استكشاف تكاملات تتبّع تجارب تعلّم الآلة في Ultralytics YOLOv8

يُعد جمع البيانات وتعليقها وتدريب نماذج مثل نموذج Ultralytics YOLOv8 جوهر أي مشروع في الرؤية الحاسوبية. وغالبًا ما ستحتاج إلى تدريب نموذجك المخصص عدة مرات باستخدام معلمات مختلفة للعثور على النموذج الأفضل أداءً. ويمكن أن يساعد استخدام أدوات تتبع تجارب التدريب في تسهيل إدارة مشروع الرؤية الحاسوبية قليلًا. وتتبع التجارب هو عملية تسجيل تفاصيل كل جولة تدريب، مثل المعلمات التي استخدمتها والنتائج التي حققتها وأي تغييرات أجريتها أثناء العملية.

الشكل 1. صورة توضّح كيفية إدراج تتبّع التجارب ضمن مشروع للرؤية الحاسوبية.

يساعدك الاحتفاظ بسجل لهذه التفاصيل على إعادة إنتاج نتائجك وفهم ما ينجح وما لا ينجح وضبط نماذجك بدقة بفاعلية أكبر. ويساعد ذلك المؤسسات على الحفاظ على الاتساق بين الفرق، وتعزيز التعاون، وتوفير سجل تدقيق واضح. أما الأفراد، فيستفيدون من الاحتفاظ بـتوثيق واضح ومنظم لأعمالهم، ما يتيح لهم تنقيح نهجهم وتحقيق نتائج أفضل بمرور الوقت.

سنستعرض في هذه المقالة مختلف عمليات التكامل للتدريب المتاحة لإدارة تجارب YOLOv8 ومراقبتها. سواء أكنت تعمل بمفردك أم ضمن فريق أكبر، فإن فهم أدوات التتبع المناسبة واستخدامها يمكن أن يحدث فرقًا ملموسًا في نجاح مشاريع YOLOv8.

تتبّع تجارب التعلم الآلي باستخدام MLflow#

MLflow منصة مفتوحة المصدر طورتها Databricks لتسهيل إدارة دورة حياة التعلم الآلي بأكملها. ويُعد MLflow Tracking مكوّنًا أساسيًا في MLflow، إذ يوفر واجهة API وواجهة مستخدم تساعد علماء البيانات والمهندسين على تسجيل تجارب التعلم الآلي وتصورها. ويدعم لغات وواجهات متعددة، منها Python وREST وواجهات API الخاصة بـ Java وR.

يتكامل MLflow Tracking بسلاسة مع YOLOv8، ويمكنك تسجيل المقاييس المهمة، مثل الإحكام والاستدعاء والخسارة، مباشرةً من نماذجك. ويُعد إعداد MLflow مع YOLOv8 أمرًا مباشرًا، مع خيارات مرنة: يمكنك استخدام إعداد localhost الافتراضي، أو الاتصال بمخازن بيانات مختلفة، أو تشغيل خادم تتبّع MLflow عن بُعد لتنظيم كل شيء.

الشكل 2. إعدادات شائعة لبيئة تتبع MLflow. مصدر الصورة: تتبع MLflow.

إليك بعض النقاط التي تساعدك على تحديد ما إذا كان MLflow الأداة المناسبة لمشروعك:

• قابلية التوسع: يتوسع MLflow بما يتناسب مع احتياجاتك، سواء كنت تعمل على جهاز واحد أو تنشر على عناقيد كبيرة. وإذا كان مشروعك يتطلب التوسع من مرحلة التطوير إلى الإنتاج، فيمكن لـ MLflow دعم هذا النمو.
• تعقيد المشروع: يُعد MLflow مثاليًا للمشروعات المعقدة التي تتطلب تتبّعًا شاملًا وإدارة للنماذج وإمكانات للنشر. وإذا كان مشروعك يتطلب هذه الميزات المتكاملة، فيمكن لـ MLflow تبسيط سير عملك.
• الإعداد والصيانة: على الرغم من إمكاناته القوية، يتطلب MLflow وقتًا للتعلم وجهدًا لإعداده.

استخدام Weights & Biases (W&B) لتتبّع نماذج الرؤية الحاسوبية#

Weights & Biases منصة MLOps لتتبع تجارب تعلّم الآلة وتصويرها وإدارتها. ومن خلال استخدام W&B مع YOLOv8، يمكنك مراقبة أداء نماذجك أثناء تدريبها وضبطها الدقيق. توفر لوحة المعلومات التفاعلية لـ W&B عرضًا واضحًا لهذه المقاييس في الوقت الفعلي، وتسهّل اكتشاف الاتجاهات ومقارنة إصدارات النماذج واستكشاف المشكلات وإصلاحها أثناء التدريب.

