تدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps الخاص بك#

تربط ممارسات MLOps الفجوة بين إنشاء ونشر نماذج التعلم الآلي في بيئات العالم الواقعي. وهي تركز على النشر الفعال، وقابلية التوسع، والإدارة المستمرة لضمان أداء النماذج بشكل جيد في التطبيقات العملية.

يتكامل Ultralytics YOLO26 بسلاسة مع ClearML، مما يسهل ويحسن تدريب وإدارة نموذج اكتشاف الكائنات الخاص بك. سيرشدك هذا الدليل خلال عملية التكامل، مع تفصيل كيفية إعداد ClearML، وإدارة التجارب، وأتمتة إدارة النماذج، والتعاون بفعالية.

ClearML#

ClearML هي منصة MLOps مبتكرة ومفتوحة المصدر مصممة بمهارة لأتمتة ومراقبة وتنظيم مهام سير عمل التعلم الآلي. تتضمن ميزاتها الرئيسية التسجيل التلقائي لجميع بيانات التدريب والاستدلال لضمان إمكانية إعادة إنتاج التجارب بشكل كامل، واجهة ويب بديهية لسهولة تصور البيانات وتحليلها، وخوارزميات تحسين المعلمات الفائقة المتقدمة، وإدارة النماذج القوية للنشر الفعال عبر مختلف المنصات.

تدريب YOLO26 باستخدام ClearML#

يمكنك جلب الأتمتة والكفاءة إلى سير عمل تعلم الآلة الخاص بك عن طريق دمج YOLO26 مع ClearML لتحسين عملية التدريب.

التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearml

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.

تهيئة ClearML#

بمجرد تثبيت الحزم اللازمة، فإن الخطوة التالية هي تهيئة وإعداد ClearML SDK الخاص بك. يتضمن ذلك إعداد حساب ClearML الخاص بك والحصول على بيانات الاعتماد اللازمة لاتصال سلس بين بيئة التطوير الخاصة بك وخادم ClearML.

ابدأ تهيئة ClearML SDK في بيئتك. يبدأ الأمر clearml-init عملية الإعداد ويطالبك ببيانات الاعتماد اللازمة.

# Initialize your ClearML SDK setup process
clearml-init

بعد تنفيذ هذا الأمر، تفضل بزيارة صفحة إعدادات ClearML. انتقل إلى الزاوية العلوية اليمنى وحدد "Settings". اذهب إلى قسم "Workspace" وانقر على "Create new credentials". استخدم بيانات الاعتماد الواردة في نافذة "Create Credentials" المنبثقة لإكمال الإعداد كما هو موضح، بناءً على ما إذا كنت تقوم بتهيئة ClearML في Jupyter Notebook أو في بيئة Python محلية.

الاستخدام#

قبل الغوص في إرشادات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي توفرها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

فهم الكود#

بمجرد تثبيت ClearML وتهضئته، يتم تمكين رد الاتصال الخاص به افتراضياً. فهو ينشئ مهمة عند بدء التدريب، ويستخدم وسائط YOLO project و name لأسماء مشروع ومهمة ClearML، ويقوم بربط وسائط التدريب تلقائياً. قم بتشغيل yolo settings clearml=False لتعطيل التكامل. للحصول على خيارات التدريب وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.

فهم المخرجات#

عند تشغيل مقتطف كود الاستخدام أعلاه، يمكنك توقع المخرجات التالية:

• رسالة تأكيد تشير إلى إنشاء مهمة ClearML جديدة، إلى جانب معرفها الفريد.
• رسالة معلوماتية حول تخزين كود البرنامج النصي، مما يشير إلى أنه يتم تتبع تنفيذ الكود بواسطة ClearML.
• رابط URL إلى صفحة نتائج ClearML حيث يمكنك مراقبة تقدم التدريب وعرض السجلات التفصيلية.
• تقدم التنزيل لنموذج YOLO26 ومجموعة البيانات المحددة، متبوعاً بملخص لبنية النموذج وتكوين التدريب.
• رسائل التمهيد لمختلف مكونات التدريب مثل TensorBoard، والدقة المختلطة التلقائية (AMP)، وإعداد مجموعة البيانات.
• أخيرًا، تبدأ عملية التدريب، مع تحديثات التقدم مع تدريب النموذج على مجموعة البيانات المحددة. للحصول على فهم متعمق لمقاييس الأداء المستخدمة أثناء التدريب، اقرأ دليلنا حول مقاييس الأداء.

عرض صفحة نتائج ClearML#

بالنقر على رابط URL المؤدي إلى صفحة نتائج ClearML في مخرجات مقتطف كود الاستخدام، يمكنك الوصول إلى عرض شامل لعملية تدريب نموذجك.

الميزات الرئيسية لصفحة نتائج ClearML#

• تتبع المقاييس في الوقت الفعلي

  • تتبع المقاييس الحرجة مثل الخسارة، والدقة، ونتائج التحقق عند حدوثها.
  • يوفر ملاحظات فورية لإجراء تعديلات في الوقت المناسب على أداء النموذج.

