الشيك الأخضر
تم نسخ الرابط إلى الحافظة

استكشاف Ultralytics YOLOv8 'ML ' تكامل تتبع تجارب التعلم الآلي

تعرف على المزيد حول الخيارات المختلفة لتتبع ومراقبة تجاربك التدريبية على نموذج YOLOv8 . قارن بين الأدوات واعثر على أفضل ما يناسب احتياجاتك.

إن جمع البيانات وتعليقها وتدريب النماذج مثل نموذجUltralytics YOLOv8 هو جوهر أي مشروع للرؤية الحاسوبية. في كثير من الأحيان، ستحتاج إلى تدريب نموذجك المخصص عدة مرات بمعلمات مختلفة لإنشاء النموذج الأمثل. يمكن أن يؤدي استخدام أدوات لتتبع تجاربك التدريبية إلى تسهيل إدارة مشروع الرؤية الحاسوبية الخاص بك. تتبع التجربة هي عملية تسجيل تفاصيل كل عملية تدريب - مثل المعلمات التي استخدمتها والنتائج التي حققتها وأي تغييرات أجريتها على طول الطريق. 

الشكل 1. صورة توضح كيف يتناسب تتبع التجربة مع مشروع الرؤية الحاسوبية. 

إن الاحتفاظ بسجل لهذه التفاصيل يساعدك على إعادة إنتاج نتائجك وفهم ما ينجح وما لا ينجح، وضبط نماذجك بشكل أكثر فعالية. بالنسبة للمؤسسات، يساعد ذلك في الحفاظ على الاتساق بين الفرق، ويعزز التعاون ويوفر مسار تدقيق واضح. بالنسبة للأفراد، يتعلق الأمر بالحفاظ على توثيق واضح ومنظم لعملك مما يتيح لك تحسين نهجك وتحقيق نتائج أفضل بمرور الوقت. 

في هذه المقالة، سنرشدك في هذه المقالة إلى عمليات تكامل التدريب المختلفة المتاحة لإدارة ومراقبة YOLOv8 تجاربك. سواء كنت تعمل بمفردك أو كجزء من فريق أكبر، فإن فهم واستخدام أدوات التتبع الصحيحة يمكن أن يحدث فرقاً حقيقياً في نجاح مشاريعكYOLOv8 .

تتبع تجارب التعلم الآلي باستخدام MLflow

MLflow عبارة عن منصة مفتوحة المصدر تم تطويرها من قبل Databricks تجعل إدارة دورة حياة التعلم الآلي بأكملها أسهل. يُعد تتبع MLflow Tracking مكونًا أساسيًا في MLflow يوفر واجهة برمجة تطبيقات وواجهة مستخدم تساعد علماء البيانات والمهندسين على تسجيل تجارب التعلم الآلي الخاصة بهم وتصورها. وهو يدعم لغات وواجهات متعددة، بما في ذلك Python و REST و Java و R APIs. 

يتكامل تتبع MLflow Tracking بسلاسة مع YOLOv8 ، ويمكنك تسجيل مقاييس مهمة مثل الدقة والاستدعاء والخسارة مباشرةً من نماذجك. يعد إعداد MLflow مع YOLOv8 أمرًا بسيطًا ومباشرًا، وهناك خيارات مرنة: يمكنك استخدام الإعداد الافتراضي للمضيف المحلي، أو الاتصال بمخازن بيانات مختلفة، أو بدء تشغيل خادم تتبع MLflow عن بُعد للحفاظ على تنظيم كل شيء.

الشكل 2. الإعدادات الشائعة لبيئة تتبع MLflow. مصدر الصورة تتبع MLflow.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كان MLflow هو الأداة المناسبة لمشروعك:

  • قابلية التوسع: يتناسب MLflow مع احتياجاتك بشكل جيد، سواء كنت تعمل على جهاز واحد أو تنشر على مجموعات كبيرة. إذا كان مشروعك ينطوي على التوسع من التطوير إلى الإنتاج، يمكن ل MLflow دعم هذا النمو.
  • تعقيد المشروع: يُعد MLflow مثاليًا للمشاريع المعقدة التي تحتاج إلى إمكانيات التتبع الشامل وإدارة النماذج والنشر. إذا كان مشروعك يتطلب هذه الميزات على نطاق واسع، يمكن لـ MLflow تبسيط سير العمل الخاص بك.
  • الإعداد والصيانة: على الرغم من قوة MLflow، إلا أنه يأتي مع منحنى تعليمي وإعدادات إضافية. 

استخدام Weights & Biases (W & B) لتتبع نماذج الرؤية الحاسوبية

Weights & Biases هي منصة MLOps لتتبع تجارب التعلم الآلي وتصورها وإدارتها. باستخدام W&B مع YOLOv8 ، يمكنك مراقبة أداء نماذجك أثناء تدريبها وضبطها. توفر لوحة التحكم التفاعلية الخاصة بـ W&B عرضًا واضحًا وفي الوقت الفعلي لهذه المقاييس وتسهل عليك اكتشاف الاتجاهات ومقارنة متغيرات النموذج واستكشاف المشكلات أثناء عملية التدريب.

