تعرف على كيفية التدريب والتحقق من صحة النماذج والتنبؤ بها وتصديرها وقياسها باستخدام Ultralytics YOLO Models!
دعنا نتعمق في عالم Ultralytics ونستكشف الأوضاع المختلفة المتاحة لنماذج YOLO المختلفة. سواء كنت تقوم بتدريب نماذج مخصصة للكشف عن الكائنات أو تعمل على التجزئة، فإن فهم هذه الأوضاع يعد خطوة حاسمة. لنبدأ مباشرةً!
من خلالوثائق Ultralytics ، ستجد العديد من الأوضاع التي يمكنك استخدامها لنماذجك، سواء كان ذلك للتدريب أو التحقق من الصحة أو التنبؤ أو التصدير أو القياس أو التتبع. يخدم كل وضع من هذه الأوضاع غرضًا فريدًا ويساعدك على تحسين أداء نموذجك ونشره.
أولاً، لنلقِ نظرة على وضع القطار. هذا هو المكان الذي تبني فيه نموذجك وتصقله. يمكنك العثور على تعليمات مفصلة وأدلة فيديو في الوثائق، مما يسهل عليك البدء في تدريب نماذجك المخصصة.
يتضمن تدريب النموذج تزويد النموذج بمجموعة بيانات جديدة، مما يسمح له بتعلم أنماط مختلفة. وبمجرد التدريب، يمكن استخدام النموذج في الوقت الفعلي لاكتشاف الكائنات الجديدة التي تم تدريبه عليها. قبل البدء في عملية التدريب، من الضروري وضع تعليقات توضيحية لمجموعة البيانات الخاصة بك بتنسيق YOLO .
بعد ذلك، دعنا نتعمق في وضع التحقق من الصحة. يعد التحقق من الصحة أمرًا ضروريًا لضبط المعلمات الفائقة وضمان أداء نموذجك بشكل جيد. Ultralytics يوفر مجموعة متنوعة من خيارات التحقق من الصحة، بما في ذلك الإعدادات الآلية، ودعم المقاييس المتعددة، والتوافق مع واجهة برمجة التطبيقات Python . يمكنك أيضًا تشغيل التحقق من الصحة مباشرةً من خلال واجهة سطر الأوامر (CLI) باستخدام الأمر أدناه.
التحقق من الصحة أمر بالغ الأهمية لـ
Ultralytics يوفر أيضًا أمثلة للمستخدم يمكنك نسخها ولصقها في البرامج النصية Python الخاصة بك. تتضمن هذه الأمثلة معلمات مثل حجم الصورة وحجم الدُفعة والجهاز (CPU أو GPU) والتقاطع على الاتحاد (IoU).
بمجرد أن يتم تدريب نموذجك والتحقق من صحته، يحين وقت إجراء التنبؤات. يسمح لك وضع التنبؤ بتشغيل الاستدلال على بيانات جديدة ورؤية نموذجك أثناء العمل. يعد هذا الوضع مثاليًا لاختبار أداء نموذجك على بيانات العالم الحقيقي.
باستخدام مقتطف الكود python أدناه، ستتمكن من تشغيل التنبؤات على صورك!
بعد التحقق والتنبؤ، قد ترغب في نشر نموذجك. يمكّنك وضع التصدير من تحويل نموذجك إلى تنسيقات مختلفة، مثل ONNX أو TensorRT ، مما يسهل نشره عبر منصات مختلفة.
وأخيراً، لدينا وضع القياس المعياري. القياس المعياري ضروري لتقييم أداء نموذجك في سيناريوهات مختلفة. يساعدك هذا الوضع على اتخاذ قرارات مستنيرة بشأن تخصيص الموارد وتحسينها وكفاءة التكلفة.
لتشغيل معيار قياسي، 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 التكميم بالعدد الصحيح (INT8) أو التكميم بالفئة العائمة (FP16) لمعرفة كيفية تأثير الإعدادات المختلفة على الأداء.
لنلقِ نظرة على مثال واقعي لقياس الأداء. عندما نقيس نموذجنا PyTorch ، نلاحظ أن سرعة الاستدلال تبلغ 68 مللي ثانية على جهاز RTX 3070 GPU. 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. وباختبار هذه النماذج على جهاز CPU (وهو Intel i9 من الجيل الثالث عشر)، نرى نتائج متفاوتة. TorchScript يعمل بسرعة 115 ميلي ثانية، بينما يحقق ONNX أداءً أفضل بسرعة 84 ميلي ثانية. وأخيرًا، يحقق OpenVINO المحسّن للأجهزة Intel أداءً مذهلًا بسرعة 23 مللي ثانية.
توضح المقارنة المعيارية كيف يمكن أن تؤثر الأجهزة وتنسيقات التصدير المختلفة على أداء نموذجك. من المهم قياس أداء نماذجك، خاصةً إذا كنت تخطط لنشرها على أجهزة مخصصة أو أجهزة متطورة. تضمن هذه العملية تحسين نموذجك للبيئة المستهدفة، مما يوفر أفضل أداء ممكن.
باختصار، تعد الأوضاع في وثائق Ultralytics أدوات قوية للتدريب والتحقق من صحة نماذجك YOLO والتنبؤ بها وتصديرها وقياسها. يلعب كل وضع دورًا حيويًا في تحسين نموذجك وإعداده للنشر.
لا تنسَ استكشاف مجتمعنا والانضمام إليه وتجربة مقتطفات التعليمات البرمجية المتوفرة في مشاريعك. باستخدام هذه الأدوات، يمكنك إنشاء نماذج عالية الأداء وضمان تشغيلها بكفاءة في أي بيئة.