يسجل W&B مقاييس التدريب ونقاط التحقق الخاصة بالنماذج تلقائيًا، ويمكنك استخدامه أيضًا لضبط المعلمات الفائقة، مثل معدل التعلم وحجم الدفعة. وتدعم المنصة مجموعة واسعة من خيارات الإعداد، بدءًا من تتبّع عمليات التشغيل على جهازك المحلي ووصولًا إلى إدارة المشروعات الكبيرة باستخدام التخزين السحابي.

الشكل 3. مثال على لوحات معلومات تتبّع التجارب في Weights & Biases. مصدر الصورة: تتبّع التجارب باستخدام Weights & Biases.

إليك بعض النقاط التي تساعدك على تحديد ما إذا كان Weights & Biases الأداة المناسبة لمشروعك:

• تحسين التصور والتتبّع: يوفر W&B لوحة معلومات سهلة الاستخدام لتصور مقاييس التدريب وأداء النموذج في الوقت الفعلي.

تتبّع تجارب MLOps باستخدام ClearML#

ClearML منصة مفتوحة المصدر لعمليات التعلم الآلي (MLOps)، مصممة لأتمتة سير عمل التعلم الآلي ومراقبته وتنسيقه. وتدعم أطر التعلم الآلي الشائعة مثل PyTorch وTensorFlow وKeras، ويمكنها الاندماج بسهولة في عملياتك الحالية. كما تدعم ClearML الحوسبة الموزعة على الأجهزة المحلية أو في السحابة، ويمكنها مراقبة استخدام CPU وGPU.

يوفر تكامل YOLOv8 مع ClearML أدوات لتتبع التجارب وإدارة النماذج ومراقبة الموارد. وتتيح واجهة الويب سهلة الاستخدام في المنصة تصور البيانات ومقارنة التجارب وتتبع المقاييس المهمة مثل الخسارة والدقة ودرجات التحقق في الوقت الفعلي. كما يدعم التكامل ميزات متقدمة مثل التنفيذ عن بُعد وضبط المعلمات الفائقة وحفظ نقاط التحقق للنماذج.

الشكل 4. مثال على تصورات تتبع التجارب في ClearML. مصدر الصورة: تتبع التجارب وتصور النتائج في ClearML.

إليك بعض النقاط التي تساعدك على تحديد ما إذا كان ClearML الأداة المناسبة لمشروعك:

• الحاجة إلى تتبّع متقدم للتجارب: يوفر ClearML تتبّعًا قويًا للتجارب، يتضمن تكاملًا تلقائيًا مع Git.
• مرونة النشر: يمكن استخدام ClearML في بيئة محلية أو في السحابة أو على عناقيد Kubernetes، ما يجعله قابلًا للتكيف مع إعدادات مختلفة.

تتبّع تجارب التدريب باستخدام Comet ML#

Comet ML منصة سهلة الاستخدام تساعد على إدارة تجارب التعلم الآلي وتتبّعها. يتيح تكامل YOLOv8 مع Comet ML تسجيل تجاربك واستعراض نتائجك بمرور الوقت. ويسهّل هذا التكامل رصد الاتجاهات ومقارنة عمليات التشغيل المختلفة.

يمكن استخدام Comet ML في السحابة أو في سحابة خاصة افتراضية (VPC) أو حتى في بيئة محلية، ما يجعله قابلًا للتكيف مع الإعدادات والاحتياجات المختلفة. وصُممت هذه الأداة للعمل الجماعي؛ إذ يمكنك مشاركة المشروعات والإشارة إلى زملائك وكتابة التعليقات، ليتمكن الجميع من متابعة المستجدات وإعادة إنتاج التجارب بدقة.

إليك بعض النقاط التي تساعدك على تحديد ما إذا كان Comet ML الأداة المناسبة لمشروعك:

• يدعم أطر عمل ولغات متعددة: يعمل Comet ML مع Python وJavaScript وJava وR وغيرها، مما يجعله خيارًا متعدد الاستخدامات بصرف النظر عن الأدوات أو اللغات التي يستخدمها مشروعك.
• لوحات معلومات وتقارير قابلة للتخصيص: تتميز واجهة Comet ML بقابلية عالية للتخصيص، ما يتيح لك إنشاء التقارير ولوحات المعلومات الأنسب لمشروعك.
• التكلفة: Comet ML منصة تجارية، وتتطلب بعض ميزاتها المتقدمة اشتراكًا مدفوعًا.