تقوم W&B تلقائيًا بتسجيل مقاييس التدريب ونقاط التحقق من النموذج، ويمكنك حتى استخدامه لضبط المعلمات المفرطة مثل معدل التعلم وحجم الدُفعات. تدعم المنصة مجموعة واسعة من خيارات الإعداد، بدءًا من تتبع عمليات التشغيل على جهازك المحلي إلى إدارة المشاريع واسعة النطاق باستخدام التخزين السحابي.

الشكل 3. مثال على لوحات معلومات تتبع التجارب Weights & Biases'. مصدر الصورة: Weights & Biases تتبع التجارب.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كان Weights & Biases هو الأداة المناسبة لمشروعك:

  • تحسين التصور والتتبع: توفر W&B لوحة تحكم سهلة الاستخدام لتصور مقاييس التدريب وأداء النموذج في الوقت الفعلي. 
  • نموذج التسعير: يعتمد التسعير على الساعات المتتابعة، والتي قد لا تكون مثالية للمستخدمين ذوي الميزانيات المحدودة أو المشاريع التي تنطوي على أوقات تدريب طويلة.

تتبع تجربة MLOps مع ClearML

ClearML هي منصة مفتوحة المصدر لعمليات التعلم الآلي مصممة لأتمتة عمليات سير عمل التعلم الآلي ومراقبتها وتنسيقها. وهو يدعم أطر عمل التعلم الآلي الشائعة مثل PyTorch و TensorFlow و Keras ويمكنه التكامل بسهولة مع عملياتك الحالية. ClearML يدعم أيضًا الحوسبة الموزعة على الأجهزة المحلية أو في السحابة ويمكنه مراقبة استخدام CPU و GPU .

YOLOv8يوفر التكامل مع ClearML أدوات لتتبع التجارب وإدارة النماذج ومراقبة الموارد. تسمح لك واجهة مستخدم الويب البديهية للمنصة بتصور البيانات، ومقارنة التجارب، وتتبع المقاييس الهامة مثل الخسارة والدقة ودرجات التحقق من الصحة في الوقت الفعلي. كما يدعم التكامل أيضًا ميزات متقدمة مثل التنفيذ عن بُعد، وضبط المعلمة الفائقة، ونقطة فحص النموذج.

الشكل 4. مثال على تصورات تتبع التجربة ClearML. مصدر الصورة: مسح تجارب تتبع التعلم الآلي وتصور النتائج.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كان ClearML هو الأداة المناسبة لمشروعك:

  • الحاجة إلى تتبع متقدم للتجارب: ClearML يوفر تتبعًا قويًا للتجارب يتضمن التكامل التلقائي مع Git. 
  • النشر المرن: يمكن استخدام ClearML في أماكن العمل أو في السحابة أو على مجموعات Kubernetes، مما يجعلها قابلة للتكيف مع إعدادات مختلفة.

تتبع تجارب التدريب باستخدام Comet ML

Comet ML هي منصة سهلة الاستخدام تساعد في إدارة وتتبع تجارب التعلم الآلي. YOLOv8يتيح لك التكامل مع Comet ML تسجيل تجاربك وعرض نتائجك بمرور الوقت. يجعل التكامل من السهل اكتشاف الاتجاهات ومقارنة عمليات التشغيل المختلفة. 

Comet يمكن استخدام تعلّم الآلة في السحابة، أو على سحابة افتراضية خاصة (VPC)، أو حتى في مكان العمل، مما يجعلها قابلة للتكيف مع مختلف الإعدادات والاحتياجات. تم تصميم هذه الأداة للعمل الجماعي. يمكنك مشاركة المشاريع، ووضع علامات على زملائك في الفريق، وترك التعليقات حتى يتمكن الجميع من البقاء على نفس الصفحة وإعادة إنتاج التجارب بدقة.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كان Comet ML هو الأداة المناسبة لمشروعك:

  • يدعم العديد من الأطر واللغات: Comet يعمل ML مع Pythonوجافا سكريبت، وجافا جافا، و R، وغيرها، مما يجعله خيارًا متعدد الاستخدامات بغض النظر عن الأدوات أو اللغات التي يستخدمها مشروعك.
  • لوحات معلومات وتقارير قابلة للتخصيص: Comet واجهة ML قابلة للتخصيص بدرجة كبيرة، بحيث يمكنك إنشاء التقارير ولوحات المعلومات الأكثر ملاءمة لمشروعك. 
  • التكلفة: Comet ML هي منصة تجارية، وتتطلب بعض ميزاتها المتقدمة اشتراكًا مدفوعًا.

لوحة تينسور بورد يمكن أن تساعد في التصورات

TensorBoard هي مجموعة أدوات تصور قوية مصممة خصيصًا لتجارب TensorFlow ، ولكنها أيضًا أداة رائعة لتتبع وتصور المقاييس عبر مجموعة واسعة من مشاريع التعلم الآلي. تتيح TensorBoard، المعروفة ببساطتها وسرعتها، للمستخدمين تتبع المقاييس الرئيسية بسهولة وتصور الرسوم البيانية للنماذج والتضمينات وأنواع البيانات الأخرى.

