تدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps الخاص بك
تقوم MLOps بسد الفجوة بين إنشاء ونشر نماذج تعلم الآلة في بيئات العالم الحقيقي. وهي تركز على النشر الفعال وقابلية التوسع والإدارة المستمرة لضمان أداء النماذج بشكل جيد في التطبيقات العملية.
يتكامل Ultralytics YOLO26 بسهولة مع ClearML، مما يبسط ويعزز تدريب وإدارة نموذج الكشف عن الكائنات الخاص بك. سيرشدك هذا الدليل خلال عملية الدمج، موضحًا كيفية إعداد ClearML، وإدارة التجارب، وأتمتة إدارة النماذج، والتعاون بفعالية.
ClearML
ClearML عبارة عن منصة MLOps مبتكرة مفتوحة المصدر مصممة بمهارة لأتمتة ومراقبة وتنظيم سير عمل تعلم الآلة. تشمل ميزاته الرئيسية التسجيل التلقائي لجميع بيانات التدريب والاستدلال لإعادة إنتاج التجربة بالكامل، وواجهة مستخدم ويب سهلة الاستخدام لسهولة تصور البيانات وتحليلها، وخوارزميات تحسين المعلمات الفائقة المتقدمة، وإدارة نماذج قوية للنشر الفعال عبر منصات مختلفة.
تدريب YOLO26 باستخدام ClearML
يمكنك تحقيق الأتمتة والكفاءة في سير عمل التعلم الآلي الخاص بك عن طريق دمج YOLO26 مع ClearML لتحسين عملية التدريب الخاصة بك.
التثبيت
لتثبيت الحزم المطلوبة، قم بتشغيل:
التثبيت
# 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 الخاص بنا. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة الخاص بنا للحصول على حلول ونصائح.
تكوين ClearML
بمجرد تثبيت الحزم الضرورية، فإن الخطوة التالية هي تهيئة وتكوين ClearML SDK الخاص بك. يتضمن ذلك إعداد حساب ClearML الخاص بك والحصول على بيانات الاعتماد اللازمة لاتصال سلس بين بيئة التطوير وخادم ClearML.
ابدأ بتهيئة ClearML SDK في بيئتك. ال clearml-init الأمر يبدأ عملية الإعداد ويطلب منك بيانات الاعتماد اللازمة.
الإعداد الأولي لـ SDK
# Initialize your ClearML SDK setup process
clearml-init
بعد تنفيذ هذا الأمر، قم بزيارة صفحة إعدادات ClearML. انتقل إلى الزاوية العلوية اليمنى وحدد "Settings". انتقل إلى قسم "Workspace" وانقر على "Create new credentials". استخدم بيانات الاعتماد المتوفرة في النافذة المنبثقة "Create Credentials" لإكمال الإعداد كما هو موضح، اعتمادًا على ما إذا كنت تقوم بتكوين ClearML في Jupyter Notebook أو بيئة Python محلية.
الاستخدام
قبل الخوض في تعليمات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.
الاستخدام
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 المعروضة في مقتطف رمز الاستخدام أعلاه.
الخطوة الأولى: إنشاء مهمة ClearML: يتم تهيئة مهمة جديدة في ClearML، مع تحديد اسم المشروع والمهمة. ستتتبع هذه المهمة تدريب النموذج الخاص بك وتديره.
الخطوة 2: اختيار نموذج YOLO26: The model_variant تم تعيين المتغير على 'yolo26n'، وهو أحد نماذج YOLO26. ثم يتم تسجيل هذا المتغير في ClearML لغرض الـ track.
الخطوة 3: تحميل نموذج YOLO26: يتم تحميل نموذج YOLO26 المحدد باستخدام فئة YOLO من Ultralytics، مما يجهزه للتدريب.
الخطوة 4: إعداد حجج التدريب: حجج التدريب الرئيسية مثل مجموعة البيانات (coco8.yaml) وعدد حقبة (16) منظمة في قاموس ومتصلة بمهمة ClearML. يتيح ذلك التتبع والتعديل المحتمل عبر واجهة مستخدم ClearML. لفهم مفصل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.
الخطوة الخامسة: بدء تدريب النموذج: يبدأ تدريب النموذج بالوسائط المحددة. يتم تسجيل نتائج عملية التدريب في المتغير results variable.
