تتبع متقدم لتجارب YOLO26 باستخدام DVCLive

يُعد تتبع التجارب في التعلم الآلي أمرًا بالغ الأهمية لتطوير وتقييم النماذج. وهو ينطوي على تسجيل وتحليل مختلف المعلمات والمقاييس والنتائج من العديد من عمليات التدريب. هذه العملية ضرورية لفهم أداء النموذج واتخاذ قرارات مبنية على البيانات لتحسين النماذج.

يغير دمج DVCLive مع Ultralytics YOLO26 طريقة تتبع التجارب وإدارتها. يوفر هذا الدمج حلاً سلسًا لتسجيل تفاصيل التجربة الرئيسية تلقائيًا، ومقارنة النتائج عبر التشغيلات المختلفة، وتصور البيانات للتحليل المتعمق. في هذا الدليل، سنتفهم كيفية استخدام DVCLive لتبسيط العملية.

DVCLive

DVCLive، الذي تم تطويره بواسطة DVC، هو أداة مبتكرة مفتوحة المصدر لتتبع التجارب في التعلم الآلي. من خلال التكامل السلس مع Git و DVC، فإنه يقوم بأتمتة تسجيل بيانات التجربة الحاسمة مثل معلمات النموذج ومقاييس التدريب. تم تصميم DVCLive ببساطة، مما يتيح مقارنة وتحليل العديد من عمليات التشغيل بسهولة، مما يعزز كفاءة مشاريع التعلم الآلي باستخدام أدوات تصور البيانات وتحليلها البديهية.

تدريب YOLO26 باستخدام DVCLive

يمكن مراقبة جلسات تدريب YOLO26 بفعالية باستخدام DVCLive. بالإضافة إلى ذلك، يوفر DVC ميزات أساسية لتصور هذه التجارب، بما في ذلك إنشاء تقرير يتيح مقارنة رسوم بيانية للمقاييس عبر جميع التجارب المتتبعة، 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 تعليمات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO26 الخاص بنا. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة الخاص بنا للحصول على حلول ونصائح.

تكوين DVCLive

بمجرد تثبيت الحزم الضرورية، فإن الخطوة التالية هي إعداد وتهيئة بيئتك ببيانات الاعتماد المطلوبة. يضمن هذا الإعداد تكاملًا سلسًا لـ DVCLive في سير العمل الحالي لديك.

ابدأ بتهيئة مستودع Git، حيث يلعب Git دورًا حاسمًا في التحكم في الإصدار لكل من التعليمات البرمجية وتكوينات DVCLive.

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "you@example.com"
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 "you@example.com" بعنوان البريد الإلكتروني المرتبط بحساب Git الخاص بك، و "اسمك" باسم مستخدم حساب Git الخاص بك.

الاستخدام

قبل الخوض في تعليمات الاستخدام، تأكد من الاطلاع على مجموعة نماذج YOLO26 التي تقدمها 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 معلمات النموذج والبيانات والحقب وحجم الصورة (imgsz) وفقًا لمتطلباتك الخاصة. لفهم مفصل لعملية تدريب النموذج وأفضل الممارسات، ارجع إلى دليل تدريب نماذج YOLO26 الخاص بنا.

مراقبة التجارب باستخدام DVCLive

يعزز DVCLive عملية التدريب من خلال تمكين تتبع المقاييس الرئيسية وتصورها. عند التثبيت، تتكامل Ultralytics YOLO26 تلقائيًا مع DVCLive لتتبع التجارب، والتي يمكنك تحليلها لاحقًا للحصول على رؤى حول الأداء. لفهم شامل لمقاييس الأداء المحددة المستخدمة أثناء التدريب، تأكد من استكشاف دليلنا المفصل حول مقاييس الأداء.

تحليل النتائج

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

لبدء التحليل، يمكنك استخراج بيانات التجربة باستخدام واجهة برمجة التطبيقات (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 إخراج مقتطف الشفرة أعلاه عرضًا جدوليًا واضحًا للتجارب المختلفة التي أجريت باستخدام نماذج YOLO26. يمثل كل صف تشغيلًا تدريبيًا مختلفًا، ويوضح بالتفصيل اسم التجربة، وعدد الحقب (epochs)، وحجم الصورة (imgsz)، والنموذج المحدد المستخدم، ومقياس mAP50-95(B). هذا المقياس بالغ الأهمية لتقييم دقة النموذج، حيث تشير القيم الأعلى إلى أداء أفضل.

تصور النتائج باستخدام Plotly

لتحليل نتائج تجربتك بشكل تفاعلي ومرئي، يمكنك استخدام مخطط الإحداثيات المتوازية لـ Plotly. هذا النوع من المخططات مفيد بشكل خاص 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()

ينتج عن إخراج مقتطف الشفرة أعلاه مخططًا يمثل بصريًا العلاقات بين العصور وحجم الصورة ونوع النموذج ودرجات mAP50-95(B) المقابلة لها، مما يتيح لك اكتشاف الاتجاهات والأنماط في بيانات تجربتك.

