فهم الخطوات الأساسية في مشاريع الرؤية الحاسوبية#

يتطلب بناء مشروع رؤية حاسوبية اتباع تسلسل واضح من المراحل: تحديد أهدافك، وجمع البيانات وتصنيفها، وتدريب النموذج وتقييمه، ثم نشره وصيانته في بيئة الإنتاج. يستعرض هذا الدليل كل خطوة بالترتيب ويوضح أهميتها، مما يتيح لك تخطيط وتنفيذ مشروعك بثقة.

الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي يساعد الحواسيب على رؤية وفهم العالم بالطريقة التي يفعلها البشر. وهي تقوم بمعالجة وتحليل الصور أو مقاطع الفيديو لاستخراج المعلومات، والتعرف على الأنماط، واتخاذ القرارات بناءً على تلك البيانات.

يمكن تطبيق تقنيات الرؤية الحاسوبية مثل اكتشاف الكائنات، تصنيف الصور، وتجزئة المثيلات عبر مختلف الصناعات، بدءاً من القيادة الذاتية وصولاً إلى التصوير الطبي للحصول على رؤى قيّمة.

نظرة عامة على مشروع الرؤية الحاسوبية#

قبل مناقشة تفاصيل كل خطوة في مشروع الرؤية الحاسوبية، دعونا نلقي نظرة على العملية الإجمالية. إذا بدأت مشروع رؤية حاسوبية اليوم، فستقوم باتخاذ الخطوات التالية:

• أولويتك الأولى هي فهم متطلبات مشروعك.
• بعد ذلك، تقوم بـجمع الصور ووضع تسميات دقيقة لها والتي ستساعد في تدريب نموذجك.
• بعد ذلك، تقوم بـتنظيف بياناتك وتعزيزها لتحضيرها لتدريب النموذج.
• بعد التدريب، تقوم بـتقييم واختبار نموذجك بدقة للتأكد من أنه يعمل بشكل متسق في ظل ظروف مختلفة.
• وأخيراً، تقوم بـنشر نموذجك في العالم الحقيقي ومراقبته وصيانته استناداً إلى الرؤى والتعليقات الجديدة.

الآن بعد أن عرفنا ما يمكن توقعه، دعونا ننتقل مباشرة إلى الخطوات ونمضي قدماً في مشروعك.

الخطوة 1: تحديد أهداف مشروعك#

الخطوة الأولى في أي مشروع رؤية حاسوبية هي تحديد المشكلة التي تحاول حلها بوضوح. معرفة الهدف النهائي تساعدك على البدء في بناء الحل. هذا صحيح بشكل خاص عندما يتعلق الأمر بالرؤية الحاسوبية لأن هدف مشروعك سيؤثر بشكل مباشر على مهمة الرؤية الحاسوبية التي تحتاج إلى التركيز عليها.

إليك بعض الأمثلة على أهداف المشروع ومهام الرؤية الحاسوبية التي يمكن استخدامها لتحقيق هذه الأهداف:

• الهدف: تطوير نظام يمكنه مراقبة وإدارة تدفق أنواع المركبات المختلفة على الطرق السريعة، مما يحسن إدارة حركة المرور وسلامتها.

  • مهمة الرؤية الحاسوبية: يعد اكتشاف الكائنات مثالياً لمراقبة حركة المرور لأنه يحدد مواقع المركبات المتعددة ويتعرف عليها بكفاءة. كما أنه يتطلب قدرة حوسبية أقل من تجزئة الصور، والتي توفر تفاصيل غير ضرورية لهذه المهمة، مما يضمن تحليلاً أسرع في الوقت الفعلي.

• الهدف: تطوير أداة تساعد أطباء الأشعة من خلال توفير مخططات دقيقة على مستوى البكسل للأورام في صور الفحص الطبي.

  • مهمة الرؤية الحاسوبية: تعتبر تجزئة الصور مناسبة للتصوير الطبي لأنها توفر حدوداً دقيقة ومفصلة للأورام، وهو أمر بالغ الأهمية لتقييم الحجم والشكل وتخطيط العلاج.

• الهدف: إنشاء نظام رقمي يصنف المستندات المختلفة (مثل الفواتير، والإيصالات، والأوراق القانونية) لتحسين الكفاءة التنظيمية واسترجاع المستندات.

  • مهمة الرؤية الحاسوبية: تصنيف الصور مثالي هنا لأنه يتعامل مع مستند واحد في كل مرة، دون الحاجة إلى مراعاة موقع المستند في الصورة. هذا النهج يسطّح ويسرّع عملية الفرز.

