تتبّع تجارب YOLO وتصورها باستخدام Weights & Biases#

أصبحت نماذج اكتشاف الكائنات مثل Ultralytics YOLO26 جزءًا أساسيًا من العديد من تطبيقات الرؤية الحاسوبية. ومع ذلك، يفرض تدريب هذه النماذج المعقدة وتقييمها ونشرها عدة تحديات. ويتطلب تتبّع مقاييس التدريب الأساسية، ومقارنة إصدارات النماذج، وتحليل سلوك النموذج، واكتشاف المشكلات قدرًا كبيرًا من أدوات القياس وإدارة التجارب.

يوضح هذا الدليل تكامل Ultralytics YOLO26 مع Weights & Biases لتحسين تتبّع التجارب، وحفظ نقاط فحص النموذج، وتصور أداء النموذج. كما يتضمن تعليمات لإعداد التكامل، وإجراء التدريب، وتصور النتائج باستخدام الميزات التفاعلية في Weights & Biases.

Weights & Biases#

يُعد Weights & Biases منصة MLOps متقدمة مصممة لتتبّع تجارب تعلّم الآلة وتصورها وإدارتها. وتوفر المنصة تسجيلًا تلقائيًا لمقاييس التدريب لضمان قابلية إعادة إنتاج التجارب بالكامل، وواجهة مستخدم تفاعلية لتبسيط تحليل البيانات، وأدوات فعّالة لإدارة النماذج ونشرها عبر بيئات متنوعة.

تدريب YOLO26 باستخدام Weights & Biases#

يمكنك استخدام Weights & Biases لإضفاء الكفاءة والأتمتة على عملية تدريب YOLO26. يتيح لك التكامل تتبّع التجارب، ومقارنة النماذج، واتخاذ قرارات تستند إلى البيانات لتحسين مشاريع الرؤية الحاسوبية.

التثبيت#

لتثبيت الحزم المطلوبة، شغّل:

# 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 التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت، احرص على مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للاطلاع على الحلول والنصائح.

تهيئة Weights & Biases#

بعد تثبيت الحزم اللازمة، تتمثل الخطوة التالية في إعداد بيئة Weights & Biases. ويشمل ذلك إنشاء حساب في Weights & Biases والحصول على مفتاح API اللازم لإقامة اتصال سلس بين بيئة التطوير ومنصة W&B.

ابدأ بتهيئة بيئة Weights & Biases في مساحة العمل لديك. يمكنك إجراء ذلك بتشغيل الأمر التالي واتباع التعليمات التي تظهر.

import wandb

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

انتقل إلى صفحة تفويض Weights & Biases لإنشاء مفتاح API واسترداده. استخدم هذا المفتاح عند مطالبتك به لمصادقة بيئتك مع W&B.

الاستخدام: تدريب YOLO26 باستخدام Weights & Biases#

قبل البدء في تعليمات استخدام تدريب نموذج YOLO26 باستخدام Weights & Biases، احرص على الاطلاع على مجموعة نماذج YOLO26 التي تقدمها Ultralytics. سيساعدك ذلك على اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

وسائط W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

فهم المخرجات#

عند تشغيل مقتطف التعليمات البرمجية للاستخدام أعلاه، يُتوقع ظهور المخرجات الأساسية التالية:

• إعداد عملية تشغيل جديدة بمعرّف فريد لها، بما يشير إلى بدء عملية التدريب.
• ملخص موجز لبنية النموذج، يتضمن عدد الطبقات والمعلمات.
• تحديثات دورية حول المقاييس المهمة مثل فقدان الصندوق، وفقدان cls، وفقدان مسافة الصندوق، والدقة، والاستدعاء، ودرجات mAP أثناء كل حقبة تدريب.
• في نهاية التدريب، تُعرض مقاييس تفصيلية تشمل سرعة استدلال النموذج ومقاييس الدقة الإجمالية.
• روابط إلى لوحة معلومات Weights & Biases لإجراء تحليل متعمق وتصور عملية التدريب، إلى جانب معلومات حول مواقع ملفات السجل المحلية.

عرض لوحة معلومات Weights & Biases#

بعد تشغيل مقتطف التعليمات البرمجية للاستخدام، يمكنك الوصول إلى لوحة معلومات Weights & Biases ‏(W&B) عبر الرابط المتوفر في المخرجات. توفر هذه اللوحة عرضًا شاملًا لعملية تدريب نموذجك باستخدام YOLO26.

الميزات الأساسية للوحة معلومات Weights & Biases#

• تتبّع المقاييس في الوقت الفعلي: راقب مقاييس مثل الخسارة والدقة ودرجات التحقق من الصحة أثناء تطورها خلال التدريب، بما يوفر رؤى فورية لضبط النموذج. تعرّف على كيفية تتبّع التجارب باستخدام Weights & Biases.

• تحسين المعلمات الفائقة: تساعد Weights & Biases على الضبط الدقيق للمعلمات المهمة مثل معدل التعلّم وحجم الدفعة وغيرها، مما يحسن أداء YOLO26. ويساعدك ذلك على العثور على التهيئة المثلى لمجموعة بياناتك ومهمتك المحددتين.

• التحليل المقارن: تتيح المنصة إجراء مقارنات جنبًا إلى جنب بين عمليات التدريب المختلفة، وهو أمر ضروري لتقييم تأثير تهيئات النماذج المتنوعة وفهم التغييرات التي تحسن الأداء.

• تصور تقدم التدريب: توفر التمثيلات الرسومية للمقاييس الأساسية فهمًا بديهيًا لأداء النموذج عبر الحقب. تعرّف على كيفية مساعدة Weights & Biases في تصور نتائج التحقق من الصحة.

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

• إدارة عناصر النموذج الاصطناعية: يمكنك الوصول إلى نقاط فحص النماذج ومشاركتها، مما يسهّل النشر والتعاون مع أعضاء الفريق في المشاريع المعقدة.

باستخدام هذه الميزات، يمكنك تتبّع تدريب نموذج YOLO26 وتحليله وتحسينه بفعالية، بما يضمن أفضل أداء وكفاءة ممكنين لمهام اكتشاف الكائنات لديك.

الملخص#

ساعدك هذا الدليل على استكشاف تكامل Ultralytics YOLO مع Weights & Biases. ويوضح قدرة هذا التكامل على تتبّع تدريب النموذج ونتائج التنبؤ وتصورها بكفاءة. ومن خلال الاستفادة من الميزات القوية في W&B، يمكنك تبسيط سير عمل تعلّم الآلة، واتخاذ قرارات تستند إلى البيانات، وتحسين أداء نموذجك.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة الوثائق الرسمية لـ Weights & Biases أو استكشف عرض Soumik Rakshit من YOLO VISION 2023 حول هذا التكامل.

احرص أيضًا على الاطلاع على صفحة دليل تكامل Ultralytics لمعرفة المزيد عن التكاملات المتنوعة والمميزة مثل MLflow وComet ML.

الأسئلة الشائعة#