تتبّع التجارب باستخدام Ultralytics YOLO11 وDVC
تعرّف على كيفية استخدام تتبّع التجارب لتبسيط تجارب Ultralytics YOLO11 باستخدام تكامل DVC لتحسين أداء النموذج.
يُعد تتبّع تجارب الرؤية الحاسوبية ومراقبتها، حيث تُدرَّب الآلات على تفسير البيانات المرئية وفهمها، جزءًا أساسيًا من تطوير نماذج الذكاء الاصطناعي للرؤية وضبطها بدقة، مثل Ultralytics YOLO11. وغالبًا ما تتضمن هذه التجارب اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب متعددة للنموذج. ويمكن أن يساعد ذلك في تحليل أداء النموذج وإجراء تحسينات مستندة إلى البيانات عليه.
من دون نظام محدد جيدًا لتتبّع التجارب، قد تصبح مقارنة النتائج وإجراء تغييرات على النماذج أمرًا معقدًا وقد يؤدي إلى حدوث أخطاء. وفي الواقع، تُعد أتمتة هذه العملية خيارًا رائعًا يمكن أن يضمن اتساقًا أفضل.
وهذا بالتحديد ما يهدف تكامل DVCLive المدعوم من Ultralytics إلى تحقيقه. إذ يوفر DVCLive طريقة مبسطة لتسجيل تفاصيل التجارب تلقائيًا، وتصور النتائج، وإدارة تتبّع أداء النماذج، كل ذلك ضمن سير عمل واحد.
سنناقش في هذه المقالة كيفية استخدام تكامل DVCLive أثناء تدريب Ultralytics YOLO11. كما سنلقي نظرة على فوائده وكيف يجعل تتبّع التجارب أسهل لتطوير نماذج الذكاء الاصطناعي للرؤية بصورة أفضل.
ما هو DVCLive؟#
DVCLive، الذي أنشأه DVC (التحكم في إصدارات البيانات)، هو أداة موثوقة مفتوحة المصدر مصممة لتتبّع تجارب تعلّم الآلة. وتوفر مكتبة DVCLive في Python مسجّلًا للتجارب في الوقت الفعلي، ما يتيح لمطوري الذكاء الاصطناعي والباحثين تتبّع مقاييس تجاربهم ومعلماتها.
فعلى سبيل المثال، يمكنه تسجيل مقاييس أداء النموذج الرئيسية تلقائيًا، ومقارنة النتائج بين عمليات التدريب، وتصور أداء النموذج. وتمكّن هذه الميزات DVCLive من مساعدتك في الحفاظ على سير عمل منظّم وقابل لإعادة الإنتاج لتعلّم الآلة.
الشكل 1. نظرة سريعة على لوحة معلومات DVCLive لتتبّع التجارب.
الميزات الرئيسية في DVCLive#
يتميز تكامل DVCLive بسهولة الاستخدام، ويمكنه تحسين مشاريعك في مجال الرؤية الحاسوبية من خلال توفير تصورات واضحة وسهلة الفهم للبيانات وأدوات للتحليل. فيما يلي بعض الميزات الرئيسية الأخرى في DVCLive:
-
دعم أطر العمل المتنوعة: يمكن استخدام DVCLive مع أطر عمل أخرى شائعة لتعلّم الآلة. وهذا يجعل دمجه في عمليات سير العمل الحالية وتحسين إمكانات تتبّع التجارب أمرًا مباشرًا.
-
المخططات التفاعلية: يمكن استخدامه لإنشاء مخططات تفاعلية من البيانات تلقائيًا، ما يوفر تمثيلات مرئية لمقاييس الأداء بمرور الوقت.
-
تصميم خفيف الوزن: تُعد DVCLive مكتبة خفيفة الوزن ومرنة وسهلة الوصول، إذ يمكن استخدامها عبر مشاريع وبيئات مختلفة.
لماذا ينبغي لك استخدام تكامل DVCLive؟#
أثناء استعراضك وثائق Ultralytics واستكشافك عمليات التكامل المتاحة، قد تجد نفسك تتساءل: ما الذي يميز تكامل DVCLive، ولماذا ينبغي أن أختاره لسير عملي؟
مع وجود عمليات تكامل مثل TensorBoard وMLflow التي توفر أيضًا أدوات لتتبّع المقاييس وتصور النتائج، من الضروري فهم السمات الفريدة التي تجعل هذا التكامل متميزًا.
