Link to this sectionتدريب YOLO26 باستخدام ClearML: تبسيط سير عمل MLOps الخاص بك#

يعمل MLOps على سد الفجوة بين إنشاء ونشر نماذج تعلم الآلة في بيئات واقعية. وهو يركز على النشر الفعال، وقابلية التوسع، والإدارة المستمرة لضمان أداء النماذج بشكل جيد في التطبيقات العملية.

يتكامل Ultralytics YOLO26 بسهولة مع ClearML، مما يعمل على تبسيط وتعزيز تدريب وإدارة نموذج كشف الأشياء الخاص بك. سيرشدك هذا الدليل خلال عملية التكامل، مع تفصيل كيفية إعداد ClearML، وإدارة التجارب، وأتمتة إدارة النماذج، والتعاون بفعالية.

Link to this sectionClearML#

ClearML هي منصة MLOps مبتكرة ومفتوحة المصدر مصممة بمهارة لأتمتة ومراقبة وتنظيم سير عمل تعلم الآلة. تشمل ميزاتها الرئيسية التسجيل التلقائي لجميع بيانات التدريب والاستدلال من أجل إعادة إنتاج التجارب بالكامل، وواجهة مستخدم ويب بديهية لسهولة تصور البيانات والتحليل، وخوارزميات تحسين المعلمات الفائقة المتقدمة، وإدارة قوية للنماذج من أجل النشر الفعال عبر منصات مختلفة.

Link to this sectionتدريب YOLO26 باستخدام ClearML#

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

Link to this sectionالتثبيت#

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 الخاص بنا. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـ YOLO26، فاستشر دليل المشكلات الشائعة الخاص بنا للحصول على حلول ونصائح.

Link to this sectionتهيئة 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 بتهيئة ClearML SDK في بيئتك. يبدأ أمر clearml-init عملية الإعداد ويطالبك ببيانات الاعتماد اللازمة.

# Initialize your ClearML SDK setup process
clearml-init

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

Link to this sectionالاستخدام#

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)

Link to this sectionفهم الكود#

لنقم بفهم 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 متغير 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 من Ultralytics، مما يجعله جاهزاً للتدريب.

الخطوة 4: إعداد وسائط التدريب: يتم تنظيم وسائط التدريب الرئيسية مثل مجموعة البيانات (coco8.yaml) وعدد الحقبات (16) في قاموس وربطها بمهمة ClearML. يسمح هذا بالتتبع والتعديل المحتمل عبر واجهة ClearML. للحصول على فهم تفصيلي لعملية تدريب النموذج وأفضل الممارسات، ارجع إلى دليل تدريب نموذج YOLO26 الخاص بنا.

الخطوة 5: بدء تدريب النموذج: يبدأ تدريب النموذج بالوسائط المحددة. يتم التقاط نتائج عملية التدريب في متغير results.

Link to this sectionفهم 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 التهيئة لمكونات التدريب المختلفة مثل TensorBoard، والدقة المختلطة التلقائية (AMP)، وإعداد مجموعة البيانات.
• وأخيراً، 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.

Link to this sectionعرض 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.

Link to this sectionالميزات الرئيسية لصفحة نتائج ClearML#

• تتبع المقاييس في الوقت الفعلي

  • تتبع المقاييس الحاسمة 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 ويبسط نشر النماذج ومشاركتها.

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

Link to this sectionالميزات المتقدمة في ClearML#

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

Link to this sectionالتنفيذ عن بعد#

تسهل ميزة التنفيذ عن بعد في ClearML إعادة إنتاج التجارب والتلاعب بها على أجهزة مختلفة. فهي تسجل تفاصيل أساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عندما يتم وضع مهمة في قائمة الانتظار، يسحبها ClearML Agent، ويعيد إنشاء البيئة، ويشغل التجربة، ويقدم تقريراً 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 أجهزة VMs السحابية، 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.

Link to this sectionالاستنساخ، 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.

Link to this sectionإدارة إصدارات مجموعة البيانات#

تقدم ClearML أيضاً قدرات 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 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.

Link to this sectionملخص#

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 أيضاً على سير عمل YOLO26.

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

Link to this sectionالأسئلة الشائعة#

Link to this sectionما 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

ثم تقوم بتهيئة 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.

Link to this sectionلماذا يجب أن أستخدم ClearML مع Ultralytics YOLO26 لمشاريع تعلم الآلة الخاصة بي؟#

استخدام ClearML مع Ultralytics YOLO26 يعزز مشاريع تعلم الآلة الخاصة بك من خلال أتمتة تتبع التجارب، وتبسيط سير العمل، وتمكين إدارة قوية للنماذج. تقدم 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 الخاص بنا.

Link to this sectionكيف أقوم باستكشاف الأخطاء وإصلاحها في المشكلات الشائعة أثناء تكامل YOLO26 وClearML؟#

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

Link to this sectionكيف 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.

Link to this sectionأين 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. 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.