انتقل إلى المحتوى

دليل خطوة بخطوة لتدريب النماذج YOLOv8 باستخدام نموذج IBM Watsonx

في الوقت الحاضر، أصبحت حلول الرؤية الحاسوبية القابلة للتطوير أكثر شيوعًا في الوقت الحاضر وتغير الطريقة التي نتعامل بها مع البيانات المرئية. ومن الأمثلة الرائعة على ذلك منصة IBM Watsonx، وهي منصة متقدمة للذكاء الاصطناعي والبيانات تعمل على تبسيط تطوير نماذج الذكاء الاصطناعي ونشرها وإدارتها. وهي توفر مجموعة كاملة لدورة حياة الذكاء الاصطناعي بأكملها والتكامل السلس مع خدمات IBM Cloud.

يمكنك تدريب نماذجUltralytics YOLOv8 باستخدام IBM Watsonx. إنه خيار جيد للمؤسسات المهتمة بالتدريب الفعال للنماذج، والضبط الدقيق لمهام محددة، وتحسين أداء النماذج باستخدام أدوات قوية وإعداد سهل الاستخدام. في هذا الدليل، سنرشدك خلال عملية التدريب YOLOv8 باستخدام IBM Watsonx، حيث سنغطي كل شيء بدءًا من إعداد بيئتك إلى تقييم النماذج المدربة. لنبدأ!

ما هي شركة IBM Watsonx؟

Watsonx هي منصة قائمة على السحابة من IBM مصممة للذكاء الاصطناعي التوليدي التجاري والبيانات العلمية. تجتمع مكونات IBM Watsonx الثلاثة - watsonx.ai وWatsonx.data وWatsonx.governance - معًا لإنشاء منصة ذكاء اصطناعي متكاملة وجديرة بالثقة يمكنها تسريع مشاريع الذكاء الاصطناعي التي تهدف إلى حل مشاكل الأعمال. وتوفر أدوات قوية لبناء نماذج التعلم الآلي وتدريبها ونشرها وتسهيل الاتصال بمصادر البيانات المختلفة.

نظرة عامة على IBM Watsonx

وتعمل واجهته سهلة الاستخدام وقدراته التعاونية على تبسيط عملية التطوير والمساعدة في إدارة النماذج ونشرها بكفاءة. سواء للرؤية الحاسوبية، أو التحليلات التنبؤية، أو معالجة اللغة الطبيعية، أو تطبيقات الذكاء الاصطناعي الأخرى، يوفر IBM Watsonx الأدوات والدعم اللازمين لدفع عجلة الابتكار.

الميزات الرئيسية لـ IBM Watsonx

يتكون نظام IBM Watsonx من ثلاثة مكونات رئيسية: watsonx.ai، وWattsonx.data، وWattsonx.governance. يقدم كل مكون ميزات تلبي جوانب مختلفة من الذكاء الاصطناعي وإدارة البيانات. دعنا نلقي نظرة فاحصة عليها.

Watsonx.ai

يوفر Watsonx.ai أدوات قوية لتطوير الذكاء الاصطناعي ويوفر إمكانية الوصول إلى النماذج المخصصة المدعومة من IBM، ونماذج الطرف الثالث مثل Llama 3، ونماذج Granite الخاصة بشركة IBM. ويتضمن مختبر المطالبات لتجربة مطالبات الذكاء الاصطناعي، واستوديو الضبط لتحسين أداء النموذج مع البيانات المصنفة، ومحرك التدفقات لتبسيط تطوير تطبيقات الذكاء الاصطناعي التوليدي. كما أنه يوفر أدوات شاملة لأتمتة دورة حياة نموذج الذكاء الاصطناعي والاتصال بمختلف واجهات برمجة التطبيقات والمكتبات.

بيانات Watsonx.data

يدعم Watsonx.data كلاً من عمليات النشر السحابية والمحلية من خلال تكامل IBM Storage Fusion HCI. توفر وحدة التحكم سهلة الاستخدام وصولًا مركزيًا إلى البيانات عبر البيئات وتجعل استكشاف البيانات أمرًا سهلاً باستخدام SQL الشائعة. يعمل على تحسين أعباء العمل باستخدام محركات استعلام فعالة مثل Presto وSpark، ويسرّع رؤى البيانات باستخدام طبقة دلالية مدعومة بالذكاء الاصطناعي، ويتضمن قاعدة بيانات متجهة لملاءمة الذكاء الاصطناعي، ويدعم تنسيقات البيانات المفتوحة لسهولة مشاركة التحليلات وبيانات الذكاء الاصطناعي.

