التتبّع المتقدم لتجارب YOLO26 باستخدام DVCLive#

يُعدّ تتبّع التجارب في التعلّم الآلي أمرًا بالغ الأهمية لتطوير النماذج وتقييمها. ويتضمن ذلك تسجيل وتحليل مختلف المعلمات والمقاييس والنتائج المستخلصة من عمليات تدريب عديدة. وتُعد هذه العملية ضرورية لفهم أداء النموذج واتخاذ قرارات قائمة على البيانات لتحسين النماذج وصقلها.

يُغيّر دمج DVCLive مع Ultralytics YOLO26 طريقة تتبّع التجارب وإدارتها. ويوفر هذا الدمج حلًا سلسًا لتسجيل تفاصيل التجارب الأساسية تلقائيًا، ومقارنة النتائج بين عمليات التشغيل المختلفة، وتصور البيانات لإجراء تحليل معمّق. في هذا الدليل، سنتعرّف إلى كيفية استخدام DVCLive لتبسيط هذه العملية.

DVCLive#

إن DVCLive، الذي طوّرته DVC، أداة مبتكرة مفتوحة المصدر لتتبّع التجارب في مجال التعلّم الآلي. ويتكامل بسلاسة مع Git وDVC، ويؤتمت تسجيل بيانات التجارب المهمة مثل معلمات النموذج ومقاييس التدريب. وقد صُمم DVCLive ليكون بسيطًا، مما يتيح مقارنة عمليات التشغيل المتعددة وتحليلها بسهولة، ويعزز كفاءة مشاريع التعلّم الآلي باستخدام أدوات بديهية لتصور البيانات وتحليلها.

تدريب YOLO26 باستخدام DVCLive#

يمكن مراقبة جلسات تدريب YOLO26 بفعالية باستخدام DVCLive. بالإضافة إلى ذلك، توفر DVC ميزات متكاملة لتصور هذه التجارب، بما في ذلك إنشاء تقرير يتيح مقارنة مخططات المقاييس عبر جميع التجارب المتتبَّعة، مما يوفر رؤية شاملة لعملية التدريب.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclive

للاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

تهيئة DVCLive#

بعد تثبيت الحزم اللازمة، تتمثل الخطوة التالية في إعداد بيئتك وتهيئتها باستخدام بيانات الاعتماد المطلوبة. يضمن هذا الإعداد دمج DVCLive بسلاسة في سير عملك الحالي.

ابدأ بتهيئة مستودع Git، إذ يؤدي Git دورًا محوريًا في التحكم بإصدارات كلٍّ من التعليمات البرمجية وتكوينات DVCLive.

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "your-email"
git config --local user.name "Your Name"

# Initialize DVCLive in your project
dvc init -q

# Commit the DVCLive setup to your Git repository
git commit -m "DVC init"

في هذه الأوامر، احرص على استبدال your-email بعنوان البريد الإلكتروني المرتبط بحساب Git الخاص بك، واستبدال "Your Name" باسم المستخدم الخاص بحساب Git.

الاستخدام#

قبل التعمق في تعليمات الاستخدام، احرص على استكشاف مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك ذلك على اختيار النموذج الأنسب لمتطلبات مشروعك.

تدريب نماذج YOLO26 باستخدام DVCLive#

ابدأ بتشغيل جلسات تدريب YOLO26. يمكنك استخدام تكوينات نماذج ومعلمات تدريب مختلفة بما يلائم احتياجات مشروعك. على سبيل المثال:

# Example training commands for YOLO26 with varying configurations
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=640

اضبط معلمات النموذج والبيانات وepochs وimgsz وفقًا لمتطلباتك الخاصة. وللاطلاع على فهم تفصيلي لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.

مراقبة التجارب باستخدام DVCLive#

يعزز DVCLive عملية التدريب من خلال إتاحة تتبّع المقاييس الأساسية وتصورها. عند تثبيته، يتكامل Ultralytics YOLO26 تلقائيًا مع DVCLive لتتبّع التجارب، ويمكنك تحليل هذه التجارب لاحقًا لاستخلاص رؤى حول الأداء. وللحصول على فهم شامل لمقاييس الأداء المحددة المستخدمة أثناء التدريب، احرص على استكشاف دليلنا المفصل حول مقاييس الأداء.

تحليل النتائج#

بعد اكتمال جلسات تدريب YOLO26، يمكنك الاستفادة من أدوات التصور القوية في DVCLive لإجراء تحليل معمّق للنتائج. يضمن تكامل DVCLive تسجيل جميع مقاييس التدريب بصورة منهجية، مما يسهّل إجراء تقييم شامل لأداء النموذج.