إليك أسبابًا تجعل DVCLive خيارًا مثاليًا لمشاريع Ultralytics YOLO الخاصة بك:
-
الحد الأدنى من الأعباء: تُعد DVCLive أداة رائعة لتسجيل مقاييس التجارب من دون إضافة أي عبء حسابي أو تخزيني إضافي. فهي تحفظ السجلات كملفات نصية عادية أو ملفات JSON، ما يسهل دمجها في عمليات سير العمل الحالية من دون الاعتماد على خدمات أو قواعد بيانات خارجية.
-
التكامل الأصلي مع DVC: طوّر فريق DVC أداة DVCLive، ولذلك تعمل بسلاسة مع نظام DVC لإصدار البيانات والنماذج. كما تتيح للمستخدمين تتبّع إصدارات مجموعات البيانات ونقاط فحص النماذج وتغييرات مسارات العمل، ما يجعلها مثالية للفرق التي تستخدم DVC بالفعل لضمان قابلية إعادة إنتاج تعلّم الآلة.
-
متوافقة مع Git: تتكامل DVCLive مع Git، ما يسهل تتبّع التغييرات ومقارنة النماذج والعودة إلى الإصدارات السابقة، مع الحفاظ على تنظيم بيانات التجارب وإدارتها حسب الإصدارات.
البدء باستخدام DVCLive#
إن تتبّع تدريب نماذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما قد تتوقع. وبمجرد تثبيت المكتبات اللازمة وتهيئتها، يمكنك البدء سريعًا في تدريب نموذج YOLO11 المخصص.
بعد التدريب، يمكنك ضبط إعدادات رئيسية مثل العصور (عدد مرات مرور النموذج على مجموعة البيانات بأكملها)، ومقدار الصبر (المدة التي ينبغي انتظارها قبل الإيقاف عند عدم حدوث تحسن)، وحجم الصورة المستهدف (دقة الصور المستخدمة في التدريب) لتحسين الدقة. ثم يمكنك استخدام أداة التصور في DVCLive لمقارنة إصدارات مختلفة من نموذجك وتحليل أدائها.
للحصول على فهم أكثر تفصيلًا لعملية تدريب النماذج وأفضل الممارسات، راجع وثائقنا حول التدريب المخصص لنماذج Ultralytics YOLO.
والآن، لنستعرض كيفية تثبيت تكامل DVCLive واستخدامه أثناء التدريب المخصص لنموذج Ultralytics YOLO11.
تثبيت المتطلبات#
قبل أن تتمكن من بدء تدريب YOLO11، ستحتاج إلى تثبيت كلٍّ من حزمة Ultralytics في Python وDVCLive. وقد صُمم هذا التكامل بحيث تعمل المكتبتان معًا بسلاسة افتراضيًا، لذلك لا داعي للقلق بشأن التهيئات المعقدة.
يمكن إكمال عملية التثبيت بأكملها في بضع دقائق فقط باستخدام أمر pip واحد، وهو أداة لإدارة الحزم وتثبيت مكتبات Python، كما هو موضح في الصورة أدناه.
الشكل 2. تثبيت Ultralytics وDVCLive.
بمجرد تثبيت الحزم، يمكنك إعداد بيئتك وإضافة بيانات الاعتماد اللازمة لضمان عمل DVCLive بسلاسة. كما يُعد إعداد مستودع Git مفيدًا لتتبّع التعليمات البرمجية وأي تغييرات تطرأ على إعدادات DVCLive.
للحصول على إرشادات تفصيلية خطوة بخطوة ونصائح مفيدة أخرى، راجع دليل التثبيت. وإذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة، فإن دليل المشكلات الشائعة لدينا يتضمن حلولًا وموارد لمساعدتك.
تدريب التجارب باستخدام DVCLive#
بعد اكتمال جلسة تدريب نموذج Ultralytics YOLO11، يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. وعلى وجه التحديد، يمكنك استخدام API الخاص بـ DVC لاستخراج البيانات ومعالجتها باستخدام Pandas (مكتبة في Python تسهّل العمل مع البيانات، مثل تنظيمها في جداول للتحليل والمقارنة) لتسهيل التعامل معها وتصورها.
وللاستكشاف التفاعلي والمرئي لنتائجك، يمكنك أيضًا تجربة استخدام مخطط الإحداثيات المتوازية في Plotly (وهو نوع من المخططات يوضح كيفية ترابط معلمات النموذج المختلفة ونتائج الأداء).
وفي النهاية، يمكنك استخدام الرؤى المستخلصة من هذه التصورات لاتخاذ قرارات أفضل بشأن تحسين نموذجك، وضبط المعلمات الفائقة، أو إجراء تعديلات أخرى لتعزيز أدائه الإجمالي.
تطبيقات Ultralytics YOLO11 وتكامل DVCLive#
بعد أن تعلمنا كيفية تثبيت نتائج تدريب Ultralytics YOLO11 وتصورها باستخدام تكامل DVCLive، لنستكشف بعض التطبيقات التي يمكن لهذا التكامل تحسينها.
