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 wandb.integration.ultralytics import add_wandb_callback

from ultralytics import YOLO

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

# Load a YOLO model
model = YOLO("yolov8n.pt")

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

# Train and Fine-Tune the Model
model.train(project="ultralytics", data="coco8.yaml", epochs=5, imgsz=640)

# Validate the Model
model.val()

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

# 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 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 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: 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: تتبع CPU و GPU واستخدام الذاكرة لتحسين كفاءة عملية التدريب.

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

• 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 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.

الأسئلة المتداولة

كيف أقوم بتثبيت الحزم المطلوبة لـ YOLOv8 و Weights & Biases ؟

لتثبيت الحزم المطلوبة لـ YOLOv8 و Weights & Biases ، افتح واجهة سطر الأوامر وقم بتشغيلها:

pip install --upgrade ultralytics==8.0.186 wandb

لمزيد من الإرشادات حول خطوات التثبيت، راجع دليل التثبيتYOLOv8 . إذا واجهتك مشكلات، راجع دليل المشكلات الشائعة للحصول على نصائح حول استكشاف الأخطاء وإصلاحها.

ما هي فوائد دمج Ultralytics YOLOv8 مع Weights & Biases ؟

يوفر دمج Ultralytics YOLOv8 مع Weights & Biases العديد من المزايا بما في ذلك:

• تتبُّع المقاييس في الوقت الفعلي: راقب التغييرات في المقاييس أثناء التدريب للحصول على رؤى فورية.
• تحسين المعلمة الفائقة: تحسين أداء النموذج من خلال ضبط معدل التعلم، وحجم الدُفعات وما إلى ذلك.
• تحليل مقارن: مقارنة بين عمليات التدريب المختلفة جنبًا إلى جنب.
• مراقبة الموارد: تتبع CPU و GPU واستخدام الذاكرة.
• إدارة القطع الأثرية للنماذج: سهولة الوصول إلى نقاط التحقق من النماذج ومشاركتها.

استكشف هذه الميزات بالتفصيل في قسم لوحة التحكم Weights & Biases أعلاه.

كيف يمكنني تكوين Weights & Biases للتدريب على YOLOv8 ؟

لتكوين Weights & Biases للتدريب على YOLOv8 ، اتبع الخطوات التالية:

1. قم بتشغيل الأمر لتهيئة Weights & Biases:

   import wandb
   wandb.login()
   

2. استرجع مفتاح API الخاص بك من الموقع الإلكتروني Weights & Biases .
3. استخدم مفتاح API لمصادقة بيئة التطوير الخاصة بك.

يمكن العثور على إرشادات الإعداد التفصيلية في قسم التكوين Weights & Biases أعلاه.

كيف يمكنني تدريب نموذج YOLOv8 باستخدام Weights & Biases ؟

لتدريب نموذج YOLOv8 باستخدام Weights & Biases ، استخدم الخطوات التالية في البرنامج النصي Python :

import wandb
from wandb.integration.ultralytics import add_wandb_callback

from ultralytics import YOLO

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

# Load a YOLO model
model = YOLO("yolov8n.pt")

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

# Train and Fine-Tune the Model
model.train(project="ultralytics", data="coco8.yaml", epochs=5, imgsz=640)

# Validate the Model
model.val()

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

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

يقوم هذا البرنامج النصي بتهيئة Weights & Biases ، وإعداد النموذج، وتدريبه، وتسجيل النتائج. لمزيد من التفاصيل، راجع قسم الاستخدام أعلاه.

لماذا يجب استخدام Ultralytics YOLOv8 مع Weights & Biases بدلاً من المنصات الأخرى؟

Ultralytics YOLOv8 المدمج مع Weights & Biases يوفر العديد من المزايا الفريدة:

• كفاءة عالية: تتبع في الوقت الحقيقي لمقاييس التدريب وتحسين الأداء.
• قابلية التوسع: إدارة مهام التدريب على نطاق واسع بسهولة من خلال أدوات قوية لمراقبة الموارد واستخدامها.
• تفاعلية: واجهة مستخدم تفاعلية سهلة الاستخدام لتصور البيانات وإدارة النماذج.
• المجتمع والدعم: وثائق تكامل قوية ودعم مجتمعي قوي مع خيارات تخصيص وتحسين مرنة.

لإجراء مقارنات مع منصات أخر ى مثل Comet و ClearML، راجعUltralytics التكامل.

التعليقات