لبدء التحليل، يمكنك استخراج بيانات التجارب باستخدام API الخاصة بـ DVC ومعالجتها باستخدام pandas لتسهيل التعامل معها وتصورها:

import dvc.api
import pandas as pd

# Define the columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean the data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display the DataFrame
print(df)

يوفر ناتج مقتطف التعليمات البرمجية أعلاه عرضًا جدوليًا واضحًا للتجارب المختلفة المنفذة باستخدام نماذج YOLO26. ويمثل كل صف عملية تشغيل تدريب مختلفة، موضحًا اسم التجربة وعدد الحقب وحجم الصورة (imgsz) والنموذج المحدد المستخدم ومقياس mAP50-95(B). ويُعد هذا المقياس مهمًا لتقييم دقة النموذج، إذ تشير القيم الأعلى إلى أداء أفضل.

تصور النتائج باستخدام Plotly#

لإجراء تحليل أكثر تفاعلية وبصرية لنتائج تجاربك، يمكنك استخدام مخطط الإحداثيات المتوازية في Plotly. ويُعد هذا النوع من المخططات مفيدًا خصوصًا لفهم العلاقات والمفاضلات بين المعلمات والمقاييس المختلفة.

from plotly.express import parallel_coordinates

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

ينشئ ناتج مقتطف التعليمات البرمجية أعلاه مخططًا يمثل بصريًا العلاقات بين الحقب وحجم الصورة ونوع النموذج ودرجات mAP50-95(B) المقابلة لها، مما يتيح لك رصد الاتجاهات والأنماط في بيانات تجاربك.

إنشاء تصورات مقارنة باستخدام DVC#

توفر DVC أمرًا مفيدًا لإنشاء مخططات مقارنة لتجاربك. وقد يكون ذلك مفيدًا بشكل خاص لمقارنة أداء النماذج المختلفة عبر عمليات تدريب متعددة.

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

بعد تنفيذ هذا الأمر، تنشئ DVC مخططات تقارن المقاييس بين التجارب المختلفة، وتحفظها كملفات HTML. في ما يلي صورة نموذجية توضح المخططات المعتادة التي تنشأ من هذه العملية. وتعرض الصورة رسومًا بيانية متنوعة، بما في ذلك الرسوم التي تمثل mAP والاستدعاء والدقة وقيم الخسارة وغير ذلك، مما يوفر نظرة عامة مرئية على مقاييس الأداء الأساسية:

عرض مخططات DVC#

إذا كنت تستخدم Jupyter Notebook وتريد عرض مخططات DVC المُنشأة، فيمكنك استخدام وظيفة العرض في IPython.

from IPython.display import HTML

# Display the DVC plots as HTML
HTML(filename="./dvc_plots/index.html")

سيعرض هذا الرمز ملف HTML الذي يحتوي على مخططات DVC مباشرةً في Jupyter Notebook، مما يوفر طريقة سهلة ومريحة لتحليل بيانات التجارب المُصوَّرة.

اتخاذ قرارات قائمة على البيانات#

استخدم الرؤى المستخلصة من هذه التصورات لاتخاذ قرارات مدروسة بشأن تحسينات النموذج وضبط المعلمات الفائقة والتعديلات الأخرى لتعزيز أداء النموذج.

التكرار في التجارب#

استنادًا إلى تحليلك، كرّر تجاربك. واضبط تكوينات النموذج أو معلمات التدريب أو حتى مدخلات البيانات، ثم أعد تنفيذ عملية التدريب والتحليل. ويُعد هذا النهج التكراري أساسيًا لصقل نموذجك وتحقيق أفضل أداء ممكن.

الملخص#

قادك هذا الدليل خلال عملية دمج DVCLive مع YOLO26 الخاص بـ Ultralytics. وقد تعلمت كيفية الاستفادة من إمكانات DVCLive لمراقبة التجارب بالتفصيل، وتصورها بفعالية، وتحليلها بصورة مفيدة في مشاريع التعلّم الآلي.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الوثائق الرسمية لـ DVCLive.

بالإضافة إلى ذلك، استكشف المزيد من عمليات الدمج والإمكانات التي توفرها Ultralytics من خلال زيارة صفحة دليل عمليات الدمج في Ultralytics، التي تضم مجموعة من الموارد والرؤى المفيدة.

الأسئلة الشائعة#