تتبع التجارب مع Ultralytics YOLO11 و DVC

يُعد تتبع ومراقبة تجارب الرؤية الحاسوبية، حيث يتم تدريب الآلات على تفسير وفهم البيانات المرئية، جزءًا حيويًا من تطوير وضبط نماذج ذكاء اصطناعي مرئي مثل Ultralytics YOLO11. تتضمن هذه التجارب غالبًا اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب متعددة للنموذج. يساعد القيام بذلك في تحليل أداء النموذج وإجراء تحسينات تعتمد على البيانات للنموذج.

بدون نظام محدد جيدًا لتتبع التجارب، قد تصبح مقارنة النتائج وإجراء تغييرات على النماذج معقدة وتؤدي إلى أخطاء. في الواقع، تعد أتمتة هذه العملية خيارًا رائعًا يمكنه ضمان اتساق أفضل.

هذا بالضبط ما تهدف إليه تكامل DVCLive المدعوم من Ultralytics. يوفر DVCLive طريقة مبسطة لتسجيل تفاصيل التجربة تلقائيًا، وتصور النتائج، وإدارة تتبع أداء النموذج، كل ذلك ضمن سير عمل واحد.

في هذه المقالة، سنناقش كيفية استخدام تكامل DVCLive أثناء تدريب Ultralytics YOLO11. سنلقي نظرة أيضًا على فوائده وكيف يجعل تتبع التجارب أسهل لتطوير نموذج ذكاء اصطناعي مرئي بشكل أفضل.

Link to this sectionما هو DVCLive؟#

يعد DVCLive، الذي أنشأته شركة DVC (Data Version Control)، أداة موثوقة مفتوحة المصدر مصممة لتتبع تجارب تعلم الآلة. توفر مكتبة DVCLive Python مسجل تجارب في الوقت الفعلي يتيح لمطوري وباحثي الذكاء الاصطناعي تتبع مقاييس ومعلمات تجاربهم.

على سبيل المثال، يمكنه تسجيل مقاييس أداء النموذج الرئيسية تلقائيًا، ومقارنة النتائج عبر عمليات التدريب، وتصور أداء النموذج. تمكّن هذه الميزات DVCLive من مساعدتك في الحفاظ على سير عمل تعلم آلي منظم وقابل للتكرار.

الشكل 1. نظرة سريعة على لوحة تحكم DVCLive لتتبع التجارب.

Link to this sectionالميزات الرئيسية لـ DVCLive#

يعد تكامل DVCLive سهل الاستخدام ويمكنه تحسين مشاريع الرؤية الحاسوبية الخاصة بك من خلال توفير تصورات بيانات وأدوات تحليل واضحة وسهلة الفهم. فيما يلي بعض الميزات الرئيسية الأخرى لـ DVCLive:

• يدعم أطر عمل متنوعة: يمكن استخدام DVCLive مع أطر عمل تعلم الآلة الشائعة الأخرى. وهذا يجعل دمجه في سير العمل الحالي وتحسين قدرات تتبع التجارب أمرًا مباشرًا.

• مخططات تفاعلية: يمكن استخدامه لإنشاء مخططات تفاعلية تلقائيًا من البيانات، مما يوفر تمثيلات مرئية لمقاييس الأداء بمرور الوقت.

• تصميم خفيف الوزن: يعد DVCLive مكتبة خفيفة الوزن ومرنة ويمكن الوصول إليها، حيث يمكن استخدامه عبر مشاريع وبيئات مختلفة.

Link to this sectionلماذا يجب عليك استخدام تكامل DVCLive؟#

بينما تتصفح توثيق Ultralytics وتستكشف التكاملات المتاحة، قد تسأل نفسك: ما الذي يميز تكامل DVCLive، ولماذا يجب أن أختاره لسير عملي؟

مع وجود تكاملات مثل TensorBoard و MLflow التي توفر أيضًا أدوات لتتبع المقاييس وتصور النتائج، من الضروري فهم الصفات الفريدة التي تجعل هذا التكامل متميزًا.

إليك سبب كون DVCLive خيارًا مثاليًا لمشاريع Ultralytics YOLO الخاصة بك:

• حد أدنى من النفقات العامة: يعد DVCLive أداة رائعة لتسجيل مقاييس التجربة دون إضافة أي عبء حسابي أو تخزين إضافي. فهو يحفظ السجلات كملفات نصية عادية أو ملفات JSON، مما يسهل دمجها في سير العمل الحالي دون الاعتماد على خدمات أو قواعد بيانات خارجية.

