تتبع متقدم لتجارب YOLO26 باستخدام DVCLive#

يعد تتبع التجارب في machine learning أمراً بالغ الأهمية لتطوير النماذج وتقييمها. وهو يتضمن تسجيل وتحليل مختلف المعلمات والمقاييس والنتائج من عمليات التدريب العديدة. هذه العملية ضرورية لفهم أداء النماذج واتخاذ قرارات تعتمد على البيانات لتحسين النماذج وتحسينها.

يؤدي دمج DVCLive مع Ultralytics YOLO26 إلى تغيير طريقة تتبع التجارب وإدارتها. يقدم هذا التكامل حلاً سلساً لتسجيل تفاصيل التجربة الرئيسية تلقائياً، ومقارنة النتائج عبر عمليات تشغيل مختلفة، وتصور البيانات لتحليل متعمق. في هذا الدليل، سنتعرف على كيف يمكن استخدام DVCLive لتبسيط العملية.

DVCLive#

DVCLive، الذي تم تطويره بواسطة DVC، هو أداة مبتكرة مفتوحة المصدر لتتبع التجارب في التعلم الآلي. من خلال اندماجه بسلاسة مع Git و DVC، فإنه يؤتمت تسجيل بيانات التجربة الحاسمة مثل معاملات النموذج ومقاييس التدريب. تم تصميم DVCLive من أجل البساطة، وهو يتيح المقارنة والتحليل السلس لعمليات تشغيل متعددة، مما يعزز كفاءة مشاريع التعلم الآلي باستخدام أدوات بديهية data visualization والتحليل.

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 المتعقبة، مما يوفر رؤية شاملة لعملية التدريب.

التثبيت#

لتثبيت الحزم المطلوبة، قم بتشغيل:

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

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.

تهيئة 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 برنوان البريد الإلكتروني المرتبط بحساب Git الخاص بك، و "Your Name" باسم مستخدم حساب Git الخاص بك.

الاستخدام#

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

تدريب 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 معاملات النموذج والبيانات و epochs و imgsz وفقاً لمتطلباتك الخاصة. للحصول على فهم تفصيلي لعملية تدريب النماذج وأفضل الممارسات، راجع YOLO26 Model Training guide الخاص بنا.

مراقبة التجارب باستخدام DVCLive#

يعمل DVCLive على تحسين عملية التدريب من خلال تمكين تتبع وتصور المقاييس الرئيسية. عند تثبيته، يتكامل Ultralytics YOLO26 تلقائياً مع DVCLive لتتبع التجارب، والذي يمكنك تحليله لاحقاً للحصول على رؤى حول الأداء. للحصول على فهم شامل لمقاييس الأداء المحددة المستخدمة أثناء التدريب، تأكد من استكشاف our detailed guide on performance metrics.

تحليل 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 الرمز أعلاه عرضاً جدولياً واضحاً للتجارب المختلفة التي تم إجراؤها باستخدام نماذج YOLO26. يمثل كل صف عملية تدريب مختلفة، مفصلاً اسم التجربة، وعدد حقب التدريب (epochs)، وحجم الصورة (imgsz)، والنموذج المحدد المستخدم، ومقياس mAP50-95(B). هذا المقياس حاسم لتقييم accuracy للنموذج، حيث تشير القيم الأعلى إلى أداء أفضل.

تصور 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.

إنشاء 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، ينشئ DVC مخططات تقارن المقاييس عبر تجارب مختلفة، والتي يتم حفظها كملفات HTML. أدناه صورة توضيحية توضح المخططات النموذجية التي تنتجها هذه العملية. تعرض الصورة رسوماً بيانية متنوعة، بما في ذلك تلك التي تمثل mAP و recall و precision وقيم الخسارة والمزيد، مما يوفر نظرة عامة مرئية على مقاييس الأداء الرئيسية:

عرض 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.

اتخاذ قرارات قائمة على البيانات#

استخدم الرؤى المكتسبة من عمليات التصور هذه لاتخاذ قرارات مستنيرة بشأن تحسينات النماذج، و hyperparameter tuning، وغيرها من التعديلات لتحسين أداء نموذجك.

التكرار 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.

ملخص#

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، تفضل بزيارة DVCLive's official documentation.

بالإضافة إلى ذلك، استكشف المزيد من عمليات التكامل والقدرات لـ Ultralytics من خلال زيارة Ultralytics integration guide page، والتي تعد مجموعة من الموارد والرؤى الرائعة.

الأسئلة الشائعة#