تدريب نماذج YOLO بشكل أسرع باستخدام Ultralytics Platform

في الأسبوع الماضي، قدمت Ultralytics منصة Ultralytics Platform، وهي مساحة عمل موحدة مصممة لتسيير الطريقة التي تبني بها الفرق نماذج الرؤية الحاسوية وتدربها وتنشرها. بدلاً من التلاعب بأدوات متعددة، تجمع المنصة كل شيء في مكان واحد. الانتقال من الفكرة إلى نشر نماذج الذكاء الاصطناعي للرؤية يصبح خالياً من التعقيدات.

يعد هذا أمراً بالغ الأهمية لأن الرؤية الحاسوبية أصبحت بسرعة جزءاً أساسياً من مختلف الصناعات. فهي تشغل تطبيقات مثل فحص التصنيع، وتحليلات البيع بالتجزئة، والملاحة الذاتية.

يعتمد تحويل هذه التطبيقات المعتمدة على الرؤية إلى أنظمة موثوقة على مدى كفاءة تدريب النماذج. يتضمن تدريب النموذج التعلم من البيانات المصنفة بحيث يمكن للنموذج التعرف على الأنماط وإجراء تنبؤات دقيقة. بشكل عام، تؤدي النماذج المدربة جيداً إلى أداء أفضل للنموذج ونتائج أكثر موثوقية في تطبيقات العالم الحقيقي.

ومع ذلك، فإن تدريب نموذج رؤية حاسوبية ليس دائماً أمراً مباشراً. فهو يتكون من جوانب مختلفة، مثل إعداد البيئات، واختيار موارد الحوسبة المناسبة، وضبط المعاملات التشعبية، وتتبع تجارب تدريب متعددة. عندما تتوزع هذه الخطوات عبر أدوات وأنظمة مختلفة، يصبح سير عمل التدريب سريعاً ومعقداً ويصعب إدارته.

تعالج منصة Ultralytics هذه المشكلة من خلال دمج عملية التدريب بأكملها في لوحة تحكم واحدة موحدة. يمكنك تكوين وظائف التدريب وتشغيلها ومراقبتها في مكان واحد، سواء كنت تعمل في السحابة، أو محلياً، أو على Google Colab.

Fig 1. A glimpse of model training within Ultralytics Platform (Source)

In this article, we’ll explore how Ultralytics Platform streamlines model training and why it can give you an edge in your vision AI projects. Let’s get started!

تتعلم نماذج الرؤية الحاسوبية من البيانات من خلال تدريب النموذج#

قبل الغوص في كيفية عمل تدريب النموذج على منصة Ultralytics، دعونا نتراجع خطوة إلى الوراء ونستعرض ما هو تدريب النموذج وما الذي يتضمنه.

تدريب النماذج هو العملية التي يتعلم من خلالها نموذج الرؤية الحاسوية تفسير البيانات المرئية. فهو يحلل الصور أو مقاطع الفيديو ويضبط تدريجياً معاملاته الداخلية لتنفيذ مهام الرؤية مثل كشف الكائنات، تصنيف الصور، وتقسيم المثيلات بدقة. بمرور الوقت، يتحسن النموذج من خلال تعلم الأنماط مباشرة من البيانات التي يراها.

تعتمد جودة التدريب بشكل كبير على مجموعات البيانات. يمكنك التفكير في مجموعة البيانات كمجموعة من البطاقات التعليمية التي قد يستخدمها المعلم لتدريب طالب، حيث يساعد كل مثال النموذج على تعلم ما يجب البحث عنه.

تتضمن مجموعة بيانات الرؤية الحاسوبية النموذجية صوراً، عادةً بتنسيقات مثل JPG أو PNG، وتوضيحات تصف ما بداخل كل صورة. توفر هذه التوضيحات، التي غالباً ما يتم تخزينها كملفات JSON أو TXT، التصنيفات والسياق الذي يحتاجه النموذج للتعلم بفعالية.

لكن التدريب لا يقتصر فقط على إدخال البيانات في النموذج. فهو يتضمن العديد من الخطوات الرئيسية، بدءاً من إعداد مجموعة البيانات وصولاً إلى اختيار النموذج المناسب وتكوين عملية التدريب. بعد ذلك، دعونا نلقي نظرة فاحصة على بعض هذه الخطوات.