فهم الإخراج
عند تشغيل جزء التعليمات البرمجية للاستخدام أعلاه، يمكنك توقع المخرجات التالية:
- رسالة تأكيد تشير إلى إنشاء مهمة ClearML جديدة، بالإضافة إلى المعرف الفريد الخاص بها.
- رسالة إعلامية حول تخزين كود البرنامج النصي، مما يشير إلى أن تنفيذ الكود يتم تتبعه بواسطة ClearML.
- رابط URL إلى صفحة نتائج ClearML حيث يمكنك مراقبة تقدم التدريب وعرض السجلات التفصيلية.
- تقدم التنزيل لنموذج YOLO26 ومجموعة البيانات المحددة، يليه ملخص لبنية النموذج وتكوين التدريب.
- رسائل تهيئة لمكونات التدريب المختلفة مثل TensorBoard، و الدقة المختلطة التلقائية (AMP)، وإعداد مجموعة البيانات.
- أخيرًا، تبدأ عملية التدريب، مع تحديثات التقدم حيث يتم تدريب النموذج على مجموعة البيانات المحددة. لفهم متعمق لمقاييس الأداء المستخدمة أثناء التدريب، اقرأ دليلنا حول مقاييس الأداء.
عرض صفحة نتائج ClearML
بالنقر فوق رابط URL إلى صفحة نتائج ClearML في إخراج مقتطف التعليمات البرمجية للاستخدام، يمكنك الوصول إلى عرض شامل لعملية تدريب النموذج الخاص بك.
الميزات الرئيسية لصفحة نتائج ClearML
تتبع المقاييس في الوقت الفعلي
- تتبع المقاييس الهامة مثل الخسارة، و الدقة، 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.
- ضروري لـ ضبط المعلمات الفائقة وتحديد النماذج الأكثر فعالية.
السجلات والمخرجات التفصيلية
- الوصول إلى السجلات الشاملة والتمثيلات الرسومية للمقاييس ومخرجات وحدة التحكم.
- اكتسب فهمًا أعمق لسلوك النموذج وحل المشكلات.
مراقبة استخدام الموارد
- مراقبة استخدام موارد الحوسبة، بما في ذلك CPU و GPU والذاكرة.
- مفتاح لتحسين كفاءة التدريب والتكاليف.
إدارة مصنوعات النموذج
- عرض وتنزيل ومشاركة مصنوعات النموذج مثل النماذج المدربة ونقاط التفتيش.
- يعزز التعاون ويبسط نشر النموذج ومشاركته.
لمشاهدة عرض مرئي لكيفية ظهور صفحة نتائج ClearML، شاهد الفيديو أدناه:
شاهد: دمج MLOps لـ YOLO26 باستخدام ClearML
الميزات المتقدمة في ClearML
توفر ClearML العديد من الميزات المتقدمة لتحسين تجربتك في MLOps.
التنفيذ عن بعد
تسهل ميزة التنفيذ عن بعد في ClearML إعادة إنتاج التجارب ومعالجتها على أجهزة مختلفة. يسجل التفاصيل الأساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عند وضع مهمة في قائمة الانتظار، يقوم ClearML Agent بسحبها وإعادة إنشاء البيئة وتشغيل التجربة، والإبلاغ مرة أخرى بنتائج مفصلة.
إن نشر وكيل ClearML أمر 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 الافتراضية السحابية أو وحدات معالجة الرسومات المحلية أو أجهزة الكمبيوتر المحمولة. تساعد ClearML Autoscalers في إدارة أعباء العمل السحابية على منصات مثل AWS و GCP و Azure، وأتمتة نشر الوكلاء وتعديل الموارد بناءً على ميزانية الموارد الخاصة بك.
الاستنساخ والتحرير والإضافة إلى قائمة الانتظار
تتيح واجهة ClearML سهلة الاستخدام استنساخ المهام وتعديلها وإضافتها إلى قائمة الانتظار بسهولة. يمكن للمستخدمين استنساخ تجربة موجودة، وتعديل المعلمات أو التفاصيل الأخرى من خلال واجهة المستخدم، وإضافة المهمة إلى قائمة الانتظار للتنفيذ. تضمن هذه العملية المبسطة أن وكيل ClearML الذي ينفذ المهمة يستخدم تكوينات محدثة، مما يجعلها مثالية للتجريب التكراري والضبط الدقيق للنموذج.