اختيار النموذج المناسب ونهج التدريب#

بعد فهم هدف المشروع ومهام الرؤية الحاسوبية المناسبة، يُعد الجزء الأساسي من تحديد هدف المشروع هو اختيار النموذج المناسب ونهج التدريب.

اعتماداً على الهدف، قد تختار اختيار النموذج أولاً أو بعد رؤية البيانات التي يمكنك جمعها في الخطوة 2. على سبيل المثال، لنفترض أن مشروعك يعتمد بشكل كبير على توفر أنواع معينة من البيانات. في هذه الحالة، قد يكون من العملي أكثر جمع البيانات وتحليلها أولاً قبل اختيار النموذج. من ناحية أخرى، إذا كان لديك فهم واضح لمتطلبات النموذج، يمكنك اختيار النموذج أولاً ثم جمع البيانات التي تناسب تلك المواصفات.

الاختيار بين التدريب من الصفر أو استخدام التعلم المنقول يؤثر على كيفية إعداد بياناتك. يتطلب التدريب من الصفر مجموعة بيانات متنوعة لبناء فهم النموذج من الأساس. من ناحية أخرى، يتيح لك التعلم المنقول استخدام نموذج مدرب مسبقاً وتكييفه باستخدام مجموعة بيانات أصغر وأكثر تحديداً. أيضاً، سيحدد اختيار نموذج معين لتدريبه كيف تحتاج إلى إعداد بياناتك، مثل تغيير حجم الصور أو إضافة التعليقات التوضيحية، وفقاً للمتطلبات الخاصة بالنموذج.

ضع في اعتبارك النشر عند اختيار النموذج

ضع في اعتبارك هدف نشر النموذج لضمان التوافق والأداء. على سبيل المثال، تعتبر النماذج خفيفة الوزن مثالية لـالحوسبة الطرفية بفضل كفاءتها على الأجهزة المحدودة الموارد.

لمعرفة المزيد، اقرأ دليلنا حول تحديد أهداف مشروعك واختيار النموذج المناسب.

قبل البدء في العمل العملي في مشروع الرؤية الحاسوبية، من المهم أن يكون لديك فهم واضح لهذه التفاصيل. تأكد مرتين من أنك قد أخذت في الاعتبار ما يلي قبل الانتقال إلى الخطوة 2:

• حدد بوضوح المشكلة التي تحاول حلها.
• حدد الهدف النهائي لمشروعك.
• حدد مهمة الرؤية الحاسوبية المحددة المطلوبة (مثل اكتشاف الكائنات، تصنيف الصور، تجزئة الصور).
• قرر ما إذا كنت ستدرب نموذجاً من الصفر أو ستستخدم التعلم بنقل المعرفة.
• اختر النموذج المناسب لمهمتك واحتياجات النشر.

الخطوة 2: جمع البيانات وتعليق البيانات#

تعتمد جودة نماذج الرؤية الحاسوبية الخاصة بك على جودة مجموعة البيانات الخاصة بك. يمكنك إما جمع الصور من الإنترنت، أو التقاط صورك الخاصة، أو استخدام مجموعات بيانات موجودة مسبقاً. إليك بعض الموارد الرائعة لتنزيل مجموعات بيانات عالية الجودة: محرك بحث مجموعات البيانات من Google، مستودع جامعة كاليفورنيا في إرفาย للتعلم الآلي، ومجموعات بيانات Kaggle.

توفر بعض المكتبات، مثل Ultralytics، دعمًا مدمجًا لمختلف مجموعات البيانات، مما يسهل البدء ببيانات عالية الجودة. غالباً ما تتضمن هذه المكتبات أدوات مساعدة لاستخدام مجموعات البيانات الشائعة بسلاسة، مما يمكن أن يوفر عليك الكثير من الوقت والجهد في المراحل الأولى من مشروعك.

ومع ذلك، إذا اخترت جمع الصور أو التقاط صورك الخاصة، فستحتاج إلى إضافة تعليقات توضيحية لبياناتك. التعليقات التوضيحية للبيانات هي عملية تسمية بياناتك لنقل المعرفة إلى نموذجك. نوع التعليقات التوضيحية للبيانات التي ستعمل معها يعتمد على تقنية الرؤية الحاسوبية الخاصة بك. إليك بعض الأمثلة:

• تصنيف الصور: ستقوم بتصنيف الصورة بأكملها كفئة واحدة.
• اكتشاف الكائنات: ستقوم برسم مربعات محيطة حول كل كائن في الصورة وتسمية كل مربع.
• تجزئة الصور: ستقوم بتسمية كل بكسل في الصورة وفقاً للكائن الذي ينتمي إليه، مما يؤدي إلى إنشاء حدود مفصلة للكائنات.