نظرة على كيفية إعداد مجموعات البيانات#

قد يبدو أنه بمجرد امتلاكك لمجموعة بيانات، يمكنك البدء فوراً في تدريب نموذج، ولكن هناك بضع خطوات تحتاج إلى اتخاذها أولاً، مثل تقسيم مجموعة البيانات.

بشكل عام، يتم تقسيم 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 بدقة أثناء التدريب.

تُستخدم مجموعة الاختبار في النهاية لتقييم مدى جودة أداء النموذج على بيانات جديدة تماماً لم يسبق رؤيتها. يساعد هذا الإعداد في ضمان أن النموذج لا يحفظ البيانات فقط، بل يمكنه التعميم على سيناريوهات العالم الحقيقي.

اختيار النموذج المناسب للتدريب#

خطوة أخرى مهمة قبل التدريب هي اختيار النموذج الذي تريد استخدامه. في كثير من الحالات، يعني هذا اختيار نموذج مدرب مسبقاً. النماذج مثل نماذج Ultralytics YOLO مدربة بالفعل على مجموعات بيانات ضخمة وقد تعلمت أنماطاً مرئية عامة، مما يجعلها نقطة انطلاق قوية.

يعد استخدام هذه النماذج مثالاً على التعلم بنقل المعرفة، حيث تبني على المعرفة الموجودة وتكيف النموذج مع مهمتك المحددة. يساعد هذا النهج في تسريع التدريب وتحسين النتائج، خاصة عند العمل ببيانات محدودة.

تأتي هذه النماذج أيضاً بأحجام مختلفة، حيث يقدم كل منها مقايضة بين السرعة والدقة. النماذج الأصغر أسرع وأكثر كفاءة، بينما تميل النماذج الأكبر إلى تقديم دقة أعلى ولكنها تتطلب المزيد من الحوسبة.

تكوين معاملات التدريب لنماذج الرؤية#

بعد أن تصبح لديك مجموعة بيانات جاهزة وقمت باختيار نموذج، فإن الخطوة التالية هي تكوين كيفية تعلم النموذج.

يتم تدريب نموذج الرؤية الحاسوبية باستخدام مجموعة من المعاملات التي تحدد كيفية معالجته للبيانات، وتحديث أوزانه، وتحسنه بمرور الوقت. تؤثر هذه الإعدادات بشكل مباشر على سرعة التدريب والدقة النهائية، مما يجعلها ضرورية لتحقيق نتائج قوية.

إليك بعض معاملات التدريب الأكثر استخداماً:

• الحقب (Epochs): تمثل عدد المرات التي يمر فيها النموذج عبر مجموعة البيانات بأكملها أثناء التدريب. زيادة عدد الحقب تمنح النموذج المزيد من الفرص لتعلم الأنماط من البيانات.
• حجم الدفعة (Batch size): هو عدد الصور التي تتم معالجتها معاً في خطوة تدريب واحدة. يمكن لأحجام الدفعات الأكبر تسريع التدريب ولكنها تتطلب المزيد من الذاكرة.
• حجم الصورة (Image size): يحدد دقة الصور المدخلة المستخدمة أثناء التدريب. قد تعمل الدقة الأعلى على تحسين دقة الكشف ولكنها تزيد من التكلفة الحسابية.
• معدل التعلم (Learning rate): هو المعدل الذي يقوم به النموذج بتحديث معاملاته الداخلية أثناء التدريب. القيم المرتفعة جداً أو المنخفضة جداً يمكن أن تجعل التدريب غير مستقر.
• المحسن (Optimizer): هو الخوارزمية المسؤولة عن تحديث معاملات النموذج بناءً على الخطأ المحسوب خلال كل تكرار تدريب.

في سير عمل Ultralytics القائم على YOLO، يتم تعريف هذه التكوينات عادةً في ملف YAML. يحدد هذا الملف مسارات مجموعة البيانات، وأسماء الفئات، وكيفية تقسيم البيانات. إنه بمثابة تكوين مركزي يخبر النموذج بكيفية تفسير مجموعة البيانات.