تتمثل إحدى المزايا الرئيسية لاستخدام TensorBoard مع YOLOv8 في أنه يأتي مثبتًا مسبقًا بشكل ملائم، مما يلغي الحاجة إلى إعداد إضافي. ومن المزايا الأخرى قدرة TensorBoard على العمل بالكامل في أماكن العمل. وهذا أمر أساسي بشكل خاص للمشاريع ذات المتطلبات الصارمة لخصوصية البيانات أو تلك الموجودة في البيئات التي لا تكون فيها عمليات التحميل السحابية خياراً متاحاً.

الشكل 5. مراقبة YOLOv8 تدريب نموذج باستخدام TensorBoard.

فيما يلي بعض المدخلات لمساعدتك في تحديد ما إذا كانت TensorBoard هي الأداة المناسبة لمشروعك:

  • قابلية الشرح باستخدام أداة What-If Tool (WIT): تتضمن TensorBoard أداة What-If Tool، التي توفر واجهة سهلة الاستخدام لاستكشاف نماذج تعلّم الآلة وفهمها. وهي قيمة لأولئك الذين يتطلعون إلى اكتساب رؤى حول نماذج الصندوق الأسود وتحسين قابلية التفسير.
  • تتبع التجارب البسيطة: يعتبر TensorBoard مثاليًا لاحتياجات التتبع الأساسية مع مقارنة محدودة للتجارب ويفتقر إلى ميزات التعاون الجماعي القوية والتحكم في الإصدار وإدارة الخصوصية.

استخدام DVCLive (التحكم المباشر في إصدار البيانات) لتتبع تجارب التعلم الآلي

YOLOv8يوفر التكامل مع DVCLive طريقة مبسطة لتتبع التجارب وإدارتها من خلال إصدار مجموعات البيانات والنماذج والأكواد معًا دون تخزين ملفات كبيرة في Git. ويستخدم أوامر شبيهة بأوامر Git ويخزن المقاييس المتعقبة في ملفات نصية عادية لسهولة التحكم في الإصدار. تقوم DVCLive بتسجيل المقاييس الرئيسية، وتصور النتائج، وتدير التجارب بشكل نظيف دون تشويش مستودعك. يدعم مجموعة واسعة من مزودي التخزين ويمكنه العمل محليًا أو في السحابة. يعد DVCLive مثاليًا للفرق التي تتطلع إلى تبسيط تتبع التجارب دون الحاجة إلى بنية تحتية إضافية أو تبعيات سحابية.

إدارة Ultralytics النماذج وسير العمل باستخدام Ultralytics HUB

Ultralytics HUB عبارة عن منصة داخلية متكاملة مصممة لتبسيط التدريب والنشر والإدارةلنماذج Ultralytics YOLO مثل YOLOv5 و YOLOv8. على عكس عمليات التكامل الخارجية، يقدم Ultralytics HUB تجربة أصلية سلسة ومصممة خصيصًا لمستخدمي YOLO . فهو يبسط العملية بأكملها، مما يتيح لك تحميل مجموعات البيانات بسهولة، واختيار النماذج المدربة مسبقًا، وبدء التدريب ببضع نقرات فقط باستخدام الموارد السحابية - كل ذلك ضمن واجهة HUB سهلة الاستخدام. يدعم UltralyticsHUB أيضًا تتبع التجربة، مما يجعل مراقبة تقدم التدريب ومقارنة النتائج وضبط النماذج أمرًا سهلاً.

الشكل 7. رصد YOLOv8 تدريب نموذج باستخدام Ultralytics HUB.

الماخذ الرئيسية

يمكن أن يُحدث اختيار الأداة المناسبة لتتبع تجارب التعلم الآلي فرقًا كبيرًا. يمكن أن تساعد جميع الأدوات التي ناقشناها في تتبع YOLOv8 تجارب التدريب، ولكن من المهم أن تزن إيجابيات وسلبيات كل منها للعثور على أفضل ما يناسب مشروعك. الأداة المناسبة ستبقيك منظمًا وتساعدك على تحسين أداء نموذجك YOLOv8 ! 

يمكن لعمليات التكامل تبسيط استخدام YOLOv8 في مشاريعك المبتكرة وتسريع تقدمك. لاستكشاف المزيد من عمليات التكامل المثيرة على YOLOv8 ، اطلع على وثائقنا.

تعرّف على المزيد عن الذكاء الاصطناعي من خلال استكشاف مستودع GitHub الخاص بنا والانضمام إلى مجتمعنا. اطلع على صفحات الحلول الخاصة بنا للحصول على رؤى تفصيلية حول الذكاء الاصطناعي في التصنيع والرعاية الصحية. 🚀

شعار الفيسبوكشعار تويترشعار لينكد إنرمز نسخ الرابط

اقرأ المزيد في هذه الفئة

دعونا نبني المستقبل
من الذكاء الاصطناعي معا!

ابدأ رحلتك مع مستقبل التعلم الآلي