تدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps#

تسدّ MLOps الفجوة بين إنشاء نماذج التعلّم الآلي ونشرها في البيئات الواقعية. وتركّز على النشر الفعّال وقابلية التوسّع والإدارة المستمرة لضمان أداء النماذج جيدًا في التطبيقات العملية.

يتكامل [Ultralytics YOLO26](https://ultralytics-translation-0.invalid بسهولة مع ClearML، مما يبسّط ويعزّز تدريب نموذج اكتشاف الكائنات وإدارته. سيرشدك هذا الدليل خلال عملية التكامل، موضحًا كيفية إعداد ClearML وإدارة التجارب وأتمتة إدارة النماذج والتعاون بفعالية.

ClearML#

‏ClearML هي منصة مبتكرة مفتوحة المصدر لـ MLOps، صُممت بمهارة لأتمتة سير عمل تعلّم الآلة ومراقبته وتنسيقه. وتشمل ميزاتها الرئيسية التسجيل الآلي لجميع بيانات التدريب والاستدلال لضمان قابلية إعادة إنتاج التجارب بالكامل، وواجهة مستخدم ويب بديهية لسهولة تصوير البيانات وتحليلها، وخوارزميات تحسين متقدمة للمعلمات الفائقة، وإدارة قوية للنماذج من أجل النشر بكفاءة عبر منصات متعددة.

تدريب YOLO26 باستخدام ClearML#

يمكنك تحقيق الأتمتة والكفاءة في 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

للاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

تهيئة ClearML#

بعد تثبيت الحزم اللازمة، تتمثل الخطوة التالية في تهيئة ClearML SDK وضبطه. ويتضمن ذلك إعداد حساب ClearML والحصول على بيانات الاعتماد اللازمة لتحقيق اتصال سلس بين بيئة التطوير وخادم ClearML.

ابدأ بتهيئة 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، انتقل إلى صفحة إعدادات ClearML. انتقل إلى الزاوية العلوية اليمنى وحدد "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 استكشاف مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك ذلك على 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 الشيفرة#

بعد تثبيت ClearML وتهيئته، يتم تمكين ردّ النداء الخاص به افتراضيًا. وينشئ مهمة عند بدء التدريب، ويستخدم وسيطَي YOLO project وname لاسمي مشروع ClearML ومهمته، ويربط وسائط التدريب تلقائيًا. شغّل yolo settings clearml=False لتعطيل التكامل. للاطلاع على خيارات التدريب وأفضل الممارسات، راجع دليل تدريب نماذج YOLO26.

فهم المخرجات#

عند تشغيل مقتطف الشيفرة الخاص بالاستخدام أعلاه، يمكنك توقّع المخرجات التالية:

• رسالة تأكيد تشير إلى إنشاء مهمة ClearML جديدة، إلى جانب معرّفها الفريد.
• رسالة إعلامية حول تخزين شيفرة البرنامج النصي، تشير إلى أن ClearML يتتبع تنفيذ الشيفرة.
• رابط URL إلى صفحة نتائج ClearML، حيث يمكنك مراقبة تقدم التدريب وعرض السجلات التفصيلية.
• تقدم تنزيل نموذج YOLO26 ومجموعة البيانات المحددة، يليه ملخص لبنية النموذج وإعدادات التدريب.
• رسائل تهيئة لمكونات تدريب متنوعة مثل TensorBoard والدقة المختلطة التلقائية (AMP) وإعداد مجموعة البيانات.
• أخيرًا، تبدأ عملية التدريب، مع تحديثات التقدم أثناء تدريب النموذج على مجموعة البيانات المحددة. لفهم متعمق لمقاييس الأداء المستخدمة أثناء التدريب، اقرأ دليلنا حول مقاييس الأداء.

عرض صفحة نتائج ClearML#

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

الميزات الرئيسية لصفحة نتائج ClearML#

• تتبع المقاييس في الوقت الفعلي

  • تتبّع المقاييس المهمة مثل الخسارة والدقة ودرجات التحقق أثناء حدوثها.
  • يوفر ملاحظات فورية لإجراء تعديلات في الوقت المناسب على أداء النموذج.

• مقارنة التجارب

  • قارن بين عمليات التدريب المختلفة جنبًا إلى جنب.
  • أمر أساسي من أجل ضبط المعلمات الفائقة وتحديد النماذج الأكثر فعالية.