من سير العمل المجزأ إلى تجربة موحدة مع منصة Ultralytics#

لقد ناقشنا للتو بعض الخطوات الرئيسية التي ينطوي عليها تدريب نموذج الرؤية الحاسوبية، من إعداد مجموعات البيانات إلى اختيار نموذج وتكوين معاملات التدريب. من الناحية العملية، غالباً ما تذهب العملية إلى أبعد من ذلك، بما في ذلك تتبع التجارب، ومقارنة عمليات التدريب المتعددة، وتحسين النماذج باستمرار بمرور الوقت.

نادراً ما يتم التعامل مع هذه الخطوات في مكان واحد. قد يتم إعداد مجموعات البيانات في أداة واحدة، وتنفيذ عمليات التدريب في بيئة أخرى، وإدارة تتبع التجارب بشكل منفصل. مع نمو المشاريع، يضيف هذا التجزئة تعقيداً، ويبطئ التكرار، ويجعل من الصعب الحفاظ على تنظيم كل شيء.

تعمل منصة Ultralytics على إزالة هذا التعقيد من خلال جلب سير عمل التدريب بالكامل إلى بيئة واحدة. بدلاً من التبديل بين الأدوات، يمكنك إدارة مجموعات البيانات، وتكوين التدريب، وتشغيل التجارب، ومراقبة النتائج في مكان واحد.

بعد ذلك، دعونا نغوص في كيفية جعل منصة Ultralytics تدريب النموذج أكثر ذكاءً.

خيارات التدريب المدعومة من منصة Ultralytics#

في تطبيقات العالم الحقيقي، غالباً ما يتطلب تدريب نموذج الرؤية الحاسوبية بيئات مرنة. اعتماداً على حجم مجموعة البيانات الخاصة بك، وتعقيد النموذج، والأجهزة المتاحة، قد تختار تشغيل التدريب في السحابة، أو على جهاز محلي، أو من خلال بيئات دفاتر الملاحظات الخارجية.

تدعم منصة Ultralytics خيارات التدريب التالية لتلبية هذه الاحتياجات:

• التدريب السحابي: يتم تشغيل التدريب على وحدات معالجة الرسومات (GPUs) السحابية المدارة بواسطة Ultralytics. هذا الخيار مثالي لمجموعات البيانات الأكبر أو النماذج الأكثر تعقيداً التي تتطلب موارد حسابية كبيرة.
• التدريب المحلي: يستخدم هذا الخيار الأجهزة المتاحة على جهازك وهو رائع للتجارب السريعة، أو اختبار التكوينات، أو العمل مع مجموعات بيانات أصغر. بالنسبة لأحمال العمل الأكثر قابلية للتوسع، يمكن أيضاً تشغيل التدريب في بيئتك السحابية الخاصة، مثل AWS أو GCP.
• Google Colab: مع منصة Ultralytics، يمكنك تشغيل التدريب في بيئة دفتر الملاحظات المستضافة على Google Colab، مما يتيح سير عمل مرن ومستند إلى المتصفح دون تكوين جهاز محلي.

استكشاف التدريب السحابي على منصة Ultralytics#

عندما يتعلق الأمر بمشاريع الرؤية الحاسوبية، فإن تدريب النماذج محلياً أو من خلال بيئات دفاتر الملاحظات ليس دائماً أمراً سهلاً.

على سبيل المثال، مع التدريب المحلي، يعتمد الأداء كلياً على أجهزتك، مما قد يحد من قدرة الحوسبة ويبطئ التجريب. تعد وحدات GPU ضرورية للتدريب الفعال، ولكن لا يحتوي كل إعداد على وصول موثوق إليها.

بينما توفر بيئات دفاتر الملاحظات مثل Google Colab بديلاً من خلال توفير وحدات GPU قائمة على السحابة، فإن الجلسات غالباً ما تكون مؤقتة ويمكن أن تقاطع عمليات التدريب الأطول. مع نمو مجموعات البيانات وأصبحت عمليات سير العمل أكثر تعقيداً، يمكن لهذه القيود أن تتحول بسرعة إلى اختناقات، مما يجعل التدريب أبطأ وأقل موثوقية.

تعالج منصة Ultralytics هذا من خلال خيار التدريب السحابي الخاص بها. فهي توفر بيئة جاهزة للاستخدام حيث تم تهيئة تبعيات Python وأطر العمل مثل PyTorch مسبقاً، مما يسمح لك ببدء التدريب دون إعداد إضافي.

