تدريب مخصص لـ Ultralytics YOLO11 باستخدام مجموعات بيانات الرؤية الحاسوبية

عادةً ما يتضمن تدريب نموذج رؤية حاسوبية مثل Ultralytics YOLO11 جمع صور لمجموعات البيانات الخاصة بك، وتعليقها، وإعداد البيانات، وضبط النموذج بدقة لتلبية متطلباتك المحددة. وعلى الرغم من أن Ultralytics Python package تجعل هذه الخطوات بسيطة وسهلة الاستخدام، إلا أن تطوير ذكاء الرؤية الاصطناعي قد يظل يستغرق وقتاً طويلاً.

يصبح هذا صحيحاً بشكل خاص عندما تعمل تحت الموعد النهائي الضيق أو تطور نموذجاً أولياً. في هذه الحالات، يمكن أن توفر الأدوات أو integrations التي تبسط أجزاء من العملية - مثل تبسيط إعداد مجموعة البيانات أو أتمتة المهام المتكررة - فارقاً كبيراً. من خلال تقليل الوقت والجهد المطلَبين، تساعدك هذه الحلول على التركيز على بناء نموذجك وتكييفه. وهذا تماماً ما تقدمه تكامل Roboflow.

يتيح لك تكامل Roboflow الوصول بسهولة إلى مجموعات البيانات من Roboflow Universe، وهي مكتبة ضخمة من مجموعات بيانات رؤية الكمبيوتر مفتوحة المصدر. بدلاً من إهدار ساعات في جمع البيانات وتنظيمها، يمكنك العثور بسرعة على مجموعات البيانات الموجودة واستخدامها لبدء عملية التدريب الخاصة بـ Ultralytics YOLO11. يجعل هذا التكامل عملية التجريب والتطوير المستمر لنموذج رؤية الكمبيوتر الخاص بك أسرع بكثير وأكثر بساطة.

في هذه المقالة، سنتعمق في كيفية الاستفادة من تكامل Roboflow لتطوير النماذج بشكل أسرع. لنبدأ!

ما هو Roboflow Universe؟#

Roboflow Universe هي منصة تديرها Roboflow، وهي شركة تركز على تبسيط تطوير الرؤية الحاسوبية. وهي تتكون من أكثر من 350 مليون صورة، و500000 مجموعة بيانات، و100000 نموذج مدرب بدقة لمهام مثل object detection وتصنيف الصور والتجزئة. ومع مساهمات من المطورين والباحثين في جميع أنحاء العالم، تُعد Roboflow Universe مركزاً تعاونياً لأي شخص يتطلع إلى بدء أو تحسين computer vision projects الخاصة به.

الشكل 1. أمثلة على مجموعات بيانات اكتشاف الكائنات على Roboflow Universe.

يتضمن Roboflow Universe الميزات الرئيسية التالية:

• أدوات استكشاف مجموعات البيانات: استكشف مجموعات البيانات، وقم بتصفيتها، وتصورها للعثور بسرعة على الموارد التي تتوافق مع متطلبات مشروعك.
• Export options: قم بتصدير البيانات بتنسيقات مثل COCO وYOLO وTFRecord وCSV والمزيد لتناسب سير عملك.
• تحليلات مجموعات البيانات: احصل على رؤى حول مجموعات البيانات المختلفة باستخدام أدوات التحليل التي توفر تصورات لتوزيعات التسميات، وعدم توازن الفئات، وجودة مجموعة البيانات.
• تتبع الإصدارات: اعرض وقم بالوصول إلى إصدارات مختلفة من مجموعات البيانات التي تم تحميلها بواسطة المساهمين، مما يسمح لك بتتبع التحديثات، ومقارنة التغييرات، واختيار الإصدار الذي يناسب احتياجات مشروعك بشكل أفضل.

يساعدك تكامل Roboflow في العثور على البيانات الصحيحة#

غالباً ما يكون العثور على مجموعة البيانات المناسبة أحد أكثر الأجزاء تحدياً في بناء computer vision model. يتضمن إنشاء مجموعة البيانات عادةً جمع كميات كبيرة من الصور، والتأكد من صلتها بمهمتك، ثم تصنيفها بدقة.

يمكن أن تستغرق هذه العملية الكثير من الوقت والموارد، خاصة إذا كنت تجرب مناهج مختلفة في فترة زمنية قصيرة. حتى العثور على مجموعات بيانات موجودة مسبقاً قد يكون أمراً صعباً، لأنها غالباً ما تكون مبعثرة عبر المنصات، أو غير موثقة بشكل صحيح، أو تفتقر إلى التسميات التوضيحية المحددة التي تحتاجها.

على سبيل المثال، إذا كنت تبني تطبيق رؤية حاسوبية لاكتشاف الأعشاب الضارة في الحقول الزراعية، فقد ترغب في اختبار مناهج ذكاء اصطناعي بصرية مختلفة، مثل اكتشاف الكائنات مقابل تجزئة المثيلات. يتيح لك هذا التجربة ومعرفة الطريقة التي تعمل بشكل أفضل قبل قضاء الوقت والجهد في جمع وتصنيف مجموعة البيانات الخاصة بك.

