تتبع وتصور تجارب YOLO باستخدام Weights & Biases#

أصبحت نماذج Object detection مثل Ultralytics YOLO26 جزءاً لا يتجزأ من العديد من تطبيقات computer vision. ومع ذلك، فإن تدريب هذه النماذج المعقدة وتقييمها ونشرها يطرح العديد من التحديات. يتطلب تتبع مقاييس التدريب الرئيسية، ومقارنة متغيرات النماذج، وتحليل سلوك النماذج، واكتشاف المشكلات أدوات قياس وإدارة تجارب كبيرة.

يعرض هذا الدليل تكامل Ultralytics YOLO26 مع Weights & Biases لتتبع التجارب المحسّن، وحفظ نقاط التحقق للنماذج، وتصور أداء النماذج. يتضمن الدليل أيضاً تعليمات لإعداد التكامل، والتدريب، وتصور النتائج باستخدام الميزات التفاعلية لـ Weights & Biases.

Weights & Biases#

Weights & Biases هي MLOps platform متطورة مصممة لتتبع وتصور وإدارة تجارب machine learning. تتميز بالتسجيل التلقائي لمقاييس التدريب لضمان إمكانية إعادة إنتاج التجارب بالكامل، وواجهة مستخدم تفاعلية لتحليل البيانات بشكل مبسط، وأدوات إدارة نماذج فعالة للنشر عبر بيئات مختلفة.

تدريب YOLO26 باستخدام Weights & Biases#

يمكنك استخدام Weights & Biases لجلب الكفاءة والأتمتة لعملية تدريب YOLO26 الخاصة بك. يتيح لك التكامل تتبع التجارب، ومقارنة النماذج، واتخاذ قرارات مدفوعة بالبيانات لتحسين مشاريع computer vision الخاصة بك.

التثبيت#

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

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO26. أثناء تثبيت الحزم المطلوبة لـ YOLO26، إذا واجهت أي صعوبات، فاستشر دليل المشكلات الشائعة للحصول على الحلول والنصائح.

تهيئة Weights & Biases#

بعد تثبيت الحزم اللازمة، تتمثل الخطوة التالية في إعداد بيئة Weights & Biases الخاصة بك. يتضمن ذلك إنشاء حساب على Weights & Biases والحصول على مفتاح API اللازم لضمان اتصال سلس 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 التعليمات التي تظهر لك.

import wandb

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

انتقل إلى Weights & Biases authorization page لإنشاء واسترداد مفتاح API الخاص بك. استخدم هذا المفتاح عند المطالبة به لتوثيق بيئتك مع W&B.

الاستخدام: تدريب YOLO26 باستخدام Weights & Biases#

قبل الغوص في إرشادات الاستخدام لتدريب نموذج YOLO26 باستخدام Weights & Biases، تأكد من الاطلاع على مجموعة YOLO26 models offered by Ultralytics. سيساعدك هذا في اختيار النموذج الأكثر ملاءمة 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 كود الاستخدام أعلاه، يمكنك توقع النتائج الرئيسية التالية:

• إعداد عملية تشغيل جديدة بمعرفها الفريد، مما يشير إلى بدء عملية التدريب.
• ملخص موجز لهيكل النموذج، بما في ذلك عدد الطبقات والمعلمات.
• التحديثات المنتظمة للمقاييس المهمة مثل فقدان الصندوق، وفقدان التصنيف، وفقدان مسافة الصندوق، وprecision، وrecall، وmAP scores خلال كل epoch للتدريب.
• في نهاية التدريب، يتم عرض مقاييس مفصلة تشمل سرعة استدلال النموذج ومقاييس accuracy الإجمالية.
• روابط إلى لوحة تحكم Weights & Biases لإجراء تحليل متعمق وتصور لعملية التدريب، بالإضافة إلى معلومات حول مواقع ملفات السجل المحلية.

عرض لوحة تحكم Weights & Biases#

بعد تشغيل مقتطف كود الاستخدام، يمكنك الوصول إلى لوحة تحكم Weights & Biases (W&B) من خلال الرابط المقدم في المخرجات. تقدم لوحة التحكم هذه رؤية شاملة لعملية تدريب نموذجك باستخدام YOLO26.

الميزات الرئيسية للوحة تحكم Weights & Biases#

• Real-Time Metrics Tracking: راقب المقاييس مثل الخسارة والدقة ودرجات التحقق أثناء تطورها خلال التدريب، مما يوفر رؤى فورية لضبط النموذج. See how experiments are tracked using Weights & Biases.

• Hyperparameter Optimization: يساعد Weights & Biases في الضبط الدقيق للمعلمات الحرجة مثل learning rate، وbatch size، والمزيد، مما يعزز أداء YOLO26. يساعدك هذا في العثور على التكوين الأمثل لمجموعة البيانات والمهمة الخاصة بك.

• التحليل المقارن: تتيح المنصة إجراء مقارنات جنباً إلى جنب بين عمليات تدريب مختلفة، وهو أمر ضروري لتقييم تأثير تكوينات النماذج المختلفة وفهم التغييرات التي تحسن الأداء.

• Visualization of Training Progress: توفر التمثيل-ات الرسومية للمقاييس الرئيسية فهماً بديهياً لأداء النموذج عبر الـ epochs. See how Weights & Biases helps you visualize validation results.

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

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

باستخدام هذه الميزات، يمكنك تتبع وتحليل وتحسين تدريب نموذج YOLO26 الخاص بك بفعالية، مما يضمن أفضل أداء وكفاءة ممكنة لمهام object detection الخاصة بك.

ملخص#

ساعدك هذا الدليل في استكشاف تكامل Ultralytics YOLO مع Weights & Biases. إنه يوضح قدرة هذا التكامل على تتبع وتصور نتائج تدريب النماذج والتنبؤ بكفاءة. ومن خلال الاستفادة من ميزات W&B القوية، يمكنك تبسيط سير عمل machine learning الخاص بك، واتخاذ قرارات تعتمد على البيانات، وتحسين أداء نموذجك.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة Weights & Biases' official documentation أو استكشف Soumik Rakshit's presentation من مؤتمر YOLO VISION 2023 حول هذا التكامل.

أيضًا، تأكد من الاطلاع على Ultralytics integration guide page، لمعرفة المزيد حول عمليات التكامل المثيرة المختلفة مثل MLflow وComet ML.

الأسئلة الشائعة#