من لوحة تحكم واحدة، يمكنك إطلاق وظائف التدريب ومراقبة التقدم في الوقت الفعلي. هذا يجعل من السهل التركيز على تحسين نماذجك بدلاً من إدارة البنية التحتية.

الآن، دعونا نرى كيفية البدء في التدريب السحابي على منصة Ultralytics.

الخطوة 1: اختيار نموذج أساسي#

الخطوة الأولى هي اختيار نموذج أساسي لعملية التدريب الخاصة بك. يمكنك اختيار نموذج Ultralytics YOLO model مدرب مسبقاً، أو استنساخ نموذج مجتمعي، أو تحميل أوزانك المدربة مسبقاً لتلبية المتطلبات المخصصة.

تدعم المنصة جميع نماذج Ultralytics YOLO، بما في ذلك Ultralytics YOLO26، Ultralytics YOLO11، Ultralytics YOLOv8، و Ultralytics YOLOv5، وكل منها متوفر في متغيرات أحجام مختلفة مثل النانو (n)، الصغير (s)، المتوسط (m)، الكبير (l)، والكبير جداً (x). مع توفير متغيرات النماذج المختلفة لمقايضة بين السرعة والدقة، يمكنك اختيار نموذج يناسب متطلبات الأداء والحوسبة الخاصة بك.

تدعم هذه النماذج مجموعة من مهام الرؤية الحاسوبية التي اعتاد عليها مستخدمو Ultralytics YOLO، بما في ذلك كشف الأشياء، وتجزئة المثيل، وتصنيف الصور، واكتشاف الصناديق المحيطة الموجهة (OBB)، وتقدير الوضع.

إذا كانت لديك متطلبات مخصصة، يمكنك أيضاً تحميل أوزان النموذج المدربة مسبقاً الخاصة بك. هذا يعني أنه يمكنك مواصلة التدريب أو ضبط نموذج موجود مثل كاشف الأشياء داخل المنصة، بدلاً من البدء من الصفر. إنه مفيد بشكل خاص إذا كنت قد دربت نموذجاً بالفعل في مكان آخر أو تريد تكييف نموذج مع حالة استخدام أكثر تحديداً.

الخطوة 2: اختيار مجموعة بيانات#

الخطوة التالية هي اختيار مجموعة بيانات للتدريب. على منصة Ultralytics، يمكنك استخدام مجموعات بيانات موجودة مسبقاً مثل مجموعة بيانات COCO، أو استنساخ مجموعات البيانات من المجتمع، أو تحميل مجموعة البيانات المخصصة الخاصة بك والمصممة لتطبيقك المحدد.

تدعم المنصة تنسيقات التعليقات التوضيحية الشائعة مثل Ultralytics YOLO وCOCO، ويمكنها أيضاً التعامل مع عمليات تحميل الصور الخام إذا كنت تخطط لـ تعليق البيانات المخصصة مباشرة على المنصة.

بمجرد تحميلها، تتم معالجة مجموعات البيانات تلقائياً، بما في ذلك التحقق، والتطبيع، وتحليل التسميات، وتوليد الإحصائيات. يمنحك هذا رؤية فورية لبياناتك، بما في ذلك توزيعات الفئات وبنية مجموعة البيانات، ويساعد في ضمان أن كل شيء جاهز للتدريب.

يتم أيضاً ربط مجموعات البيانات تلقائياً بعمليات التدريب، مما يتيح لك تتبع البيانات التي تم استخدامها لكل نموذج والحفاظ على الاتساق عبر التجارب.

الخطوة 3: تكوين معاملات التدريب#

بعد اختيار مجموعة البيانات، يمكنك تكوين معاملات التدريب التي تتحكم في كيفية تعلم النموذج. تشمل هذه الحقب، وحجم الدفعة، وحجم الصورة، واسم التشغيل لسجل التدريب. تؤثر العديد من هذه المعاملات على كل من مدة التدريب والأداء النهائي للنموذج.

لمزيد من التدريب الخاضع للتحكم، تتيح لك المنصة أيضاً ضبط المعاملات المتقدمة مثل معدل التعلم، ونوع المحسن، وإعدادات تعزيز الألوان، وخيارات التدريب الأخرى. يمكن لهذه الإعدادات ضبط عملية التدريب بدقة لتحسين دقة النموذج واستقراره.

