تتبّع التجارب باستخدام Ultralytics YOLO11 وDVC

يُعد تتبع تجارب الرؤية الحاسوبية ومراقبتها، حيث تُدرَّب الآلات على تفسير البيانات المرئية وفهمها، جزءًا أساسيًا من تطوير نماذج ذكاء اصطناعي للرؤية مثل Ultralytics YOLO11 وضبطها الدقيق. وغالبًا ما تتضمن هذه التجارب اختبار معلمات رئيسية مختلفة وتسجيل المقاييس والنتائج من عمليات تدريب متعددة للنموذج. ويمكن أن يساعد ذلك على تحليل أداء النموذج وإجراء تحسينات عليه استنادًا إلى البيانات.

من دون نظام محدد جيدًا لـتتبع التجارب، قد تصبح مقارنة النتائج وإجراء تغييرات على النماذج أمرًا معقدًا وقد يؤدي إلى أخطاء. وفي الواقع، تُعد أتمتة هذه العملية خيارًا رائعًا لضمان اتساق أفضل.

وهذا تحديدًا ما يهدف إليه تكامل DVCLive الذي تدعمه Ultralytics. يوفر DVCLive طريقة مبسطة لتسجيل تفاصيل التجارب تلقائيًا، وتصوير النتائج بصريًا، وإدارة تتبع أداء النماذج، كل ذلك ضمن سير عمل واحد.

سنناقش في هذه المقالة كيفية استخدام تكامل DVCLive أثناء تدريب Ultralytics YOLO11. كما سنتناول فوائده وكيف يسهّل تتبع التجارب لتطوير نماذج ذكاء اصطناعي للرؤية على نحو أفضل.

ما DVCLive؟#

DVCLive، الذي أنشأته DVC (التحكم في إصدارات البيانات)، أداة موثوقة مفتوحة المصدر مصممة لتتبع تجارب التعلم الآلي. وتوفر مكتبة DVCLive لـ Python مسجلًا آنيًا للتجارب يمكّن مطوري الذكاء الاصطناعي والباحثين من تتبع مقاييس تجاربهم ومعلماتها.

فعلى سبيل المثال، يمكنه تسجيل مقاييس أداء النموذج الرئيسية تلقائيًا، ومقارنة النتائج عبر دورات التدريب، وتصوير أداء النموذج. وتمكّن هذه الميزات DVCLive من مساعدتك على الحفاظ على سير عمل تعلم آلي منظم وقابل لإعادة الإنتاج.

الشكل 1. لمحة سريعة عن لوحة معلومات DVCLive لتتبع التجارب.

الميزات الرئيسية لـ DVCLive#

يسهل استخدام تكامل DVCLive، ويمكنه تحسين مشروعات الرؤية الحاسوبية من خلال توفير تصورات للبيانات وأدوات تحليل واضحة وسهلة الفهم. وفيما يلي بعض الميزات الرئيسية الأخرى لـ DVCLive:

• يدعم أُطر عمل متنوعة: يمكن استخدام DVCLive مع أُطر عمل أخرى شائعة للتعلم الآلي. وهذا يجعل دمجه في مسارات العمل الحالية وتحسين إمكانات تتبع التجارب أمرًا مباشرًا.
• مخططات تفاعلية: يمكن استخدامه لإنشاء مخططات تفاعلية للبيانات تلقائيًا، مما يوفر تمثيلات مرئية لمقاييس الأداء بمرور الوقت.
• تصميم خفيف الوزن: DVCLive مكتبة خفيفة ومرنة وسهلة الاستخدام، إذ يمكن استخدامها عبر مشروعات وبيئات مختلفة.

لماذا ينبغي استخدام تكامل DVCLive؟#

أثناء تصفح وثائق Ultralytics واستكشاف عمليات التكامل المتاحة، قد تتساءل: ما الذي يميز تكامل DVCLive، ولماذا ينبغي اختياره لسير العمل الخاص بي؟

مع وجود عمليات تكامل مثل TensorBoard وMLflow التي توفر أيضًا أدوات لتتبع المقاييس وتصوير النتائج، من الضروري فهم الخصائص الفريدة التي تميز هذا التكامل.