• تكامل أصلي مع DVC: تم بناء DVCLive بواسطة الفريق المسؤول عن DVC، وهو يعمل بسلاسة مع نظام DVC لإصدار البيانات والنماذج. كما يسمح للمستخدمين بتتبع إصدارات مجموعات البيانات، ونقاط فحص النموذج، وتغييرات خطوط الإنتاج، مما يجعله مثاليًا للفرق التي تستخدم بالفعل DVC لضمان قابلية تكرار نتائج تعلم الآلة.

• متوافق مع Git: يتكامل DVCLive مع Git، مما يسهل تتبع التغييرات، ومقارنة النماذج، والعودة إلى الإصدارات السابقة مع الحفاظ على بيانات التجربة منظمة ومحكومة بالإصدارات.

Link to this sectionالبدء باستخدام DVCLive#

يعد تتبع تدريب نموذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما قد تتوقع. بمجرد تثبيت المكتبات اللازمة وتكوينها، يمكنك البدء بسرعة في تدريب مخصص لنموذج YOLO11 الخاص بك.

بعد التدريب، يمكنك ضبط إعدادات رئيسية مثل epochs (عدد المرات التي يمر فيها النموذج عبر مجموعة البيانات بأكملها)، وpatience (مدة الانتظار قبل التوقف في حالة عدم وجود تحسن)، وحجم الصورة المستهدف (دقة الصور المستخدمة للتدريب) لتحسين الدقة. بعد ذلك، يمكنك استخدام أداة تصور DVCLive لمقارنة إصدارات مختلفة من نموذجك وتحليل أدائها.

للحصول على فهم أكثر تفصيلاً لعملية تدريب النموذج وأفضل الممارسات، راجع توثيقنا حول التدريب المخصص لنماذج Ultralytics YOLO.

بعد ذلك، دعنا نستعرض كيفية تثبيت واستخدام تكامل DVCLive أثناء تدريب YOLO11 المخصص.

Link to this sectionتثبيت المتطلبات#

قبل أن تتمكن من بدء تدريب YOLO11، ستحتاج إلى تثبيت كل من حزمة Ultralytics Python و DVCLive. تم تصميم هذا التكامل بطريقة تجعل كلتا المكتبتين تعملان معًا بسلاسة افتراضيًا، لذا لا داعي للقلق بشأن التكوينات المعقدة.

يمكن إكمال عملية التثبيت بأكملها في غضون بضع دقائق فقط باستخدام أمر pip واحد، وهو أداة إدارة حزم لتثبيت مكتبات Python، كما هو موضح في الصورة أدناه.

الشكل 2. تثبيت Ultralytics و DVCLive.

بمجرد تثبيت الحزم، يمكنك إعداد بيئتك وإضافة بيانات الاعتماد اللازمة لضمان تشغيل DVCLive بسلاسة. يعد إعداد مستودع Git مفيدًا أيضًا لتتبع الكود الخاص بك وأي تغييرات في إعدادات DVCLive الخاصة بك.

للحصول على تعليمات تفصيلية خطوة بخطوة ونصائح مفيدة أخرى، راجع دليل التثبيت. في حال واجهت أي مشاكل أثناء تثبيت الحزم المطلوبة، يحتوي دليل المشكلات الشائعة الخاص بنا على حلول وموارد لمساعدتك.

Link to this sectionتدريب التجارب باستخدام DVCLive#

بعد اكتمال جلسة تدريب نموذج YOLO11 الخاصة بك، يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. وتحديدًا، يمكنك استخدام واجهة برمجة تطبيقات (API) الخاصة بـ DVC لاستخراج البيانات ومعالجتها باستخدام Pandas (مكتبة Python تجعل التعامل مع البيانات أسهل، مثل تنظيمها في جداول للتحليل والمقارنة) من أجل معالجة وتصور أسهل.

للحصول على طريقة أكثر تفاعلية ومرئية لاستكشاف نتائجك، يمكنك أيضًا تجربة استخدام مخطط الإحداثيات المتوازية الخاص بـ Plotly (نوع من المخططات يوضح كيفية ترابط معلمات النموذج المختلفة ونتائج الأداء).

في النهاية، يمكنك استخدام الرؤى المستمدة من هذه التصورات لاتخاذ قرارات أفضل بشأن تحسين نموذجك، أو ضبط المعلمات الفائقة، أو إجراء تعديلات أخرى لتعزيز أدائه العام.

