اكتساب رؤى مرئية باستخدام YOLOv8التكامل مع TensorBoard
يصبح فهم نماذج الرؤية الحاسوبية وضبطها مثل Ultralytics' YOLOv8 أكثر وضوحًا عند إلقاء نظرة فاحصة على عمليات التدريب الخاصة بها. يساعد التصور المرئي لتدريب النماذج في الحصول على رؤى حول أنماط تعلم النموذج ومقاييس الأداء والسلوك العام. YOLOv8 إن التكامل مع TensorBoard يجعل عملية التصور والتحليل هذه أسهل ويتيح إجراء تعديلات أكثر كفاءة واستنارة على النموذج.
يغطي هذا الدليل كيفية استخدام TensorBoard مع YOLOv8. ستتعرف على المرئيات المختلفة ، من تتبع المقاييس إلى تحليل الرسوم البيانية للنموذج. ستساعدك هذه الأدوات على فهم YOLOv8 أداء النموذج أفضل.
تينسور بورد
موتربورد, TensorFlowمجموعة أدوات التصور ضرورية لتجربة التعلم الآلي. يتميز TensorBoard بمجموعة من أدوات التصور ، وهي ضرورية لمراقبة نماذج التعلم الآلي. تتضمن هذه الأدوات تتبع المقاييس الرئيسية مثل الخسارة والدقة ، وتصور الرسوم البيانية للنموذج ، وعرض الرسوم البيانية ل weights and biases مع مرور الوقت. كما يوفر إمكانات لإسقاط التضمينات على المساحات ذات الأبعاد المنخفضة وعرض بيانات الوسائط المتعددة.
YOLOv8 التدريب مع TensorBoard
استخدام TensorBoard أثناء التدريب YOLOv8 النماذج واضحة ومباشرة وتقدم فوائد كبيرة.
تركيب
لتثبيت الحزمة المطلوبة ، قم بتشغيل:
تم تثبيت TensorBoard مسبقا بشكل ملائم مع YOLOv8، مما يلغي الحاجة إلى إعداد إضافي لأغراض التصور.
للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت ، تأكد من مراجعة YOLOv8 دليل التثبيت. أثناء تثبيت الحزم المطلوبة ل YOLOv8، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على حلول ونصائح.
تكوين TensorBoard ل Google Colab
عند استخدام Google Colab، من المهم إعداد TensorBoard قبل بدء رمز التدريب الخاص بك:
استخدام
قبل الغوص في تعليمات الاستخدام ، تأكد من إطلاعك على نطاق YOLOv8 النماذج التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.
استخدام
rom ultralytics import YOLO
Load a pre-trained model
odel = YOLO('yolov8n.pt')
Train the model
esults = model.train(data='coco8.yaml', epochs=100, imgsz=640)
``
ning the usage code snippet above, you can expect the following output:
text
ard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at http://localhost:6006/
وضع يشير إلى أن TensorBoard يراقب الآن جلسة التدريب YOLOv8 الخاصة بك بنشاط. يمكنك الوصول إلى لوحة معلومات TensorBoard من خلال زيارة عنوان URL المتوفر (http://localhost:6006/) لعرض مقاييس التدريب في الوقت الفعلي وأداء النموذج. بالنسبة للمستخدمين الذين يعملون في Google Colab، سيتم عرض لوحة TensorBoard في نفس الخلية التي نفذت فيها أوامر تكوين TensorBoard.
المعلومات المتعلقة بعملية التدريب على النموذج، تأكد من مراجعة دليل التدريب على النموذجYOLOv8 . إذا كنت مهتمًا بمعرفة المزيد عن التسجيل، ونقاط التفتيش، والتخطيط، وإدارة الملفات، اقرأ دليل الاستخدام الخاص بنا حول التكوين.
الوقوف على لوحة الموتر الخاصة بك للتدريب YOLOv8
على فهم الميزات والمكونات المختلفة لـ TensorBoard في سياق التدريب YOLOv8 . الأقسام الثلاثة الرئيسية في TensorBoard هي السلاسل الزمنية والمقاييس والرسوم البيانية.