يمكن أن يكون جمع البيانات وتضمين التعليقات التوضيحية لها جهدًا يدويًا مستهلكًا للوقت. أداة التعليقات التوضيحية المخصصة تجعل الأمر أسرع: توفر منصة Ultralytics محرر تعليقات توضيحية مدمجًا مع تعليقات توضيحية ذكية مدعومة بـ SAM للكشف والتجزئة وبيانات OBB، مع حفظ التسميات مباشرة بتنسيق YOLO.

الخطوة 3: زيادة البيانات وتقسيم مجموعة البيانات الخاصة بك#

بعد جمع بيانات الصور الخاصة بك وإضافة التعليقات التوضيحية إليها، من المهم أولاً تقسيم مجموعة بياناتك إلى مجموعات للتدريب، والتحقق، والاختبار قبل إجراء تعزيز البيانات. يُعد تقسيم مجموعة البيانات قبل التعزيز أمرًا بالغ الأهمية لاختبار نموذجك والتحقق منه على بيانات أصلية وغير معدلة. إنه يساعد في تقييم مدى تعميم النموذج بدقة على البيانات الجديدة وغير المكتشفة من قبل.

إليك كيفية تقسيم بياناتك:

• مجموعة التدريب: هي الجزء الأكبر من بياناتك، وعادة ما تكون 70-80% من الإجمالي، وتستخدم لتدريب نموذجك.
• مجموعة التحقق: عادة ما تكون حوالي 10-15% من بياناتك؛ تُستخدم هذه المجموعة لضبط المعلمات الفائقة والتحقق من صحة النموذج أثناء التدريب، مما يساعد في منع التركيب الزائد.
• مجموعة الاختبار: يتم تخصيص الـ 10-15% المتبقية من بياناتك كمجموعة اختبار. تستخدم لتقييم أداء النموذج على بيانات غير مرئية بعد اكتمال التدريب.

بعد تقسيم بياناتك، يمكنك إجراء زيادة البيانات من خلال تطبيق تحويلات مثل تدوير الصور، وتغيير حجمها، وعكسها لزيادة حجم مجموعة البيانات الخاصة بك بشكل مصطنع. تجعل زيادة البيانات نموذجك أكثر قوة تجاه التغيرات وتحسن أداءه على الصور غير المرئية.

تقدم مكتبات مثل OpenCV، Albumentations، وTensorFlow وظائف تعزيز مرنة يمكنك استخدامها. بالإضافة إلى ذلك، تحتوي بعض المكتبات، مثل Ultralytics، على إعدادات تعزيز مدمجة مباشرة داخل دالة تدريب النموذج الخاصة بها، مما يسطّح العملية.

لفهم بياناتك بشكل أفضل، يمكنك استخدام أدوات مثل Matplotlib أو Seaborn لعرض الصور وتحليل توزيعها وخصائصها. يساعد عرض بياناتك في تحديد الأنماط، والشذوذ، وفعالية تقنيات الزيادة لديك. يمكن لعلامة التبويب Charts في Ultralytics Platform إظهار العديد من هذه الرؤى بدون أي رمز من خلال إنشاء توزيع التقسيم، وفئات العد، ومخططات أبعاد الصور، وخرائط الحرارة لمواضع التعليقات التوضيحية تلقائياً لكل مجموعة بيانات تم تحميلها.

من خلال فهم بياناتك، وتقسيمها، وتعزيزها بشكل صحيح، يمكنك تطوير نموذج مدرب جيدًا، ومتحقق من صحته، ومختبر يعمل بشكل جيد في تطبيقات العالم الحقيقي.

الخطوة 4: تدريب النموذج#

بمجرد أن تكون مجموعة البيانات الخاصة بك جاهزة للتدريب، يمكنك التركيز على إعداد البيئة اللازمة، وإدارة مجموعات البيانات الخاصة بك، وتدريب نموذجك.

