تتبّع متقدم لتجارب YOLO26 باستخدام DVCLive#

يُعد تتبّع التجارب في تعلم الآلة أمرًا بالغ الأهمية لتطوير النماذج وتقييمها. ويتضمن تسجيل وتحليل معلمات ومقاييس ونتائج متنوعة من عمليات تدريب عديدة. وتُعد هذه العملية أساسية لفهم أداء النموذج واتخاذ قرارات تستند إلى البيانات لتحسين النماذج وصقلها.

يُحدث دمج DVCLive مع Ultralytics YOLO26 تحولًا في طريقة تتبّع التجارب وإدارتها. ويوفر هذا الدمج حلًا سلسًا للتسجيل التلقائي لتفاصيل التجارب الأساسية، ومقارنة النتائج بين عمليات التشغيل المختلفة، وتصوير البيانات لإجراء تحليل معمّق. في هذا الدليل، سنتعرّف على كيفية استخدام DVCLive لتبسيط هذه العملية.

DVCLive#

إن DVCLive، الذي طورته DVC، أداة مبتكرة مفتوحة المصدر لتتبّع تجارب تعلم الآلة. ويتكامل بسلاسة مع Git وDVC، ويؤتمت تسجيل بيانات التجارب المهمة، مثل معلمات النموذج ومقاييس التدريب. صُمم DVCLive ليكون بسيطًا، ويتيح مقارنة عمليات التشغيل المتعددة وتحليلها بسهولة، ما يعزز كفاءة مشاريع تعلم الآلة بفضل أدوات تصوير البيانات والتحليل سهلة الاستخدام.

تدريب YOLO26 باستخدام DVCLive#

يمكن مراقبة جلسات تدريب YOLO26 بفاعلية باستخدام DVCLive. كما يوفر DVC ميزات أساسية لتصوير هذه التجارب، بما في ذلك إنشاء تقرير يتيح مقارنة مخططات المقاييس عبر جميع التجارب التي يجري تتبّعها، ويوفر رؤية شاملة لعملية التدريب.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

# 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، تتمثل الخطوة التالية في إعداد بيئتك وتهيئتها ببيانات الاعتماد المطلوبة. يضمن هذا الإعداد دمج DVCLive بسلاسة في سير عملك الحالي.

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

قبل التعمق في تعليمات الاستخدام، احرص على الاطلاع على 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 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#

يعزّز DVCLive عملية التدريب من خلال إتاحة تتبّع المقاييس الرئيسية وعرضها بصريًا. عند تثبيته، يتكامل Ultralytics YOLO26 تلقائيًا مع DVCLive لتتبّع التجارب، ويمكنك تحليلها لاحقًا لاستخلاص رؤى حول الأداء. لفهم شامل لمقاييس الأداء المحددة المستخدمة أثناء التدريب، يُرجى الاطلاع على دليلنا التفصيلي حول مقاييس الأداء.

تحليل النتائج#

بعد اكتمال جلسات تدريب YOLO26، يمكنك الاستفادة من أدوات DVCLive القوية للتصوير المرئي لإجراء تحليل معمّق للنتائج. يضمن تكامل DVCLive تسجيل جميع مقاييس التدريب بانتظام، ما يسهّل إجراء تقييم شامل لأداء النموذج.

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)

يوفّر ناتج مقتطف الشيفرة أعلاه عرضًا جدوليًا واضحًا للتجارب المختلفة التي أُجريت باستخدام نماذج YOLO26. يمثّل كل صف تشغيلًا تدريبيًا مختلفًا، ويعرض اسم التجربة وعدد الحقب وحجم الصورة (imgsz) والنموذج المحدد المستخدم ومقياس mAP50-95(B). يُعد هذا المقياس ضروريًا 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()

ينتج عن مقتطف الشيفرة أعلاه مخطط يعرض 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:

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 عملية دمج DVCLive مع YOLO26 من Ultralytics. وتعلّمت كيفية الاستفادة من إمكانات DVCLive لمراقبة التجارب بالتفصيل، وعرضها بفاعلية، وتحليلها بعمق في مساعيك ضمن تعلّم الآلة.

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

بالإضافة إلى ذلك، استكشف مزيدًا من عمليات التكامل والإمكانات التي توفرها Ultralytics بزيارة صفحة دليل تكامل Ultralytics، التي تضم مجموعة من الموارد والرؤى القيّمة.

الأسئلة الشائعة#