Link to this sectionتتبع متقدم لتجارب YOLO26 باستخدام DVCLive#

يُعد تتبع التجارب في تعلم الآلة أمراً بالغ الأهمية لتطوير النماذج وتقييمها. ويتضمن ذلك تسجيل وتحليل المعلمات والمقاييس والنتائج المختلفة من عمليات التدريب العديدة. هذه العملية ضرورية لفهم أداء النموذج واتخاذ قرارات قائمة على البيانات لتحسين النماذج وتطويرها.

يُغير دمج DVCLive مع Ultralytics YOLO26 الطريقة التي يتم بها تتبع التجارب وإدارتها. يوفر هذا التكامل حلاً سلساً لتسجيل تفاصيل التجربة الرئيسية تلقائياً، ومقارنة النتائج عبر عمليات تشغيل مختلفة، وتصور البيانات لإجراء تحليل متعمق. في هذا الدليل، سنتعرف على كيفية استخدام DVCLive لتبسيط هذه العملية.

Link to this sectionDVCLive#

DVCLive، الذي طورته DVC، هو أداة مبتكرة مفتوحة المصدر لتتبع التجارب في تعلم الآلة. يتكامل بسلاسة مع Git و DVC، ويقوم بأتمتة تسجيل بيانات التجارب المهمة مثل معلمات النموذج ومقاييس التدريب. صُممت DVCLive من أجل البساطة، مما يتيح مقارنة وتحليل عمليات تشغيل متعددة دون عناء، مما يعزز كفاءة مشاريع تعلم الآلة من خلال أدوات تصور البيانات والتحليل البديهية.

Link to this sectionتدريب 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 المتعقبة، مما يوفر رؤية شاملة لعملية التدريب.

Link to this sectionالتثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

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

للحصول على تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO26 الخاص بنا. إذا واجهت أي صعوبات أثناء تثبيت الحزم المطلوبة لـ YOLO26، فاستشر دليل المشكلات الشائعة الخاص بنا للحصول على حلول ونصائح.

Link to this sectionتهيئة DVCLive#

بمجرد تثبيت الحزم اللازمة، فإن الخطوة التالية هي إعداد وتهيئة بيئتك باستخدام بيانات الاعتماد المطلوبة. يضمن هذا الإعداد تكاملاً سلساً لـ DVCLive في سير عملك الحالي.

ابدأ بتهيئة مستودع Git، حيث يلعب Git دوراً حاسماً في التحكم في الإصدار لكل من التعليمات البرمجية الخاصة بك وتهيئة 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، تأكد من استبدال your-email بعنوان البريد الإلكتروني المرتبط بحساب Git الخاص بك، و "Your Name" باسم مستخدم حساب Git الخاص بك.

Link to this sectionالاستخدام#

قبل الغوص في تعليمات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

Link to this sectionتدريب نماذج YOLO26 باستخدام DVCLive#

ابدأ بتشغيل جلسات تدريب YOLO26 الخاصة بك. يمكنك استخدام تكوينات نماذج ومعلمات تدريب مختلفة لتناسب 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 والحقب و imgsz وفقاً لمتطلباتك المحددة. للحصول على فهم مفصل لعملية تدريب النموذج وأفضل الممارسات، ارجع إلى دليل تدريب نموذج YOLO26.

Link to this sectionمراقبة التجارب باستخدام DVCLive#

تعمل DVCLive على تحسين عملية التدريب من خلال تمكين تتبع وتصور المقاييس الرئيسية. عند تثبيتها، يتكامل Ultralytics YOLO26 تلقائياً مع DVCLive لتتبع التجارب، والتي يمكنك لاحقاً تحليلها للحصول على رؤى حول الأداء. للحصول على فهم شامل لمقاييس الأداء المحددة المستخدمة أثناء التدريب، تأكد من استكشاف دليلنا المفصل حول مقاييس الأداء.

