تدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps#

يردم MLOps الفجوة بين إنشاء نماذج التعلّم الآلي ونشرها في بيئات العالم الحقيقي. ويركّز على كفاءة النشر وقابلية التوسع والإدارة المستمرة لضمان أداء النماذج جيدًا في التطبيقات العملية.

يتكامل Ultralytics YOLO26 بسلاسة مع ClearML، ما يبسّط تدريب نماذج كشف الكائنات وإدارتها ويحسّنهما. يشرح هذا الدليل خطوات التكامل، مع توضيح كيفية إعداد ClearML وإدارة التجارب وأتمتة إدارة النماذج والتعاون بفاعلية.

ClearML#

ClearML منصة مبتكرة مفتوحة المصدر لـMLOps، صُممت ببراعة لأتمتة مسارات عمل التعلّم الآلي ومراقبتها وتنسيقها. وتشمل ميزاتها الرئيسية التسجيل التلقائي لجميع بيانات التدريب والاستدلال لإمكانية إعادة التجارب بالكامل، وواجهة ويب سهلة الاستخدام لتيسير تصوير البيانات وتحليلها، وخوارزميات تحسين متقدمة للمعلمات الفائقة، وإدارة قوية للنماذج تتيح نشرها بكفاءة عبر منصات متعددة.

تدريب YOLO26 باستخدام ClearML#

يمكنك إضافة الأتمتة والكفاءة إلى سير عمل التعلّم الآلي من خلال دمج YOLO26 مع ClearML لتحسين عملية التدريب.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

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

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت YOLO26. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـYOLO26، فارجع إلى دليل المشكلات الشائعة للاطّلاع على الحلول والنصائح.

تهيئة ClearML#

بعد تثبيت الحزم اللازمة، تتمثل الخطوة التالية في تهيئة SDK الخاص بـClearML وإعداده. يتضمن ذلك إنشاء حساب ClearML والحصول على بيانات الاعتماد اللازمة لضمان اتصال سلس بين بيئة التطوير وخادم ClearML.

ابدأ بتهيئة SDK الخاص بـClearML في بيئتك. يبدأ الأمر clearml-init عملية الإعداد ويطلب منك بيانات الاعتماد اللازمة.

# Initialize your ClearML SDK setup process
clearml-init

بعد تنفيذ هذا الأمر، انتقل إلى صفحة إعدادات ClearML. توجّه إلى الزاوية العلوية اليمنى واختر "Settings". انتقل إلى قسم "Workspace" وانقر على "Create new credentials". استخدم بيانات الاعتماد المقدمة في النافذة المنبثقة "Create Credentials" لإكمال الإعداد وفقًا للتعليمات، وذلك بحسب ما إذا كنت تهيّئ ClearML في Jupyter Notebook أو في بيئة Python محلية.

الاستخدام#

قبل التعمق في تعليمات الاستخدام، احرص على الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك ذلك على اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# ⁨تنشئ دالة الاستدعاء مهمة ClearML وتربطها تلقائيًا⁩
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

فهم الشيفرة#

بعد تثبيت ClearML وتهيئته، تُفعّل دالة الاستدعاء الخاصة به افتراضيًا. وتنشئ مهمة عند بدء التدريب، وتستخدم الوسيطتين project وname في YOLO لتحديد اسمي مشروع ClearML ومهمته، كما تربط وسيطات التدريب تلقائيًا. شغّل yolo settings clearml=False لتعطيل التكامل. للاطّلاع على خيارات التدريب وأفضل الممارسات، راجع دليل تدريب نماذج YOLO26.

فهم المخرجات#

عند تشغيل مقتطف الشيفرة أعلاه، يُتوقع ظهور المخرجات التالية:

• رسالة تأكيد تشير إلى إنشاء مهمة جديدة في ClearML، مع معرّفها الفريد.
• رسالة معلوماتية تفيد بتخزين شيفرة البرنامج، وتشير إلى أن ClearML يتتبّع تنفيذ الشيفرة.
• رابط URL إلى صفحة نتائج ClearML حيث يمكنك مراقبة تقدم التدريب والاطّلاع على السجلات التفصيلية.
• تقدم تنزيل نموذج YOLO26 ومجموعة البيانات المحددة، يليه ملخص لبنية النموذج وإعدادات التدريب.
• رسائل تهيئة لمكونات التدريب المختلفة، مثل TensorBoard والدقة المختلطة التلقائية (AMP) وإعداد مجموعة البيانات.
• وأخيرًا، تبدأ عملية التدريب، مع تحديثات التقدم أثناء تدريب النموذج على مجموعة البيانات المحددة. لفهم مقاييس الأداء المستخدمة أثناء التدريب فهمًا معمقًا، اقرأ دليلنا حول مقاييس الأداء.

عرض صفحة نتائج ClearML#

يمكنك الوصول إلى عرض شامل لعملية تدريب النموذج بالنقر على رابط URL المؤدي إلى صفحة نتائج ClearML في مخرجات مقتطف الشيفرة.

