تعزيز تتبع التجارب YOLO11 والتصور باستخدام Weights & Biases

أصبحت نماذج اكتشاف الأجسام مثل Ultralytics YOLO11 جزءًا لا يتجزأ من العديد من تطبيقات الرؤية الحاسوبية. ومع ذلك، فإن التدريب على هذه النماذج المعقدة وتقييمها ونشرها يطرح العديد من التحديات. حيث يتطلب تتبع مقاييس التدريب الرئيسية، ومقارنة متغيرات النموذج، وتحليل سلوك النموذج، واكتشاف المشاكل، أجهزةً مهمة وإدارة التجارب.

شاهد: كيفية الاستخدام Ultralytics YOLO11 مع Weights and Biases

يعرض هذا الدليل تكامل Ultralytics YOLO11 مع Weights & Biases لتحسين تتبع التجربة والتحقق من النموذج وتصور أداء النموذج. ويتضمن أيضًا إرشادات لإعداد التكامل والتدريب والضبط الدقيق وتصور النتائج باستخدام الميزات التفاعلية Weights & Biases.

Weights & Biases

Weights & Biases هي منصة متطورة للتعلم الآلي مصممة لتتبع تجارب التعلم الآلي وتصورها وإدارتها. وهي تتميز بالتسجيل التلقائي لمقاييس التدريب من أجل استنساخ التجربة بالكامل، وواجهة مستخدم تفاعلية لتحليل البيانات بشكل مبسط، وأدوات إدارة النماذج الفعالة للنشر عبر بيئات مختلفة.

YOLO11 التدريب مع Weights & Biases

يمكنك استخدام Weights & Biases لإضفاء الكفاءة والأتمتة على عملية تدريب YOLO11 الخاصة بك. يسمح لك هذا التكامل بتتبع التجارب ومقارنة النماذج واتخاذ قرارات قائمة على البيانات لتحسين مشاريع الرؤية الحاسوبية الخاصة بك.

التركيب

لتثبيت الحزم المطلوبة، قم بتشغيل

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

للاطلاع على الإرشادات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل التثبيتYOLO11 . أثناء تثبيت الحزم المطلوبة لـ YOLO11 ، إذا واجهتك أي صعوبات، راجع دليل المشكلات الشائعة للحصول على الحلول والنصائح.

التهيئة Weights & Biases

بعد تثبيت الحزم اللازمة، فإن الخطوة التالية هي إعداد بيئة Weights & Biases الخاصة بك. ويشمل ذلك إنشاء حساب Weights & Biases والحصول على مفتاح واجهة برمجة التطبيقات اللازم للاتصال السلس بين بيئة التطوير الخاصة بك ومنصة W&B.

ابدأ بتهيئة بيئة Weights & Biases في مساحة العمل الخاصة بك. يمكنك القيام بذلك عن طريق تشغيل الأمر التالي واتباع الإرشادات التي يُطلب منك ذلك.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

انتقل إلى صفحة تفويضWeights & Biases لإنشاء واسترداد مفتاح واجهة برمجة التطبيقات الخاص بك. استخدم هذا المفتاح لمصادقة بيئتك مع W&B.

الاستخدام: التدريب YOLO11 مع Weights & Biases

قبل الغوص في تعليمات الاستخدام الخاصة بالتدريب على نموذج YOLO11 مع Weights & Biases ، تأكد من الاطلاع على مجموعة النماذجYOLO11 التي يقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

حجج W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

فهم المخرجات

عند تشغيل مقتطف كود الاستخدام أعلاه، يمكنك توقع المخرجات الرئيسية التالية:

• إعداد تشغيل جديد بمعرفه الفريد، مما يشير إلى بدء عملية التدريب.
• ملخص موجز لبنية النموذج، بما في ذلك عدد الطبقات والمعلمات.
• تحديثات منتظمة للمقاييس المهمة مثل خسارة الصندوق، وخسارة الصندوق، وخسارة المربع، وخسارة المربع، وخسارة المربع، والدقة، والاسترجاع، ودرجات mAP خلال كل مرحلة تدريبية.
• في نهاية التدريب، يتم عرض مقاييس مفصلة بما في ذلك سرعة استدلال النموذج، ومقاييس الدقة الإجمالية.
• روابط إلى لوحة التحكم Weights & Biases للحصول على تحليل متعمق وتصور لعملية التدريب، إلى جانب معلومات عن مواقع ملفات السجلات المحلية.

عرض لوحة التحكم Weights & Biases

بعد تشغيل مقتطف كود الاستخدام، يمكنك الوصول إلى لوحة التحكم Weights & Biases (W&B) من خلال الرابط المتوفر في الإخراج. تقدم لوحة التحكم هذه عرضًا شاملاً لعملية تدريب النموذج الخاص بك مع YOLO11.

الميزات الرئيسية للوحة التحكم Weights & Biases

• تتبع المقاييس في الوقت الحقيقي: راقب المقاييس مثل الخسارة والدقة ودرجات التحقق من الصحة أثناء تطورها أثناء التدريب، مما يوفر رؤى فورية لضبط النموذج. شاهد كيف يتم تتبع التجارب باستخدام Weights & Biases.

• تحسين المعلمة الفائقة: تساعدك Weights & Biases في ضبط المعلمات الحرجة مثل معدل التعلم، وحجم الدُفعات والمزيد، مما يعزز أداء YOLO11. يساعدك هذا في العثور على التكوين الأمثل لمجموعة بياناتك ومهمتك المحددة.

• التحليل المقارن: تسمح المنصة بإجراء مقارنات جنبًا إلى جنب بين عمليات التدريب المختلفة، وهو أمر ضروري لتقييم تأثير تكوينات النماذج المختلفة وفهم التغييرات التي تحسن الأداء.