إدارة إصدار مجموعة البيانات
تقدم ClearML أيضًا إمكانيات قوية لـ إدارة إصدارات مجموعات البيانات التي تتكامل بسلاسة مع سير عمل تدريب YOLO26. تتيح لك هذه الميزة ما يلي:
- قم بإصدار مجموعات البيانات الخاصة بك بشكل منفصل عن التعليمات البرمجية الخاصة بك
- تتبع إصدار مجموعة البيانات الذي تم استخدامه لكل تجربة
- يمكنك الوصول بسهولة إلى أحدث إصدار من مجموعة البيانات وتنزيله
لإعداد مجموعة البيانات الخاصة بك لـ ClearML، اتبع الخطوات التالية:
- نظم مجموعة البيانات الخاصة بك بهيكل YOLO القياسي (الصور والتسميات وما إلى ذلك).
- انسخ ملف YAML المقابل إلى جذر مجلد مجموعة البيانات الخاصة بك
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 إصدارات في ClearML يمكن الرجوع إليها في نصوص التدريب الخاصة بك، مما يضمن إمكانية التكرار وسهولة الوصول إلى بياناتك.
ملخص
لقد قادك هذا الدليل خلال عملية دمج ClearML مع Ultralytics' YOLO26. من الإعداد الأولي إلى إدارة النماذج المتقدمة، اكتشفت كيفية الاستفادة من ClearML للتدريب الفعال، وتتبع التجارب، وتحسين سير العمل في مشاريع التعلم الآلي الخاصة بك.
لمزيد من التفاصيل حول الاستخدام، قم بزيارة دليل دمج YOLOv8 الرسمي لـ ClearML، والذي ينطبق أيضًا على سير عمل YOLO26.
بالإضافة إلى ذلك، استكشف المزيد من عمليات التكامل وقدرات Ultralytics من خلال زيارة صفحة دليل تكامل Ultralytics، والتي تعد كنزًا دفينًا 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 الضرورية:
pip install ultralytics clearml
بعد ذلك، قم بتهيئة ClearML SDK في بيئتك باستخدام:
clearml-init
ثم تقوم بتكوين ClearML باستخدام بيانات الاعتماد الخاصة بك من صفحة إعدادات ClearML. يمكن العثور على تعليمات مفصلة حول عملية الإعداد بأكملها، بما في ذلك اختيار النموذج وتكوينات التدريب، في دليل تدريب نموذج YOLO26 الخاص بنا.
لماذا يجب علي استخدام ClearML مع Ultralytics YOLO26 لمشاريع التعلم الآلي الخاصة بي؟
يعزز استخدام ClearML مع Ultralytics YOLO26 مشاريع التعلم الآلي الخاصة بك من خلال أتمتة تتبع التجارب، وتبسيط سير العمل، وتمكين إدارة قوية للنماذج. يقدم ClearML تتبع المقاييس في الوقت الفعلي، ومراقبة استخدام الموارد، وواجهة سهلة الاستخدام لمقارنة التجارب. تساعد هذه الميزات على تحسين أداء نموذجك وجعل عملية التطوير أكثر كفاءة. تعرف على المزيد حول الفوائد والإجراءات في دليل تكامل MLOps الخاص بنا.
كيف يمكنني استكشاف المشكلات الشائعة وإصلاحها أثناء دمج YOLO26 وClearML؟
إذا واجهت مشكلات أثناء دمج YOLO26 مع ClearML، فراجع دليل المشكلات الشائعة الخاص بنا للحصول على الحلول والنصائح. قد تتضمن المشكلات النموذجية أخطاء في تثبيت الحزم، أو إعداد بيانات الاعتماد، أو مشكلات التكوين. يوفر هذا الدليل تعليمات استكشاف الأخطاء وإصلاحها خطوة بخطوة لحل هذه المشكلات الشائعة بكفاءة.
كيف أقوم بإعداد مهمة ClearML لتدريب نموذج YOLO26؟
يتضمن إعداد مهمة ClearML لتدريب YOLO26 تهيئة مهمة، واختيار نوع النموذج، وتحميل النموذج، وإعداد وسائط التدريب، وأخيرًا، 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 تفاصيل مفصلة حول هذه الخطوات.
أين يمكنني عرض نتائج تدريب YOLO26 الخاص بي في ClearML؟
بعد تشغيل نص تدريب YOLO26 الخاص بك باستخدام ClearML، يمكنك عرض النتائج على صفحة نتائج ClearML. سيتضمن الإخراج 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.