الميزات الرئيسية لصفحة نتائج ClearML#

• تتبّع المقاييس في الوقت الفعلي

  • تتبّع المقاييس الأساسية، مثل الخسارة والدقة ودرجات التحقق، فور ظهورها.
  • يوفّر ملاحظات فورية تتيح إجراء تعديلات على أداء النموذج في الوقت المناسب.

• مقارنة التجارب

  • قارن بين عمليات التدريب المختلفة جنبًا إلى جنب.
  • أساسي لضبط المعلمات الفائقة وتحديد النماذج الأكثر فاعلية.

• السجلات والمخرجات التفصيلية

  • اطّلع على سجلات شاملة وتمثيلات بيانية للمقاييس ومخرجات وحدة التحكم.
  • اكتسب فهمًا أعمق لسلوك النموذج وكيفية حل المشكلات.

• مراقبة استخدام الموارد

  • راقب استخدام موارد الحوسبة، بما في ذلك CPU وGPU والذاكرة.
  • عنصر أساسي لتحسين كفاءة التدريب وتكاليفه.

• إدارة عناصر النموذج

  • اعرض عناصر النموذج، مثل النماذج المدرّبة ونقاط التحقق، ونزّلها وشاركها.
  • يعزز التعاون ويبسط نشر النماذج ومشاركتها.

لمشاهدة عرض مرئي لشكل صفحة نتائج ClearML، شاهد الفيديو أدناه:

ميزات ClearML المتقدمة#

يوفّر ClearML عدة ميزات متقدمة للارتقاء بتجربة MLOps لديك.

التنفيذ عن بُعد#

تسهّل ميزة التنفيذ عن بُعد في ClearML إعادة إنتاج التجارب وتعديلها على أجهزة مختلفة. وتسجّل تفاصيل أساسية، مثل الحزم المثبتة والتغييرات غير المودعة. عند وضع مهمة في قائمة الانتظار، يجلبها ClearML Agent، ويعيد إنشاء البيئة، ويشغّل التجربة، ثم يرسل النتائج التفصيلية.

من السهل نشر ClearML Agent، ويمكن القيام بذلك على أجهزة مختلفة باستخدام الأمر التالي:

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

يناسب هذا الإعداد الأجهزة الافتراضية السحابية ووحدات GPU المحلية وأجهزة الكمبيوتر المحمولة. تساعد أدوات التحجيم التلقائي من ClearML على إدارة أحمال العمل السحابية على منصات مثل AWS وGCP وAzure، من خلال أتمتة نشر الوكلاء وضبط الموارد بحسب ميزانيتك.

استنساخ المهام وتحريرها وإضافتها إلى قائمة الانتظار#

تتيح واجهة ClearML سهلة الاستخدام استنساخ المهام وتحريرها وإضافتها إلى قائمة الانتظار بسهولة. يمكن للمستخدمين استنساخ تجربة موجودة، وتعديل المعلمات أو التفاصيل الأخرى عبر واجهة المستخدم، ثم إضافة المهمة إلى قائمة الانتظار لتنفيذها. تضمن هذه العملية المبسطة استخدام ClearML Agent الذي ينفذ المهمة تكوينات محدّثة، ما يجعلها مثالية للتجارب التكرارية وضبط النماذج بدقة.

إدارة إصدارات مجموعات البيانات#

توفر ClearML أيضًا إمكانات قوية لـإدارة إصدارات مجموعات البيانات، تتكامل بسلاسة مع مسارات عمل تدريب YOLO26. تتيح لك هذه الميزة:

• إصدار مجموعات البيانات بشكل منفصل عن التعليمات البرمجية
• تتبّع إصدار مجموعة البيانات المستخدم في كل تجربة
• الوصول بسهولة إلى أحدث إصدار من مجموعة البيانات وتنزيله

لإعداد مجموعة البيانات في ClearML، اتبع الخطوات التالية:

1. نظّم مجموعة البيانات وفق بنية YOLO القياسية (الصور والتسميات وما إلى ذلك)

2. انسخ ملف YAML المقابل إلى جذر مجلد مجموعة البيانات

3. حمّل مجموعة البيانات باستخدام أداة ClearML Data:

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

سينشئ هذا الأمر مجموعة بيانات ذات إصدارات في ClearML، ويمكن الإشارة إليها في البرامج النصية للتدريب، ما يضمن قابلية إعادة الإنتاج وسهولة الوصول إلى بياناتك.

الملخص#

أرشدك هذا الدليل خلال عملية دمج ClearML مع YOLO26 من Ultralytics. واكتشفت، بدءًا من الإعداد الأولي ووصولًا إلى إدارة النماذج المتقدمة، كيفية الاستفادة من ClearML لتحقيق تدريب فعّال، وتتبع التجارب، وتحسين مسارات العمل في مشاريع تعلّم الآلة.

لمزيد من التفاصيل حول الاستخدام، راجع دليل الدمج الرسمي لـ YOLOv8 مع ClearML، الذي ينطبق أيضًا على مسارات عمل YOLO26.

بالإضافة إلى ذلك، تعرّف على مزيد من عمليات الدمج والإمكانات التي تقدمها Ultralytics بزيارة صفحة دليل عمليات الدمج في Ultralytics، وهي مصدر غني بالموارد والرؤى.

الأسئلة الشائعة#