احصل على رؤى مرئية من خلال دمج YOLO26 مع TensorBoard
يصبح فهم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 وضبطها بدقة أكثر سهولة عند التعمق في عمليات تدريبها. يساعد تصوّر تدريب النموذج على استيعاب أنماط تعلّمه ومقاييس أدائه وسلوكه العام. ويجعل تكامل YOLO26 مع TensorBoard عملية التصور والتحليل هذه أسهل، كما يتيح إجراء تعديلات أكثر كفاءة واستنارة على النموذج.
يتناول هذا الدليل كيفية استخدام TensorBoard مع YOLO26. وستتعرف على أنواع مختلفة من التصورات، بدءًا من تتبع المقاييس وصولًا إلى تحليل الرسوم البيانية للنموذج. وستساعدك هذه الأدوات على فهم أداء نموذج YOLO26 بشكل أفضل.
TensorBoard#
تُستخدم TensorBoard، مجموعة أدوات التصور من TensorFlow، على نطاق واسع في تجارب التعلم الآلي. وتضم TensorBoard مجموعة من أدوات التصور لمراقبة نماذج التعلم الآلي. وتشمل هذه الأدوات تتبع المقاييس الرئيسية مثل الخسارة والدقة، وتصوّر الرسوم البيانية للنماذج، وعرض مخططات تواتر الأوزان والانحيازات بمرور الوقت. كما توفر إمكانات إسقاط التضمينات في فضاءات أقل أبعادًا وعرض بيانات الوسائط المتعددة.
تدريب YOLO26 باستخدام TensorBoard#
استخدام TensorBoard أثناء تدريب نماذج YOLO26 سهل ويوفر فوائد كبيرة.
التثبيت#
لتثبيت الحزمة المطلوبة، شغّل:
# Install YOLO26 and TensorBoard
pip install ultralytics tensorboardTensorBoard اعتماد اختياري. بعد تثبيته، فعّل دالة رد النداء مرة واحدة باستخدام yolo settings tensorboard=True؛ وسيظل الإعداد محفوظًا لعمليات التدريب المستقبلية.
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 TensorBoard في Google Colab#
عند استخدام Google Colab، أعد TensorBoard قبل بدء شيفرة التدريب:
%load_ext tensorboard
%tensorboard --logdir path/to/runsالاستخدام#
يكون تسجيل TensorBoard معطّلًا افتراضيًا. يمكنك تفعيل التسجيل أو تعطيله باستخدام الأمر yolo settings.
# Enable TensorBoard logging
yolo settings tensorboard=True
# Disable TensorBoard logging
yolo settings tensorboard=Falsefrom ultralytics import YOLO
# تحميل نموذج مدرَّب مسبقًا
model = YOLO("yolo26n.pt")
# تدريب النموذج
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)عند تشغيل مقتطف الشيفرة أعلاه، يُتوقع ظهور المخرجات التالية:
TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/يشير هذا الناتج إلى أن TensorBoard يراقب الآن جلسة تدريب YOLO26 بنشاط. يمكنك الوصول إلى لوحة معلومات TensorBoard عبر localhost:6006 لعرض مقاييس التدريب وأداء النموذج في الوقت الفعلي. أما مستخدمو Google Colab، فتُعرض TensorBoard في الخلية نفسها التي نفّذوا فيها أوامر إعداد TensorBoard.
لمزيد من المعلومات المتعلقة بعملية تدريب النموذج، يُرجى الاطلاع على دليل تدريب نموذج YOLO26. وإذا كنت مهتمًا بمعرفة المزيد عن التسجيل ونقاط التحقق والرسم وإدارة الملفات، فاقرأ دليل الاستخدام الخاص بالإعدادات.
التعرّف على TensorBoard لتدريب YOLO26#
يشرح هذا القسم الميزات والمكونات الرئيسية في TensorBoard ضمن سياق تدريب YOLO26. الأقسام الرئيسية الثلاثة في TensorBoard هي السلاسل الزمنية والقيم العددية والرسوم البيانية.