• مقارنة التجارب

  • مقارنة عمليات التدريب المختلفة جنباً إلى جنب.
  • ضروري لـ ضبط المعلمات الفائقة وتحديد النماذج الأكثر فعالية.

• السجلات والمخرجات التفصيلية

  • الوصول إلى سجلات شاملة، وتمثيلات رسومية للمقاييس، ومخرجات وحدة التحكم.
  • اكتساب فهم أعمق لسلوك النموذج وحل المشكلات.

• مراقبة استخدام الموارد

  • مراقبة استخدام الموارد الحسابية، بما في ذلك CPU، وGPU، والذاكرة.
  • مفتاح لتحسين كفاءة التدريب والتكاليف.

• إدارة عناصر النموذج

  • عرض، وتنزيل، ومشاركة عناصر النموذج مثل النماذج المدربة ونقاط التحقق.
  • يعزز التعاون ويسهل نشر النموذج ومشاركته.

للحصول على جولة مرئية حول ما تبدو عليه صفحة نتائج ClearML، شاهد الفيديو أدناه:

الميزات المتقدمة في ClearML#

تقدم ClearML العديد من الميزات المتقدمة لتعزيز تجربة MLOps الخاصة بك.

التنفيذ عن بعد#

تسهل ميزة التنفيذ عن بعد في ClearML إعادة إنتاج التجارب ومعالجتها على أجهزة مختلفة. تقوم بتسجيل التفاصيل الأساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عند وضع مهمة في قائمة الانتظار، يسحبها وكيل ClearML، ويعيد إنشاء البيئة، ويشغل التجربة، ويعود بنتائج مفصلة.

نشر ClearML Agent مباشر ويمكن القيام به على أجهزة مختلفة باستخدام الأمر التالي:

clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]

هذا الإعداد قابل للتطبيق على الأجهزة الظراضية السحابية، أو وحدات معالجة الرسومات المحلية، أو أجهزة الكمبيوتر المحمولة. تساعد محركات القياس التلقائي لـ ClearML في إدارة أحمال العمل السحابية على منصات مثل AWS وGCP وAzure، مما يؤتمت نشر الوكلاء وضبط الموارد بناءً على ميزانية مواردك.

الاستنساخ، والتحرير، والوضع في قائمة الانتظار#

تسمح واجهة ClearML سهلة الاستخدام بالاستنساخ، والتحرير، ووضع المهام في قائمة الانتظار بسهولة. يمكن للمستخدمين استنساخ تجربة موجودة، وتعديل المعلمات أو تفاصيل أخرى من خلال واجهة المستخدم، ووضع المهمة في قائمة الانتظار للتنفيذ. تضمن هذه العملية المبسطة أن يستخدم ClearML Agent الذي ينفذ المهمة تكوينات محدثة، مما يجعلها مثالية للتجارب التكرارية وضبط النموذج.

إدارة إصدارات مجموعة البيانات#

يقدم ClearML أيضًا إمكانيات قوية لإدارة إصدارات مجموعات البيانات التي تتكامل بسلاسة مع مهام سير عمل تدريب YOLO26. تتيح لك هذه الميزة ما يلي:

• إصدار مجموعات البيانات الخاصة بك بشكل منفصل عن الكود الخاص بك
• تتبع أي إصدار من مجموعة البيانات تم استخدامه لكل تجربة
• الوصول بسهولة إلى أحدث إصدار من مجموعة البيانات وتنزيله

لإعداد مجموعة البيانات الخاصة بك لـ ClearML، اتبع الخطوات التالية:

1. نظم مجموعة البيانات الخاصة بك بهيكل YOLO القياسي (الصور، التسميات، إلخ)

2. انسخ ملف YAML المقابل إلى جذر مجلد مجموعة البيانات الخاص بك

3. قم بتحميل مجموعة البيانات الخاصة بك باستخدام أداة ClearML Data:

   cd your_dataset_folder
   clearml-data sync --project YOLO26 --name your_dataset_name --folder .

سينشئ هذا الأمر مجموعة بيانات ذات إصدار في ClearML يمكن الرجوع إليها في نصوص التدريب الخاصة بك، مما يضمن قابلية التكرار وسهولة الوصول إلى بياناتك.

ملخص#

أرشدك هذا الدليل خلال عملية دمج ClearML مع YOLO26 من Ultralytics. من خلال تغطية كل شيء بدءاً من الإعداد الأولي وحتى إدارة النماذج المتقدمة، اكتشفت كيفية الاستفادة من ClearML للتدريب الفعال، وتتبع التجارب، وتحسين سير العمل في مشاريع تعلم الآلة الخاصة بك.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة دليل تكامل YOLOv8 الرسمي لـ ClearML، والذي ينطبق أيضًا على مهام سير عمل YOLO26.

بالإضافة إلى ذلك، استكشف المزيد من عمليات التكامل وإمكانيات Ultralytics من خلال زيارة صفحة دليل تكامل Ultralytics، والتي تعد كنزًا دفينًا من الموارد والرؤى.

الأسئلة الشائعة#