ابدأ

تتبّع متقدم لتجارب YOLO26 باستخدام DVCLive

يُعد تتبّع التجارب في تعلّم الآلة ضروريًا لتطوير النماذج وتقييمها. ويتضمن تسجيل مختلف المعلمات والمقاييس والنتائج وتحليلها عبر العديد من عمليات التدريب. وتُعد هذه العملية أساسية لفهم أداء النماذج واتخاذ قرارات قائمة على البيانات لتنقيح النماذج وتحسينها.

يسجل دمج DVCLive مع Ultralytics YOLO26 تلقائيًا تفاصيل التجارب الرئيسية، ويقارن النتائج بين عمليات التشغيل، ويصور البيانات لإجراء تحليل متعمق. يوضح هذا الدليل كيفية إعداد التكامل واستخدامه.

DVCLive#

DVCLive experiment tracking integration

DVCLive، الذي طورته DVC، أداة مفتوحة المصدر لتتبّع التجارب في تعلّم الآلة. وتعمل الأداة مع Git وDVC لـأتمتة تسجيل بيانات التجارب، مثل معلمات النموذج ومقاييس التدريب، كما تسهّل مقارنة عمليات التشغيل المتعددة وتحليلها باستخدام أدوات تصوير البيانات وتحليلها.

تدريب YOLO26 باستخدام DVCLive#

يمكن مراقبة جلسات تدريب YOLO26 باستخدام DVCLive. وتوفر DVC أيضًا أدوات لتصوير هذه التجارب، بما في ذلك تقرير يقارن مخططات المقاييس عبر جميع التجارب المتتبعة.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

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

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت YOLO26. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـYOLO26، فارجع إلى دليل المشكلات الشائعة للاطّلاع على الحلول والنصائح.

إعداد DVCLive#

بعد تثبيت الحزم اللازمة، أعدّ بيئة مشروعك لكي يتمكن DVCLive من تسجيل التجارب إلى جانب شيفرتك.

ابدأ بتهيئة مستودع Git، إذ يؤدي Git دورًا أساسيًا في التحكم بإصدارات كل من التعليمات البرمجية وإعدادات DVCLive.

إعداد البيئة الأولية
# 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 DVC in your project
dvc init -q

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

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

الاستخدام#

تدريب نماذج YOLO26 باستخدام DVCLive#

ابدأ بتشغيل جلسات تدريب YOLO26. يمكنك استخدام إعدادات مختلفة للنموذج ومعلمات التدريب 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

عدّل معلمات النموذج والبيانات وعدد الحقب وimgsz وفقًا لمتطلباتك المحددة. للاطلاع على شرح مفصل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26.

مراقبة التجارب باستخدام DVCLive#

يعزز DVCLive عملية التدريب من خلال إتاحة تتبّع المقاييس الرئيسية وتصورها. بعد تثبيت DVCLive، يُفعّل رد النداء الخاص به افتراضيًا. ويسجل وسيطات التدريب، والخسائر لكل حقبة، ومقاييس التحقق ومعدلات التعلّم، ومخططات التدريب والتحقق، ومصفوفة التباس، وbest.pt بوصفه أثرًا للنموذج. شغّل yolo settings dvc=False لتعطيل التكامل. لفهم مقاييس الأداء المحددة المستخدمة أثناء التدريب فهمًا شاملًا، يُرجى الاطلاع على دليلنا المفصل لمقاييس الأداء.

تحليل النتائج#

بعد اكتمال جلسات تدريب YOLO26، يمكنك استخدام أدوات التصوير في DVCLive لتحليل النتائج. وبما أن التكامل يسجل جميع مقاييس التدريب، يمكنك تقييم أداء نموذجك عبر عمليات التشغيل.

لبدء التحليل، يمكنك استخراج بيانات التجربة باستخدام API الخاص بـ DVC ومعالجتها باستخدام Pandas لتسهيل التعامل معها وعرضها بصريًا:

import dvc.api
import pandas as pd

# ⁨حدّد الأعمدة محل الاهتمام⁩
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# ⁨استرجع بيانات التجربة⁩
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# ⁨نظّف البيانات⁩
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# ⁨اعرض DataFrame⁩
print(df)

يعرض ناتج مقتطف التعليمات البرمجية أعلاه التجارب المختلفة التي أُجريت باستخدام نماذج YOLO26 في جدول واضح. يمثّل كل صف تشغيلًا تدريبيًا مختلفًا، ويبيّن اسم التجربة وعدد الحقب وحجم الصورة (imgsz) والنموذج المستخدم تحديدًا ومقياس mAP50-95(B). ويُعد هذا المقياس أساسيًا لتقييم دقة النموذج، إذ تشير القيم الأعلى إلى أداء أفضل.

تصوير النتائج باستخدام Plotly#

لإجراء تحليل أكثر تفاعلية ووضوحًا لنتائج تجاربك، يمكنك استخدام مخطط الإحداثيات المتوازية في Plotly. يفيد هذا النوع من المخططات خصوصًا في فهم العلاقات والمفاضلات بين المعلمات والمقاييس المختلفة.

from plotly.express import parallel_coordinates

# ⁨أنشئ مخطط إحداثيات متوازية⁩
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# ⁨اعرض المخطط⁩
fig.show()

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

إنشاء تصورات مقارنة باستخدام DVC#

يوفر DVC أمرًا مفيدًا لإنشاء مخططات مقارنة لتجاربك. وقد يكون ذلك مفيدًا على نحو خاص لمقارنة أداء نماذج مختلفة عبر عمليات تشغيل تدريبية متعددة.