السلاسل الزمنية#
توفر ميزة السلاسل الزمنية في TensorBoard عرضًا ديناميكيًا ومفصلًا لمقاييس التدريب المختلفة بمرور الوقت لنماذج YOLO26. وتركز على تطور المقاييس واتجاهاتها عبر عصور التدريب. إليك مثالًا لما يمكنك توقع رؤيته.

الميزات الرئيسية للسلاسل الزمنية في TensorBoard#
-
تصفية الوسوم والبطاقات المثبتة: تتيح هذه الوظيفة للمستخدمين تصفية مقاييس محددة وتثبيت البطاقات لتسهيل المقارنة والوصول السريع. وهي مفيدة خصوصًا للتركيز على جوانب محددة من عملية التدريب.
-
بطاقات المقاييس التفصيلية: تقسم السلاسل الزمنية المقاييس إلى فئات مختلفة، مثل معدل التعلم (lr)، ومقاييس التدريب (train)، ومقاييس التحقق (val)، ويُعرض كل منها في بطاقة منفصلة.
-
العرض البياني: تعرض كل بطاقة في قسم السلاسل الزمنية رسمًا بيانيًا مفصلًا لمقياس معين على امتداد التدريب. ويساعد هذا التمثيل المرئي على تحديد الاتجاهات والأنماط والحالات الشاذة في عملية التدريب.
-
تحليل معمّق: توفر السلاسل الزمنية تحليلًا معمقًا لكل مقياس. فعلى سبيل المثال، تُعرض مقاطع مختلفة لمعدل التعلم، مما يتيح فهم تأثير تعديلات معدل التعلم في منحنى تعلم النموذج.
أهمية السلاسل الزمنية في تدريب YOLO26#
يُعد قسم السلاسل الزمنية ضروريًا لتحليل شامل لتقدم تدريب نموذج YOLO26. فهو يتيح تتبع المقاييس في الوقت الفعلي لتحديد المشكلات وحلها بسرعة. كما يقدم عرضًا مفصلًا لتطور كل مقياس، وهو أمر بالغ الأهمية لضبط النموذج بدقة وتعزيز أدائه.
القيم العددية#
تُستخدم القيم العددية في TensorBoard لرسم المقاييس البسيطة، مثل الخسارة والدقة، وتحليلها أثناء تدريب نماذج YOLO26. وتوفر عرضًا واضحًا وموجزًا لتطور هذه المقاييس مع كل حقبة تدريب، بما يقدم رؤى حول فعالية تعلم النموذج واستقراره. إليك مثالًا لما يمكنك توقع رؤيته.

الميزات الرئيسية للمقاييس العددية في TensorBoard#
-
علامات معدل التعلم (lr): تعرض هذه العلامات التغيرات في معدل التعلم عبر مقاطع مختلفة (مثل
lr/pg0وlr/pg1وlr/pg2). ويساعدك ذلك على فهم تأثير تعديلات معدل التعلم في عملية التدريب. -
وسوم المقاييس: تشمل المقاييس العددية مؤشرات أداء مثل:
-
metrics/mAP50(B): متوسط الدقة المتوسطة عند 50% من التقاطع على الاتحاد (IoU)، وهو مقياس بالغ الأهمية لتقييم دقة كشف الكائنات. -
metrics/mAP50-95(B): متوسط الدقة المتوسطة المحسوب عبر نطاق من عتبات IoU، ما يوفر تقييمًا أشمل للدقة. -
metrics/precision(B): دقة عمليات الكشف، أي نسبة التنبؤات الإيجابية الصحيحة. -
metrics/recall(B): مقياس مهم للنماذج التي يكون فيها تفويت عملية كشف مكلفًا؛ إذ يقيس الاستدعاء القدرة على كشف جميع الحالات ذات الصلة. -
لمعرفة المزيد عن المقاييس المختلفة، اقرأ دليلنا حول مقاييس الأداء.