الزراعة والزراعة الدقيقة#
عندما يتعلق الأمر بالزراعة وحصاد المحاصيل الغذائية، يمكن أن يُحدث تطبيق الدقة فرقًا كبيرًا. فعلى سبيل المثال، يمكن للمزارعين الاستفادة من دعم Ultralytics YOLO11 لـاكتشاف الأجسام وتقسيم المثيلات لتحديد أمراض المحاصيل المحتملة، وتتبع الماشية، واكتشاف تفشّي الآفات.
وعلى وجه الخصوص، يمكن لـ Ultralytics YOLO11 المساعدة في اكتشاف العلامات المبكرة لأمراض النباتات أو الآفات الضارة أو الحيوانات غير السليمة من خلال تحليل الصور الملتقطة بالطائرات المسيّرة أو الكاميرات. وتمكّن هذه الأنواع من أنظمة الذكاء الاصطناعي للرؤية المزارعين من التحرك سريعًا لوقف انتشار المشكلات، ما يوفر الوقت ويقلل الخسائر.
الشكل 3. مثال على استخدام YOLO11 لمراقبة المحاصيل.
نظرًا إلى أن ظروف المزرعة تتغير باستمرار مع الطقس والفصول، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور لضمان أدائها الجيد في المواقف المختلفة. ويُعد استخدام تكامل DVCLive للتدريب المخصص لنموذج Ultralytics YOLO11 للتطبيقات الزراعية طريقة رائعة لتتبّع أدائه، لا سيما مع مجموعات البيانات المتنوعة.
تحليل سلوك العملاء في قطاع التجزئة#
يمكن لمتاجر التجزئة استخدام الذكاء الاصطناعي والرؤية الحاسوبية لفهم سلوك العملاء وإجراء تحسينات تعزز تجربة التسوق.
من خلال تحليل مقاطع الفيديو الملتقطة بكاميرات المراقبة، يمكن لـ Ultralytics YOLO11 تتبّع حركة الأشخاص داخل المتجر، وتحديد المناطق التي تشهد أكبر حركة للمتسوقين، ومعرفة كيفية تفاعلهم مع المنتجات. ويمكن بعد ذلك استخدام هذه البيانات لإنشاء خرائط حرارية توضح الرفوف التي تجذب أكبر قدر من الانتباه، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كانت الإعلانات المعروضة تحظى بالملاحظة.
وبفضل هذه المعلومات التجارية، يمكن لمالكي المتاجر إعادة ترتيب المنتجات لزيادة المبيعات، وتسريع طوابير الدفع، وتعديل أعداد الموظفين لمساعدة العملاء حيثما ومتى تكون حاجتهم إليهم أكبر.
الشكل 4. مثال على خريطة حرارية أُنشئت باستخدام Ultralytics YOLO11 لمركز تسوق.
غالبًا ما تتميز متاجر التجزئة بخصائص فريدة، مثل اختلاف ظروف الإضاءة والتخطيطات وأعداد المتسوقين. وبسبب هذه الاختلافات، يجب اختبار نماذج الرؤية الحاسوبية المستخدمة لتحليل نشاط المتجر وضبطها بعناية لكل موقع لضمان الدقة. فعلى سبيل المثال، يمكن لتكامل DVCLive المساعدة في ضبط Ultralytics YOLO11 بدقة، ما يجعله أكثر دقة وموثوقية لتطبيقات التجزئة، ويتيح الحصول على رؤى أفضل حول سلوك العملاء وعمليات المتجر.
أهم النقاط المستخلصة#
يجعل التدريب المخصص لنموذج Ultralytics YOLO11 أثناء استخدام تكامل DVCLive تتبّع تجارب الرؤية الحاسوبية وتحسينها أكثر سهولة. إذ يسجل تلقائيًا التفاصيل المهمة، ويعرض نتائج مرئية واضحة، ويساعدك في مقارنة الإصدارات المختلفة لنموذجك.
سواء كنت تحاول تعزيز إنتاجية المزرعة أو تحسين تجربة التسوق في متجر، يضمن هذا التكامل أداء نماذج الذكاء الاصطناعي للرؤية لديك جيدًا. ومن خلال تتبّع التجارب، يمكنك اختبار نماذجك وتنقيحها وتحسينها منهجيًا، ما يؤدي إلى تحسينات مستمرة في الدقة والأداء.
انضم إلى مجتمعنا واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي للرؤية، واطّلع على خيارات الترخيص لدينا لبدء مشاريعك في مجال الرؤية الحاسوبية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في المركبات ذاتية القيادة؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد.