واتسونx.الحكم

يعمل نظام Watsonx.governance على تسهيل الامتثال من خلال تحديد التغييرات التنظيمية وتطبيق السياسات تلقائيًا. كما أنها تربط المتطلبات ببيانات المخاطر الداخلية وتوفر صحائف حقائق محدثة بالذكاء الاصطناعي. وتساعد المنصة على إدارة المخاطر من خلال التنبيهات والأدوات اللازمة للكشف عن المشكلات مثل التحيز والانحراف. كما أنها تعمل على أتمتة مراقبة دورة حياة الذكاء الاصطناعي وتوثيقها، وتنظم عملية تطوير الذكاء الاصطناعي من خلال مخزون النماذج، وتعزز التعاون من خلال لوحات المعلومات وأدوات إعداد التقارير سهلة الاستخدام.

كيفية تدريب YOLOv8 باستخدام نظام واتسون من IBM Watsonx

يمكنك استخدام IBM Watsonx لتسريع سير عمل تدريب النماذج YOLOv8 الخاص بك .

المتطلبات المسبقه

تحتاج إلى حساب IBM Cloud لإنشاء مشروع watsonx.ai، وستحتاج أيضًا إلى حساب Kaggle لتحميل مجموعة البيانات.

الخطوة 1: قم بإعداد بيئتك

أولاً، ستحتاج إلى إعداد حساب IBM لاستخدام دفتر Jupyter Notebook. قم بتسجيل الدخول إلى watsonx.ai باستخدام حساب IBM Cloud الخاص بك.

بعد ذلك، قم بإنشاء مشروع watsonx.ai، ودفتر ملاحظات Jupyter.

بمجرد القيام بذلك، ستفتح لك بيئة دفتر ملاحظات لتحميل مجموعة البيانات الخاصة بك. يمكنك استخدام الشيفرة من هذا البرنامج التعليمي لمعالجة مهمة تدريب نموذج بسيط للكشف عن الكائنات.

الخطوة 2: تثبيت المكتبات ذات الصلة واستيرادها

بعد ذلك، يمكنك تثبيت مكتبات Python الضرورية واستيرادها.

تركيب

# Install the required packages
pip install torch torchvision torchaudio
pip install opencv-contrib-python-headless
pip install ultralytics==8.0.196

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تحقق من Ultralytics دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.

بعد ذلك، يمكنك استيراد الحزم المطلوبة.

استيراد المكتبات ذات الصلة

# Import ultralytics
import ultralytics

ultralytics.checks()

# Import packages to retrieve and display image files

الخطوة 3: تحميل البيانات

في هذا البرنامج التعليمي، سنستخدم مجموعة بيانات القمامة البحرية المتاحة على Kaggle. باستخدام مجموعة البيانات هذه، سنقوم بتدريب نموذج YOLOv8 مخصص لاكتشاف وتصنيف القمامة والأشياء البيولوجية في الصور تحت الماء.

يمكننا تحميل مجموعة البيانات مباشرةً في دفتر الملاحظات باستخدام واجهة برمجة تطبيقات Kaggle. أولاً، قم بإنشاء حساب Kaggle مجاني. بمجرد إنشاء حساب، ستحتاج إلى إنشاء مفتاح API. يمكن العثور على إرشادات إنشاء مفتاحك في وثائق K aggle API تحت قسم "بيانات اعتماد واجهة برمجة التطبيقات".

انسخ والصق اسم مستخدم Kaggle ومفتاح واجهة برمجة التطبيقات في الكود التالي. ثم قم بتشغيل الكود لتثبيت واجهة برمجة التطبيقات وتحميل مجموعة البيانات في Watsonx.

تركيب

# Install kaggle
pip install kaggle

بعد تثبيت Kaggle، يمكننا تحميل مجموعة البيانات إلى Watsonx.

تحميل البيانات

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

بعد تحميل مجموعة البيانات، قمنا بطباعة دليل العمل وحفظه. كما قمنا بطباعة محتويات دليل العمل لدينا للتأكد من تحميل مجموعة البيانات "trash_ICRA19" بشكل صحيح.

إذا رأيت "trash_ICRA19" بين محتويات الدليل، فهذا يعني أنه تم تحميله بنجاح. يجب أن ترى ثلاثة ملفات/مجلدات: أ config.yaml ملف، أ videos_for_testing الدليل، و dataset الدليل. سنتجاهل دليل videos_for_testing الدليل، لذا لا تتردد في حذفه.