السلسلة
تقدم ميزة السلسلة في TensorBoard منظورًا ديناميكيًا وتفصيليًا لمقاييس التدريب المختلفة بمرور الوقت لنماذج YOLOv8 . وهي تركز على تطور واتجاهات المقاييس عبر مراحل التدريب. إليك مثال على ما يمكنك توقع رؤيته.
(https://github.com/ultralytics/ultralytics/assets/25847604/20b3e038-0356-465e-a37e-1ea232c68354)
ميزات السلاسل الزمنية في TensorBoard
العلامات والبطاقات المثبتة**: تتيح هذه الوظيفة للمستخدمين تصفية مقاييس محددة وتثبيت البطاقات للمقارنة والوصول السريع. وهي مفيدة بشكل خاص للتركيز على جوانب محددة من عملية التدريب.
البطاقات المترية**: تقسّم السلاسل الزمنية المقاييس إلى فئات مختلفة مثل مقاييس معدل التعلم (lr)، والتدريب (تدريب)، والتحقق من الصحة (val)، ويتم تمثيل كل منها ببطاقات فردية.
العرض البياني**: تُظهر كل بطاقة في قسم السلاسل الزمنية رسمًا بيانيًا تفصيليًا لمقياس معين على مدار فترة التدريب. يساعد هذا التمثيل المرئي في تحديد الاتجاهات أو الأنماط أو الحالات الشاذة في عملية التدريب.
التحليل المتعمق**: توفر السلاسل الزمنية تحليلاً متعمقًا لكل مقياس. على سبيل المثال، يتم عرض شرائح مختلفة لمعدل التعلم، مما يوفر نظرة ثاقبة حول كيفية تأثير التعديلات في معدل التعلم على منحنى تعلم النموذج.
أهمية السلاسل الزمنية في التدريب YOLOv8
قسم السلسلة ضروري لإجراء تحليل شامل للتقدم التدريبي لنموذج YOLOv8 . فهو يتيح لك تتبع المقاييس في الوقت الفعلي لتحديد المشكلات وحلها على الفور. كما أنه يوفر عرضًا تفصيليًا لتقدم كل مقياس، وهو أمر بالغ الأهمية لضبط النموذج وتحسين أدائه.
عرس
في TensorBoard ضرورية لتخطيط وتحليل المقاييس البسيطة مثل الخسارة والدقة أثناء تدريب نماذج YOLOv8 . فهي تقدم عرضًا واضحًا وموجزًا لكيفية تطور هذه المقاييس مع كل حقبة تدريبية، مما يوفر نظرة ثاقبة لفعالية تعلم النموذج واستقراره. إليك مثال على ما يمكنك توقع رؤيته.
(https://github.com/ultralytics/ultralytics/assets/25847604/f9228193-13e9-4768-9edf-8fa15ecd24fa)
ميزات المقاييس في TensorBoard
علامات معدل التعلم (lr)**: تُظهر هذه العلامات الاختلافات في معدل التعلّم عبر شرائح مختلفة (على سبيل المثال, pg0, pg1, pg2). يساعدنا هذا على فهم تأثير تعديلات معدل التعلم على عملية التدريب.
علامات القياس**: تشمل المقاييس مؤشرات الأداء مثل:
AP50 (ب)``: متوسط متوسط الدقة عند نسبة 50% من التقاطع على الاتحاد (IoU)، وهو أمر بالغ الأهمية لتقييم دقة اكتشاف الأجسام.
AP50-95 (ب)``: متوسط متوسط الدقة المحسوبة على نطاق من عتبات وحدة القياس الدولية، مما يوفر تقييماً أكثر شمولاً للدقة.
التنبؤ (ب)``: يشير إلى نسبة الملاحظات الإيجابية التي تم التنبؤ بها بشكل صحيح، وهو مفتاح لفهم دقة التنبؤ.
ecall (B)``: يعد هذا المقياس مهمًا للنماذج التي يكون فيها فقدان الكشف مهمًا، ويقيس هذا المقياس القدرة على اكتشاف جميع الحالات ذات الصلة.
لمعرفة المزيد حول المقاييس المختلفة، اقرأ دليلنا حول مقاييس الأداء.
