التدريب YOLO11 مع ClearML: تبسيط سير العمل في إدارة عمليات التشغيل الآلي
تعمل MLOps على سد الفجوة بين إنشاء نماذج التعلّم الآلي ونشرها في إعدادات العالم الحقيقي. ويركز على النشر الفعال وقابلية التوسع والإدارة المستمرة لضمان أداء النماذج بشكل جيد في التطبيقات العملية.
Ultralytics YOLO11 يتكامل بسهولة مع ClearML ، مما يؤدي إلى تبسيط وتحسين تدريب نموذج اكتشاف الكائنات وإدارته. سيرشدك هذا الدليل خلال عملية التكامل، ويوضح بالتفصيل كيفية إعداد ClearML ، وإدارة التجارب، وأتمتة إدارة النموذج، والتعاون بفعالية.
ClearML
ClearML هي عبارة عن منصة مبتكرة مفتوحة المصدر للتعلم الآلي مصممة بمهارة لأتمتة سير عمل التعلم الآلي ومراقبته وتنسيقه. تشمل ميزاتها الرئيسية التسجيل الآلي لجميع بيانات التدريب والاستدلال من أجل تكرار التجربة بالكامل، وواجهة مستخدم سهلة الاستخدام على الويب لتصور البيانات وتحليلها بسهولة، وخوارزميات تحسين المعلمات الفائقة المتقدمة، وإدارة قوية للنماذج من أجل النشر الفعال عبر منصات مختلفة.
YOLO11 التدريب مع ClearML
يمكنك إضفاء الأتمتة والكفاءة على سير عمل التعلم الآلي لديك من خلال تحسين عملية التدريب من خلال دمج YOLO11 مع ClearML.
التركيب
لتثبيت الحزم المطلوبة، قم بتشغيل
للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل التثبيتYOLO11 . أثناء تثبيت الحزم المطلوبة لـ YOLO11 ، إذا واجهتك أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.
التهيئة ClearML
بمجرد الانتهاء من تثبيت الحزم اللازمة، فإن الخطوة التالية هي تهيئة وتكوين مجموعة أدوات تطوير البرمجيات ClearML . ويتضمن ذلك إعداد حسابك ClearML والحصول على بيانات الاعتماد اللازمة للاتصال السلس بين بيئة التطوير الخاصة بك والخادم ClearML .
ابدأ بتهيئة ClearML SDK في بيئتك. يبدأ الأمر 'clearml-init' عملية الإعداد ويطالبك ببيانات الاعتماد اللازمة.
بعد تنفيذ هذا الأمر، انتقل إلى صفحة الإعداداتClearML . انتقل إلى الزاوية العلوية اليمنى وحدد "الإعدادات". انتقل إلى قسم "مساحة العمل" وانقر على "إنشاء بيانات اعتماد جديدة". استخدم بيانات الاعتماد المتوفرة في النافذة المنبثقة "إنشاء بيانات اعتماد" لإكمال الإعداد حسب التعليمات، اعتمادًا على ما إذا كنت تقوم بتكوين ClearML في دفتر جوبيتر أو بيئة Python محلية.
الاستخدام
قبل الغوص في إرشادات الاستخدام، تأكد من الاطلاع على مجموعة موديلاتYOLO11 التي يقدمها Ultralytics. سيساعدك ذلك على اختيار الطراز 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_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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 القانون
دعنا نفهم الخطوات المعروضة في مقتطف كود الاستخدام أعلاه.
الخطوة 1: إنشاء مهمة ClearML : تتم تهيئة مهمة جديدة في ClearML ، مع تحديد أسماء مشروعك ومهمتك. ستقوم هذه المهمة بتتبع وإدارة تدريب النموذج الخاص بك.
الخطوة 2: اختيار النموذج YOLO11: الـ model_variant تم تعيين المتغير إلى 'yolo11n'، أحد نماذج YOLO11 . ثم يتم تسجيل هذا المتغير في ClearML للتتبع.
الخطوة 3: تحميل النموذج YOLO11 : يتم تحميل النموذج المحدد YOLO11 باستخدام فئة Ultralytics' YOLO وإعداده للتدريب.
