يمكنك تبسيط مهام سير عمل التعلم الآلي باستخدام Weights & Biases. تتبع التجارب وتصورها والتعاون بشأنها من أجل تطوير ذكاء اصطناعي أسرع وقابل للتكرار.
Weights & Biases (W&B) هي عبارة عن منصة مصممة لتبسيط سير عمل التعلم الآلي من خلال توفير أدوات لتتبع التجارب وإصدار البيانات والنماذج والتعاون. تعمل المنصة كمحور مركزي لعمليات التعلُّم الآلي (MLOps)، مما يساعد الأفراد والفرق على إدارة تعقيدات تطوير نماذج الذكاء الاصطناعي ونشرها، بما في ذلك Ultralytics YOLO النماذج. كما أنه يسهل فهم أداء النموذج بشكل أفضل، وقابلية استنساخ التجارب، والكفاءة العامة في دورة حياة تطوير الذكاء الاصطناعي.
Weights & Biases هي منصة شاملة لتعلم الآلة تهدف إلى تعزيز إنتاجية ممارسي تعلُّم الآلة. وهي توفر طريقة منهجية لتسجيل وتتبع وتصور كل مكون من مكونات تجربة التعلم الآلي، بما في ذلك مجموعات البيانات، والمحددات الفائقة، ومقاييس التدريب مثل الدقة والخسارة، وإصدارات التعليمات البرمجية، وأوزان النماذج الناتجة. من خلال تقديم لوحة تحكم واضحة ومنظمة، تبسط W&B عملية مقارنة عمليات التشغيل التجريبية المختلفة وتصحيح النماذج ومشاركة النتائج مع المتعاونين. يتكامل بسلاسة مع الأطر الشائعة مثل PyTorch و TensorFlowمما يجعلها قابلة للتكيف مع مختلف مشاريع الذكاء الاصطناعي. تتميز المنصة عن مفاهيم "الأوزان" و"التحيزات" داخل الشبكة العصبية (NN)، والتي تشير إلى المعلمات القابلة للتعلم التي يعدلها النموذج أثناء التدريب. W&B هي الأداة المستخدمة لتتبع التجارب التي تعمل على تحسين هذه المعلمات. يمكنك معرفة المزيد حول دمج Ultralytics مع W&B في الوثائق.
تقدم Weights & Biases العديد من الميزات لدعم دورة حياة تعلّم الآلة:
تُستخدم Weights & Biases على نطاق واسع في مختلف الصناعات لتحسين عمليات تطوير التعلم الآلي.
تستخدم الفرق التي تقوم بتطوير أنظمة الإدراك للمركبات ذاتية القيادة W&B لإدارة العدد الهائل من التجارب المطلوبة. فهم يتتبعون مقاييس الأداء مثل متوسط متوسط الدقة (mAP) لنماذج اكتشاف الأجسام المدربة على مجموعات بيانات متنوعة تمثل ظروف قيادة مختلفة (نهاراً وليلاً ومطراً). تسمح لهم W&B بمقارنة النماذج التي تم تدريبها باستخدام بنيات مختلفة (على سبيل المثال، مقارنة YOLOv8 مقابل YOLOv9) أو المعلمات المفرطة أو استراتيجيات زيادة البيانات، وتصور النتائج مثل المربعات المحدودة على صور الاختبار لضمان المتانة والسلامة قبل النشر.
في مجال الرعاية الصحية، يعتمد الباحثون الذين يطورون الذكاء الاصطناعي لتحليل الصور الطبية، مثل الكشف عن الأورام في الأشعة المقطعية أو تجزئة الأعضاء، على W&B. فهم يتتبعون مقاييس مثل درجة النرد لمهام تجزئة الصور عبر مراحل التدريب المختلفة. تساعد تقنية W&B في إدارة التجارب التي تتضمن بيانات حساسة، وتتبع إصدارات النماذج من أجل الامتثال التنظيمي (على سبيل المثال، إرشادات إدارة الغذاء والدواء الأمريكية)، وتصور أقنعة التجزئة على الصور لتقييم دقة النموذج، مما يساعد في نهاية المطاف في تطوير أدوات تشخيص موثوقة. استكشف كيفية استخدام نماذج Ultralytics YOLO في التصوير الطبي.
من خلال توفير أدوات قوية للتتبع والتصور، تعزز Weights & Biases بشكل كبير من كفاءة وموثوقية مشاريع التعلم الآلي، بدءاً من البحث إلى الإنتاج. يمكنك إدارة مشاريعك الخاصة باستخدام Ultralytics HUB، الذي يدمج إمكانات تتبع التجارب.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