الخطوة 4: اختيار وحدة GPU#

بعد ذلك، يمكنك اختيار تكوين GPU لعملية التدريب الخاصة بك. يعتمد اختيار GPU المناسب على عوامل مثل حجم مجموعة البيانات، وحجم الدفعة، ودقة الصورة، وتعقيد النموذج. يساعد العثور على التوازن الصحيح في الحفاظ على كفاءة التدريب دون استخدام حوسبة أكثر مما هو مطلوب.

توفر منصة Ultralytics 22 خياراً لوحدات GPU بمستويات مختلفة من VRAM (الذاكرة على GPU) وقوة الحوسبة، مما يدعم كل شيء من المهام الصغيرة إلى أحمال العمل واسعة النطاق.

باستخدام هذا، يمكنك مطابقة الأجهزة مع احتياجاتك المحددة، سواء كنت تدرب نماذج خفيفة الوزن أو تتعامل مع مجموعات بيانات كبيرة ومعقدة. لمعرفة المزيد، تحقق من قائمة وحدات معالجة الرسومات (GPUs) المتاحة على صفحة وثائق تدريب المنصة من Ultralytics.

Fig 2. Some of the GPU options enabled through Ultralytics Platform (Source)

الخطوة 5: بدء التدريب السحابي#

بمجرد اختيار النموذج ومجموعة البيانات ومعاملات التدريب وخيار الحوسبة، يكون بدء عملية التدريب سريعاً. من لوحة التحكم، يمكنك إطلاق التدريب بنقرة واحدة، وتتولى المنصة الباقي من خلال تهيئة البيئة وتشغيل الوظيفة على GPU المحدد.

مع بدء التدريب، يمكنك مراقبة التقدم مباشرة داخل المنصة. توفر علامة التبويب "تدريب" رؤية في الوقت الفعلي للمقاييس الرئيسية، بما في ذلك مقاييس الأداء، ومنحنيات الخسارة، واستخدام النظام، وسجلات التدريب المباشرة.

To learn more about training locally or using Google Colab with Ultralytics Platform, you can explore more tutorials within the official Ultralytics Platform documentation.

تقييم النماذج ومقارنتها على منصة Ultralytics#

بمجرد اكتمال التدريب، تكون الخطوة التالية هي تقييم مدى جودة أداء نموذجك. على منصة Ultralytics، يمكنك مقارنة عمليات تدريب متعددة داخل مشروع واحد، مما يمنحك رؤية واضحة لكيفية أداء التجارب المختلفة.

عند تطوير النماذج، غالباً ما يتم تكرار التدريب عدة مرات بإعدادات مختلفة، مثل تغيير معدل التعلم، أو حجم الدفعة، أو حجم النموذج، لتحسين النتائج. ينتج عن كل عملية من هذه العمليات نموذج مختلف قليلاً، ولهذا السبب تعد مقارنتها أمراً حيوياً.

تعمل المشاريع كمركز مركزي حيث يتم تنظيم النماذج والتجارب معاً. يمكنك تتبع التقدم، ومراجعة النتائج، والبقاء مركزاً دون التبديل بين أدوات أو طرق عرض مختلفة.

من طريقة العرض الموحدة هذه، يمكنك أيضاً تحليل مقاييس الأداء الرئيسية مثل الدقة، والاستدعاء، وmAP (متوسط متوسط الدقة) لفهم كيفية أداء نموذجك عبر فئات مختلفة. يمكنك أيضاً مقارنة عمليات التدريب جنباً إلى جنب لتحديد التكوينات التي تحقق أفضل النتائج.

لتكملة هذه المقاييس، يمكنك استخدام علامة التبويب "تنبؤ" لاختبار النماذج المدربة بسرعة على صور أو بيانات عينة، مما يساعدك على التحقق بصرياً من الأداء واكتشاف المشكلات المحتملة.

باستخدام هذه الرؤى، يمكنك اختيار النموذج ذو الأداء الأفضل، والذي يتم حفظه عادةً كنقطة فحص "best.pt"، والانتقال إلى المرحلة التالية، سواء كان ذلك تقييماً إضافياً، أو استخدام النموذج لإجراء استدلال، أو نشر النموذج من خلال المنصة.

