تعرّف على كيفية استخدام تتبع التجارب لتبسيط تجارب Ultralytics YOLO11 الخاصة بك مع تكامل DVC لتحسين أداء النموذج.
.webp)
يعد تتبع ومراقبة تجارب الرؤية الحاسوبية ومراقبتها، حيث يتم تدريب الآلات على تفسير البيانات المرئية وفهمها، جزءًا أساسيًا من تطوير نماذج الذكاء الاصطناعي للرؤية وضبطها مثل Ultralytics YOLO11. وغالباً ما تتضمن هذه التجارب اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب متعددة للنموذج. يمكن أن يساعد القيام بذلك في تحليل أداء النموذج وإجراء تحسينات قائمة على البيانات على النموذج.
بدون نظام تتبع تجارب محدد جيد التحديد، يمكن أن تصبح مقارنة النتائج وإجراء تغييرات على النماذج معقدة وتؤدي إلى حدوث أخطاء. في الواقع، يعد أتمتة هذه العملية خيارًا رائعًا يمكن أن يضمن اتساقًا أفضل.
هذا بالضبط ما يهدف تكامل DVCLive المدعوم من Ultralytics إلى القيام به. يوفر DVCLive طريقة مبسطة لتسجيل تفاصيل التجربة تلقائيًا وتصور النتائج وإدارة تتبع أداء النموذج، كل ذلك ضمن سير عمل واحد.
في هذه المقالة، سنناقش كيفية استخدام تكامل DVCLive أثناء تدريب Ultralytics YOLO11. كما سنلقي نظرة على فوائده وكيف أنه يجعل تتبع التجارب أسهل لتطوير نموذج Vision AI بشكل أفضل.
DVCLive، التي تم إنشاؤها بواسطة DVC (التحكم في إصدار البيانات)، هي أداة موثوقة مفتوحة المصدر مصممة لتتبع تجارب التعلم الآلي. وتوفر مكتبة DVCLive Python مسجّل تجارب في الوقت الحقيقي، مما يتيح لمطوري الذكاء الاصطناعي والباحثين تتبع مقاييس ومعلمات تجاربهم.
على سبيل المثال، يمكنه تسجيل مقاييس أداء النموذج الرئيسية تلقائيًا، ومقارنة النتائج عبر عمليات التدريب، وتصور أداء النموذج. تُمكِّن هذه الميزات DVCLive من مساعدتك في الحفاظ على سير عمل منظم وقابل للتكرار في مجال التعلم الآلي.
إن تكامل DVCLive سهل الاستخدام ويمكنه تحسين مشاريع الرؤية الحاسوبية الخاصة بك من خلال توفير تصورات واضحة وسهلة الفهم للبيانات وأدوات التحليل. فيما يلي بعض الميزات الرئيسية الأخرى ل DVCLive:
أثناء استعراضك لوثائقUltralytics واستكشاف عمليات التكامل المتاحة، قد تجد نفسك تتساءل: ما الذي يميز تكامل DVCLive، ولماذا يجب أن أختاره لسير عملي؟
مع عمليات التكامل مثل TensorBoard و MLflow التي توفر أيضاً أدوات لتتبع المقاييس وتصور النتائج، من الضروري فهم الخصائص الفريدة التي تجعل هذا التكامل متميزاً.
وإليك السبب الذي يجعل DVCLive خيارًا مثاليًا لمشاريع Ultralytics YOLO الخاصة بك:
يعد تتبع تدريب نموذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما قد تتوقع. بمجرد تثبيت المكتبات اللازمة وتهيئتها، يمكنك البدء سريعًا في تدريب نموذج YOLO11 المخصص الخاص بك.
بعد التدريب، يمكنك ضبط الإعدادات الرئيسية مثل الحقب الزمنية (عدد المرات التي يمر فيها النموذج على مجموعة البيانات بأكملها)، والصبر (مدة الانتظار قبل التوقف إذا لم يكن هناك أي تحسن)، وحجم الصورة المستهدف (دقة الصور المستخدمة في التدريب) لتحسين الدقة. بعد ذلك، يمكنك استخدام أداة التصور DVCLive لمقارنة إصدارات مختلفة من نموذجك وتحليل أدائها.
للاطلاع على فهم أكثر تفصيلاً لعملية تدريب النموذج وأفضل الممارسات، راجع وثائقنا الخاصة بنماذج Ultralytics YOLO المخصصة للتدريب.
بعد ذلك، دعنا نتعرف على كيفية تثبيت تكامل DVCLive واستخدامه أثناء تدريب YOLO11 المخصص.
قبل أن تتمكن من البدء في تدريب YOLO11 ستحتاج إلى تثبيت كل من حزمةUltralytics Python و DVCLive. لقد تم تصميم هذا التكامل بطريقة تجعل كلتا المكتبتين تعملان معًا بسلاسة افتراضيًا، لذلك لا داعي للقلق بشأن التكوينات المعقدة.
يمكن إكمال عملية التثبيت بأكملها في بضع دقائق فقط باستخدام أمر Pip واحد، وهو أداة إدارة حزم لتثبيت مكتبات Python كما هو موضح في الصورة أدناه.
بمجرد تثبيت الحزم، يمكنك إعداد بيئتك وإضافة بيانات الاعتماد اللازمة لضمان تشغيل DVCLive بسلاسة. يعد إعداد مستودع Git مفيدًا أيضًا لتتبع التعليمات البرمجية الخاصة بك وأي تغييرات على إعدادات DVCLive.
