تعرف على كيف يمكنك استخدام تتبع التجارب لتبسيط تجارب Ultralytics YOLO11 الخاصة بك مع تكامل DVC لتحسين أداء النموذج.
.webp)
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرف على كيف يمكنك استخدام تتبع التجارب لتبسيط تجارب Ultralytics YOLO11 الخاصة بك مع تكامل DVC لتحسين أداء النموذج.
يعد تتبع ومراقبة تجارب رؤية الكمبيوتر، حيث يتم تدريب الآلات على تفسير وفهم البيانات المرئية، جزءًا حاسمًا من تطوير وضبط نماذج رؤية الذكاء الاصطناعي مثل Ultralytics YOLO11. غالبًا ما تتضمن هذه التجارب اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب نماذج متعددة. يمكن أن يساعد القيام بذلك في تحليل أداء النموذج وإجراء تحسينات تعتمد 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 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. وسنلقي نظرة أيضًا على فوائده وكيف يسهل تتبع التجارب لتحسين تطوير نماذج رؤية الذكاء الاصطناعي.
DVCLive، الذي تم إنشاؤه بواسطة DVC (التحكم في إصدار البيانات)، هو أداة موثوقة مفتوحة المصدر مصممة لتتبع تجارب تعلم الآلة. توفر مكتبة DVCLive Python مسجل تجارب في الوقت الفعلي يمكّن مطوري وباحثي الذكاء الاصطناعي من 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 منظم وقابل للتكرار في مجال تعلم الآلة.
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:
أثناء تصفح وثائق Ultralytics 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.
إليك سبب كون DVCLive خيارًا مثاليًا لمشاريع Ultralytics YOLO الخاصة بك:
يعد تتبع تدريب نموذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما تتوقع. بمجرد تثبيت المكتبات الضرورية وتهيئتها، يمكنك البدء بسرعة في التدريب المخصص لنموذج YOLO11 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.
لفهم عملية تدريب النموذج وأفضل الممارسات بشكل أكثر تفصيلاً، راجع وثائقنا الخاصة بـ التدريب المخصص لنماذج Ultralytics YOLO.
بعد ذلك، لنتناول كيفية تثبيت واستخدام تكامل DVCLive أثناء التدريب المخصص لـ YOLO11.
قبل أن تتمكن من بدء تدريب YOLO11، ستحتاج إلى تثبيت كل من حزمة Ultralytics Python و DVCLive. تم تصميم هذا التكامل بطريقة تجعل المكتبتين تعملان معًا بسلاسة افتراضيًا، لذلك لا داعي للقلق بشأن التكوينات المعقدة.
يمكن إكمال عملية التثبيت بأكملها في غضون دقيقتين فقط باستخدام أمر Pip واحد، وهي أداة لإدارة الحزم 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 لتتبع التعليمات البرمجية الخاصة بك وأي تغييرات في 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.
بعد اكتمال جلسة تدريب نموذج YOLO11 الخاص بك، يمكنك استخدام أدوات التصور لتحليل النتائج بعمق. على وجه التحديد، يمكنك استخدام واجهة برمجة تطبيقات DVC لاستخراج البيانات ومعالجتها باستخدام Pandas (مكتبة Python تسهل 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.
الآن بعد أن تعلمنا كيفية تثبيت وتصور نتائج تدريب YOLO11 باستخدام تكامل DVCLive، دعنا نستكشف بعض التطبيقات التي يمكن لهذا التكامل تحسينها.
عندما يتعلق الأمر بالزراعة وحصاد المحاصيل الغذائية، يمكن أن تحدث الدقة فرقًا كبيرًا. على سبيل المثال، يمكن للمزارعين استخدام دعم YOLO11 لـ اكتشاف الكائنات وتجزئة المثيل لتحديد الأمراض المحتملة للمحاصيل وتتبع الماشية واكتشاف الإصابات بالآفات.
على وجه الخصوص، يمكن أن يساعد YOLO11 في اكتشاف العلامات المبكرة لأمراض النباتات أو الآفات الضارة أو الحيوانات غير الصحية عن طريق تحليل الصور من الطائرات بدون طيار أو الكاميرات. تمكّن هذه الأنواع من أنظمة الرؤية الاصطناعية المزارعين من التصرف بسرعة لوقف انتشار المشاكل، مما يوفر الوقت ويقلل الخسائر.
نظرًا لأن ظروف المزرعة تتغير باستمرار مع الطقس والفصول، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور للتأكد من أنها تعمل بشكل جيد في المواقف المختلفة. يعد استخدام تكامل DVCLive للتدريب المخصص لـ YOLO11 للتطبيقات الزراعية طريقة رائعة لتتبع أدائه، خاصة مع مجموعات البيانات المتنوعة.
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 تتبع كيفية تحرك الأشخاص في جميع أنحاء المتجر، والمناطق التي تحصل على أكبر عدد من الزيارات، وكيف يتفاعل المتسوقون مع المنتجات. يمكن بعد ذلك استخدام هذه البيانات لإنشاء خرائط حرارية لعرض الرفوف التي تجذب أكبر قدر من الاهتمام، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كان يتم ملاحظة شاشات الإعلانات.
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، تتمتع متاجر البيع بالتجزئة بخصائص فريدة، مثل ظروف الإضاءة المختلفة والتخطيطات وأحجام الحشود. بسبب هذه الاختلافات، يجب اختبار نماذج رؤية الحاسوب المستخدمة لتحليل نشاط المتجر وتعديلها بعناية لكل موقع لضمان الدقة. على سبيل المثال، يمكن أن يساعد تكامل DVCLive في ضبط YOLO11 بدقة، مما يجعله أكثر دقة وموثوقية لتطبيقات البيع بالتجزئة، مما يتيح رؤى أفضل لسلوك العملاء وعمليات المتجر.
يجعل التدريب المخصص لـ YOLO11 أثناء استخدام تكامل DVCLive من السهل تتبع تجارب الرؤية الحاسوبية الخاصة بك وتحسينها. يسجل تلقائيًا التفاصيل المهمة، ويعرض نتائج بصرية واضحة، ويساعدك على مقارنة الإصدارات المختلفة من النموذج الخاص بك.
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.
.webp)
