انتقل إلى المحتوى

اكتساب رؤى مرئية باستخدام YOLOv8التكامل مع TensorBoard

فهم وضبط نماذج رؤية الكمبيوتر مثل Ultralytics' YOLOv8 يصبح أكثر وضوحا عندما تلقي نظرة فاحصة على عمليات التدريب الخاصة بهم. يساعد تصور تدريب النموذج في الحصول على رؤى حول أنماط تعلم النموذج ومقاييس الأداء والسلوك العام. YOLOv8مع TensorBoard يجعل عملية التصور والتحليل هذه أسهل ويتيح 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

نظرة عامة على لوحة التنسور

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:

تركيب

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics

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 لتعاون Google

عند استخدام Google Colab ، من المهم إعداد TensorBoard قبل بدء رمز التدريب الخاص بك:

تكوين TensorBoard ل Google Collab

%load_ext tensorboard
%tensorboard --logdir path/to/runs

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

'''python

من ultralytics استورد YOLO

# تحميل نموذج مدرب مسبقا نموذج = YOLO('yolov8n.pt')

# تدريب النموذج النتائج = model.train (البيانات = 'coco128.yaml' ، العصور = 100 ، imgsz = 640) '''

عند تشغيل مقتطف شفرة الاستخدام أعلاه ، يمكنك توقع الإخراج التالي:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at http://localhost:6006/

يشير هذا الإخراج إلى أن TensorBoard يراقب الآن بنشاط YOLOv8 دورة تدريبية. يمكنك الوصول إلى لوحة معلومات TensorBoard من خلال زيارة عنوان URL المقدم (http://localhost:6006/) لعرض مقاييس التدريب في الوقت الفعلي وأداء النموذج. بالنسبة للمستخدمين الذين يعملون في Google Colab ، سيتم عرض TensorBoard في نفس الخلية حيث قمت بتنفيذ أوامر تكوين TensorBoard.

لمزيد من المعلومات المتعلقة بعملية التدريب النموذجية ، تأكد من مراجعة YOLOv8 دليل التدريب النموذجي. إذا كنت مهتما بمعرفة المزيد حول التسجيل ونقاط التفتيش والتخطيط وإدارة الملفات ، فاقرأ دليل الاستخدام الخاص بنا حول التكوين.

فهم لوحة TensorBoard الخاصة بك ل YOLOv8 تدريب

الآن ، دعنا نركز على فهم الميزات والمكونات المختلفة ل TensorBoard في سياق YOLOv8 تدريب. الأقسام الرئيسية الثلاثة ل TensorBoard هي السلاسل الزمنية والعددية والرسوم البيانية.

السلاسل الزمنية

توفر ميزة السلسلة الزمنية في TensorBoard منظورا ديناميكيا ومفصلا لمقاييس التدريب المختلفة بمرور الوقت ل YOLOv8 نماذج. يركز على تقدم واتجاهات المقاييس عبر فترات التدريب. إليك مثال على ما يمكنك توقع رؤيته.

صورة

الميزات الرئيسية للسلاسل الزمنية في TensorBoard

  • تصفية العلامات والبطاقات المثبتة: تتيح هذه الوظيفة للمستخدمين تصفية مقاييس محددة وبطاقات PIN للمقارنة والوصول السريع. إنه مفيد بشكل خاص للتركيز على جوانب محددة من عملية التدريب.

  • بطاقات المقاييس التفصيلية: تقسم السلاسل الزمنية المقاييس إلى فئات مختلفة مثل مقاييس معدل التعلم (LR) والتدريب (القطار) والتحقق من الصحة (val) ، ويتم تمثيل كل منها ببطاقات فردية.

  • العرض الرسومي: تعرض كل بطاقة في قسم السلاسل الزمنية رسما بيانيا مفصلا لمقياس معين على مدار التدريب. يساعد هذا التمثيل المرئي في تحديد الاتجاهات أو الأنماط أو الحالات الشاذة في عملية التدريب.

  • تحليل متعمق: توفر السلاسل الزمنية تحليلا متعمقا لكل مقياس. على سبيل المثال ، يتم عرض شرائح معدل التعلم المختلفة ، مما يوفر رؤى حول كيفية تأثير التعديلات في معدل التعلم على منحنى تعلم النموذج.

أهمية السلاسل الزمنية في YOLOv8 تدريب

يعد قسم السلاسل الزمنية ضروريا لإجراء تحليل شامل ل YOLOv8 تقدم تدريب النموذج. يتيح لك تتبع المقاييس في الوقت الفعلي حتى تتمكن من تحديد المشكلات وحلها على الفور. كما يقدم عرضا مفصلا لتقدم كل مقياس ، وهو أمر بالغ الأهمية لضبط النموذج وتحسين أدائه.

العددية

تعتبر الكميات القياسية في TensorBoard ضرورية لتخطيط وتحليل المقاييس البسيطة مثل الخسارة والدقة أثناء تدريب YOLOv8 نماذج. إنها توفر رؤية واضحة وموجزة لكيفية تطور هذه المقاييس مع كل حقبة تدريب ، مما يوفر نظرة ثاقبة لفعالية التعلم والاستقرار في النموذج. إليك مثال على ما يمكنك توقع رؤيته.

