رفع YOLOv8 التدريب: تبسيط عملية التسجيل الخاصة بك مع Comet مل

يعد تسجيل تفاصيل التدريب الرئيسية مثل المعلمات والمقاييس وتنبؤات الصور ونقاط فحص النموذج أمرا ضروريا في التعلم الآلي - فهو يحافظ على شفافية مشروعك وإمكانية قياس تقدمك وتكرار نتائجك.

Ultralytics YOLOv8 يتكامل بسلاسة مع Comet ML ، التقاط وتحسين كل جانب من جوانب YOLOv8 عملية تدريب نموذج الكشف عن الكائنات. في هذا الدليل ، سنغطي عملية التثبيت ، Comet إعداد ML ، والرؤى في الوقت الفعلي ، والتسجيل المخصص ، والاستخدام دون اتصال بالإنترنت ، مما يضمن أن YOLOv8 يتم توثيق التدريب بدقة وضبطه للحصول على نتائج رائعة.

Comet مل

Comet ML عبارة عن منصة لتتبع نماذج وتجارب التعلم الآلي ومقارنتها وشرحها وتحسينها. يسمح لك بتسجيل المقاييس والمعلمات والوسائط والمزيد أثناء تدريب النموذج الخاص بك ومراقبة تجاربك من خلال واجهة ويب مبهجة من الناحية الجمالية. Comet يساعد التعلم الآلي علماء البيانات على التكرار بسرعة أكبر ، ويعزز الشفافية وقابلية التكرار ، ويساعد في تطوير نماذج الإنتاج.

تسخير قوة YOLOv8 و Comet مل

من خلال الجمع بين Ultralytics YOLOv8 مع Comet ML ، يمكنك فتح مجموعة من الفوائد. يتضمن ذلك إدارة مبسطة للتجارب ، ورؤى في الوقت الفعلي لإجراء تعديلات سريعة ، وخيارات تسجيل مرنة ومخصصة ، والقدرة على تسجيل التجارب في وضع عدم الاتصال عندما يكون الوصول إلى الإنترنت محدودا. يمكنك هذا التكامل من اتخاذ قرارات تعتمد على البيانات وتحليل مقاييس الأداء وتحقيق نتائج استثنائية.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

# Install the required packages for YOLOv8 and Comet ML
pip install ultralytics comet_ml torch torchvision

تكوين Comet مل

بعد تثبيت الحزم المطلوبة ، ستحتاج إلى التسجيل والحصول على Comet مفتاح API ، وتكوينه.

# Set your Comet Api Key
export COMET_API_KEY=<Your API Key>

بعد ذلك ، يمكنك تهيئة ملف Comet مشروع. Comet سيكتشف تلقائيا مفتاح واجهة برمجة التطبيقات ويتابع الإعداد.

import comet_ml

comet_ml.init(project_name="comet-example-yolov8-coco128")

إذا كنت تستخدم دفتر ملاحظات Google Colab ، فسيطالبك الرمز أعلاه بإدخال مفتاح API للتهيئة.

استخدام

قبل الغوص في تعليمات الاستخدام ، تأكد من إطلاعك على نطاق YOLOv8 النماذج التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolov8-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

بعد تشغيل رمز التدريب ، Comet سيقوم ML بإنشاء تجربة في Comet مساحة عمل لتتبع التشغيل تلقائيا. سيتم تزويدك بعد ذلك برابط لعرض التسجيل التفصيلي الخاص بك YOLOv8 عملية تدريب النموذج .

Comet يسجل البيانات التالية تلقائيا بدون تكوين إضافي: مقاييس مثل mAP والخسارة والمعلمات الفائقة ونقاط فحص النموذج ومصفوفة الارتباك التفاعلية وتنبؤات المربع المحيط بالصورة.

فهم أداء نموذجك من خلال Comet تصورات ML

دعنا نتعمق في ما ستراه على Comet لوحة معلومات ML بمجرد YOLOv8 نموذج يبدأ التدريب. لوحة القيادة هي المكان الذي يحدث فيه كل الإجراء ، حيث تقدم مجموعة من المعلومات المسجلة تلقائيا من خلال المرئيات والإحصاءات. إليك جولة سريعة:

لوحات التجارب

قسم لوحات التجارب في Comet تنظم لوحة معلومات ML وتعرض عمليات التشغيل المختلفة ومقاييسها ، مثل فقدان قناع المقطع ، وفقدان الفئة ، والدقة ، ومتوسط الدقة.