الشكل 2. اكتشاف قطع غيار السيارات باستخدام Ultralytics YOLO11.

باستخدام تكامل Roboflow، يمكنك تصفح مجموعة متنوعة من مجموعات البيانات المتعلقة بالزراعة، بما في ذلك تلك التي تركز على اكتشاف الأعشاب الضارة، أو صحة المحاصيل، أو مراقبة الحقول. تتيح لك مجموعات البيانات الجاهزة هذه تجربة تقنيات مختلفة وتحسين نموذجك دون الحاجة إلى بذل جهد مسبق في إنشاء بياناتك الخاصة.

كيف يعمل تكامل Roboflow#

الآن بعد أن ناقشنا كيف يمكنك استخدام تكامل Roboflow للعثور على مجموعات البيانات الصحيحة، دعنا نلقي نظرة على كيفية تناسبها مع سير عملك. بمجرد اختيار مجموعة بيانات من Roboflow Universe، يمكنك تصديرها أو تنزيلها بتنسيق YOLO11. بعد تصدير مجموعة البيانات الخاصة بك، يمكنك استخدامها لتدريب YOLO11 مخصصاً باستخدام حزمة Ultralytics Python.

أثناء تنزيل مجموعة البيانات الخاصة بك، قد تلاحظ أن Roboflow Universe يدعم تنسيقات أخرى لتدريب نماذج مختلفة أيضاً. فلماذا يجب أن تختار التدريب المخصص لـ Ultralytics YOLO11؟

YOLO11 هو الإصدار الأحدث من نماذج Ultralytics YOLO وقد تم بناؤه لتقديم اكتشاف كائنات أسرع وأكثر دقة. فهو يستخدم بارامترات أقل بنسبة 22% (القيم الداخلية التي يعدلها النموذج أثناء التدريب لإجراء التنبؤات) من YOLOv8m، ومع ذلك يحقق متوسط دقة متوسط (mAP) أعلى على مجموعة بيانات COCO. هذا التوازن بين السرعة والدقة يجعل YOLO11 خياراً متعدد الاستخدامات لمجموعة واسعة من تطبيقات الرؤية الحاسوبية، خاصة عند تدريب النماذج المخصصة لتناسب مهاماً محددة.

إليك نظرة فاحصة على كيفية عمل التدريب المخصص لنموذج Ultralytics YOLO11:

• تغذية البيانات: يقوم نموذج Ultralytics YOLO11 بمعالجة مجموعة البيانات الخاصة بك، متعلمًا كيفية اكتشاف وتصنيف الكائنات من الصور والتعليقات التوضيحية الخاصة بها.
• التنبؤ والتعليقات: يقوم النموذج بإجراء تنبؤات حول الكائنات في الصور ويقارنها بالإجابات الصحيحة المقدمة في مجموعة البيانات.
• تتبع الأداء: يتم مراقبة مقاييس مثل الدقة (الاكتشافات الصحيحة)، والاستدعاء (الاكتشافات الفائتة)، والخسارة (أخطاء التنبؤ) لقياس التقدم.
• التعلم التكراري: يقوم النموذج بتعديل بارامتراته عبر جولات متعددة (دورات) لتحسين دقة الاكتشاف وتقليل الأخطاء.
• مخرجات النموذج النهائية: بعد التدريب، يتم حفظ النموذج المحسن ويكون جاهزاً للنشر.

عمليات تكامل أخرى تركز على تطوير الرؤية الحاسوبية#

بينما تستكشف تكامل Roboflow، ستلاحظ عمليات تكامل أخرى مذكورة في Ultralytics documentation. نحن ندعم مجموعة متنوعة من عمليات التكامل المتعلقة بمراحل مختلفة من تطوير الرؤية الحاسوبية.

هذا لتزويد مجتمعنا بمجموعة من الخيارات، بحيث يمكنك اختيار ما يناسب سير عملك المحدد.

Fig 3. نظرة عامة على عمليات التكامل التي تدعمها Ultralytics.

بالإضافة إلى مجموعات البيانات، تركز Ultralytics-supported integrations الأخرى على أجزاء مختلفة من عملية الرؤية الحاسوبية، مثل التدريب والنشر والتحسين. إليك بعض الأمثلة على عمليات التكامل الأخرى التي ندعمها:

• عمليات تكامل التدريب: تعمل عمليات التكامل مثل Amazon SageMaker وPaperspace Gradient على تبسيط سير عمل التدريب من خلال تقديم منصات قائمة على السحابة لتطوير واختبار النماذج بكفاءة.
• عمليات تكامل تتبع سير العمل والتجارب: تساعد ClearML وMLflow وWeights & Biases (W&B) في أتمتة سير العمل، وتتبع التجارب، وتحسين التعاون، مما يسهل إدارة مشاريع التعلم الآلي.
• عمليات تكامل التحسين والنشر: تمكّن CoreML وONNX وOpenVINO النشر المحسّن عبر أجهزة وأطر عمل مختلفة، مما يضمن أداءً فعالاً على منصات مثل أجهزة Apple وIntel CPUs.
• عمليات تكامل المراقبة والتصور: توفر TensorBoard وWeights & Biases أدوات لتصور تقدم التدريب ومراقبة الأداء، مما يوفر رؤى تفصيلية لتحسين النماذج.