Fig 3. An example of viewing metrics on Ultralytics Platform (Source)

تقدير تكلفة التدريب داخل منصة Ultralytics#

يتكبد تدريب نماذج كشف الأشياء في السحابة تكاليف حوسبة، خاصة عند الوصول إلى وحدات GPU عالية الأداء. لجعل هذا أكثر ملاءمة، توفر منصة Ultralytics تقديراً للتكلفة قبل بدء التدريب.

إنه يمنحك رؤية واضحة للاستخدام المتوقع، مما يساعدك على تخطيط أحمال العمل، وإدارة الميزانيات، وتجنب النفقات غير المتوقعة قبل إطلاق وظيفة التدريب. إليك كيف يمكنك التحقق من التكاليف المقدرة قبل بدء التدريب.

كيف يتم تقدير وقت التدريب#

لتقدير التكلفة بدقة، تحسب المنصة أولاً المدة التي ستستغرقها حقبة تدريب واحدة. يعتمد هذا على عوامل مثل حجم مجموعة البيانات، وحجم النموذج، ودقة الصورة، وحجم الدفعة، وسرعة GPU المحدد.

باستخدام هذه المدخلات، تحدد الوقت المقدر لكل حقبة وتوسعه ليشمل عملية التدريب الكاملة. يتم حساب المدة الإجمالية من خلال الجمع بين الوقت عبر جميع الحقب مع القليل من النفقات العامة لبدء التشغيل.

تفسر النفقات العامة مهام مثل تهيئة البيئة، وتحميل مجموعات البيانات، وتجهيز GPU، مما يضمن أن التقدير يعكس عملية التدريب الكاملة، وليس فقط حلقة التدريب.

كيف يتم حساب تكلفة التدريب#

بمجرد تقدير وقت التدريب الإجمالي، تقوم المنصة بتحويله إلى تكلفة باستخدام المعدل بالساعة لـ GPU المحدد.

من خلال الجمع بين مدة التدريب وتسعير GPU، يمكننا الحصول على تقدير واضح لمقدار تكلفة التشغيل قبل أن يبدأ حتى.

تجعل الرؤية المسبقة من السهل تعديل إعدادك، مثل ضبط معاملات التدريب أو اختيار GPU مختلف، حتى تتمكن من موازنة الأداء والتكلفة بشكل أكثر فعالية.

Fig 4. Setting up model training and estimating cost within Ultralytics Platform (Source)

المزايا الرئيسية لاستخدام منصة Ultralytics لتدريب النماذج#

حتى الآن، استعرضنا الخطوات الرئيسية التي ينطوي عليها تدريب نماذج الرؤية الحاسوبية وكيف تجتمع معاً على منصة Ultralytics.

بعيداً عن هذه الميزات الأساسية، هناك قدرات إضافية تعزز سير عمل التدريب. فيما يلي نظرة عامة على بعض الفوائد الرئيسية لاستخدام منصة Ultralytics لتدريب النماذج:

• قابلية تكرار التجربة المضمنة: يتم تسجيل كل عملية تدريب تلقائياً مع تكوينها الكامل، بما في ذلك النموذج، ومجموعة البيانات، والمعاملات، وإعداد الحوسبة. هذا يجعل من البسيط إعادة زيارة التجارب وإعادة إنتاج النتائج بشكل موثوق.
• رؤى التدريب بمرور الوقت: بدلاً من مجرد عرض النتائج النهائية، يمكنك تتبع كيفية تطور الأداء عبر الدورات التدريبية (epochs)، مما يساعدك على فهم سلوك النموذج بشكل أفضل أثناء التدريب.
• تقليل العبء التشغيلي: من خلال التعامل مع إعداد البيئة وإدارة التبعيات والبنية التحتية في الخلفية، تتيح لك المنصة التركيز بشكل أكبر على تطوير النموذج وبشكل 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.

أبرز النقاط#

يعد 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 تهيئة بيانات التدريب والمراقبة ومقارنة التجارب وتقدير التكلفة في بيئة واحدة، تعمل منصة Ultralytics على تبسيط عملية بناء نماذج رؤية حاسوبية عالية الأداء وإعدادها للنشر.

تحقق من community النامية لدينا و GitHub repository لمعرفة المزيد حول الرؤية الحاسوبية. إذا كنت تتطلع إلى بناء حلول رؤية،ّ فألق نظرة على licensing options الخاصة بنا. استكشف صفحات الحلول لدينا لمعرفة المزيد حول فوائد computer vision in manufacturing و AI in agriculture.