تعزيز YOLOv8 تتبع التجربة والتصور مع Weights & Biases

نماذج الكشف عن الكائنات مثل Ultralytics YOLOv8 أصبحت جزءا لا يتجزأ من العديد من تطبيقات رؤية الكمبيوتر. ومع ذلك ، فإن تدريب وتقييم ونشر هذه النماذج المعقدة يطرح العديد من التحديات. يتطلب تتبع مقاييس التدريب الرئيسية ومقارنة متغيرات النموذج وتحليل سلوك النموذج واكتشاف المشكلات إدارة كبيرة للأجهزة والتجارب.

يعرض هذا الدليل Ultralytics YOLOv8 التكامل مع Weights & Biasesلتحسين تتبع التجربة ، والتحقق من النموذج ، وتصور أداء النموذج. يتضمن أيضا تعليمات لإعداد التكامل والتدريب والضبط الدقيق وتصور النتائج باستخدام Weights & Biasesالميزات التفاعلية.

Weights & Biases

Weights & Biases هي منصة MLOps متطورة مصممة لتتبع تجارب التعلم الآلي وتصورها وإدارتها. يتميز بالتسجيل التلقائي لمقاييس التدريب من أجل التكرار الكامل للتجربة ، وواجهة مستخدم تفاعلية لتحليل البيانات المبسط ، وأدوات إدارة النموذج الفعالة للنشر عبر بيئات مختلفة.

YOLOv8 التدريب مع Weights & Biases

يمكنك استخدام Weights & Biases لتحقيق الكفاءة والأتمتة ل YOLOv8 عملية التدريب.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

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 Weights & Biases

بعد تثبيت الحزم الضرورية ، فإن الخطوة التالية هي إعداد ملف Weights & Biases وسط. يتضمن ذلك إنشاء ملف Weights & Biases والحصول على مفتاح API الضروري للاتصال السلس بين بيئة التطوير الخاصة بك ومنصة W&B.

ابدأ بتهيئة ملف Weights & Biases البيئة في مساحة العمل الخاصة بك. يمكنك القيام بذلك عن طريق تشغيل الأمر التالي واتباع الإرشادات المطلوبة.

# Initialize your Weights & Biases environment
import wandb
wandb.login()

انتقل إلى Weights & Biases صفحة التفويض لإنشاء مفتاح API واسترداده. استخدم هذا المفتاح لمصادقة بيئتك باستخدام W&B.

إستعمال: تدريب YOLOv8 مع Weights & Biases

قبل الغوص في تعليمات الاستخدام ل YOLOv8 تدريب نموذجي مع Weights & Biases، تأكد من إطلاعك على نطاق YOLOv8 النماذج التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

import wandb
from ultralytics import YOLO
from wandb.integration.ultralytics import add_wandb_callback

# Step 1: Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Step 2: Define the YOLOv8 Model and Dataset
model_name = "yolov8n"
dataset_name = "coco8.yaml"
model = YOLO(f"{model_name}.pt")

# Step 3: Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Step 4: Train and Fine-Tune the Model
model.train(project="ultralytics", data=dataset_name, epochs=5, imgsz=640)

# Step 5: Validate the Model
model.val()

# Step 6: Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Step 7: Finalize the W&B Run
wandb.finish()

فهم الكود

دعنا نفهم الخطوات الموضحة في مقتطف شفرة الاستخدام أعلاه.

• الخطوة 1: تهيئة ملف Weights & Biases تشغيل: ابدأ بتهيئة ملف Weights & Biases تشغيل، مع تحديد اسم المشروع ونوع الوظيفة. سيؤدي هذا التشغيل إلى تتبع وإدارة عمليات التدريب والتحقق من صحة النموذج الخاص بك.

• الخطوة 2: تحديد YOLOv8 النموذج ومجموعة البيانات: حدد متغير النموذج ومجموعة البيانات التي ترغب في استخدامها. ال YOLO ثم تتم تهيئة النموذج باستخدام ملف النموذج المحدد.

• الخطوة 3: إضافة Weights & Biases معاودة الاتصال ل Ultralyticsهذه الخطوة حاسمة لأنها تمكن التسجيل التلقائي لمقاييس التدريب ونتائج التحقق من الصحة: Weights & Biases، مما يوفر عرضا تفصيليا لأداء النموذج.

• الخطوة 4: تدريب النموذج وضبطه: ابدأ تدريب النموذج باستخدام مجموعة البيانات المحددة وعدد العصور وحجم الصورة. تتضمن عملية التدريب تسجيل المقاييس والتنبؤات في نهاية كل حقبة ، مما يوفر رؤية شاملة لتقدم تعلم النموذج.