Link to this sectionتحليل النتائج#

بعد اكتمال جلسات تدريب YOLO26، يمكنك الاستفادة من أدوات التصور القوية في DVCLive لإجراء تحليل متعمق للنتائج. يضمن تكامل DVCLive تسجيل جميع مقاييس التدريب بشكل منهجي، مما يسهل إجراء تقييم شامل لأداء نموذجك.

لبدء التحليل، يمكنك استخراج بيانات التجربة باستخدام API الخاص بـ DVC ومعالجتها باستخدام pandas للتعامل معها وتصورها بسهولة أكبر:

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 مخرج مقتطف الشفرة أعلاه عرضاً جدولياً واضحاً للتجارب المختلفة التي تم إجراؤها باستخدام نماذج YOLO26. يمثل كل صف عملية تدريب مختلفة، توضح اسم التجربة، وعدد الحقب، وحجم الصورة (imgsz)، والنموذج المحدد المستخدم، ومقياس mAP50-95(B). هذا المقياس ضروري لتقييم دقة النموذج، حيث تشير القيم الأعلى إلى أداء أفضل.

Link to this sectionتصور النتائج باستخدام Plotly#

لإجراء تحليل أكثر تفاعلية ومرئية لنتائج تجربتك، يمكنك استخدام مخطط الإحداثيات المتوازية الخاص بـ Plotly. هذا النوع من المخططات مفيد بشكل خاص لفهم العلاقات والمقايضات 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()

يُنشئ مخرج مقتطف الشفرة أعلاه مخططاً يمثل بصرياً العلاقات بين الحقب، وحجم الصورة، ونوع النموذج، ونتائج mAP50-95(B) المقابلة لها، مما يتيح لك تحديد الاتجاهات والأنماط في بيانات تجربتك.

Link to this sectionإنشاء تصورات مقارنة باستخدام DVC#

توفر DVC أمراً مفيداً لإنشاء مخططات مقارنة لتجاربك. يمكن أن يكون هذا مفيداً بشكل خاص لمقارنة أداء النماذج المختلفة عبر عمليات تدريب متنوعة.

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

بعد تنفيذ هذا الأمر، تُنشئ DVC مخططات تقارن المقاييس عبر تجارب مختلفة، والتي يتم حفظها كملفات HTML. أدناه صورة مثال توضح المخططات النموذجية التي تم إنشاؤها بواسطة هذه العملية. تعرض الصورة رسوماً بيانية متنوعة، بما في ذلك تلك التي تمثل mAP، والاستدعاء، والدقة، وقيم الفقد، والمزيد، مما يوفر نظرة عامة مرئية لمقاييس الأداء الرئيسية:

Link to this sectionعرض مخططات DVC#

إذا كنت تستخدم Jupyter Notebook وترغب في عرض مخططات DVC التي تم إنشاؤها، يمكنك استخدام وظيفة العرض الخاصة بـ IPython.

from IPython.display import HTML

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

ستقوم هذه الشفرة بعرض ملف HTML الذي يحتوي على مخططات DVC مباشرة في Jupyter Notebook الخاص بك، مما يوفر طريقة سهلة ومريحة لتحليل بيانات التجربة المتصورة.

Link to this sectionاتخاذ قرارات قائمة على البيانات#

استخدم الرؤى المكتسبة من هذه التصورات لاتخاذ قرارات مستنيرة حول تحسينات النموذج، وضبط المعلمات الفائقة، وغيرها من التعديلات لتعزيز أداء نموذجك.

Link to this sectionالتكرار في التجارب#

بناءً على تحليلك، كرر تجاربك. اضبط تكوينات النموذج، أو معلمات التدريب، أو حتى مدخلات البيانات، وكرر عملية التدريب والتحليل. هذا النهج التكراري هو مفتاح تحسين نموذجك للحصول على أفضل أداء ممكن.