• السجلات والمخرجات التفصيلية

  • يمكنك الوصول إلى سجلات شاملة وتمثيلات رسومية للمقاييس ومخرجات وحدة التحكم.
  • اكتسب فهمًا أعمق لسلوك النموذج وحل المشكلات.

• مراقبة استخدام الموارد

  • راقب استخدام الموارد الحاسوبية، بما في ذلك CPU وGPU والذاكرة.
  • وهو أمر أساسي لتحسين كفاءة التدريب والتكاليف.

• إدارة مُخرجات النماذج

  • اعرض مُخرجات النماذج مثل النماذج المدرّبة ونقاط التحقق، ونزّلها وشاركها.
  • يعزّز ذلك التعاون ويبسط نشر النماذج ومشاركتها.

للاطلاع بصريًا على شكل صفحة نتائج ClearML، شاهد الفيديو أدناه:

الميزات المتقدمة في ClearML#

تقدم ClearML عدة ميزات متقدمة لتعزيز تجربة MLOps لديك.

التنفيذ عن بُعد#

تسهّل ميزة التنفيذ عن بُعد في ClearML إعادة إنتاج التجارب ومعالجتها على أجهزة مختلفة. وتسجّل تفاصيل أساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عند إدراج مهمة في قائمة الانتظار، يسحبها ClearML Agent، ويعيد إنشاء البيئة، ويشغّل التجربة، ثم يرسل نتائج تفصيلية.

يُعد نشر ClearML Agent أمرًا مباشرًا، ويمكن إجراؤه على أجهزة مختلفة باستخدام الأمر التالي:

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

ينطبق هذا الإعداد على الأجهزة الافتراضية السحابية ووحدات GPU المحلية أو الحواسيب المحمولة. تساعد ClearML Autoscalers في إدارة أحمال العمل السحابية على منصات مثل AWS وGCP وAzure، من خلال أتمتة نشر الوكلاء وضبط الموارد استنادًا إلى ميزانية مواردك.

الاستنساخ والتحرير والإدراج في قائمة الانتظار#

تتيح واجهة ClearML سهلة الاستخدام استنساخ المهام وتحريرها وإدراجها في قائمة الانتظار بسهولة. ويمكن للمستخدمين استنساخ تجربة موجودة، وضبط المعلمات أو التفاصيل الأخرى من خلال واجهة المستخدم، ثم إدراج المهمة في قائمة الانتظار لتنفيذها. تضمن هذه العملية المبسطة أن يستخدم ClearML Agent الذي ينفذ المهمة إعدادات محدثة، مما يجعلها مثالية للتجارب التكرارية والضبط الدقيق للنماذج.

إدارة إصدارات مجموعات البيانات#

توفر ClearML أيضًا إمكانات قوية لـإدارة إصدارات مجموعات البيانات تتكامل بسلاسة مع سير عمل تدريب YOLO26. وتتيح لك هذه الميزة ما يلي:

• إصدار مجموعات البيانات بشكل منفصل عن الشيفرة
• تتبّع إصدار مجموعة البيانات المستخدم لكل تجربة
• الوصول بسهولة إلى أحدث إصدار من مجموعة البيانات وتنزيله

لإعداد مجموعة البيانات لـ 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. ارفع 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 إصدار في ClearML يمكن الرجوع إليها في نصوص التدريب، مما يضمن إمكانية إعادة الإنتاج وسهولة الوصول إلى بياناتك.

الملخص#

قادك هذا الدليل خلال عملية دمج ClearML مع YOLO26 من Ultralytics. ومن خلال تغطية كل شيء بدءًا من الإعداد الأولي ووصولًا إلى إدارة النماذج المتقدمة، اكتشفت كيفية الاستفادة من ClearML لتحقيق تدريب فعّال وتتبع التجارب وتحسين سير العمل في مشاريع التعلّم الآلي.

لمزيد من التفاصيل حول الاستخدام، انتقل إلى دليل التكامل الرسمي لـ YOLOv8 من ClearML، الذي ينطبق أيضًا على سير عمل YOLO26.

بالإضافة إلى ذلك، استكشف المزيد من تكاملات Ultralytics وإمكاناتها بزيارة صفحة دليل تكامل Ultralytics، التي تضم مجموعة غنية من الموارد والرؤى.

الأسئلة الشائعة#