يمكن أن يساعد TensorBoard في التصور#

TensorBoard مجموعة أدوات قوية للتصور، صُممت خصيصًا لتجارب TensorFlow، لكنها أيضًا أداة ممتازة لتتبّع المقاييس وتصورها عبر نطاق واسع من مشروعات التعلم الآلي. ويتيح TensorBoard، المعروف ببساطته وسرعته، للمستخدمين تتبّع المقاييس الرئيسية بسهولة وتصور رسوم النماذج والتضمينات وأنواع البيانات الأخرى.

من المزايا الرئيسية لـاستخدام TensorBoard مع YOLOv8 أنه لا يتطلب إلا إعدادًا بسيطًا: ثبّت الحزمة tensorboard وفعّل التسجيل مرة واحدة باستخدام yolo settings tensorboard=True. ومن المزايا الأخرى إمكانية تشغيل TensorBoard بالكامل داخل مقر العمل. وهذا مهم بوجه خاص للمشاريع ذات متطلبات الخصوصية الصارمة للبيانات أو التي لا يتاح لها رفع البيانات إلى السحابة.

الشكل 5. مراقبة تدريب نموذج YOLOv8 باستخدام TensorBoard.

إليك بعض النقاط التي تساعدك على تحديد ما إذا كان TensorBoard الأداة المناسبة لمشروعك:

• تتبّع بسيط للتجارب: يُعد TensorBoard مناسبًا لاحتياجات التتبّع الأساسية، مع إمكانات محدودة لمقارنة التجارب، كما يفتقر إلى ميزات قوية للتعاون بين الفرق والتحكم في الإصدارات وإدارة الخصوصية.

استخدام DVCLive (التحكم المباشر في إصدارات البيانات) لتتبّع تجارب التعلم الآلي#

يوفر تكامل YOLOv8 مع DVCLive طريقة مبسطة لتتبع التجارب وإدارتها من خلال إصدارة مجموعات البيانات والنماذج والتعليمات البرمجية معًا، دون تخزين الملفات الكبيرة في Git. ويستخدم أوامر شبيهة بـ Git، ويخزن المقاييس المتتبعة في ملفات نصية عادية لتسهيل التحكم في الإصدارات. ويسجل DVCLive المقاييس الرئيسية، ويصور النتائج، ويدير التجارب بوضوح دون إرباك مستودعك. كما يدعم مجموعة واسعة من موفري التخزين ويمكنه العمل محليًا أو في السحابة. ويلائم DVCLive الفرق التي تسعى إلى تبسيط تتبع التجارب دون بنية تحتية إضافية أو اعتماد على الخدمات السحابية.

إدارة نماذج Ultralytics وسير العمل باستخدام Ultralytics HUB#

Ultralytics HUB (المعروفة الآن باسم Ultralytics Platform) هي منصة متكاملة طُوّرت داخليًا وصُممت لتبسيط تدريب ونشر وإدارة نماذج Ultralytics YOLO مثل YOLOv5 وYOLOv8. وعلى خلاف عمليات التكامل الخارجية، يوفّر Ultralytics HUB تجربة أصلية صُممت خصيصًا لمستخدمي YOLO. وتبسّط المنصة العملية بأكملها، إذ تتيح لك بسهولة رفع مجموعات البيانات واختيار النماذج المدرّبة مسبقًا وبدء التدريب ببضع نقرات فقط باستخدام الموارد السحابية، وكل ذلك من خلال واجهة HUB سهلة الاستخدام. كما يدعم Ultralytics HUB تتبّع التجارب، مما يسهّل مراقبة تقدّم التدريب ومقارنة النتائج وإجراء الضبط الدقيق للنماذج.

الشكل 6. مراقبة تدريب نموذج YOLOv8 باستخدام Ultralytics HUB.

أبرز النقاط#

يمكن أن يُحدث اختيار الأداة المناسبة لتتبّع تجارب التعلم الآلي فرقًا كبيرًا. فجميع الأدوات التي ناقشناها تساعد على تتبّع تجارب تدريب YOLOv8، لكن من المهم موازنة مزايا كل أداة وعيوبها لاختيار الأنسب لمشروعك. وستساعدك الأداة المناسبة على تنظيم عملك وتحسين أداء نموذج YOLOv8!

يمكن لعمليات التكامل تبسيط استخدام YOLOv8 في مشاريعك وتسريع تقدمك. لاستكشاف مزيد من عمليات تكامل YOLOv8، اطلع على وثائقنا.

تعرّف على مزيد من المعلومات عن الذكاء الاصطناعي من خلال استكشاف مستودع GitHub والانضمام إلى مجتمعنا. اطّلع على صفحات حلولنا للحصول على معلومات مفصلة عن الذكاء الاصطناعي في التصنيع والرعاية الصحية.