أولاً، ستحتاج إلى التأكد من تهيئة بيئتك بشكل صحيح. عادةً ما يتضمن ذلك ما يلي:

• تثبيت المكتبات والأطر الأساسية مثل TensorFlow أو PyTorch أو Ultralytics.
• إذا كنت تستخدم GPU، فإن تثبيت مكتبات مثل CUDA وcuDNN سيساعد في تمكين تسريع GPU وتسريع عملية التدريب.

بعد ذلك، يمكنك تحميل مجموعات بيانات التدريب والتحقق في بيئتك. قم بتطبيع البيانات والمعالجة المسبقة لها من خلال تغيير الحجم، أو تحويل التنسيق، أو التعزيز. مع اختيار نموذجك، قم بتكوين الطبقات وتحديد المعلمات الفائقة. قم بتجميع النموذج عن طريق تعيين دالة الخسارة، والمحسن، ومقاييس الأداء.

المكتبات مثل Ultralytics تبسط عملية التدريب. يمكنك بدء التدريب عن طريق تغذية البيانات للنموذج بحد أدنى من التعليمات البرمجية. تتعامل هذه المكتبات مع تعديلات الأوزان، والانتشار العكسي، والتحقق من الصحة تلقائيًا. كما أنها توفر أدوات لمراقبة التقدم وضبط المعلمات الفائقة بسهولة. بعد التدريب، احفظ النموذج وأوزانه بأوامر قليلة.

من المهم أن تضع في اعتبارك أن الإدارة السليمة لمجموعة البيانات أمر حيوي للتدريب الفعال. استخدم التحكم في الإصدار لمجموعات البيانات لتتبع التغييرات وضمان القابلية للتكرار. يمكن أن تساعد أدوات مثل DVC (Data Version Control) في إدارة مجموعات البيانات الكبيرة.

الخطوة 5: تقييم النموذج والضبط الدقيق#

من المهم تقييم أداء نموذجك باستخدام مقاييس مختلفة وتحسينه لتعزيز الدقة. يساعد التقييم في تحديد المجالات التي يتفوق فيها النموذج والمجالات التي قد تحتاج إلى تحسين. يضمن الضبط الدقيق تحسين النموذج لأفضل أداء ممكن.

• مقاييس الأداء: استخدم مقاييس مثل الدقة، والدقة الإحصائية (Precision)، والاسترجاع، ودرجة F1 لتقييم أداء نموذجك. توفر هذه المقاييس رؤى حول مدى نجاح نموذجك في إجراء التنبؤات.
• ضبط المعلمات الفائقة: اضبط المعلمات الفائقة لتحسين أداء النموذج. يمكن أن تساعد تقنيات مثل البحث الشبكي أو البحث العشوائي في العثور على أفضل قيم للمعلمات الفائقة.
• الضبط الدقيق: إجراء تعديلات صغيرة على بنية النموذج أو عملية التدريب لتحسين الأداء. قد يتضمن ذلك تعديل معدلات التعلم، أو أجامع الدُفعات (batch sizes)، أو معاملات أخرى للنموذج.

للفهم العميق لتقييم النموذج وتقنيات الضبط الدقيق، تحقق من دليل رؤى تقييم النموذج الخاص بنا.

الخطوة 6: اختبار النموذج#

يؤكد اختبار النموذج أن نموذجك يعمل بشكل جيد على بيانات لم يسبق لها مثيل تمامًا، مما يتحقق من جاهزيته للنشر. الفرق بين اختبار النموذج وتقييمه هو أن الاختبار يركز على التحقق من أداء النموذج النهائي بدلاً من تحسينه بشكل متكرر.

من المهم اختبار وتصحيح أي مشكلات شائعة قد تنشأ بدقة. اختبر نموذجك على مجموعة بيانات اختبار منفصلة لم يتم استخدامها أثناء التدريب أو التحقق. يجب أن تمثل مجموعة البيانات هذه سيناريوهات العالم الحقيقي لضمان أن أداء النموذج متسق وموثوق.

أيضاً، قم بمعالجة المشكلات الشائعة مثل التركيب الزائد، والتركيب الناقص، وتسرب البيانات. استخدم تقنيات مثل التحقق المتبادل واكتشاف الشذوذ لتحديد هذه المشكلات وإصلاحها. للحصول على استراتيجيات اختبار شاملة، راجع دليل اختبار النموذج الخاص بنا.