تطبيقات Ultralytics YOLO11 ودور عمليات التكامل#

إن عمليات التكامل التي تدعم تطوير رؤية الكمبيوتر، مجتمعة مع القدرات الموثوقة لـ Ultralytics YOLO11، تجعل من الأسهل حل تحديات العالم الحقيقي. ضع في اعتبارك الابتكارات مثل computer vision in manufacturing، حيث تُستخدم ذكاء اصطناعي الرؤية لاكتشاف العيوب على خط الإنتاج - مثل الخدوش على الأجزاء المعدنية أو المكونات المفقودة. غالبًا ما يكون جمع البيانات المناسبة لمثل هذه المهام بطيئًا وصعبًا، ويتطلب الوصول إلى بيئات متخصصة.

يتضمن ذلك عادةً إعداد كاميرات أو مستشعرات على طول خطوط الإنتاج لالتقاط صور للمنتجات. يجب التقاط هذه الصور بأحجام كبيرة، وغالباً تحت إضاءة وزوايا متسقة، لضمان الوضوح والتوحيد.

بمجرد التقاطها، يجب تصنيف الصور بدقة مع تسميات دقيقة لكل نوع من أنواع العيوب، مثل الخدوش أو الانبعاجات أو المكونات المفقودة. تتطلب هذه العملية وقتاً وموارد كبيرة، بالإضافة إلى الخبرة، للتأكد من أن مجموعة البيانات تعكس بدقة التباين في العالم الحقيقي. يجب مراعاة عوامل مثل أحجام العيوب المختلفة وأشكالها وموادها لإنشاء مجموعة بيانات قوية وموثوقة.

تسهل عمليات التكامل التي توفر مجموعات بيانات جاهزة مهام مثل مراقبة الجودة الصناعية، ومع قدرات الكشف في الوقت الفعلي لـ Ultralytics YOLO11، يمكن للمصنعين مراقبة خطوط الإنتاج، واكتشاف العيوب على الفور، وتحسين الكفاءة.

الشكل 4. مثال على استخدام Ultralytics YOLO11 لاكتشاف وعد العلب التي يتم تصنيعها.

إلى جانب التصنيع، يمكن استخدام عمليات التكامل المتعلقة بمجموعات البيانات في العديد من الصناعات الأخرى. من خلال جمع سرعة ودقة Ultralytics YOLO11 مع مجموعات البيانات التي يمكن الوصول إليها بسهولة، يمكن للشركات تطوير ونشر حلول مخصصة لاحتياجاتها المحددة بسرعة. خذ على سبيل المثال الرعاية الصحية - يمكن أن تساعد عمليات تكامل مجموعات البيانات في تطوير حلول لتحليل الصور الطبية للكشف عن التشوهات مثل الأورام. وبالمثل، في القيادة الذاتية، يمكن لمثل هذه عمليات التكامل أن تساعد في تحديد المركبات، والمشاة، وإشارات المرور لتحسين السلامة.

أبرز النقاط#

يعد العثور على مجموعة البيانات الصحيحة غالباً أحد أكثر الأجزاء استهلاكاً للوقت في بناء نموذج رؤية حاسوبية. ومع ذلك، يجعل تكامل Roboflow من الأسهل العثور على أفضل مجموعة بيانات لتدريب نماذج Ultralytics YOLO الخاصة بك، حتى لو كنت جديداً في مجال الرؤية الحاسوبية.

مع الوصول إلى مجموعة واسعة من مجموعات البيانات لمهام الرؤية الحاسوبية مثل اكتشاف الكائنات، وتصنيف الصور، أو تجزئة المثيلات، يزيل Roboflow Universe المتاعب من عملية اكتشاف البيانات. إنه يساعدك على البدء بسرعة والتركيز على بناء نموذجك بدلاً من قضاء الوقت في جمع وتنظيم البيانات. هذا النهج المبسط يمكّن المطورين من بناء النماذج الأولية، والتكرار، وتطوير حلول الرؤية الحاسوبية بكفاءة أكبر.

لمعرفة المزيد، تفضل بزيارة GitHub repository الخاص بنا وتفاعل مع مجتمعنا. استكشف الابتكار في مجالات مثل AI in self-driving cars وcomputer vision in agriculture على صفحات الحلول الخاصة بنا. 🚀