تدريب نماذج كشف الأجسام (YOLO)

نافذة Object Detection Training Window تقوم بتدريب نماذج كشف الكائنات المبنية على YOLO باستخدام مجموعة البيانات المشروحة الخاصة بك.

يفضل إجراء التدريب باستخدام بطاقة رسومية Nvidia متوافقة وحزمة AugeLab Studio AI/GPU مُمكّنة.

إذا كانت نافذة التدريب معطلة أو تظهر أخطاء بخصوص وقت التشغيل/التبعيات المفقودة، افتح نافذة Module Downloader Window وقم بتثبيت أدوات AI المطلوبة.

بدء الاستخدام

1. شغّل AugeLab Studio.

2. افتح AI Tools → Object Detection Training Window

3. جهّز:

   • مجلد مجموعة بيانات وملف أسماء الفئات (class names) المُعدّان باستخدام أداة AugeLab Studio Annotation Tool

   • أو مجلد مجموعة بيانات يحتوي على الصور وملفات تسميات YOLO (.txt) في نفس المجلد

   • ملف أسماء الفئات بصيغة .names (اسم فئة واحد لكل سطر)

نافذة التدريب تقوم بمسح مجموعة البيانات وتعرض Dataset Analytics (إجمالي الصور، الأعداد المشروحة/غير المشروحة، وقائمة الفئات) لمساعدتك على اكتشاف الأخطاء مبكرًا.

1) الإعدادات الأساسية (Configuration)

نافذة التدريب الحالية تستخدم لوحة Configuration بسيطة بدلاً من سير عمل قائم على القوائم فقط.

Select Dataset Folder

اختر المجلد الذي يحتوي على صور التدريب.

ملاحظات:

• يتم استخدام الملفات داخل هذا المجلد فقط (احفظ صور التدريب في مجلد واحد)

• صيغ الصور المدعومة تشمل: .jpg, .jpeg, .png, .bmp, .tiff, .tif

Select Class Names File (.names)

اختر ملف قائمة الفئات.

إذا كان ملف .names فارغًا، ستتعامل نافذة التدريب مع ذلك كخطأ. تأكد من أنه يحتوي على اسم فئة واحد لكل سطر.

Model Type

اختر إصدار النموذج من Model Type.

بشكل عام:

• إصدارات Robust Ones أبطأ ولكن يمكن أن تصل إلى دقة أعلى — YOLOv4-Scaled خيار افتراضي جيد

• إصدارات Fast تتدرب أسرع ومناسبة لأجهزة ضعيفة المواصفات

• Micro / Nano مصممة لنماذج صغيرة أو أجهزة الحافة (edge)

Optional: Custom Weights

يمكنك البدء من أوزان مبدئية/مُدربة مسبقًا (Darknet .weights / backbone .conv.*).

حالات استخدام مفيدة:

• مواصلة تشغيل سابق

• تقارب أسرع على مجموعات بيانات مشابهة

إذا قمت بتغيير Model Type، فالأفضل مسح وإعادة اختيار الأوزان التي تتطابق مع النموذج المختار.

2) الإعدادات المتقدمة (Advanced Settings)

تسمح لك الإعدادات المتقدمة بضبط سلوك التدريب (استهلاك الذاكرة، السرعة، والدقة).

أهم الإعدادات:

• Dataset Split Ratio (Train/Val): نسبة البيانات المستخدمة للتحقق (تؤثر على تقارير mAP)

• Network Input Size (Width/Height): حجم الإدخال للشبكة — الأكبر يساعد في اكتشاف الأشياء الصغيرة لكنه يستهلك VRAM أكثر ويبطئ التدريب

• Batch Size / Subdivisions: عناصر التحكم الرئيسية لمشاكل ذاكرة GPU

  • إذا ظهرت رسالة “Out of Memory”، زد subdivisions أو اخفض batch size

• Recalculate Anchors: قد يحسن النتائج لمجموعات بيانات مخصصة (موصى به لبيانات جديدة)

• Calculate Optimal Network Size: مساعد تلقائي اختياري لاختيار الحجم الأمثل

• GPUs to Use: لأنظمة متعددة GPUs (مثلاً: 0 أو 0,1)

• mAP During Training: يعرض تقدم الدقة لكن قد يبطئ التدريب قليلاً

• Clear Previous Training: ابدأ من جديد أو استأنف تدريب سابق

• Live Augmentation Options: يطبق تغييرات على الطاير أثناء التدريب (لا ينشئ ملفات إضافية)

3) بدء / إيقاف التدريب (Start / Stop Training)

بمجرد أن تكون Dataset + Classes صحيحة، يصبح الزر الرئيسي نشطًا.

1. اضغط Start Training

2. راقب:

   • منطقة Log (مخرجات الكونسول)

   • نافذة Training Chart (الخسارة / mAP)

3. اضغط Stop Training لإيقاف العملية

Training Logging

إغلاق نافذة التدريب أثناء التشغيل سيؤدي إلى إنهاء عملية التدريب.

بعد الانتهاء من التدريب

عند انتهاء التدريب (أو إذا قمت بإيقافه)، تحقق من مجلد الإخراج المشار إليه في رسائل السجل/الحالة.

الخطوات التالية الموصى بها:

• تحميل النموذج المدرب إلى سير العمل الخاص بك (للاستدلال/inference)

• التحقق من النتائج على مجموعة بيانات احتياطية أو فيديو كاميرا حقيقي للتأكد من الأداء الفعلي