الخطوة 7: نشر النموذج#

بمجرد اختبار نموذجك بدقة، فقد حان الوقت لنشره. يتضمن نشر النموذج إتاحة نموذجك للاستخدام في بيئة الإنتاج. فيما يلي خطوات نشر نموذج رؤية حاسوبية:

• إعداد البيئة: قم بتهيئة البنية التحتية اللازمة لخيار النشر الذي اخترته، سواء كان قائماً على السحابة (AWS، Google Cloud، Azure) أو قائماً على الطرف (أجهزة محلية، IoT).
• تصدير النموذج: قم بتصدير نموذجك إلى التنسيق المناسب (على سبيل المثال، ONNX، TensorRT، CoreML لـ YOLO26) لضمان التوافق مع منصة النشر الخاصة بك.
• نشر النموذج: قم بنشر النموذج عن طريق إعداد واجهات برمجة التطبيقات أو نقاط النهاية ودمجها مع تطبيقك.
• ضمان قابلية التوسع: قم بتنفيذ موازنات التحميل، ومجموعات القياس التلقائي، وأدوات المراقبة لإدارة الموارد والتعامل مع زيادة طلبات البيانات والمستخدمين.

للحصول على إرشادات أكثر تفصيلاً حول استراتيجيات النشر وأفضل الممارسات، تحقق من دليل ممارسات نشر النموذج الخاص بنا. توفر منصة Ultralytics أيضًا نقاط نهاية نشر مُدارة مع ميزة التحجيم التلقائي عبر 42 منطقة عالمية، مما يتولى إعداد البنية التحتية تلقائيًا.

الخطوة 8: المراقبة، والصيانة، والتوثيق#

بمجرد نشر نموذجك، من المهم مراقبة أدائه باستمرار، وصيانته للتعامل مع أي مشكلات، وتوثيق العملية بأكملها للرجوع إليها مستقبلاً وإجراء التحسينات.

يمكن أن تساعدك أدوات المراقبة في تتبع مؤشرات الأداء الرئيسية (KPIs) واكتشاف أي شذوذ أو انخفاض في الدقة. من خلال مراقبة النموذج، يمكنك أن تكون على دراية بانحراف النموذج، حيث ينخفض أداء النموذج بمرور الوقت بسبب التغيرات في بيانات الإدخال. قم بإعادة تدريب النموذج دورياً ببيانات محدثة للحفاظ على الدقة والملاءمة.

بالإضافة إلى المراقبة والصيانة، فإن التوثيق هو المفتاح أيضًا. قم بتوثيق العملية بأكملها بدقة، بما في ذلك بنية النموذج، وإجراءات التدريب، والمعلمات الفائقة، وخطوات المعالجة المسبقة للبيانات، وأي تغييرات يتم إجراؤها أثناء النشر والصيانة. يضمن التوثيق الجيد قابلية التكرار ويجعل التحديثات المستقبلية أو استكشاف الأخطاء وإصلاحها أسهل. من خلال مراقبة نموذجك، وصيانته، وتوثيقه بفعالية، يمكنك ضمان بقائه دقيقًا، وموثوقًا، ويسهل إدارته طوال دورة حياته.

التفاعل مع المجتمع#

التواصل مع مجتمع من عشاق الرؤية الحاسوبية يمكن أن يساعدك في معالجة أي مشكلات تواجهها أثناء العمل على مشروع الرؤية الحاسوبية الخاص بك بثقة. إليك بعض الطرق للتعلم واستكشاف الأخطاء وإصلاحها والتواصل بفعالية.

موارد المجتمع#

• مشكلات GitHub: تحقق من مستودع GitHub الخاص بـ YOLO26 واستخدم علامة تبويب المشكلات لطرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع النشط والمشرفون موجودون للمساعدة في حل مشكلات محددة.
• خادم Discord الخاص بـ Ultralytics: انضم إلى خادم Discord الخاص بـ Ultralytics للتفاعل مع المستخدمين والمطورين الآخرين، والحصول على الدعم، ومشاركة الأفكار.

التوثيق الرسمي#

• توثيق Ultralytics YOLO26: استكشف توثيق YOLO26 الرسمي للحصول على أدلة مفصلة مع نصائح مفيدة حول مهام ومشاريع الرؤية الحاسوبية المختلفة.

استخدام هذه الموارد سيساعدك في التغلب على التحديات والبقاء على اطلاع بأحدث الاتجاهات وأفضل الممارسات في مجتمع الرؤية الحاسوبية.