نينغ وعلامات التحقق من الصحة (train, val)**: تعرض هذه العلامات مقاييس خاصة بمجموعات بيانات التدريب والتحقق من الصحة، مما يسمح بإجراء تحليل مقارن لأداء النموذج عبر مجموعات بيانات مختلفة.
أهمية مراقبة المقاييس
ز المقاييس القياسية أمر بالغ الأهمية لضبط نموذج YOLOv8 . يمكن أن تسلط الاختلافات في هذه المقاييس، مثل الارتفاعات أو الأنماط غير المنتظمة في الرسوم البيانية للخسارة، الضوء على المشكلات المحتملة مثل الإفراط في التكييف أو التقصير في التكييف أو إعدادات معدل التعلم غير المناسبة. من خلال مراقبة هذه المقاييس عن كثب، يمكنك اتخاذ قرارات مستنيرة لتحسين عملية التدريب، مما يضمن أن يتعلم النموذج بفعالية ويحقق الأداء المطلوب.
الفرق بين المقاييس والسلاسل الزمنية
تُستخدم المقاييس القياسية والسلاسل الزمنية في TensorBoard لتتبع المقاييس، فهي تخدم أغراضًا مختلفة قليلاً. تركز المقاييس على رسم مقاييس بسيطة مثل الخسارة والدقة كقيم قياسية. وهي توفر نظرة عامة عالية المستوى لكيفية تغير هذه المقاييس مع كل حقبة تدريبية. بينما، يقدم قسم السلاسل الزمنية في TensorBoard عرضًا زمنيًا أكثر تفصيلاً للمقاييس المختلفة. وهو مفيد بشكل خاص لمراقبة تطور المقاييس واتجاهاتها بمرور الوقت، مما يوفر نظرة أعمق على تفاصيل عملية التدريب.
ح ح
يصور قسم hs من TensorBoard الرسم البياني الحسابي للنموذج YOLOv8 ، ويوضح كيفية تدفق العمليات والبيانات داخل النموذج. إنها أداة قوية لفهم بنية النموذج، والتأكد من أن جميع الطبقات متصلة بشكل صحيح، ولتحديد أي اختناقات محتملة في تدفق البيانات. إليك مثال على ما يمكنك توقع رؤيته.
(https://github.com/ultralytics/ultralytics/assets/25847604/039028e0-4ab3-4170-bfa8-f93ce483f615)
مفيدة بشكل خاص لتصحيح أخطاء النموذج، خاصةً في البنى المعقدة المعتادة في نماذج التعلم العميق مثل YOLOv8. فهي تساعد في التحقق من اتصالات الطبقات والتصميم العام للنموذج.
ص
دي إلى مساعدتك في استخدام TensorBoard مع YOLOv8 لتصور وتحليل تدريب نموذج التعلم الآلي. وهو يركز على شرح كيف يمكن لميزات TensorBoard الرئيسية أن توفر رؤى حول مقاييس التدريب وأداء النموذج أثناء جلسات التدريب YOLOv8 .
ل استكشاف مفصّل لهذه الميزات واستراتيجيات الاستخدام الفعّال، يمكنك الرجوع إلى وثائق TensorBoard الرسمية الخاصة بـ TensorFlowومستودع GitHub الخاص بهم.
معرفة المزيد عن عمليات التكامل المختلفة Ultralytics? اطلع على صفحة دليل عمليات التكاملUltralytics لمعرفة الإمكانيات المثيرة الأخرى التي تنتظر من يكتشفها!
الأسئلة المتداولة
هل يمكنني دمج YOLOv8 مع TensorBoard للتصور في الوقت الحقيقي؟
يتيح استخدام YOLOv8 مع TensorBoard الحصول على رؤى مرئية في الوقت الفعلي أثناء تدريب النموذج. أولاً، قم بتثبيت الحزمة اللازمة:
يرجى "التثبيت"
"CLI"
بعد ذلك، قم بتهيئة TensorBoard لتسجيل عمليات التدريب الخاصة بك، ثم ابدأ TensorBoard:
أخيرًا، أثناء التدريب، يقوم YOLOv8 تلقائيًا بتسجيل مقاييس مثل الخسارة والدقة إلى TensorBoard. يمكنك مراقبة هذه المقاييس من خلال زيارة http://localhost:6006/.
