تتبع التجربة مع Ultralytics YOLO11 و DVC

يعد تتبع ومراقبة تجارب الرؤية الحاسوبية ومراقبتها، حيث يتم تدريب الآلات على تفسير البيانات المرئية وفهمها، جزءًا أساسيًا من تطوير نماذج الذكاء الاصطناعي للرؤية وضبطها مثل Ultralytics YOLO11. وغالباً ما تتضمن هذه التجارب اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب متعددة للنموذج. يمكن أن يساعد القيام بذلك في تحليل أداء النموذج وإجراء تحسينات قائمة على البيانات على النموذج. 

بدون نظام تتبع تجارب محدد جيدًا، يمكن أن تصبح مقارنة النتائج وإجراء تغييرات على النماذج أمرًا معقدًا ويؤدي إلى أخطاء. في الواقع، إن أتمتة هذه العملية خيار رائع يمكن أن يضمن اتساقًا أفضل.

هذا بالضبط ما يهدف تكامل DVCLive المدعوم من Ultralytics إلى القيام به. 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. كما سنلقي نظرة على فوائده وكيف أنه يجعل تتبع التجارب أسهل لتطوير نموذج Vision AI بشكل أفضل.

ما هو DVCLive؟

DVCLive، التي تم إنشاؤها بواسطة DVC (التحكم في إصدار البيانات)، هي أداة موثوقة مفتوحة المصدر مصممة لتتبع تجارب التعلم الآلي. وتوفر مكتبة DVCLive Python مسجّل تجارب في الوقت الحقيقي، مما يتيح لمطوري الذكاء الاصطناعي والباحثين track 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 منظم وقابل للتكرار في مجال تعلم الآلة.

‍

الميزات الرئيسية لـ DVCLive

إن تكامل DVCLive سهل الاستخدام ويمكن أن يحسن مشاريع رؤية الكمبيوتر الخاصة بك من خلال توفير تصورات البيانات وأدوات التحليل الواضحة وسهلة الفهم. فيما يلي بعض الميزات الرئيسية الأخرى لـ DVCLive:

• يدعم أُطُر عمل متنوعة: يمكن استخدام DVCLive مع أُطُر عمل تعلم الآلة الشائعة الأخرى. وهذا يجعل دمجه في سير العمل الحالية وتحسين قدرات تتبع التجارب أمرًا سهلاً ومباشرًا.

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

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

لماذا يجب عليك استخدام تكامل DVCLive؟

أثناء استعراضك لوثائقUltralytics واستكشاف عمليات التكامل المتاحة، قد تجد نفسك تتساءل: ما الذي يميز تكامل DVCLive، ولماذا يجب أن أختاره لسير عملي؟

مع عمليات التكامل مثل TensorBoard وMLflow التي توفر أيضًا أدوات لتتبع المقاييس وتصور النتائج، من الضروري فهم الصفات الفريدة التي تجعل هذا التكامل متميزًا. 

وإليك السبب الذي يجعل DVCLive خيارًا مثاليًا لمشاريع Ultralytics YOLO الخاصة بك:

• الحد الأدنى من الحمل الزائد: DVCLive هي أداة رائعة لتسجيل مقاييس التجربة دون إضافة أي حمل حسابي أو تخزيني إضافي. فهو يحفظ السجلات كنص عادي أو ملفات JSON، مما يسهل دمجها في سير العمل الحالي دون الاعتماد على الخدمات أو قواعد البيانات الخارجية.

• التكامل الأصلي مع DVC: يعمل DVCLive، الذي صممه الفريق الذي يقف وراء DVC، بسلاسة مع نظام إصدار البيانات والنماذج الخاص ب DVC. كما يسمح للمستخدمين track إصدارات مجموعة البيانات، ونقاط التحقق من النماذج، وتغييرات خط الأنابيب، مما يجعله مثاليًا للفرق التي تستخدم بالفعل DVC لتكرار التعلم الآلي.

• متوافق مع Git: يتكامل DVCLive مع Git، مما يجعل من السهل track التغييرات ومقارنة النماذج والعودة إلى الإصدارات السابقة مع الحفاظ على تنظيم بيانات التجربة والتحكم في الإصدار.

بدء استخدام DVCLive 

يعد تتبع تدريب نموذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما قد تتوقع. بمجرد تثبيت المكتبات اللازمة وتهيئتها، يمكنك البدء سريعًا في تدريب نموذج YOLO11 المخصص الخاص بك.

بعد التدريب، يمكنك ضبط الإعدادات الرئيسية مثل العصور (epochs) (عدد المرات التي يمر فيها النموذج عبر مجموعة البيانات بأكملها)، والصبر (patience) (المدة التي يجب الانتظار قبل التوقف إذا لم يكن هناك تحسن)، وحجم الصورة المستهدف (دقة الصور المستخدمة للتدريب) لتحسين الدقة. بعد ذلك، يمكنك استخدام أداة التصور DVCLive لمقارنة الإصدارات المختلفة من النموذج الخاص بك وتحليل أدائها.

للاطلاع على فهم أكثر تفصيلاً لعملية تدريب النموذج وأفضل الممارسات، راجع وثائقنا الخاصة بنماذج Ultralytics YOLO المخصصة للتدريب.

بعد ذلك، دعنا نتعرف على كيفية تثبيت تكامل DVCLive واستخدامه أثناء تدريب YOLO11 المخصص.