سوف نستخدم ملف config.yaml ومحتويات دليل مجموعة البيانات لتدريب نموذج اكتشاف الكائنات لدينا. فيما يلي عينة من صورة من مجموعة بيانات القمامة البحرية.

القمامة البحرية مع صندوق الارتباط

الخطوة 4: المعالجة المسبقة للبيانات

لحسن الحظ، فإن جميع التسميات في مجموعة بيانات القمامة البحرية منسقة بالفعل كملفات YOLO .txt. ومع ذلك، نحن بحاجة إلى إعادة ترتيب بنية أدلة الصور والتسميات من أجل مساعدة نموذجنا على معالجة الصورة والتسميات. في الوقت الحالي، يتبع دليل مجموعة البيانات المحملة لدينا هذه البنية:

دليل مجموعة البيانات المحملة

ولكن، تتطلب نماذج YOLO افتراضيًا صورًا وتسميات منفصلة في دلائل فرعية ضمن تقسيم القطار/التقييم/الاختبار. نحتاج إلى إعادة تنظيم الدليل في الهيكل التالي:

Yolo هيكل الدليل

لإعادة تنظيم دليل مجموعة البيانات، يمكننا تشغيل البرنامج النصي التالي:

المعالجة المسبقة للبيانات

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

بعد ذلك، نحتاج إلى تعديل ملف .yaml لمجموعة البيانات. هذا هو الإعداد الذي سنستخدمه في ملف .yaml الخاص بنا. تبدأ أرقام معرّفات الفئات من 0:

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

قم بتشغيل النص البرمجي التالي لحذف المحتويات الحالية من config.yaml واستبدالها بالمحتويات أعلاه التي تعكس بنية دليل مجموعة البيانات الجديدة. تأكد من استبدال جزء work_dir من مسار الدليل الجذر في السطر 4 بمسار دليل العمل الذي استرجعناه سابقًا. اترك تعريفات الدليل الفرعي للقطار و val و test الفرعية. أيضًا، لا تغير {work_dir} في السطر 23 من الكود.

تحرير ملف .yaml

# Contents of new confg.yaml file
def update_yaml_file(file_path):
    data = {
        "path": "work_dir/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)


if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

الخطوة 5: تدريب النموذج YOLOv8

قم بتشغيل كود سطر الأوامر التالي لضبط نموذج YOLOv8 الافتراضي المُعد مسبقًا.

تدريب النموذج YOLOv8

!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolov8s.pt epochs=2 batch=32 lr0=.04 plots=True

إليك نظرة فاحصة على المعلمات في أمر تدريب النموذج:

  • المهمة: تحدد مهمة الرؤية الحاسوبية التي تستخدم لها نموذج YOLO ومجموعة البيانات المحددة.
  • الوضع: يشير إلى الغرض الذي تقوم بتحميل النموذج والبيانات المحددة من أجله. بما أننا نقوم بتدريب نموذج، يتم ضبطه على "تدريب". لاحقًا، عندما نختبر أداء النموذج، سنضبطه على "تنبؤ".
  • الحقب الزمنية: هذا يحدد عدد المرات التي سيمر فيها YOLOv8 عبر مجموعة البيانات بأكملها.
  • دفعة: تحدد القيمة العددية أحجام دفعات التدريب. الدفعات هي عدد الصور التي يعالجها النموذج قبل أن يقوم بتحديث معلماته.
  • lr0: يحدد معدل التعلم الأولي للنموذج.
  • المؤامرات: يوجه YOLO لإنشاء وحفظ المخططات الخاصة بمقاييس التدريب والتقييم الخاصة بالنموذج.

للحصول على فهم مفصل لعملية التدريب على النموذج وأفضل الممارسات، راجع دليل التدريب على النموذجYOLOv8 . سيساعدك هذا الدليل على تحقيق أقصى استفادة من تجاربك والتأكد من أنك تستخدم YOLOv8 بفعالية.

الخطوة 6: اختبار النموذج

يمكننا الآن تشغيل الاستدلال لاختبار أداء نموذجنا المضبوط بدقة:

اختبر النموذج YOLOv8

!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

يُنشئ هذا النص البرمجي الموجز تسميات متوقعة لكل صورة في مجموعة الاختبار، بالإضافة إلى ملفات صور الإخراج الجديدة التي تراكب المربع المحيط المتوقع فوق الصورة الأصلية.