الخطوات التالية#

لديك الآن خارطة طريق لكل مرحلة من مراحل مشروع الرؤية الحاسوبية، بدءاً من تحديد الأهداف وحتى مراقبة النموذج المنشور. ضعها موضع التنفيذ من خلال تدريب نموذج YOLO الأول الخاص بك، أو تعمق أكثر في أي مرحلة منفردة من خلال الأدلة المرتبطة أعلاه. لتشغيل خط الأنابيب الكامل بدون كتابة تعليمات برمجية، استكشف منصة Ultralytics.

الأسئلة الشائعة#

كيف أختار مهمة الرؤية الحاسوبية المناسبة لمشروعي؟#

يعتمد اختيار مهمة الرؤية الحاسوبية الصحيحة على الهدف النهائي لمشروعك. على سبيل المثال، إذا كنت تريد مراقبة حركة المرور، فإن اكتشاف الكائنات مناسب لأنه يمكنه تحديد موقع وأنواع متعددة من المركبات والتعرف عليها في الوقت الفعلي. بالنسبة للتصوير الطبي، تُعد تجزئة الصور مثالية لتوفير حدود تفصيلية للأورام، مما يساعد في التشخيص وتخطيط العلاج. تعرف على المزيد حول مهام محددة مثل اكتشاف الكائنات، وتجزئة المثيلات، والتجزئة الدلالية، وتصنيف الصور.

لماذا يعد تعليق البيانات أمراً بالغ الأهمية في مشاريع الرؤية الحاسوبية؟#

يعد تعليق البيانات أمراً حيوياً لتعليم نموذجك التعرف على الأنماط. يختلف نوع التعليق باختلاف المهمة:

• تصنيف الصور: يتم تصنيف الصورة بأكملها كفئة واحدة.
• اكتشاف الكائنات: يتم رسم مربعات إحاطة حول الكائنات.
• تجزئة الصور: يتم تسمية كل بكسل وفقاً للكائن الذي ينتمي إليه.

يمكن أن يساعد محرر التعليقات التوضيحية المدمج في منصة Ultralytics في هذه العملية. لمزيد من التفاصيل، راجع دليل جمع البيانات والتعليقات التوضيحية الخاص بنا.

ما الخطوات التي يجب أن أتبعها لزيادة مجموعة البيانات الخاصة بي وتقسيمها بفعالية؟#

يساعد تقسيم مجموعة البيانات الخاصة بك قبل الزيادة في التحقق من أداء النموذج على بيانات أصلية وغير معدلة. اتبع هذه الخطوات:

• مجموعة التدريب: 70-80% من بياناتك.
• مجموعة التحقق: 10-15% لـ ضبط المعلمات الفائقة.
• مجموعة الاختبار: الـ 10-15% المتبقية للتقييم النهائي.

بعد التقسيم، قم تطبيق تقنيات تعزيز البيانات مثل التدوير، وتغيير الحجم، والقلب لزيادة تنوع مجموعة البيانات. يمكن أن تساعد المكتبات مثل Albumentations وOpenCV. يقدم Ultralytics أيضًا إعدادات تعزيز مدمجة للراحة.

كيف يمكنني تصدير نموذج الرؤية الحاسوبية المدرب الخاص بي للنشر؟#

قم بتصدير نموذجك المدرب باستخدام طريقة export، مع اختيار تنسيق يطابق هدف النشر الخاص بك. يدعم Ultralytics تنسيقات متعددة، بما في ذلك ONNX، وTensorRT، وCoreML. لتصدير نموذج YOLO26 الخاص بك، اتبع الخطوات التالية:

• استخدم طريقة export مع معلمة التنسيق المطلوبة.
• تأكد من أن النموذج المصدر يتناسب مع مواصفات بيئة النشر الخاصة بك (على سبيل المثال، أجهزة الحافة، السحابة).

لمزيد من المعلومات، تحقق من دليل تصصدير النموذج.

ما هي أفضل الممارسات لمراقبة وصيانة نموذج الرؤية الحاسوبية المنشور؟#

تعد المراقبة والصيانة المستمرة أمرًا أساسيًا لنجاح النموذج على المدى الطويل. قم بتنفيذ أدوات لتتبع مؤشرات الأداء الرئيسية (KPIs) واكتشاف الشذوذات. أعد تدريب النموذج بانتظام ببيانات محدثة لمقاومة انحراف النموذج. قم بتوثيق العملية بأكملها، بما في ذلك بنية النموذج، والمعلمات الفائقة، والتغييرات، لضمان القابلية للتكرار وسهولة التحديثات المستقبلية. تعرف على المزيد في دليل المراقبة والصيانة الخاص بنا.