إنشاء تصورات مقارنة باستخدام DVC

توفر DVC أمرًا مفيدًا لإنشاء مخططات مقارنة لتجاربك. يمكن أن يكون هذا مفيدًا بشكل خاص لمقارنة أداء النماذج المختلفة عبر عمليات التدريب المتنوعة.

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

بعد تنفيذ هذا الأمر، يقوم DVC بإنشاء مخططات تقارن المقاييس عبر التجارب المختلفة، والتي يتم حفظها كملفات HTML. يوجد أدناه صورة مثال توضح المخططات النموذجية التي تم إنشاؤها بواسطة هذه العملية. تعرض الصورة رسومًا بيانية مختلفة، بما في ذلك تلك التي تمثل mAP، والاسترجاع، والدقة، 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، فيمكنك استخدام وظيفة عرض IPython.

from IPython.display import HTML

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

سيقوم هذا الكود بعرض ملف HTML الذي يحتوي على مخططات DVC مباشرة في Jupyter Notebook الخاص بك، مما يوفر طريقة سهلة ومريحة لتحليل بيانات التجربة المرئية.

اتخاذ قرارات مبنية على البيانات

استخدم الرؤى المكتسبة من هذه التصورات لاتخاذ قرارات مستنيرة بشأن تحسينات النموذج، ضبط المعلمات الفائقة، والتعديلات الأخرى لتحسين أداء النموذج الخاص بك.

التكرار على التجارب

بناءً على تحليلك، كرر تجاربك. اضبط تكوينات النموذج أو معلمات التدريب أو حتى مدخلات البيانات، وكرر عملية التدريب والتحليل. هذا النهج التكراري هو المفتاح لتحسين النموذج الخاص بك للحصول على أفضل أداء ممكن.

ملخص

لقد قادك هذا الدليل خلال عملية دمج DVCLive مع Ultralytics YOLO26. لقد تعلمت كيفية تسخير قوة DVCLive للمراقبة التفصيلية للتجارب، والتصور الفعال، والتحليل الثاقب في مساعي التعلم الآلي الخاصة بك.

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

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

الأسئلة الشائعة

كيف أقوم بدمج DVCLive مع Ultralytics YOLO26 لتتبع التجارب؟

يعد دمج DVCLive مع Ultralytics YOLO26 أمرًا مباشرًا. ابدأ بتثبيت الحزم الضرورية:

pip install ultralytics dvclive

بعد ذلك، قم بتهيئة مستودع Git وقم بتكوين DVCLive في مشروعك:

git init -q
git config --local user.email "you@example.com"
git config --local user.name "Your Name"
dvc init -q
git commit -m "DVC init"

اتبع دليل تثبيت YOLO26 الخاص بنا للحصول على تعليمات الإعداد التفصيلية.

لماذا يجب علي استخدام DVCLive لتتبع تجارب YOLO26؟

يوفر استخدام DVCLive مع YOLO26 العديد من المزايا، مثل:

• تسجيل آلي: تسجل DVCLive تلقائيًا تفاصيل التجربة الرئيسية مثل معلمات النموذج والمقاييس.
• مقارنة سهلة: تسهل مقارنة النتائج عبر عمليات التشغيل المختلفة.
• أدوات التصور: تستفيد من إمكانات تصور البيانات القوية في DVCLive لتحليل متعمق.

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

كيف يمكن لـ DVCLive تحسين تحليل نتائجي لجلسات تدريب YOLO26؟

بعد الانتهاء من جلسات تدريب YOLO26 الخاصة بك، يساعد DVCLive في تصور النتائج وتحليلها 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 للمزيد من الأمثلة وأفضل الممارسات.

ما هي خطوات تكوين بيئتي لدمج DVCLive و YOLO26؟

لتهيئة بيئتك لتكامل سلس بين DVCLive وYOLO26، اتبع هذه الخطوات:

1. تثبيت الحزم المطلوبة: استخدم pip install ultralytics dvclive.
2. تهيئة مستودع Git: تشغيل git init -q.
3. إعداد DVCLive: تنفيذ dvc init -q.
4. إجراء Commit إلى Git: استخدم git commit -m "DVC init".

تضمن هذه الخطوات التحكم المناسب في الإصدار والإعداد لتتبع التجارب. للحصول على تفاصيل متعمقة حول التكوين، تفضل بزيارة دليل التكوين الخاص بنا.

كيف أقوم بتصور نتائج تجارب YOLO26 باستخدام DVCLive؟

يوفر DVCLive أدوات قوية لتصور نتائج تجارب YOLO26. إليك كيفية إنشاء رسوم بيانية 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 التفصيلية حول تحليل تجارب YOLO26 للحصول على خطوات وأمثلة شاملة.

📅 تم الإنشاء قبل 2 أعوام ✏️ تم التحديث قبل 5 أيام

تعليقات