-
-
وسوم التدريب والتحقق (
trainوval): تعرض هذه الوسوم المقاييس الخاصة بمجموعتي بيانات التدريب والتحقق، ما يتيح إجراء تحليل مقارن لأداء النموذج عبر مجموعات البيانات المختلفة.
أهمية مراقبة المقاييس العددية#
تُعد مراقبة المقاييس العددية أمراً بالغ الأهمية لضبط نموذج YOLO26 بدقة. ويمكن أن تكشف التغيّرات في هذه المقاييس، مثل الارتفاعات المفاجئة أو الأنماط غير المنتظمة في مخططات الخسارة، عن مشكلات محتملة مثل فرط التكيّف أو قصور التكيّف أو إعدادات معدل تعلّم غير ملائمة. ومن خلال مراقبة هذه المقاييس العددية عن كثب، يمكنك اتخاذ قرارات مدروسة لتحسين عملية التدريب، وضمان تعلّم النموذج بفاعلية وتحقيق الأداء المطلوب.
الفرق بين المقاييس العددية والسلاسل الزمنية#
مع أن المقاييس العددية والسلاسل الزمنية في TensorBoard تُستخدمان لتتبّع المقاييس، فإن لكل منهما غرضاً مختلفاً بعض الشيء. تركّز المقاييس العددية على رسم مقاييس بسيطة، مثل الخسارة والدقة، على هيئة قيم عددية. وهي توفر نظرة عامة عالية المستوى على تغيّر هذه المقاييس مع كل حقبة تدريب. أما قسم السلاسل الزمنية في TensorBoard، فيعرض خطاً زمنياً أكثر تفصيلاً لمقاييس متنوعة. وهو مفيد بوجه خاص لمراقبة تطور المقاييس واتجاهاتها بمرور الوقت، ما يتيح التعمق في تفاصيل عملية التدريب.
المخططات البيانية#
يعرض قسم الرسوم البيانية في TensorBoard الرسم البياني الحسابي لنموذج YOLO26، موضحًا كيفية تدفق العمليات والبيانات داخل النموذج. ويساعد على فهم بنية النموذج والتحقق من اتصال جميع الطبقات على نحو صحيح وتحديد أي اختناقات محتملة في تدفق البيانات. إليك مثالًا لما يمكنك توقع رؤيته.

تفيد المخططات البيانية بوجه خاص في تصحيح أخطاء النموذج، ولا سيما في البنى المعقدة الشائعة في نماذج التعلّم العميق مثل YOLO26. فهي تساعد على التحقق من ترابط الطبقات والتصميم العام للنموذج.
الملخص#
يهدف هذا الدليل إلى مساعدتك على استخدام TensorBoard مع YOLO26 لتصور تدريب نماذج تعلّم الآلة وتحليله. ويركز على توضيح كيفية توفير ميزات TensorBoard الرئيسية رؤى حول مقاييس التدريب وأداء النموذج أثناء جلسات تدريب YOLO26.
للاطلاع بتفصيل أكبر على هذه الميزات واستراتيجيات استخدامها بفاعلية، يمكنك الرجوع إلى وثائق TensorBoard الرسمية من TensorFlow ومستودع GitHub الخاص بهما.
الأسئلة الشائعة#
يوفر استخدام TensorBoard مع YOLO26 أدوات تصور متعددة ضرورية لتدريب النماذج بكفاءة:
- تتبّع المقاييس في الوقت الفعلي: تتبّع المقاييس الرئيسية، مثل الخسارة والدقة والاستدعاء، مباشرةً.
- تصور الرسم البياني للنموذج: افهم بنية النموذج وصحّح أخطاءها من خلال تصور الرسوم البيانية الحسابية.