يتم حفظ التسميات .txt المتوقعة لكل صورة عبر save_txt=True ويتم إنشاء صور الإخراج مع تراكبات المربع المحدود من خلال وسيطة save=True جدال.
المتغير conf=0.5 يُعلم النموذج بتجاهل جميع التنبؤات التي يقل مستوى الثقة فيها عن 50%.

وأخيراً, iou=.5 يوجه النموذج لتجاهل المربعات في نفس الفئة بتداخل 50% أو أكثر. يساعد على تقليل المربعات المكررة المحتملة التي تم إنشاؤها لنفس الكائن.
يمكننا تحميل الصور مع تراكبات المربعات المحدودة المتوقعة لعرض كيفية أداء نموذجنا على عدد قليل من الصور.

تنبؤات العرض

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

يعرض الرمز أعلاه عشر صور من مجموعة الاختبار مع المربعات المحدودة المتوقعة لها، مصحوبة بتسميات أسماء الفئات ومستويات الثقة.

الخطوة 7: تقييم النموذج

يمكننا إنتاج تصورات لدقة النموذج واستدعائه لكل فئة. تُحفظ هذه التصورات في الدليل الرئيسي، ضمن مجلد التدريب. يتم عرض درجة الدقة في P_curve.png:

منحنى الثقة الدقيقة

يُظهر الرسم البياني زيادة أسية في الدقة مع زيادة مستوى ثقة النموذج في التنبؤات. ومع ذلك، فإن دقة النموذج لم تستقر بعد عند مستوى ثقة معين بعد حقبتين.

يعرض الرسم البياني للاستدعاء (R_curve.png) اتجاهًا عكسيًا:

منحنى الثقة في التذكر

على عكس الدقة، يتحرك الاستدعاء في الاتجاه المعاكس، حيث يظهر استدعاء أكبر مع حالات الثقة الأقل واستدعاء أقل مع حالات الثقة الأعلى. هذا مثال مناسب للمفاضلة في الدقة والاستدعاء لنماذج التصنيف.

الخطوة 8: حساب التقاطع على الاتحاد

يمكنك قياس دقة التنبؤ عن طريق حساب IoU بين المربع المحدود المتوقع والمربع المحدود الحقيقي لنفس الكائن. راجع البرنامج التعليمي لشركة IBM حول التدريب YOLOv8 لمزيد من التفاصيل.

ملخص

استكشفنا ميزات IBM Watsonx الرئيسية، وكيفية تدريب نموذج YOLOv8 باستخدام IBM Watsonx. كما رأينا أيضًا كيف يمكن ل IBM Watsonx تحسين سير عمل الذكاء الاصطناعي لديك باستخدام أدوات متقدمة لبناء النماذج وإدارة البيانات والامتثال.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق IBM Watsonx الرسمية.

تأكد أيضا من إطلاعك على ملف Ultralytics صفحة دليل التكامل ، لمعرفة المزيد حول عمليات الدمج المثيرة المختلفة.

الأسئلة المتداولة

كيف يمكنني تدريب نموذج YOLOv8 باستخدام IBM Watsonx؟

لتدريب نموذج YOLOv8 باستخدام IBM Watsonx، اتبع الخطوات التالية:

  1. قم بإعداد بيئتك: أنشئ حساب IBM Cloud وقم بإعداد مشروع Watsonx.ai. استخدم Jupyter Notebook لبيئة البرمجة الخاصة بك.
  2. تثبيت المكتبات: تثبيت المكتبات الضرورية مثل torch, opencvو ultralytics.
  3. تحميل البيانات: استخدم واجهة برمجة تطبيقات Kaggle API لتحميل مجموعة بياناتك إلى Watsonx.
  4. بيانات ما قبل المعالجة: قم بتنظيم مجموعة البيانات الخاصة بك في بنية الدليل المطلوبة وقم بتحديث .yaml ملف التكوين.
  5. تدريب النموذج: استخدم واجهة سطر الأوامر YOLO لتدريب نموذجك بمعلمات محددة مثل epochs, batch sizeو learning rate.
  6. الاختبار والتقييم: قم بإجراء الاستدلال لاختبار النموذج وتقييم أدائه باستخدام مقاييس مثل الدقة والاستدعاء.

للحصول على تعليمات مفصلة، راجع دليل التدريب على نموذجYOLOv8 .