للحصول على إرشادات مفصلة خطوة بخطوة ونصائح مفيدة أخرى، راجع دليل التثبيت الخاص بنا. في حال واجهتك أي مشاكل أثناء تثبيت الحزم المطلوبة، فإن دليل المشكلات الشائعة لدينا يحتوي على حلول وموارد لمساعدتك.
بعد اكتمال جلسة التدريب على نموذج YOLO11 يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. على وجه التحديد، يمكنك استخدام واجهة برمجة تطبيقات DVC لاستخراج البيانات ومعالجتها باستخدام Pandas (مكتبة Python التي تسهّل العمل مع البيانات، مثل تنظيمها في جداول للتحليل والمقارنة) لتسهيل التعامل معها وتصورها.
للحصول على طريقة أكثر تفاعلية ومرئية لاستكشاف نتائجك، يمكنك أيضًا تجربة استخدام مخطط الإحداثيات المتوازية في Plotly (وهو نوع من المخططات التي توضح كيفية ارتباط معلمات النموذج المختلفة ونتائج الأداء.
في نهاية المطاف، يمكنك استخدام الرؤى المستقاة من هذه التصورات لاتخاذ قرارات أفضل بشأن تحسين نموذجك أو ضبط المعلمة الفائقة أو إجراء تعديلات أخرى لتعزيز أدائه العام.
الآن بعد أن تعلمنا كيفية تثبيت وتصور نتائج تدريب YOLO11 باستخدام تكامل DVCLive، دعنا نستكشف بعض التطبيقات التي يمكن لهذا التكامل تحسينها.
عندما يتعلق الأمر بالزراعة وحصاد المحاصيل من أجل الغذاء، يمكن أن تُحدث الدقة فرقاً كبيراً. على سبيل المثال، يمكن للمزارعين استخدام دعم YOLO11 لاكتشاف الكائنات وتجزئة المثيل لتحديد أمراض المحاصيل المحتملة وتتبع الماشية واكتشاف تفشي الآفات.
على وجه الخصوص، يمكن أن يساعد YOLO11 في اكتشاف العلامات المبكرة للأمراض النباتية أو الآفات الضارة أو الحيوانات غير الصحية من خلال تحليل الصور من الطائرات بدون طيار أو الكاميرات. تمكّن هذه الأنواع من أنظمة الذكاء الاصطناعي المرئي المزارعين من التصرف بسرعة لوقف انتشار المشاكل، مما يوفر الوقت ويقلل من الخسائر.
نظرًا لأن ظروف المزرعة تتغير باستمرار مع تغير الطقس والمواسم، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور للتأكد من أدائها الجيد في المواقف المختلفة. يعد استخدام تكامل DVCLive لتدريب YOLO11 المخصص للتطبيقات الزراعية طريقة رائعة لتتبع أدائها، خاصةً مع مجموعات البيانات المتنوعة.
يمكن لمتاجر البيع بالتجزئة استخدام الذكاء الاصطناعي والرؤية الحاسوبية لفهم سلوك العملاء وإجراء تحسينات لتعزيز تجربة التسوق.
من خلال تحليل مقاطع الفيديو من كاميرات المراقبة، يمكن لـ YOLO11 تتبع كيفية تحرك الأشخاص في المتجر، والمناطق التي تحظى بأكبر عدد من الزيارات وكيفية تفاعل المتسوقين مع المنتجات. يمكن بعد ذلك استخدام هذه البيانات لعمل خرائط حرارية لعرض الرفوف التي تجذب أكبر قدر من الاهتمام، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كان يتم ملاحظة الإعلانات المعروضة.
باستخدام ذكاء الأعمال هذا، يمكن لمالكي المتاجر إعادة ترتيب المنتجات لزيادة المبيعات، وتسريع طوابير الدفع، وتعديل الموظفين لمساعدة العملاء في المكان والوقت الذي يحتاجون إليه.
في كثير من الأحيان، تتميز متاجر البيع بالتجزئة بخصائص فريدة من نوعها، مثل اختلاف ظروف الإضاءة والتخطيطات وأحجام الحشود. وبسبب هذه الاختلافات، يجب اختبار نماذج الرؤية الحاسوبية المستخدمة لتحليل نشاط المتجر بعناية وتعديلها لكل موقع لضمان الدقة. على سبيل المثال، يمكن أن يساعد تكامل DVCLive في ضبط YOLO11 مما يجعله أكثر دقة وموثوقية لتطبيقات البيع بالتجزئة، مما يتيح رؤى أفضل لسلوك العملاء وعمليات المتجر.
يجعل التدريب المخصص YOLO11 أثناء استخدام تكامل DVCLive من السهل تتبع تجارب الرؤية الحاسوبية الخاصة بك وتحسينها. فهو يقوم تلقائيًا بتسجيل التفاصيل المهمة، ويعرض نتائج مرئية واضحة، ويساعدك على مقارنة إصدارات مختلفة من نموذجك.
سواءً كنت تحاول تعزيز إنتاجية المزرعة أو تحسين تجربة التسوق في المتجر، فإن هذا التكامل يضمن لك أداء نماذج Vision AI الخاصة بك بشكل جيد. من خلال تتبع التجارب، يمكنك اختبار نماذجك وتحسينها وتحسينها بشكل منهجي، مما يؤدي إلى تحسينات مستمرة في الدقة والأداء.
انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي في مجال الرؤية الحاسوبية وتحقق من خيارات الترخيص لدينا لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في القيادة الذاتية؟ تفضل بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.
