تتبع التجارب مع Ultralytics YOLO11 و DVC

يعد تتبع ومراقبة تجارب الرؤية الحاسوبية، حيث يتم تدريب الآلات على تفسير وفهم البيانات المرئية، جزءاً حاسوبياً أساسياً لتطوير وتحسين نماذج الذكاء الاصطناعي للرؤية مثل Ultralytics YOLO11. غالباً ما تتضمن هذه التجارب اختبار المعلمات الرئيسية المختلفة وتسجيل المقاييس والنتائج من عمليات تشغيل تدريب نماذج متعددة. يمكن أن يساعد القيام بذلك في تحليل أداء النموذج وإجراء تحسينات تعتمد على البيانات على النموذج.

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 هو بالضبط ما تهدف إليه تكاملية DVCLive المدعومة من Ultralytics. توفر DVCLive طريقة مبسطة لتسجيل تفاصيل التجربة تلقائياً، وتصور النتائج، وإدارة تتبع أداء النموذج، كل ذلك ضمن سير عمل واحد.

في هذه المقالة، سنناقش كيفية استخدام تكاملية DVCLive أثناء تدريب Ultralytics YOLO11. سنلقي نظرة أيضاً على مزاياها وكيف تجعل تتبع التجارب أسهل من أجل تطوير أفضل لـ نمدوج الذكاء الاصطناعي للرؤية.

ما 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 معلومات DVCLive لتتبع التجارب.

الميزات الرئيسية لـ DVCLive#

تعتبر تكاملية DVCLive سهلة الاستخدام ويمكنها تحسين مشاريع الرؤية الحاسوبية الخاصة بك من خلال توفير تصورات للبيانات 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.

لماذا يجب عليك استخدام تكامل DVCLive؟#

أثناء تصفحك لـ وثائق Ultralytics واستكشافك لـ التكاملات المتاحة، قد تجد نفسك تسأل: ما الذي يميز تكاملية DVCLive، ولماذا يجب أن أختارها لسير عملي؟

مع التكاملات مثل TensorBoard وMLflow التي توفر أيضاً أدوات لتتبع المقاييس وتصور النتائج، فمن الضروري فهم الصفات الفريدة التي تجعل هذه التكاملية تبرز.

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.

البدء 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 وثائقنا الخاصة بـ التدريب المخصص لنماذج Ultralytics YOLO.

بعد ذلك، دعونا نستعرض كيفية تثبيت واستخدام تكامل DVCLive أثناء التدريب المخصص لنموذج Ultralytics YOLO11.

تثبيت المتطلبات#

قبل أن تتمكن من بدء تدريب YOLO11، ستحتاج إلى تثبيت كل من حزمة Python من Ultralytics وDVCLive. تم تصميم هذه التكاملية بطريقة تجعل كلا المكتبتين تعملان معاً بسلاسة افتراضياً، لذلك 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 إرشادات تفصيلية خطوة بخطوة والنصائح المفيدة الأخرى، 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 التجارب باستخدام DVCLive#

بعد اكتمال جلسة تدريب نموذج Ultralytics YOLO11 الخاص بك، يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. على وجه التحديد، يمكنك استخدام واجهة برمجة تطبيقات DVC استخراج البيانات ومعالجتها باستخدام pandas (وهي مكتبة Python تسهل التعامل مع البيانات، مثل تنظيمها في جداول للتحليل والمقارنة) لتسهيل التعامل معها وتصورها.

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.

تطبيقات Ultralytics YOLO11 وتكامل DVCLive#

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

الزراعة والزراعة الدقيقة#

عندما يتعلق الأمر بالزراعة وحصد المحاصيل الغذائية، يمكن أن تشكل الدقة فرقاً هائلاً. على سبيل المثال، يمكن للمزارعين استخدام دعم Ultralytics YOLO11 لـ object detection وتجزئة النطاق لتحديد أمراض المحاصيل المحتملة، وتتبع الماشية، واكتشاف تفشي الآفات.

على وجه الخصوص، يمكن أن يساعد Ultralytics YOLO11 في اكتشاف العلامات المبكرة لأمراض النباتات، أو الآفات الضارة، أو الحيوانات غير السليمة من خلال تحليل الصور التقاطها الطائرات بدون طيار أو الكاميرات. تتيح هذه الأنواع من أنظمة الذكاء الاصطناعي الرؤيوي للمزارعين التصرف بسرعة لوقف انتشار المشكلات، مما يوفر الوقت ويقلل الخسائر.

الشكل 3. مثال على استخدام YOLO11 لمراقبة المحاصيل.

بما أن الظروف الزراعية تتغير باستمرار مع الطقس والفصول، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور لضمان أداؤها الجيد في مختلف المواقف. يعد استخدام تكامل DVCLive للتدريب المخصص لنموذج Ultralytics YOLO11 للتطبيقات الزراعية طريقة رائعة لتتبع أدائه، خاصة مع مجموعات البيانات المتنوعة.

تحليل 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 Ultralytics YOLO11 تتبع كيفية تحرك الأشخاص داخل المتجر، والمناطق التي تحظى بأكبر حركة مرور للعملاء، وكيفية تفاعل المتسوقين مع المنتجات. يمكن بعد ذلك استخدام هذه البيانات لتصنيع خرائط حرارية لإبراز الرفوف التي تجذب أكبر قدر من الاتباه، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كانت عروض الإعلانات تجذب الانظار.

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.

Fig 4. مثال على خريطة حرارية تم إنشاؤها باستخدام Ultralytics YOLO11 لمركز تسوق.

في كثير من الأحيان، تتمتع متاجر التجزئة بخصائص فريدة، مثل ظروف الإضاءة المتغيرة، والتخطيطات، وأحجام الحشود. وبسبب هذه الاختلافات، تحتاج نماذج الرؤية الحاسوبية المستخدمة لتحليل نشاط المتجر إلى الاختبار والضبط بعناية لكل موقع لضمان الدقة. على سبيل المثال، يمكن أن يساعد تكامل DVCLive في الضبط الدقيق لنموذج Ultralytics YOLO11، مما يجعله أكثر دقة وموثوقية لتطبيقات التجزئة، مما يتيح رؤى أفضل حول سلوك العملاء وعمليات المتجر.

أبرز النقاط#

إن إجراء التدريب المخصص لنموذج Ultralytics YOLO11 أثناء استخدام تكامل DVCLive يسهل تتبع وتحسين تجارب الرؤية الحاسوبية الخاصة بك. فهو يسجل التفاصيل المهمة تلقائياً، ويعرض نتائج مرئية واضحة، ويساعدك على مقارنة الإصدارات المختلفة 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 حول ذكاء الرؤية الاصطناعي، وراجع خيارات الترخيص الخاصة بنا لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بالابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في القيادة الذاتية؟ تفضل بزيارة صفحتنا للحلول لتعرف المزيد.