Link to this sectionملخص#

لقد قادك هذا الدليل خلال عملية دمج DVCLive مع YOLO26 من Ultralytics. لقد تعلمت كيفية تسخير قوة DVCLive لمراقبة التجارب بالتفصيل، والتصور الفعال، والتحليل الثاقب في مساعيك في تعلم الآلة.

لمزيد من التفاصيل حول الاستخدام، قم بزيارة التوثيق الرسمي لـ DVCLive.

بالإضافة إلى ذلك، استكشف المزيد من عمليات التكامل والقدرات لـ Ultralytics من خلال زيارة صفحة دليل تكامل Ultralytics، وهي مجموعة من الموارد والرؤى الرائعة.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف أقوم بدمج DVCLive مع Ultralytics YOLO26 لتتبع التجارب؟#

إن دمج DVCLive مع Ultralytics YOLO26 أمر مباشر. ابدأ بتثبيت الحزم اللازمة:

pip install ultralytics dvclive

بعد ذلك، قم بتهيئة مستودع Git وتهيئة DVCLive في مشروعك:

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 الخاص بنا للحصول على تعليمات إعداد مفصلة.

Link to this sectionلماذا يجب أن أستخدم DVCLive لتتبع تجارب YOLO26؟#

يوفر استخدام DVCLive مع YOLO26 العديد من المزايا، مثل:

• التسجيل المؤتمت: تسجل DVCLive تلقائياً تفاصيل التجربة الرئيسية مثل معلمات النموذج والمقاييس.
• سهولة المقارنة: تسهل مقارنة النتائج عبر عمليات تشغيل مختلفة.
• أدوات التصور: تستفيد من قدرات تصور البيانات القوية في DVCLive لإجراء تحليل متعمق.

لمزيد من التفاصيل، ارجع إلى دليلنا حول تدريب نموذج YOLO26 ومقاييس أداء YOLO لزيادة كفاءة تتبع تجاربك.

Link to this sectionكيف يمكن لـ DVCLive تحسين تحليل نتائج جلسات تدريب YOLO26 الخاصة بي؟#

بعد إكمال جلسات تدريب YOLO26، تساعد DVCLive في تصور وتحليل النتائج بفعالية. مثال على الشفرة لتحميل وعرض بيانات التجربة:

import dvc.api
import pandas as pd

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

# Display DataFrame
print(df)

لتصور النتائج بشكل تفاعلي، استخدم مخطط الإحداثيات المتوازية الخاص بـ Plotly:

from plotly.express import parallel_coordinates

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

ارجع إلى دليلنا حول تدريب YOLO26 باستخدام DVCLive لمزيد من الأمثلة وأفضل الممارسات.

Link to this sectionما هي الخطوات لتهيئة بيئتي لتكامل DVCLive و YOLO26؟#

لتهيئة بيئتك لتكامل سلس بين DVCLive و YOLO26، اتبع هذه الخطوات:

1. تثبيت الحزم المطلوبة: استخدم pip install ultralytics dvclive.
2. تهيئة مستودع Git: قم بتشغيل git init -q.
3. إعداد DVCLive: قم بتنفيذ dvc init -q.
4. الإيداع في Git: استخدم git commit -m "DVC init".

تضمن هذه الخطوات تحكماً صحيحاً في الإصدار وإعداداً لتتبع التجارب. للحصول على تفاصيل تهيئة متعمقة، تفضل بزيارة دليل التهيئة الخاص بنا.

Link to this sectionكيف أقوم بتصور نتائج تجربة YOLO26 باستخدام DVCLive؟#

تقدم DVCLive أدوات قوية لتصور نتائج تجارب YOLO26. إليك كيف يمكنك إنشاء مخططات مقارنة:

dvc plots diff $(dvc exp list --names-only)

لعرض هذه المخططات في Jupyter Notebook، استخدم:

from IPython.display import HTML

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

تساعد هذه التصورات في تحديد الاتجاهات وتحسين أداء النموذج. تحقق من أدلتنا المفصلة حول تحليل تجربة YOLO26 للحصول على خطوات وأمثلة شاملة.