Link to this sectionتطبيقات YOLO11 وتكامل DVCLive#

الآن بعد أن تعلمنا كيفية تثبيت وتصور نتائج تدريب YOLO11 باستخدام تكامل DVCLive، دعنا نستكشف بعض التطبيقات التي يمكن أن يعززها هذا التكامل.

Link to this sectionالزراعة والزراعة الدقيقة#

عندما يتعلق الأمر بالزراعة وحصاد المحاصيل من أجل الغذاء، يمكن أن تحدث الدقة فرقًا كبيرًا. على سبيل المثال، يمكن للمزارعين استخدام دعم YOLO11 لـ اكتشاف الأشياء وتجزئة المثيل لتحديد أمراض المحاصيل المحتملة، وتتبع الماشية، واكتشاف تفشي الآفات.

على وجه الخصوص، يمكن أن يساعد YOLO11 في اكتشاف العلامات المبكرة لأمراض النبات، أو الآفات الضارة، أو الحيوانات غير الصحية من خلال تحليل الصور من الطائرات بدون طيار أو الكاميرات. تمكّن هذه الأنواع من أنظمة ذكاء اصطناعي مرئي المزارعين من التصرف بسرعة لمنع انتشار المشكلات، مما يوفر الوقت ويقلل الخسائر.

الشكل 3. مثال على استخدام YOLO11 لمراقبة المحاصيل.

نظرًا لأن ظروف المزرعة تتغير باستمرار مع الطقس والمواسم، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور لضمان أدائها الجيد في مواقف مختلفة. يعد استخدام تكامل DVCLive لتدريب YOLO11 المخصص للتطبيقات الزراعية طريقة رائعة لتتبع أدائه، خاصة مع مجموعات البيانات المتنوعة.

Link to this sectionتحليل سلوك العملاء في التجزئة#

يمكن لمتاجر التجزئة استخدام الذكاء الاصطناعي والرؤية الحاسوبية لفهم سلوك العملاء وإجراء تحسينات لتعزيز تجربة التسوق.

من خلال تحليل مقاطع الفيديو من كاميرات المراقبة، يمكن لـ YOLO11 تتبع كيفية تحرك الأشخاص داخل المتجر، والمناطق التي تحصل على أكبر قدر من حركة المشاة، وكيفية تفاعل المتسوقين مع المنتجات. يمكن بعد ذلك استخدام هذه البيانات لإنشاء خرائط حرارية لعرض الرفوف التي تجذب أكبر قدر من الاهتمام، والوقت الذي يقضيه العملاء في ممرات مختلفة، وما إذا كانت شاشات العرض الإعلانية تحظى بالاهتمام.

بفضل ذكاء الأعمال هذا، يمكن لأصحاب المتاجر إعادة ترتيب المنتجات لزيادة المبيعات، وتسريع خطوط الخروج، وتعديل التوظيف لمساعدة العملاء أينما ومتى كانوا في أمس الحاجة إليها.

الشكل 4. مثال لخريطة حرارية تم إنشاؤها باستخدام YOLO11 لمركز تسوق.

غالبًا ما تتمتع متاجر التجزئة بخصائص فريدة، مثل ظروف الإضاءة المتغيرة، والتخطيطات، وأحجام الحشود. وبسبب هذه الاختلافات، يجب اختبار نماذج الرؤية الحاسوبية المستخدمة لتحليل نشاط المتجر وتعديلها بعناية لكل موقع لضمان الدقة. على سبيل المثال، يمكن لتكامل DVCLive المساعدة في ضبط YOLO11، مما يجعله أكثر دقة وموثوقية لتطبيقات التجزئة، مما يتيح الحصول على رؤى أفضل حول سلوك العملاء وعمليات المتجر.

Link to this sectionأبرز النقاط#

يجعل تدريب YOLO11 المخصص أثناء استخدام تكامل DVCLive من الأسهل تتبع وتحسين تجارب الرؤية الحاسوبية الخاصة بك. فهو يقوم تلقائيًا بتسجيل التفاصيل المهمة، ويظهر نتائج مرئية واضحة، ويساعدك على مقارنة إصدارات مختلفة من نموذجك.

سواء كنت تحاول تعزيز إنتاجية المزرعة أو تحسين تجربة التسوق في متجر، يضمن هذا التكامل أداء نماذج ذكاء اصطناعي مرئي الخاصة بك بشكل جيد. مع تتبع التجارب، يمكنك اختبار نماذجك وتحسينها وصقلها بشكل منهجي، مما يؤدي إلى تحسينات مستمرة في الدقة والأداء.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن ذكاء اصطناعي مرئي، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في القيادة الذاتية؟ قم بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.