• الخطوة 5: التحقق من صحة النموذج: بعد التدريب ، يتم التحقق من صحة النموذج. هذه الخطوة ضرورية لتقييم أداء النموذج على البيانات غير المرئية وضمان قابليتها للتعميم.

• الخطوة 6: إجراء الاستدلال وتسجيل النتائج: يقوم النموذج بإجراء تنبؤات على صور محددة. يتم تسجيل هذه التنبؤات ، جنبا إلى جنب مع التراكبات والرؤى المرئية ، تلقائيا في جدول W&B للاستكشاف التفاعلي.

• الخطوة 7: إنهاء تشغيل W&B: تمثل هذه الخطوة نهاية تسجيل البيانات وتحفظ الحالة النهائية لعملية تدريب النموذج والتحقق من صحته في لوحة معلومات W&B.

فهم المخرجات

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

• إعداد تشغيل جديد بمعرفه الفريد ، مما يشير إلى بدء عملية التدريب.
• ملخص موجز لهيكل النموذج ، بما في ذلك عدد الطبقات والمعلمات.
• تحديثات منتظمة للمقاييس المهمة مثل فقدان الصندوق وفقدان cls وفقدان dfl والدقة والاستدعاء ودرجات mAP خلال كل حقبة تدريب.
• في نهاية التدريب ، يتم عرض مقاييس مفصلة بما في ذلك سرعة الاستدلال للنموذج ومقاييس الدقة الإجمالية.
• روابط إلى Weights & Biases لوحة معلومات للتحليل المتعمق وتصور عملية التدريب ، إلى جانب معلومات حول مواقع ملفات السجل المحلية.

عرض Weights & Biases لوحه القياده

بعد تشغيل مقتطف شفرة الاستخدام، يمكنك الوصول إلى Weights & Biases لوحة القيادة (W &B) من خلال الرابط الموجود في الإخراج. توفر لوحة المعلومات هذه عرضا شاملا لعملية تدريب نموذجك باستخدام YOLOv8.

الميزات الرئيسية ل Weights & Biases لوحه القياده

• تتبع المقاييس في الوقت الفعلي: راقب المقاييس مثل الخسارة والدقة ودرجات التحقق من الصحة أثناء تطورها أثناء التدريب ، مما يوفر رؤى فورية لضبط النموذج.

  ألق نظرة على كيفية تتبع التجارب باستخدام Weights & Biases.

• تحسين المعلمات الفائقة: Weights & Biases يساعد في ضبط المعلمات الهامة مثل معدل التعلم وحجم الدفعة والمزيد ، مما يعزز أداء YOLOv8.

• التحليل المقارن: تسمح المنصة بإجراء مقارنات جنبا إلى جنب بين عمليات التدريب المختلفة ، وهو أمر ضروري لتقييم تأثير تكوينات النماذج المختلفة.

• تصور تقدم التدريب: توفر التمثيلات الرسومية للمقاييس الرئيسية فهما بديهيا لأداء النموذج عبر العصور.

  ألق نظرة على كيفية القيام بذلك Weights & Biases يساعدك على تصور نتائج التحقق من الصحة.

• مراقبة الموارد: تتبع استخدام وحدة المعالجة المركزية ووحدة معالجة الرسومات والذاكرة لتحسين كفاءة عملية التدريب.

• إدارة العناصر النموذجية: الوصول إلى نقاط التفتيش النموذجية ومشاركتها، مما يسهل النشر والتعاون بسهولة.

• عرض نتائج الاستدلال باستخدام تراكب الصورة: تصور نتائج التنبؤ على الصور باستخدام التراكبات التفاعلية في Weights & Biases، مما يوفر رؤية واضحة ومفصلة لأداء النموذج على بيانات العالم الحقيقي. لمزيد من المعلومات التفصيلية حول Weights & Biasesقدرات تراكب الصورة ، تحقق من هذا الرابط.

  ألق نظرة على كيفية القيام بذلك Weights & Biasesتساعد تراكبات الصور على تصور استنتاجات النموذج.

باستخدام هذه الميزات ، يمكنك تتبع وتحليل وتحسين YOLOv8 تدريب النموذج ، وضمان أفضل أداء وكفاءة ممكنة.

ملخص

ساعدك هذا الدليل في استكشاف Ultralytics' YOLOv8 التكامل مع Weights & Biases. يوضح قدرة هذا التكامل على تتبع وتصور نتائج التدريب والتنبؤ بالنموذج بكفاءة.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة Weights & Biasesالوثائق الرسمية.

تأكد أيضا من إطلاعك على ملف Ultralytics صفحة دليل التكامل ، لمعرفة المزيد حول عمليات الدمج المثيرة المختلفة.

التعليقات