تثبيت المتطلبات

قبل أن تتمكن من البدء في تدريب YOLO11 ستحتاج إلى تثبيت كل من حزمةUltralytics Python و DVCLive. لقد تم تصميم هذا التكامل بطريقة تجعل كلتا المكتبتين تعملان معًا بسلاسة افتراضيًا، لذلك لا داعي للقلق بشأن التكوينات المعقدة.

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

‍

بمجرد تثبيت الحزم، يمكنك إعداد بيئتك وإضافة بيانات الاعتماد اللازمة لضمان تشغيل DVCLive بسلاسة. يعد إعداد مستودع Git مفيدًا أيضًا track التعليمات البرمجية الخاصة بك وأي تغييرات على إعدادات DVCLive. 

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

تدريب تجريبي باستخدام DVCLive 

بعد اكتمال جلسة التدريب على نموذج YOLO11 يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. على وجه التحديد، يمكنك استخدام واجهة برمجة تطبيقات DVC لاستخراج البيانات ومعالجتها باستخدام Pandas (مكتبة Python التي تسهّل العمل مع البيانات، مثل تنظيمها في جداول للتحليل والمقارنة) لتسهيل التعامل معها وتصورها. 

للحصول على طريقة أكثر تفاعلية ومرئية لاستكشاف نتائجك، يمكنك أيضًا محاولة استخدام مخطط الإحداثيات المتوازية الخاص بـ Plotly (نوع من المخططات التي توضح كيفية توصيل معلمات النموذج المختلفة ونتائج الأداء. 

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

تطبيقات YOLO11 وتكامل DVCLive

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

الزراعة والزراعة الدقيقة

عندما يتعلق الأمر بالزراعة وحصاد المحاصيل من أجل الغذاء، يمكن أن تُحدث الدقة فرقاً كبيراً. على سبيل المثال، يمكن للمزارعين استخدام دعم YOLO11 لاكتشاف الكائنات وتجزئة المثيل لتحديد أمراض المحاصيل المحتملة track الماشية detect تفشي الآفات. 

على وجه الخصوص، يمكن أن يساعد YOLO11 في اكتشاف العلامات المبكرة للأمراض النباتية أو الآفات الضارة أو الحيوانات غير الصحية من خلال تحليل الصور من الطائرات بدون طيار أو الكاميرات. تمكّن هذه الأنواع من أنظمة الذكاء الاصطناعي المرئي المزارعين من التصرف بسرعة لوقف انتشار المشاكل، مما يوفر الوقت ويقلل من الخسائر.

‍

نظرًا لأن ظروف المزرعة تتغير باستمرار مع تغير الطقس والمواسم، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور للتأكد من أدائها الجيد في المواقف المختلفة. يعد استخدام تكامل DVCLive لتدريب YOLO11 المخصص للتطبيقات الزراعية طريقة رائعة track أدائها، خاصةً مع مجموعات البيانات المتنوعة. 

تحليل سلوك العملاء في قطاع البيع بالتجزئة

يمكن لمتاجر البيع بالتجزئة استخدام الذكاء الاصطناعي ورؤية الكمبيوتر لفهم سلوك العملاء وإجراء تحسينات لتعزيز تجربة التسوق. 

من خلال تحليل مقاطع الفيديو من كاميرات المراقبة، يمكن لـ YOLO11 track كيفية تحرك الأشخاص في المتجر، والمناطق التي تحظى بأكبر عدد من الزيارات وكيفية تفاعل المتسوقين مع المنتجات. يمكن بعد ذلك استخدام هذه البيانات لعمل خرائط حرارية لعرض الرفوف التي تجذب أكبر قدر من الاهتمام، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كان يتم ملاحظة الإعلانات المعروضة. 

باستخدام هذه المعلومات الاستخباراتية للأعمال، يمكن لأصحاب المتاجر إعادة ترتيب المنتجات لزيادة المبيعات وتسريع خطوط الخروج وتعديل عدد الموظفين لمساعدة العملاء حيث ومتى كانوا في أمس الحاجة إليها.

‍

في كثير من الأحيان، تتميز متاجر البيع بالتجزئة بخصائص فريدة من نوعها، مثل اختلاف ظروف الإضاءة والتخطيطات وأحجام الحشود. وبسبب هذه الاختلافات، يجب اختبار نماذج الرؤية الحاسوبية المستخدمة لتحليل نشاط المتجر بعناية وتعديلها لكل موقع لضمان الدقة. على سبيل المثال، يمكن أن يساعد تكامل DVCLive في ضبط YOLO11 مما يجعله أكثر دقة وموثوقية لتطبيقات البيع بالتجزئة، مما يتيح رؤى أفضل لسلوك العملاء وعمليات المتجر.

النقاط الرئيسية

يجعل التدريب المخصص YOLO11 أثناء استخدام تكامل DVCLive من السهل track تجارب الرؤية الحاسوبية الخاصة بك وتحسينها. فهو يقوم تلقائيًا بتسجيل التفاصيل المهمة، ويعرض نتائج مرئية واضحة، ويساعدك على مقارنة إصدارات مختلفة من نموذجك. 

سواء كنت تحاول تعزيز إنتاجية المزرعة أو تحسين تجربة التسوق في المتجر، فإن هذا التكامل يضمن أداء نماذج Vision AI الخاصة بك بشكل جيد. من خلال تتبع التجارب، يمكنك اختبار نماذجك وتحسينها وتحسينها بشكل منهجي، مما يؤدي إلى تحسينات مستمرة في الدقة والأداء.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول Vision AI، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع رؤية الكمبيوتر الخاصة بك. هل أنت مهتم بالابتكارات مثل الذكاء الاصطناعي في التصنيع أو رؤية الكمبيوتر في القيادة الذاتية؟ قم بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.