• تصور تقدم التدريب: يوفر التمثيل البياني للمقاييس الرئيسية فهمًا بديهيًا لأداء النموذج عبر الحقب الزمنية. شاهد كيف يساعدك Weights & Biases على تصور نتائج التحقق من الصحة.

• مراقبة الموارد: تتبّع استخدام CPU GPU والذاكرة لتحسين كفاءة عملية التدريب وتحديد الاختناقات المحتملة في سير عملك.

• إدارة القطع الأثرية للنماذج: الوصول إلى نقاط التحقق من النماذج ومشاركتها، مما يسهل النشر والتعاون مع أعضاء الفريق في المشاريع المعقدة.

• عرض نتائج الاستدلال باستخدام تراكب الصور: تصور نتائج التنبؤ على الصور باستخدام التراكبات التفاعلية في Weights & Biases ، مما يوفر عرضًا واضحًا ومفصلاً لأداء النموذج على بيانات العالم الحقيقي. لمزيد من المعلومات التفصيلية حول إمكانيات تراكب الصور Weights & Biases'، راجع هذا الرابط. شاهد كيف تساعد تراكبات الصور Weights & Biases' تراكبات الصور في تصور استنتاجات النموذج.

باستخدام هذه الميزات، يمكنك تتبع وتحليل وتحسين تدريب نموذج YOLO11 الخاص بك بشكل فعال، مما يضمن أفضل أداء وكفاءة ممكنة لمهام اكتشاف الأجسام لديك.

الملخص

يساعدك هذا الدليل على استكشاف تكامل Ultralytics YOLO مع Weights & Biases. وهو يوضح قدرة هذا التكامل على تتبع وتصور نتائج تدريب النموذج والتنبؤ بكفاءة. من خلال الاستفادة من ميزات W&B القوية، يمكنك تبسيط سير عمل التعلّم الآلي الخاص بك، واتخاذ قرارات مستندة إلى البيانات، وتحسين أداء نموذجك.

للحصول على مزيد من التفاصيل حول الاستخدام، يرجى زيارة الوثائق الرسمية لـWeights & Biases أو الاطلاع على العرض التقديمي الذي قدمه سوميك راكشيت من YOLO VISION 2023 حول هذا التكامل.

تأكد أيضًا من مراجعة صفحة دليل تكاملUltralytics لمعرفة المزيد حول عمليات التكامل المختلفة والمثيرة مثل MLflow و Comet ML.

الأسئلة الشائعة

كيف يمكنني دمج Weights & Biases مع Ultralytics YOLO11 ؟

لدمج Weights & Biases مع Ultralytics YOLO11 :

1. قم بتثبيت الحزم المطلوبة:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. سجّل الدخول إلى حسابك Weights & Biases

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. تدريب نموذج YOLO11 الخاص بك مع تمكين تسجيل W&B:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

سيؤدي ذلك تلقائيًا إلى تسجيل المقاييس والمعلمات التشعبية ونماذج النماذج في مشروع W&B الخاص بك.

ما هي الميزات الرئيسية لتكامل Weights & Biases مع YOLO11 ؟

تشمل الميزات الرئيسية ما يلي:

• تتبع المقاييس في الوقت الحقيقي أثناء التدريب
• أدوات تحسين المعلمات الفائقة
• تحليل مقارن لعمليات التدريب المختلفة
• تصور التقدم المحرز في التدريب من خلال الرسوم البيانية
• مراقبة الموارد (CPU ، GPU ، ، استخدام الذاكرة)
• إدارة القطع الأثرية النموذجية ومشاركتها
• عرض نتائج الاستدلال مع تراكبات الصور

وتساعد هذه الميزات في تتبع التجارب، وتحسين النماذج، والتعاون بشكل أكثر فعالية في مشاريع YOLO11 .

كيف يمكنني عرض لوحة التحكم Weights & Biases لتدريباتي على الموقع الإلكتروني YOLO11 ؟

بعد تشغيل البرنامج النصي التدريبي الخاص بك مع تكامل W&B:

1. سيتم توفير رابط إلى لوحة تحكم W&B في مخرجات وحدة التحكم.
2. انقر على الرابط أو اذهب إلى wandb.ai وقم بتسجيل الدخول إلى حسابك.
3. انتقل إلى مشروعك لعرض المقاييس التفصيلية والتصورات وبيانات أداء النموذج.

تقدم لوحة التحكم رؤى حول عملية تدريب النموذج الخاص بك، مما يتيح لك تحليل نماذج YOLO11 الخاصة بك وتحسينها بفعالية.

هل يمكنني تعطيل تسجيل الدخول Weights & Biases للتدريب YOLO11 ؟

نعم، يمكنك تعطيل تسجيل W&B باستخدام الأمر التالي:

yolo settings wandb=False

لإعادة تمكين التسجيل، استخدم:

yolo settings wandb=True

يسمح لك هذا بالتحكم في الوقت الذي تريد فيه استخدام تسجيل W&B دون تعديل البرامج النصية التدريبية الخاصة بك.

كيف يساعد Weights & Biases في تحسين نماذج YOLO11 ؟

Weights & Biases يساعد على تحسين نماذج YOLO11 من خلال:

1. توفير تصورات مفصلة لمقاييس التدريب
2. تمكين سهولة المقارنة بين إصدارات الطرازات المختلفة
3. تقديم أدوات لضبط البارامتر الزائد
4. السماح بإجراء تحليل تعاوني لأداء النموذج
5. تيسير سهولة مشاركة النماذج والنتائج بسهولة

وتساعد هذه الميزات الباحثين والمطورين على التكرار بشكل أسرع واتخاذ قرارات مستندة إلى البيانات لتحسين نماذجهم YOLO11 .

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 يوم

التعليقات