ما هي الميزات الرئيسية لبرنامج IBM Watsonx لتدريب نماذج الذكاء الاصطناعي؟

يقدم IBM Watsonx العديد من الميزات الرئيسية لتدريب نماذج الذكاء الاصطناعي:

  • Watsonx.ai: يوفر أدوات لتطوير الذكاء الاصطناعي، بما في ذلك الوصول إلى النماذج المخصصة المدعومة من IBM ونماذج الطرف الثالث مثل Llama 3. ويتضمن مختبر Prompt Lab، واستوديو الضبط، ومحرك التدفقات لإدارة دورة حياة الذكاء الاصطناعي الشاملة.
  • Watsonx.data: يدعم عمليات النشر السحابية والمحلية، ويوفر وصولاً مركزيًا إلى البيانات، ومحركات استعلام فعالة مثل Presto وSpark، وطبقة دلالية مدعومة بالذكاء الاصطناعي.
  • Watsonx.governance: يعمل على أتمتة الامتثال، ويدير المخاطر من خلال التنبيهات، ويوفر أدوات لاكتشاف المشكلات مثل التحيز والانحراف. كما يتضمن أيضاً لوحات المعلومات وأدوات إعداد التقارير للتعاون.

لمزيد من المعلومات، قم بزيارة الوثائق الرسمية لـ IBM Watsonx.

لماذا يجب استخدام IBM Watsonx لتدريب النماذج Ultralytics YOLOv8 ؟

تُعد IBM Watsonx خيارًا ممتازًا لتدريب نماذج Ultralytics YOLOv8 نظرًا لما توفره من مجموعة شاملة من الأدوات التي تعمل على تبسيط دورة حياة الذكاء الاصطناعي. تشمل المزايا الرئيسية ما يلي:

  • قابلية التوسع: قم بتوسيع نطاق تدريبك النموذجي بسهولة باستخدام خدمات IBM Cloud.
  • التكامل: التكامل بسلاسة مع مختلف مصادر البيانات وواجهات برمجة التطبيقات.
  • واجهة سهلة الاستخدام: تبسط عملية التطوير من خلال واجهة تعاونية وسهلة الاستخدام.
  • أدوات متقدمة: الوصول إلى أدوات قوية مثل مختبر الموجهات واستوديو الضبط ومحرك التدفقات لتحسين أداء النموذج.

تعرف على المزيد حول Ultralytics YOLOv8 وكيفية تدريب النماذج باستخدام IBM Watsonx في دليل التكامل الخاص بنا.

كيف يمكنني معالجة مجموعة البيانات الخاصة بي مسبقًا لتدريب YOLOv8 على IBM Watsonx؟

لمعالجة مجموعة بياناتك مسبقًا من أجل تدريب YOLOv8 على IBM Watsonx:

  1. تنظيم الدلائل: تأكد من أن مجموعة البيانات الخاصة بك تتبع بنية الدليل YOLO مع وجود دلائل فرعية منفصلة للصور والتسميات داخل تقسيم القطار/التقييم/الاختبار.
  2. تحديث ملف .yaml: تعديل .yaml ملف التكوين ليعكس بنية الدليل وأسماء الفئات الجديدة.
  3. تشغيل البرنامج النصي للمعالجة المسبقة: استخدم برنامجًا نصيًا Python لإعادة تنظيم مجموعة البيانات وتحديث .yaml الملف وفقًا لذلك.

إليك نموذج برنامج نصي لتنظيم مجموعة البيانات الخاصة بك:

import os
import shutil


def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))


if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

لمزيد من التفاصيل، راجع دليل المعالجة المسبقة للبيانات.

ما هي المتطلبات الأساسية لتدريب نموذج YOLOv8 على IBM Watsonx؟

قبل أن تبدأ في تدريب نموذج YOLOv8 على IBM Watsonx، تأكد من توفر المتطلبات الأساسية التالية:

  • حساب IBM Cloud: أنشئ حساباً على IBM Cloud للوصول إلى Watsonx.ai.
  • حساب Kaggle: لتحميل مجموعات البيانات، ستحتاج إلى حساب Kaggle ومفتاح API.
  • دفتر جوبيتر: قم بإعداد بيئة Jupyter Notebook داخل Watsonx.ai للترميز والتدريب على النماذج.

لمزيد من المعلومات حول إعداد بيئتك، تفضل بزيارة دليل التثبيتUltralytics .


📅 Created 1 month ago ✏️ Updated 10 days ago
MatthewNoyce رضوان منور غلين-جوتشر الضحك-ف أبيرامي-فينا

التعليقات