجة: يُسجَّل كل تشغيل تدريبي تلقائيًا مع إعداداته الكاملة، بما في ذلك النموذج ومجموعة البيانات والمعلمات وإعدادات الحوسبة. وهذا يسهّل الرجوع إلى التجارب وإعادة إنتاج النتائج بموثوقية.
• رؤى التدريب بمرور الوقت: بدلًا من الاكتفاء بعرض النتائج النهائية، يمكنك تتبّع تطور الأداء عبر الحقب، ما يساعدك على فهم سلوك النموذج أثناء التدريب على نحو أفضل.
• تقليل الأعباء التشغيلية: من خلال تولي إعداد البيئة وإدارة التبعيات والبنية التحتية في الخلفية، تتيح لك المنصة التركيز أكثر على تطوير النماذج وتقليل الوقت المستغرق في الإعداد.
• تنظيم مركزي للتجارب: تعمل المشاريع كمكان موحد لإدارة النماذج ومجموعات البيانات وعمليات التدريب، مما يساعد على إبقاء التجارب منظمة مع ازدياد تعقيد سير العمل.

أبرز النقاط#

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

ومن خلال الجمع في بيئة واحدة بين إعداد بيانات التدريب ومراقبتها ومقارنة التجارب وتقدير التكلفة، تسهّل منصة Ultralytics عملية إنشاء نماذج رؤية حاسوبية عالية الأداء وإعدادها للنشر.

اطّلع على مجتمعنا ومستودع GitHub المتناميين لمعرفة المزيد عن الرؤية الحاسوبية. إذا كنت تتطلع إلى إنشاء حلول للرؤية، فاطّلع على خيارات الترخيص. استكشف صفحات حلولنا لمعرفة المزيد عن فوائد الرؤية الحاسوبية في التصنيع والذكاء الاصطناعي في الزراعة.