إليك أسبابًا تجعل DVCLive خيارًا مثاليًا لمشروعات Ultralytics YOLO:

• عبء إضافي محدود: يُعد DVCLive أداة رائعة لتسجيل مقاييس التجارب مع الحد الأدنى من الأعباء الحسابية أو التخزينية. فهو يحفظ السجلات في ملفات نصية عادية أو ملفات JSON، ما يسهل دمجه في مسارات العمل الحالية دون الاعتماد على خدمات أو قواعد بيانات خارجية.
• تكامل أصيل مع DVC: طوّره الفريق الذي يقف وراء DVC، ويعمل DVCLive بسلاسة مع نظام DVC لإصدار البيانات والنماذج. كما يتيح للمستخدمين تتبع إصدارات مجموعات البيانات ونقاط التحقق الخاصة بالنماذج وتغييرات خطوط المعالجة، مما يجعله مثاليًا للفرق التي تستخدم DVC بالفعل لضمان قابلية إعادة إنتاج نتائج التعلم الآلي.
• متوافق مع Git: يتكامل DVCLive مع Git، مما يسهل تتبع التغييرات ومقارنة النماذج والعودة إلى الإصدارات السابقة، مع الحفاظ على تنظيم بيانات التجارب وإدارة إصداراتها.

البدء باستخدام DVCLive#

إن تتبع تدريب نموذج Ultralytics YOLO11 باستخدام DVCLive أبسط مما قد تتوقع. فبمجرد تثبيت المكتبات اللازمة وتهيئتها، يمكنك البدء سريعًا في تدريب نموذج YOLO11 مخصصًا.

بعد التدريب، يمكنك تعديل إعدادات رئيسية مثل عدد العصور (عدد مرات مرور النموذج على مجموعة البيانات بأكملها)، والصبر (مدة الانتظار قبل الإيقاف في حال عدم حدوث تحسن)، وحجم الصورة المستهدف (دقة الصور المستخدمة في التدريب) لتحسين الدقة. وبعد ذلك، يمكنك استخدام أداة التصور في DVCLive لمقارنة إصدارات مختلفة من النموذج وتحليل أدائها.

للاطلاع على فهم أكثر تفصيلًا لعملية تدريب النموذج وأفضل الممارسات، راجع وثائقنا حول التدريب المخصص لنماذج Ultralytics YOLO.

دعونا ننتقل الآن إلى كيفية تثبيت تكامل DVCLive واستخدامه أثناء التدريب المخصص لـ Ultralytics YOLO11.

تثبيت المتطلبات#

قبل البدء بتدريب YOLO11، ستحتاج إلى تثبيت كل من حزمة Python من Ultralytics وDVCLive. صُمم هذا التكامل بحيث تعمل المكتبتان معًا افتراضيًا، لذا لا داعي للقلق بشأن الإعدادات المعقدة.

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

الشكل 2. تثبيت Ultralytics وDVCLive.

بعد تثبيت الحزم، يمكنك إعداد بيئتك وإضافة بيانات الاعتماد اللازمة لضمان عمل DVCLive بسلاسة. ومن المفيد أيضًا إعداد مستودع Git لتتبّع التعليمات البرمجية وأي تغييرات تطرأ على إعدادات DVCLive.

للحصول على تعليمات مفصلة خطوة بخطوة ونصائح مفيدة أخرى، راجع دليل التثبيت. وإذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة، فسيقدم لك دليل المشكلات الشائعة الحلول والموارد اللازمة للمساعدة.

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 Python التي تيسر العمل مع البيانات، مثل تنظيمها في جداول لتحليلها ومقارنتها)، مما يسهل التعامل معها وتصويرها.

لاستكشاف نتائجك بطريقة أكثر تفاعلية وبصرية، يمكنك أيضًا تجربة مخطط الإحداثيات المتوازية في Plotly (نوع من المخططات يوضح كيفية ارتباط معلمات النماذج المختلفة بنتائج الأداء).

في نهاية المطاف، يمكنك استخدام الرؤى المستخلصة من هذه التصورات لاتخاذ قرارات أفضل بشأن تحسين نموذجك أو ضبط المعلمات الفائقة أو إجراء تعديلات أخرى لتعزيز أدائه الإجمالي.

تطبيقات Ultralytics YOLO11 وتكامل DVCLive#

بعد أن تعلمنا كيفية تثبيت Ultralytics YOLO11 وتصوير نتائج التدريب باستخدام تكامل DVCLive، لنستكشف بعض التطبيقات التي يمكن لهذا التكامل تعزيزها.