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

بعد تنفيذ هذا الأمر، ينشئ DVC مخططات تقارن المقاييس بين التجارب المختلفة، ويحفظها كملفات HTML. فيما يلي صورة مثال توضح المخططات المعتادة التي تنتجها هذه العملية. تعرض الصورة رسومًا بيانية متنوعة، منها ما يمثل mAP والاستدعاء والدقة وقيم الخسارة وغيرها، ما يوفر نظرة عامة مرئية على مقاييس الأداء الرئيسية:

DVCLive training metrics comparison plots

عرض مخططات DVC#

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

from IPython.display import HTML

# ⁨اعرض مخططات DVC بصيغة HTML⁩
HTML(filename="./dvc_plots/index.html")

تعرض هذه الشيفرة ملف HTML الذي يحتوي على مخططات DVC مباشرةً في Jupyter Notebook، ما يوفر طريقة سهلة ومريحة لتحليل بيانات التجارب المعروضة بصريًا.

اتخاذ قرارات مستندة إلى البيانات#

استخدم الرؤى المستخلصة من هذه التصورات لاتخاذ قرارات مدروسة بشأن تحسين النماذج وضبط المعلمات الفائقة والتعديلات الأخرى التي تعزز أداء نموذجك.

التكرار على التجارب#

استنادًا إلى تحليلك، كرّر تجاربك. عدّل إعدادات النموذج أو معلمات التدريب أو حتى مدخلات البيانات، ثم أعد عملية التدريب والتحليل. يُعد هذا النهج التكراري أساسيًا لتحسين نموذجك وتحقيق أفضل أداء ممكن.

الملخص#

أرشدك هذا الدليل خلال دمج DVCLive مع Ultralytics YOLO26، من الإعداد إلى مراقبة التجارب وتصويرها وتحليلها.

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

الأسئلة الشائعة#

  • يُعد دمج DVCLive مع Ultralytics YOLO26 أمرًا مباشرًا. ابدأ بتثبيت الحزم اللازمة:

    التثبيت
    pip install ultralytics dvclive

    بعد ذلك، أنشئ مستودع Git واضبط DVCLive في مشروعك:

    إعداد البيئة الأولية
    git init -q
    git config --local user.email "your-email"
    git config --local user.name "Your Name"
    dvc init -q
    git commit -m "DVC init"

    اتبع دليل تثبيت YOLO26 للحصول على تعليمات إعداد مفصلة.

  • يوفر استخدام DVCLive مع YOLO26 مزايا عديدة، منها:

    • التسجيل التلقائي: يسجّل DVCLive تلقائيًا تفاصيل التجربة الرئيسية، مثل معلمات النموذج والمقاييس.
    • سهولة المقارنة: يسهّل مقارنة النتائج بين عمليات التشغيل المختلفة.
    • أدوات التصوير: تستخدم إمكانات DVCLive لتصوير البيانات من أجل التحليل المتعمق.

    لمزيد من التفاصيل، راجع دليلنا حول تدريب نماذج YOLO26 ومقاييس أداء YOLO لتحقيق أقصى كفاءة في تتبّع تجاربك.

  • بعد إكمال جلسات تدريب YOLO26، يساعدك DVCLive على عرض النتائج وتحليلها بفاعلية. مثال على شيفرة تحميل بيانات التجربة وعرضها:

    import dvc.api
    import pandas as pd
    
    # ⁨حدّد الأعمدة محل الاهتمام⁩
    columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]
    
    # ⁨استرجع بيانات التجربة⁩
    df = pd.DataFrame(dvc.api.exp_show(), columns=columns)
    
    # ⁨نظّف البيانات⁩
    df.dropna(inplace=True)
    df.reset_index(drop=True, inplace=True)
    
    # ⁨اعرض DataFrame⁩
    print(df)

    لعرض النتائج تفاعليًا، استخدم مخطط الإحداثيات المتوازية في Plotly:

    from plotly.express import parallel_coordinates
    
    fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
    fig.show()

    راجع دليلنا حول تدريب YOLO26 باستخدام DVCLive للاطلاع على مزيد من الأمثلة وأفضل الممارسات.

  • لإعداد بيئتك بما يضمن تكاملًا سلسًا بين DVCLive وYOLO26، اتبع الخطوات التالية:

    1. ثبّت الحزم المطلوبة: استخدم pip install ultralytics dvclive.
    2. أنشئ مستودع Git: نفّذ git init -q.
    3. هيّئ DVC: نفّذ dvc init -q.
    4. نفّذ الإيداع في Git: استخدم git commit -m "DVC init".

    تضمن هذه الخطوات التحكم السليم بالإصدارات وإعداد تتبّع التجارب.

  • توفر DVCLive أدوات لتصوير نتائج تجارب YOLO26. إليك كيفية إنشاء مخططات مقارنة:

    إنشاء مخططات مقارنة
    dvc plots diff $(dvc exp list --names-only)

    لعرض هذه المخططات في Jupyter Notebook، استخدم:

    from IPython.display import HTML
    
    # ⁨اعرض المخططات بصيغة HTML⁩
    HTML(filename="./dvc_plots/index.html")

    تساعد هذه المرئيات على تحديد الاتجاهات وتحسين أداء النموذج.

التعليقات5

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!

    We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.

    If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.

    Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:

    Upgrade

    Make sure you're using the latest version of the ultralytics package by upgrading in your setup:

    pip install -U ultralytics

    The latest version ensures compatibility with integrations like DVCLive and other features.

    Supported Environments

    You can work seamlessly with YOLO and its integrations in the following environments:

    For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.

    An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨

    1. liggrGitHub

      Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?

    2. Glenn JocherUltralytics

      @liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with dvc exp list --names-only after training. For setup details, refer to the DVCLive integration guide.