الخطوة 4: إعداد حجج التدريب: وسيطات التدريب الرئيسية مثل مجموعة البيانات (coco8.yaml) وعدد الحقب الزمنية (16) منظمة في قاموس ومتصلة بالمهمة ClearML . وهذا يسمح بالتتبع والتعديل المحتمل عبر واجهة المستخدم ClearML . للحصول على فهم مفصل لعملية تدريب النموذج وأفضل الممارسات، يرجى الرجوع إلى YOLO11 دليل التدريب النموذجي.
الخطوة 5: بدء التدريب النموذجي: يبدأ تدريب النموذج بالوسائط المحددة. ويتم تسجيل نتائج عملية التدريب في results متغير.
فهم المخرجات
عند تشغيل مقتطف شيفرة الاستخدام أعلاه، يمكنك توقع المخرجات التالية:
- رسالة تأكيد تشير إلى إنشاء مهمة جديدة ClearML ، مع معرفها الفريد.
- رسالة إعلامية حول كود البرنامج النصي الذي يتم تخزينه، تشير إلى أن تنفيذ الكود يتم تعقبه بواسطة ClearML.
- رابط URL لصفحة النتائج ClearML حيث يمكنك مراقبة تقدم التدريب وعرض السجلات التفصيلية.
- قم بتنزيل التقدم المحرز لنموذج YOLO11 ومجموعة البيانات المحددة، متبوعًا بملخص لبنية النموذج وتكوين التدريب.
- رسائل التهيئة لمكونات التدريب المختلفة مثل TensorBoard، والدقة التلقائية المختلطة (AMP)، وإعداد مجموعة البيانات.
- أخيرًا، تبدأ عملية التدريب، مع تحديثات التقدم حيث يتدرب النموذج على مجموعة البيانات المحددة. للاطلاع على فهم متعمق لمقاييس الأداء المستخدمة أثناء التدريب، اقرأ دليلنا حول مقاييس الأداء.
عرض صفحة النتائج ClearML
من خلال النقر على رابط URL لصفحة النتائج ClearML في مخرجات مقتطف رمز الاستخدام، يمكنك الوصول إلى عرض شامل لعملية تدريب النموذج الخاص بك.
الميزات الرئيسية لصفحة النتائج ClearML
-
تتبع المقاييس في الوقت الحقيقي
- تتبّع المقاييس المهمة مثل الخسارة والدقة ودرجات التحقق من الصحة عند حدوثها.
- يوفر ملاحظات فورية لتعديل أداء النموذج في الوقت المناسب.
-
مقارنة التجارب
- قارن بين عمليات التدريب المختلفة جنباً إلى جنب.
- ضروري لضبط البارامتر الفائق 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 الحاسوبية، بما في ذلك CPU ، GPU ، والذاكرة.
- مفتاح تحسين كفاءة التدريب وتكاليفه.
-
إدارة القطع الأثرية النموذجية
- عرض وتحميل ومشاركة الأعمال الفنية للنماذج، مثل النماذج المدربة ونقاط التحقق.
- تعزيز التعاون وتبسيط نشر النماذج ومشاركتها.
للحصول على شرح مرئي لما تبدو عليه صفحة النتائج ClearML ، شاهد الفيديو أدناه:
شاهد: YOLO11 تكامل MLOPS باستخدام ClearML
الميزات المتقدمة في ClearML
ClearML العديد من الميزات المتقدمة لتحسين تجربتك في عمليات التشغيل الآلي المتعددة.
التنفيذ عن بُعد
ClearMLتسهل ميزة التنفيذ عن بُعد استنساخ التجارب ومعالجتها على أجهزة مختلفة. ويسجل التفاصيل الأساسية مثل الحزم المثبتة والتغييرات غير الملتزم بها. عندما يتم تسجيل مهمة ما، يقوم الوكيل ClearML بسحبها وإعادة إنشاء البيئة وتشغيل التجربة، وإعداد تقرير بالنتائج التفصيلية.
يعدّ نشر وكيل ClearML أمراً سهلاً ويمكن القيام به على أجهزة مختلفة باستخدام الأمر التالي:
ينطبق هذا الإعداد على الأجهزة الافتراضية السحابية أو وحدات معالجة الرسومات المحلية أو أجهزة الكمبيوتر المحمولة. ClearML تساعد أدوات التقويم التلقائي في إدارة أحمال العمل السحابية على منصات مثل AWS وGCP وAzure، حيث تعمل على أتمتة نشر الوكلاء وضبط الموارد بناءً على ميزانية الموارد الخاصة بك.