الزراعة والزراعة الدقيقة#

عندما يتعلق الأمر بالزراعة وحصاد المحاصيل الغذائية، يمكن للدقة أن تُحدث فرقًا كبيرًا. فعلى سبيل المثال، يمكن للمزارعين الاستفادة من دعم Ultralytics YOLO11 لـاكتشاف الأجسام وتقسيم الحالات لتحديد أمراض المحاصيل المحتملة، وتتبع الماشية، واكتشاف انتشار الآفات.

وعلى وجه الخصوص، يمكن أن يساعد Ultralytics YOLO11 في رصد العلامات المبكرة لأمراض النباتات أو الآفات الضارة أو الحيوانات غير السليمة، وذلك من خلال تحليل الصور الملتقطة بالطائرات المسيّرة أو الكاميرات. وتتيح هذه الأنواع من أنظمة الذكاء الاصطناعي للرؤية للمزارعين التحرك سريعًا لوقف انتشار المشكلات، مما يوفر الوقت ويحد من الخسائر.

الشكل 3. مثال على استخدام YOLO11 لمراقبة المحاصيل.

نظرًا إلى أن ظروف المزارع تتغير باستمرار بفعل الطقس والفصول، فمن المهم اختبار النماذج على مجموعة متنوعة من الصور لضمان أدائها الجيد في مواقف مختلفة. ويُعد استخدام تكامل DVCLive لتدريب Ultralytics YOLO11 مخصصًا للتطبيقات الزراعية وسيلة ممتازة لتتبّع أدائه، ولا سيما عند استخدام مجموعات بيانات متنوعة.

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، يستطيع Ultralytics YOLO11 تتبع حركة الأشخاص داخل المتجر، وتحديد المناطق الأكثر ازدحامًا، ومعرفة كيفية تفاعل المتسوقين مع المنتجات. ويمكن بعد ذلك استخدام هذه البيانات لإنشاء خرائط حرارية توضح الأرفف التي تجذب أكبر قدر من الانتباه، والمدة التي يقضيها العملاء في الممرات المختلفة، وما إذا كانت عروض الإعلانات تحظى بالملاحظة.

وباستخدام هذه المعلومات التجارية، يستطيع أصحاب المتاجر إعادة ترتيب المنتجات لزيادة المبيعات، وتسريع صفوف الدفع، وتعديل أعداد الموظفين لمساعدة العملاء في الأماكن والأوقات التي يحتاجون فيها إلى ذلك أكثر من غيرها.

الشكل 4. مثال على خريطة حرارية أُنشئت باستخدام Ultralytics YOLO11 لمركز تسوق.

غالبًا ما تتميز متاجر البيع بالتجزئة بخصائص فريدة، مثل اختلاف ظروف الإضاءة والتصميمات الداخلية وأعداد الزوار. وبسبب هذه الاختلافات، يجب اختبار نماذج الرؤية الحاسوبية المستخدمة لتحليل أنشطة المتاجر وضبطها بعناية لكل موقع لضمان الدقة. فعلى سبيل المثال، يمكن لتكامل DVCLive المساعدة في تتبع جولات الضبط الدقيق لـUltralytics YOLO11، ما يسهل بناء نماذج دقيقة وموثوقة لتطبيقات البيع بالتجزئة، ويوفر رؤى أفضل حول سلوك العملاء وعمليات المتجر.

أبرز النقاط#

يسهّل التدريب المخصص لـUltralytics YOLO11 مع استخدام تكامل DVCLive تتبّع تجارب الرؤية الحاسوبية وتحسينها. إذ يسجل تلقائيًا التفاصيل المهمة، ويعرض النتائج بصريًا بوضوح، ويساعدك على مقارنة إصدارات النموذج المختلفة.

سواء أكنت تسعى إلى زيادة إنتاجية المزارع أو تحسين تجربة التسوق في متجر، يساعدك هذا التكامل على التحقق من أداء نماذج الذكاء الاصطناعي البصري لديك. ومن خلال تتبع التجارب، يمكنك اختبار نماذجك وتنقيحها وتحسينها منهجيًا، ما يؤدي إلى تحسينات مستمرة في الدقة والأداء.

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعرف أكثر على الذكاء الاصطناعي للرؤية، واطّلع على خيارات الترخيص لبدء مشاريع الرؤية الحاسوبية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في القيادة الذاتية؟ تفضل بزيارة صفحات حلولنا لمعرفة المزيد.