تدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps الخاص بك

تعمل عمليات MLOps على سد الفجوة بين إنشاء ونشر نماذج تعلم الآلة في بيئات العالم الحقيقي. فهي تركز على النشر الفعال، وقابلية التوسع، والإدارة المستمرة لضمان أداء النماذج بشكل جيد في التطبيقات العملية.

يتكامل Ultralytics YOLO26 بسهولة مع ClearML، مما يجعله أكثر انسيابية وكفاءة في تدريب وإدارة نموذج كشف الأشياء الخاص بك. سيرشدك هذا الدليل خلال عملية التكامل، موضحاً كيفية إعداد ClearML، وإدارة التجارب، وأتمتة إدارة النماذج، والتعاون بفعالية.

ClearML

تعد ClearML منصة MLOps مفتوحة المصدر ومبتكرة، مصممة بمهارة لأتمتة ومراقبة وتنسيق سير عمل تعلم الآلة. تشمل ميزاتها الرئيسية التسجيل الآلي لجميع بيانات التدريب والاستدلال لضمان قابلية استنساخ التجارب بالكامل، وواجهة مستخدم ويب بديهية لسهولة تصور البيانات والتحليل، وخوارزميات تحسين متقدمة للمعاملات الفائقة، وإدارة قوية للنماذج من أجل النشر الفعال عبر منصات مختلفة.

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 تعليمات 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 حلول ونصائح.

تهيئة ClearML

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

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

# Initialize your ClearML SDK setup process
clearml-init

بعد تنفيذ هذا الأمر، قم بزيارة صفحة إعدادات ClearML. انتقل إلى الزاوية اليمنى العليا وحدد "Settings". اذهب إلى قسم "Workspace" وانقر على "Create new credentials". استخدم بيانات الاعتماد المقدمة في النافذة المنبثقة "Create Credentials" لإكمال الإعداد وفقاً للتعليمات، اعتماداً على ما إذا كنت تقوم بتهيئة ClearML في Jupyter Notebook أو بيئة Python محلية.

الاستخدام

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

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 Model
model = YOLO(f"{model_variant}.pt")

# Step 4: Setting Up Training Arguments
args = dict(data="coco8.yaml", epochs=16)
task.connect(args)

# Step 5: Initiating Model Training
results = model.train(**args)

فهم الكود

دعنا نفهم الخطوات الموضحة في مقتطف كود الاستخدام أعلاه.

الخطوة 1: إنشاء مهمة ClearML: يتم تهيئة مهمة جديدة في ClearML، مع تحديد أسماء مشروعك ومهمتك. ستتتبع هذه المهمة تدريب نموذجك وتديره.

الخطوة 2: اختيار نموذج YOLO26: يتم ضبط المتغير model_variant على 'yolo26n'، وهو أحد نماذج YOLO26. يتم بعد ذلك تسجيل هذا المتغير في ClearML للتتبع.

الخطوة 3: تحميل نموذج YOLO26: يتم تحميل نموذج YOLO26 المحدد باستخدام فئة YOLO الخاصة بـ Ultralytics، مما يجعله جاهزاً للتدريب.

الخطوة 4: إعداد وسائط التدريب: يتم تنظيم وسائط التدريب الرئيسية مثل مجموعة البيانات (coco8.yaml) وعدد الحقب الزمنية (16) في قاموس وربطها بمهمة ClearML. يسمح هذا بالتتبع وإمكانية التعديل عبر واجهة ClearML. للحصول على فهم مفصل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.

الخطوة 5: بدء تدريب النموذج: يتم بدء تدريب النموذج باستخدام الوسائط المحددة. يتم التقاط نتائج عملية التدريب في المتغير results.

فهم المخرجات

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

• رسالة تأكيد تشير إلى إنشاء مهمة ClearML جديدة، مع معرفها الفريد.
• رسالة معلوماتية حول تخزين كود النص البرمجي، تشير إلى أنه يتم تتبع تنفيذ الكود بواسطة ClearML.
• رابط URL إلى صفحة نتائج ClearML حيث يمكنك مراقبة تقدم التدريب وعرض السجلات التفصيلية.
• تقدم تنزيل لنموذج YOLO26 ومجموعة البيانات المحددة، متبوعاً بملخص لهيكلية النموذج وتهيئة التدريب.
• رسائل تهيئة لمكونات تدريب مختلفة مثل TensorBoard، والدقة المختلطة الآلية (AMP)، وإعداد مجموعة البيانات.
• أخيراً، تبدأ عملية التدريب، مع تحديثات التقدم بينما يتدرب النموذج على مجموعة البيانات المحددة. للحصول على فهم متعمق لمقاييس الأداء المستخدمة أثناء التدريب، اقرأ دليلنا حول مقاييس الأداء.

عرض صفحة نتائج ClearML

من خلال النقر على رابط URL الخاص بصفحة 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 الحاسمة مثل الخسارة، والدقة، ونتائج التحقق فور حدوثها.
  • يوفر ملاحظات فورية لتعديلات أداء النموذج في الوقت المناسب.

• مقارنة التجارب

  • مقارنة عمليات تدريب مختلفة جنباً إلى جنب.
  • ضروري لـ ضبط المعاملات الفائقة وتحديد النماذج الأكثر فعالية.

• سجلات ومخرجات مفصلة

  • 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.
  • عنصر أساسي لتحسين كفاءة التدريب والتكاليف.