الاستنساخ، والتحرير، والاستنساخ والتحرير والإعداد
ClearMLتسمح واجهة المستخدم سهلة الاستخدام باستنساخ المهام وتحريرها وإعدادها وإرسالها إلى التنفيذ بسهولة. يمكن للمستخدمين استنساخ تجربة موجودة، وتعديل المعلمات أو غيرها من التفاصيل من خلال واجهة المستخدم، ثم إصدار أمر بتنفيذ المهمة. تضمن هذه العملية المبسّطة أن يقوم العامل ClearML بتنفيذ المهمة باستخدام تكوينات محدثة، مما يجعلها مثالية للتجارب التكرارية وضبط النماذج.
الملخص
لقد قادك هذا الدليل خلال عملية دمج ClearML مع Ultralytics' YOLO11. من خلال تغطية كل شيء بدءًا من الإعداد الأولي إلى إدارة النماذج المتقدمة، تكون قد اكتشفت كيفية الاستفادة من ClearML للتدريب الفعال وتتبع التجارب وتحسين سير العمل في مشاريع التعلم الآلي الخاصة بك.
للحصول على مزيد من التفاصيل حول الاستخدام، يرجى زيارة الوثائق الرسمية الخاصة بـClearML.
بالإضافة إلى ذلك، يمكنك استكشاف المزيد من عمليات التكامل وإمكانيات Ultralytics من خلال زيارة صفحة دليل التكاملUltralytics التي تعد كنزًا دفينًا من الموارد والرؤى.
الأسئلة الشائعة
ما هي عملية دمج Ultralytics YOLO11 مع ClearML ؟
ينطوي دمج Ultralytics YOLO11 مع ClearML على سلسلة من الخطوات لتبسيط سير عمل برنامج MLOps الخاص بك. أولاً، قم بتثبيت الحزم اللازمة:
بعد ذلك، قم بتهيئة ClearML SDK في بيئتك باستخدام:
يمكنك بعد ذلك تكوين ClearML باستخدام بيانات الاعتماد الخاصة بك من صفحة إعداداتClearML . يمكن العثور على إرشادات مفصلة حول عملية الإعداد بأكملها، بما في ذلك اختيار النموذج وتكوينات التدريب، في دليل التدريب على النموذجYOLO11 .
لماذا يجب أن أستخدم ClearML مع Ultralytics YOLO11 لمشاريع التعلم الآلي الخاصة بي؟
يؤدي استخدام ClearML مع Ultralytics YOLO11 إلى تحسين مشاريع التعلم الآلي الخاصة بك من خلال أتمتة تتبع التجربة وتبسيط سير العمل وتمكين إدارة قوية للنموذج. ClearML يوفر تتبع المقاييس في الوقت الحقيقي، 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.
كيف يمكنني استكشاف المشكلات الشائعة وإصلاحها أثناء التكامل YOLO11 و ClearML ؟
إذا واجهتك مشكلات أثناء تكامل YOLO11 مع ClearML ، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح. قد تتضمن المشاكل النموذجية أخطاء في تثبيت الحزمة، أو إعداد بيانات الاعتماد، أو مشاكل في التكوين. يوفر هذا الدليل تعليمات استكشاف الأخطاء وإصلاحها خطوة بخطوة لحل هذه المشكلات الشائعة بكفاءة.
كيف يمكنني إعداد مهمة ClearML للتدريب على نموذج YOLO11 ؟
يتضمن إعداد مهمة ClearML لتدريب YOLO11 تهيئة مهمة، واختيار متغير النموذج، وتحميل النموذج، وإعداد وسيطات 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_yolov8_task")
# Step 2: Selecting the YOLO11 Model
model_variant = "yolo11n"
task.set_parameter("model_variant", model_variant)
# Step 3: Loading the YOLO11 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)
ارجع إلى دليل الاستخدام الخاص بنا للحصول على تفاصيل هذه الخطوات.
أين يمكنني عرض نتائج تدريبي YOLO11 في ClearML ؟
بعد تشغيل البرنامج النصي التدريبي YOLO11 الخاص بك مع ClearML ، يمكنك عرض النتائج على صفحة النتائج ClearML . سيتضمن الإخراج رابط URL إلى لوحة التحكم ClearML ، حيث يمكنك تتبع المقاييس ومقارنة التجارب ومراقبة استخدام الموارد. لمزيد من التفاصيل حول كيفية عرض النتائج وتفسيرها، راجع قسم عرض صفحة النتائج ClearML .
