تتبّع تجارب YOLO وتصويرها باستخدام Weights & Biases#

أصبحت نماذج اكتشاف الكائنات مثل Ultralytics YOLO26 جزءًا أساسيًا من العديد من تطبيقات الرؤية الحاسوبية. لكن تدريب هذه النماذج المعقدة وتقييمها ونشرها ينطوي على تحديات عديدة. ويتطلب تتبّع مقاييس التدريب الرئيسية، ومقارنة إصدارات النماذج، وتحليل سلوك النموذج، واكتشاف المشكلات قدرًا كبيرًا من إعداد أدوات القياس وإدارة التجارب.

يعرض هذا الدليل تكامل Ultralytics YOLO26 مع Weights & Biases لتحسين تتبّع التجارب، وحفظ نقاط تحقق النموذج، وتصوير أداء النموذج. ويتضمن أيضًا تعليمات إعداد التكامل والتدريب وتصوير النتائج باستخدام الميزات التفاعلية في Weights & Biases.

Weights & Biases#

تُعد Weights & Biases منصة MLOps متطورة مصممة لتتبّع تجارب التعلم الآلي وتصويرها وإدارتها. وتتميز بالتسجيل التلقائي لمقاييس التدريب لضمان قابلية إعادة إنتاج التجارب بالكامل، وواجهة مستخدم تفاعلية لتبسيط تحليل البيانات، وأدوات فعالة لإدارة النماذج ونشرها في بيئات متنوعة.

تدريب YOLO26 باستخدام Weights & Biases#

يمكنك استخدام Weights & Biases لزيادة كفاءة عملية تدريب YOLO26 وأتمتتها. 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

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.

تهيئة Weights & Biases#

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

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

import wandb

# ⁨تهيئة بيئة Weights & Biases⁩
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.

طريقة الاستخدام: تدريب YOLO26 باستخدام Weights & Biases#

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

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج وضبطه الدقيق⁩
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

وسيطات W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

فهم المخرجات#

بعد تشغيل مقتطف الشفرة أعلاه، يمكنك توقع المخرجات الرئيسية التالية:

• إعداد عملية تشغيل جديدة بمعرّف فريد، ما يشير إلى بدء عملية التدريب.
• ملخص موجز لبنية النموذج، يتضمن عدد الطبقات والمعلمات.
• تحديثات منتظمة للمقاييس المهمة، مثل خسارة الصندوق وخسارة التصنيف وخسارة مسافة الصندوق والإحكام والاستدعاء ودرجات mAP، خلال 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 وتصوير عملية التدريب، إلى جانب معلومات عن مواقع ملفات السجل المحلية.

عرض لوحة معلومات Weights & Biases#

بعد تشغيل مقتطف الشفرة، يمكنك الوصول إلى لوحة معلومات Weights & Biases (W&B) عبر الرابط الوارد في المخرجات. وتوفر لوحة المعلومات هذه عرضًا شاملًا لعملية تدريب نموذجك باستخدام YOLO26.

الميزات الرئيسية للوحة معلومات Weights & Biases#

• تتبّع المقاييس في الوقت الفعلي: راقب المقاييس، مثل الخسارة والدقة ودرجات التحقق، أثناء تغيرها خلال التدريب، لتحصل على رؤى فورية تساعد في ضبط النموذج. تعرّف على كيفية تتبّع التجارب باستخدام Weights & Biases.

• تحسين المعلمات الفائقة: تساعد Weights & Biases على ضبط المعلمات المهمة بدقة، مثل معدل التعلم وحجم الدفعة وغيرها، لتحسين أداء YOLO26. ويساعدك ذلك على إيجاد التهيئة المثلى لمجموعة البيانات والمهمة المحددتين.

• التحليل المقارن: تتيح المنصة مقارنة عمليات تشغيل التدريب المختلفة جنبًا إلى جنب، وهو أمر ضروري لتقييم أثر تهيئات النماذج المتنوعة وفهم التغييرات التي تحسن الأداء.

• تصوير تقدم التدريب: توفر التمثيلات الرسومية للمقاييس الرئيسية فهمًا بديهيًا لأداء النموذج عبر الحقب. اطّلع على كيفية مساعدة Weights & Biases في تصوير نتائج التحقق.

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

• إدارة عناصر النموذج: يمكنك الوصول إلى نقاط تحقق النموذج 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.

الملخص#

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

لمزيد من التفاصيل حول الاستخدام، راجع الوثائق الرسمية لـ Weights & Biases أو اطّلع على عرض Soumik Rakshit حول هذا التكامل في YOLO VISION 2023.

احرص أيضًا على زيارة صفحة دليل تكامل Ultralytics لمعرفة المزيد عن عمليات التكامل المميزة الأخرى، مثل MLflow وComet ML.

الأسئلة الشائعة#