للحصول على دليل شامل، راجع دليل التدريب على نموذجYOLOv8 .
ما الفوائد التي يوفرها استخدام TensorBoard مع YOLOv8 ؟
يوفر استخدام TensorBoard مع YOLOv8 العديد من أدوات التصور الضرورية للتدريب الفعال على النماذج:
- تتبع المقاييس في الوقت الفعلي: تتبّع المقاييس الرئيسية مثل الخسارة والدقة والدقة والاستدعاء مباشرةً.
- تصور الرسم البياني للنموذج: فهم وتصحيح بنية النموذج من خلال تصور الرسوم البيانية الحاسوبية.
- تضمين التصور: إسقاط التضمينات على مساحات ذات أبعاد أقل للحصول على رؤية أفضل.
تمكّنك هذه الأدوات من إجراء تعديلات مستنيرة لتحسين أداء نموذج YOLOv8 الخاص بك. لمزيد من التفاصيل حول ميزات TensorBoard، راجعدليل TensorFlow TensorBoard.
كيف يمكنني مراقبة مقاييس التدريب باستخدام TensorBoard عند تدريب نموذج YOLOv8 ؟
لمراقبة مقاييس التدريب أثناء تدريب نموذج YOLOv8 باستخدام TensorBoard، اتبع الخطوات التالية:
- قم بتثبيت TensorBoard و YOLOv8: ركض
pip install ultralyticsوالتي تتضمن TensorBoard. - تكوين تسجيل لوحة TensorBoard: أثناء عملية التدريب، يقوم YOLOv8 بتسجيل المقاييس في دليل سجل محدد.
- ابدأ تشغيل TensorBoard: قم بتشغيل TensorBoard باستخدام الأمر
tensorboard --logdir path/to/your/tensorboard/logs.
توفر لوحة معلومات TensorBoard، التي يمكن الوصول إليها عبر http://localhost:6006/، رؤى في الوقت الفعلي لمقاييس التدريب المختلفة. للتعمق أكثر في تكوينات التدريب، تفضل بزيارة دليل التكوينYOLOv8 .
ما نوع المقاييس التي يمكنني تصورها باستخدام TensorBoard عند تدريب نماذج YOLOv8 ؟
عند التدريب على نماذج YOLOv8 ، تتيح لك TensorBoard تصور مجموعة من المقاييس المهمة بما في ذلك:
- الخسارة (التدريب والتحقق من الصحة): يشير إلى مدى جودة أداء النموذج أثناء التدريب والتحقق من الصحة.
- الدقة/الدقة/الاستدعاء: مقاييس الأداء الرئيسية لتقييم دقة الكشف.
- معدل التعلم: تتبع تغيرات معدل التعلم لفهم تأثيره على ديناميكيات التدريب.
- mAP (متوسط متوسط الدقة): للحصول على تقييم شامل لدقة اكتشاف الأجسام عند عتبات مختلفة لوحدة IoU.
هذه التصورات ضرورية لتتبع أداء النموذج وإجراء التحسينات اللازمة. لمزيد من المعلومات حول هذه المقاييس، راجع دليل مقاييس الأداء الخاص بنا.
هل يمكنني استخدام TensorBoard في بيئة Google Colab للتدريب YOLOv8 ؟
نعم، يمكنك استخدام TensorBoard في بيئة Google Colab لتدريب نماذج YOLOv8 . إليك إعداد سريع:
ثم قم بتشغيل البرنامج النصي التدريبي YOLOv8 :
from ultralytics import YOLO
# Load a pre-trained model
model = YOLO("yolov8n.pt")
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
سيصور TensorBoard تقدم التدريب داخل Colab، مما يوفر رؤى في الوقت الفعلي لمقاييس مثل الخسارة والدقة. للحصول على تفاصيل إضافية حول تكوين التدريب YOLOv8 ، راجع دليل التثبيت المفصل YOLOv8 .