صورة

الملامح الرئيسية للأعداد القياسية في TensorBoard

  • معدل التعلم (lr) Tagsتظهر هذه العلامات الاختلافات في معدل التعلم عبر شرائح مختلفة (على سبيل المثال ، pg0, pg1, pg2). يساعدنا هذا على فهم تأثير تعديلات معدل التعلم على عملية التدريب.

  • علامات المقاييس: تتضمن الأعداد القياسية مؤشرات أداء مثل:

    • mAP50 (B)متوسط الدقة عند تقاطع 50٪ عبر الاتحاد (IoU) ، وهو أمر بالغ الأهمية لتقييم دقة اكتشاف الكائن.:

    • mAP50-95 (B)متوسط متوسط الدقة محسوب على نطاق من عتبات إنترنت الأشياء، مما يوفر تقييما أكثر شمولا للدقة.:

    • Precision (B)يشير إلى نسبة الملاحظات الإيجابية المتوقعة بشكل صحيح ، وهو مفتاح فهم دقة التنبؤ.:

    • Recall (B)مهم بالنسبة للنماذج التي يكون فيها فقدان الاكتشاف مهما، يقيس هذا المقياس القدرة على اكتشاف جميع الحالات ذات الصلة.:

    • لمعرفة المزيد عن المقاييس المختلفة، اطلع على دليلنا حول مقاييس الأداء.

  • علامات التدريب والتحقق من الصحة (train, val)تعرض هذه العلامات مقاييس خاصة بمجموعات بيانات التدريب والتحقق من الصحة، مما يسمح بإجراء تحليل مقارن لأداء النموذج عبر مجموعات البيانات المختلفة.:

أهمية مراقبة الأعداد القياسية

تعد مراقبة المقاييس العددية أمرا بالغ الأهمية لضبط YOLOv8 نموذج. يمكن أن تسلط الاختلافات في هذه المقاييس ، مثل الارتفاعات أو الأنماط غير المنتظمة في الرسوم البيانية للخسارة ، الضوء على المشكلات المحتملة مثل الإفراط في التجهيز أو التجهيز الناقص أو إعدادات معدل التعلم غير المناسبة. من خلال مراقبة هذه الأعداد القياسية عن كثب ، يمكنك اتخاذ قرارات مستنيرة لتحسين عملية التدريب ، مما يضمن أن النموذج يتعلم بفعالية ويحقق الأداء المطلوب.

الفرق بين الأعداد القياسية والسلاسل الزمنية

بينما يتم استخدام كل من Scalars والسلاسل الزمنية في TensorBoard لتتبع المقاييس ، إلا أنها تخدم أغراضا مختلفة قليلا. تركز الأعداد القياسية على رسم مقاييس بسيطة مثل الخسارة والدقة كقيم قياسية. إنها توفر نظرة عامة عالية المستوى حول كيفية تغير هذه المقاييس مع كل حقبة تدريب. بينما يقدم قسم السلاسل الزمنية في TensorBoard عرضا زمنيا أكثر تفصيلا للمقاييس المختلفة. إنه مفيد بشكل خاص لمراقبة تقدم واتجاهات المقاييس بمرور الوقت ، مما يوفر الغوص بشكل أعمق في تفاصيل عملية التدريب.

الرسوم البيانيه

يصور قسم الرسوم البيانية في TensorBoard الرسم البياني الحسابي ل YOLOv8 النموذج، يوضح كيفية تدفق العمليات والبيانات داخل النموذج. إنها أداة قوية لفهم بنية النموذج ، وضمان توصيل جميع الطبقات بشكل صحيح ، ولتحديد أي اختناقات محتملة في تدفق البيانات. إليك مثال على ما يمكنك توقع رؤيته.

صورة

تعد الرسوم البيانية مفيدة بشكل خاص لتصحيح أخطاء النموذج ، خاصة في البنى المعقدة النموذجية في نماذج التعلم العميق مثل YOLOv8. أنها تساعد في التحقق من اتصالات الطبقة والتصميم العام للنموذج.

ملخص

يهدف هذا الدليل إلى مساعدتك في استخدام TensorBoard مع YOLOv8 لتصور وتحليل التدريب على نموذج التعلم الآلي. يركز على شرح كيف يمكن لميزات TensorBoard الرئيسية أن توفر رؤى حول مقاييس التدريب وأداء النموذج أثناء YOLOv8 دورات تدريبية.

لاستكشاف أكثر تفصيلا لهذه الميزات واستراتيجيات الاستخدام الفعالة ، يمكنك الرجوع إلى TensorFlowوثائق TensorBoard الرسمية ومستودع GitHub الخاص بهم.

تريد معرفة المزيد حول عمليات الدمج المختلفة ل Ultralytics? تحقق من Ultralytics صفحة دليل التكامل لمعرفة القدرات المثيرة الأخرى التي تنتظر اكتشافها!



تم النشر في 2024-01-01, اخر تحديث 2024-01-01
المؤلفون: أبيرامي فينا (1)

التعليقات