• إدارة عناصر النموذج

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

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

ميزات متقدمة في ClearML

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

التنفيذ عن بُعد

تسهل ميزة التنفيذ عن بُعد في ClearML استنساخ ومعالجة التجارب على أجهزة مختلفة. فهي تسجل تفاصيل أساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عند وضع مهمة في قائمة الانتظار، يقوم ClearML Agent بسحبها، وإعادة إنشاء البيئة، وتشغيل التجربة، وإرسال النتائج التفصيلية.

يعد نشر ClearML Agent أمراً مباشراً ويمكن القيام به على أجهزة مختلفة باستخدام الأمر التالي:

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

هذا الإعداد قابل للتطبيق على الأجهزة الافتراضية السحابية (Cloud VMs)، أو وحدات GPU المحلية، أو أجهزة الكمبيوتر المحمولة. تساعد ClearML Autoscalers في إدارة أحمال العمل السحابية على منصات مثل AWS، وGCP، وAzure، مما يؤدي إلى أتمتة نشر الوكلاء وتعديل الموارد بناءً على ميزانية مواردك.

الاستنساخ، والتحرير، ووضع المهام 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 تهيئات محدثة، مما يجعلها مثالية للتجريب التكراري وضبط النموذج الدقيق.

إدارة إصدارات مجموعة البيانات

توفر ClearML أيضاً إمكانات قوية لـ إدارة إصدارات مجموعة البيانات التي تتكامل بسلاسة مع سير عمل تدريب YOLO26. تسمح لك هذه الميزة بـ:

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

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

1. نظّم مجموعة البيانات الخاصة بك بهيكل YOLO القياسي (الصور، الملصقات، 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 .

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

ملخص

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

لمزيد من التفاصيل حول الاستخدام، قم بزيارة دليل تكامل YOLOv8 الرسمي الخاص بـ ClearML، والذي ينطبق أيضاً على سير عمل YOLO26.

بالإضافة إلى ذلك، استكشف المزيد من عمليات التكامل وإمكانات Ultralytics من خلال زيارة صفحة دليل تكامل Ultralytics، وهي كنز دفين من الموارد والرؤى.

الأسئلة الشائعة

ما هي عملية دمج Ultralytics YOLO26 مع ClearML؟

يتضمن دمج Ultralytics YOLO26 مع ClearML سلسلة من الخطوات لتبسيط سير عمل MLOps الخاص بك. أولاً، قم بتثبيت الحزم اللازمة:

pip install ultralytics clearml

بعد ذلك، قم بتهيئة ClearML SDK في بيئتك باستخدام:

clearml-init

بعد ذلك، قم بتهيئة ClearML ببيانات الاعتماد الخاصة بك من صفحة إعدادات ClearML. يمكن العثور على تعليمات مفصلة حول عملية الإعداد بأكملها، بما في ذلك اختيار النموذج وتهيئات التدريب، في دليل تدريب نموذج YOLO26.

لماذا يجب أن أستخدم ClearML مع Ultralytics YOLO26 لمشاريع تعلم الآلة الخاصة بي؟

يعزز استخدام ClearML مع Ultralytics YOLO26 مشاريع تعلم الآلة الخاصة بك عن طريق أتمتة تتبع التجارب، وتبسيط سير العمل، وتمكين إدارة قوية للنماذج. توفر ClearML تتبع المقاييس في الوقت الفعلي، ومراقبة استخدام الموارد، وواجهة سهلة الاستخدام لمقارنة التجارب. تساعد هذه الميزات في تحسين أداء نموذجك وجعل عملية التطوير أكثر كفاءة. تعرف على المزيد حول الفوائد والإجراءات في دليل تكامل MLOps.

كيف أقوم باستكشاف الأخطاء وإصلاحها للمشكلات الشائعة أثناء تكامل YOLO26 وClearML؟

إذا واجهت مشكلات أثناء دمج YOLO26 مع ClearML، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح. قد تتضمن المشكلات النموذجية أخطاء في تثبيت الحزم، أو إعداد بيانات الاعتماد، أو مشكلات التهيئة. يوفر هذا الدليل تعليمات خطوة بخطوة لاستكشاف الأخطاء وإصلاحها لحل هذه المشكلات الشائعة بفعالية.

كيف أقوم بإعداد مهمة ClearML لتدريب نموذج YOLO26؟

يتضمن إعداد مهمة ClearML لتدريب YOLO26 تهيئة مهمة، واختيار متغير النموذج، وتحميل النموذج، وإعداد وسائط التدريب، وأخيراً، بدء تدريب النموذج. إليك مثال مبسط:

from clearml import Task

from ultralytics import YOLO

# Step 1: Creating a ClearML Task
task = Task.init(project_name="my_project", task_name="my_yolo26_task")

# Step 2: Selecting the YOLO26 Model
model_variant = "yolo26n"
task.set_parameter("model_variant", model_variant)

# Step 3: Loading the YOLO26 Model
model = YOLO(f"{model_variant}.pt")

# Step 4: Setting Up Training Arguments
args = dict(data="coco8.yaml", epochs=16)
task.connect(args)

# Step 5: Initiating Model Training
results = model.train(**args)

راجع دليل الاستخدام الخاص بنا للحصول على تفصيل مفصل لهذه الخطوات.

أين يمكنني عرض نتائج تدريبي لـ YOLO26 في ClearML؟

بعد تشغيل نص تدريب YOLO26 الخاص بك مع ClearML، يمكنك عرض النتائج على صفحة نتائج ClearML. ستتضمن المخرجات رابط URL إلى لوحة تحكم ClearML، حيث يمكنك تتبع المقاييس، ومقارنة التجارب، ومراقبة استخدام الموارد. لمزيد من التفاصيل حول كيفية عرض النتائج وتفسيرها، تحقق من قسمنا حول عرض صفحة نتائج ClearML.