تمكّنك هذه الأدوات من إجراء تعديلات مدروسة لتحسين أداء نموذج YOLO26. لمزيد من التفاصيل حول ميزات TensorBoard، راجع دليل TensorBoard من TensorFlow.
لمراقبة مقاييس التدريب أثناء تدريب نموذج YOLO26 باستخدام TensorBoard، اتبع الخطوات التالية:
- ثبّت TensorBoard وYOLO26: شغّل
pip install ultralytics tensorboard. - فعّل تسجيل TensorBoard: شغّل
yolo settings tensorboard=True. أثناء التدريب، يكتب YOLO26 المقاييس في دليل التشغيل. - شغّل TensorBoard: ابدأ تشغيل TensorBoard باستخدام
tensorboard --logdir path/to/runs، مع توجيهه إلى دليل تشغيل التدريب (مثلruns/detect/train).
توفر لوحة معلومات TensorBoard، المتاحة على
localhost:6006، رؤى آنية حول مقاييس التدريب المختلفة. للتعمق في إعدادات التدريب، تفضّل بزيارة دليل إعداد YOLO26.- ثبّت TensorBoard وYOLO26: شغّل
عند تدريب نماذج YOLO26، يتيح لك TensorBoard تصور مجموعة من المقاييس المهمة، ومنها:
- الخسارة (التدريب والتحقق): تشير إلى مدى جودة أداء النموذج أثناء التدريب والتحقق.
- الدقة/الإحكام/الاستدعاء: مقاييس أداء أساسية لتقييم دقة الكشف.
- معدل التعلّم: تتبّع تغيّرات معدل التعلّم لفهم أثره في ديناميكيات التدريب.
- mAP (متوسط الدقة): لتقييم شامل لدقة اكتشاف الكائنات عند عتبات IoU متعددة.
تُعد هذه التصورات ضرورية لتتبّع أداء النموذج وإجراء التحسينات اللازمة. لمزيد من المعلومات حول هذه المقاييس، راجع دليل مقاييس الأداء.
نعم، يمكنك استخدام TensorBoard في بيئة Google Colab لتدريب نماذج YOLO26. إليك إعداداً سريعاً:
إعداد TensorBoard في Google Colab%load_ext tensorboard %tensorboard --logdir path/to/runsبعد ذلك، شغّل برنامج تدريب YOLO26 النصي:
from ultralytics import YOLO # تحميل نموذج مدرَّب مسبقًا model = YOLO("yolo26n.pt") # تدريب النموذج results = model.train(data="coco8.yaml", epochs=100, imgsz=640)ستعرض TensorBoard تقدم التدريب داخل Colab، موفرةً رؤى آنية حول مقاييس مثل الخسارة والدقة.
التعليقات6
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
HoseinHashemi
I found enabling
tensorboardfrom within the YOLO training script more comfortable reducing CLI commands.from ultralytics import settings settings.update({"tensorboard": True})
Glenn JocherUltralyticsYes, that’s supported—
settings.update({"tensorboard": True})is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later withsettings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).
ruslanraupoff
How to forward Tensorboard IP from Docker? Is it possible to use a yolo cli?
Glenn JocherUltralytics(تم التعديل)@ruslanraupoff to forward TensorBoard from Docker, map the port using
-p 6006:6006when running your container and start TensorBoard withtensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once withyolo settings tensorboard=Trueand the logs are saved in the run directory underruns/for TensorBoard visualization. See our Docker Quickstart for setup details.1
lauravchrobak
It looks like the Usage code isn't complete. Looks like the first row is cut off?
Glenn JocherUltralytics(تم التعديل)@lauravchrobak hi there!
Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:
yolo settings tensorboard=Truefrom ultralytics import YOLO # Load a pre-trained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco8.yaml", epochs=100, imgsz=640)After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:
tensorboard --logdir runs/detect/trainYou can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.
For more detailed guidance, you can visit our TensorBoard integration documentation.
If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.
Happy training! 🚀