المقاييس

في قسم المقاييس، لديك خيار فحص المقاييس بتنسيق جدولي أيضا، والذي يتم عرضه في جزء مخصص كما هو موضح هنا.

مصفوفة الارتباك التفاعلية

توفر مصفوفة الارتباك، الموجودة في علامة التبويب مصفوفة الارتباك، طريقة تفاعلية لتقييم دقة تصنيف النموذج. إنه يفصل التنبؤات الصحيحة وغير الصحيحة ، مما يسمح لك بفهم نقاط القوة والضعف في النموذج.

مقاييس النظام

Comet يسجل ML مقاييس النظام للمساعدة في تحديد أي اختناقات في عملية التدريب. يتضمن مقاييس مثل استخدام GPU واستخدام ذاكرة GPU واستخدام وحدة المعالجة المركزية واستخدام ذاكرة الوصول العشوائي. هذه ضرورية لرصد كفاءة استخدام الموارد أثناء التدريب النموذجي.

تخصيص Comet تسجيل ML

Comet يوفر ML المرونة لتخصيص سلوك التسجيل الخاص به عن طريق تعيين متغيرات البيئة. تسمح لك هذه التكوينات بالتخصيص Comet ML لاحتياجاتك وتفضيلاتك الخاصة. فيما يلي بعض خيارات التخصيص المفيدة:

تسجيل تنبؤات الصور

يمكنك التحكم في عدد تنبؤات الصور التي Comet سجلات ML أثناء تجاربك. بشكل افتراضي ، Comet يسجل ML 100 تنبؤ للصور من مجموعة التحقق من الصحة. ومع ذلك ، يمكنك تغيير هذا الرقم ليناسب متطلباتك بشكل أفضل. على سبيل المثال، لتسجيل 200 صورة التنبؤات، استخدم التعليمة البرمجية التالية:

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

الفاصل الزمني لتسجيل الدفعات

Comet يسمح لك ML بتحديد عدد المرات التي يتم فيها تسجيل دفعات تنبؤات الصور. ال COMET_EVAL_BATCH_LOGGING_INTERVAL يتحكم متغير البيئة في هذا التردد. الإعداد الافتراضي هو 1 ، والذي يسجل التنبؤات من كل دفعة تحقق. يمكنك ضبط هذه القيمة لتسجيل التوقعات في فاصل زمني مختلف. على سبيل المثال ، سيؤدي تعيينه إلى 4 إلى تسجيل التنبؤات من كل دفعة رابعة.

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

تعطيل تسجيل مصفوفة الارتباك

في بعض الحالات ، قد لا ترغب في تسجيل مصفوفة الارتباك من مجموعة التحقق من الصحة الخاصة بك بعد كل حقبة. يمكنك تعطيل هذه الميزة عن طريق تعيين COMET_EVAL_LOG_CONFUSION_MATRIX متغير البيئة إلى "خطأ". سيتم تسجيل مصفوفة الارتباك مرة واحدة فقط ، بعد اكتمال التدريب.

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

تسجيل الدخول دون اتصال

إذا وجدت نفسك في موقف يكون فيه الوصول إلى الإنترنت محدودا ، Comet يوفر ML خيار تسجيل دون اتصال. يمكنك ضبط COMET_MODE متغير البيئة إلى "غير متصل" لتمكين هذه الميزة. سيتم حفظ بيانات تجربتك محليا في دليل يمكنك تحميله لاحقا Comet ML عندما يكون الاتصال بالإنترنت متاحا.

import os

os.environ["COMET_MODE"] = "offline"

ملخص

لقد أطلعك هذا الدليل على التكامل Comet ML مع Ultralytics' YOLOv8. من التثبيت إلى التخصيص، تعلمت تبسيط إدارة التجارب، واكتساب رؤى في الوقت الفعلي، وتكييف التسجيل مع احتياجات مشروعك.

استكشف Comet الوثائق الرسمية ل ML لمزيد من الأفكار حول التكامل مع YOLOv8.

علاوة على ذلك ، إذا كنت تتطلع إلى الغوص بشكل أعمق في التطبيقات العملية ل YOLOv8، وتحديدا لمهام تجزئة الصور ، هذا الدليل التفصيلي حول الضبط الدقيق YOLOv8 مع Comet يقدم ML رؤى قيمة وإرشادات خطوة بخطوة لتحسين أداء نموذجك.

بالإضافة إلى ذلك ، لاستكشاف عمليات تكامل مثيرة أخرى مع Ultralytics، راجع صفحة دليل الاندماج، التي تقدم ثروة من الموارد والمعلومات.

التعليقات