استكشاف تكاملات تتبع تجارب تعلم الآلة في Ultralytics YOLOv8

يُعد جمع البيانات وتصنيفها وتدريب النماذج مثل نموذج Ultralytics YOLOv8 جوهر أي مشروع رؤية حاسوبية. غالباً ما تحتاج إلى تدريب نموذجك المخصص عدة مرات باستخدام معاملات مختلفة لإنشاء النموذج الأكثر مثالية. يمكن أن يجعل استخدام الأدوات لتتبع تجارب التدريب الخاصة بك إدارة مشروع الرؤية الحاسوبية أسهل قليلاً. تتبع التجارب هو عملية تسجيل تفاصيل كل عملية تدريب - مثل المعاملات التي استخدمتها، والنتائج التي حققتها، وأي تغييرات أجريتها على طول الطريق.

الشكل 1. صورة توضح كيفية ملاءمة تتبع التجارب في مشروع رؤية حاسوبية.

يساعدك الاحتفاظ بسجل لهذه التفاصيل على إعادة إنتاج نتائجك، وفهم ما ينجح وما لا ينجح، وضبط نماذجك بدقة بشكل أكثر فعالية. بالنسبة للمؤسسات، يساعد ذلك في الحفاظ على الاتساق عبر الفرق، ويعزز التعاون، ويوفر مسار تدقيق واضح. بالنسبة للأفراد، يتعلق الأمر بالحفاظ على توثيق واضح ومنظم لعملك يتيح لك تحسين نهجك وتحقيق نتائج أفضل بمرور الوقت.

في هذه المقالة، سنرشدك خلال تكاملات التدريب المختلفة المتاحة لإدارة ومراقبة تجارب YOLOv8 الخاصة بك. سواء كنت تعمل بمفردك أو كجزء من فريق أكبر، فإن فهم واستخدام أدوات التتبع المناسبة يمكن أن يحدث فرقاً حقيقياً في نجاح مشاريع YOLOv8 الخاصة بك.

Link to this sectionتتبع تجارب تعلم الآلة باستخدام MLflow#

MLflow هي منصة مفتوحة المصدر طورتها Databricks وتجعل إدارة دورة حياة تعلم الآلة بأكملها أسهل. تعد MLflow Tracking مكوناً أساسياً في MLflow يوفر واجهة برمجة تطبيقات (API) وواجهة مستخدم تساعد علماء البيانات والمهندسين على تسجيل تجارب تعلم الآلة الخاصة بهم وتصورها. وهي تدعم لغات وواجهات متعددة، بما في ذلك Python وREST وJava وR APIs.

يتكامل MLflow Tracking بسلاسة مع YOLOv8، ويمكنك تسجيل مقاييس مهمة مثل الدقة (precision)، والاسترجاع (recall)، والخسارة (loss) مباشرة من نماذجك. إعداد MLflow مع YOLOv8 أمر مباشر، وهناك خيارات مرنة: يمكنك استخدام إعداد المضيف المحلي (localhost) الافتراضي، أو الاتصال بمخازن بيانات مختلفة، أو بدء خادم تتبع MLflow عن بُعد للحفاظ على تنظيم كل شيء.

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

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كانت MLflow هي الأداة المناسبة لمشروعك:

• قابلية التوسع: تتوسع MLflow بشكل جيد مع احتياجاتك، سواء كنت تعمل على جهاز واحد أو تنشر على مجموعات كبيرة (clusters). إذا كان مشروعك يتضمن التوسع من مرحلة التطوير إلى الإنتاج، فيمكن لـ MLflow دعم هذا النمو.
• تعقيد المشروع: تُعد MLflow مثالية للمشاريع المعقدة التي تحتاج إلى تتبع شامل، وإدارة النماذج، وقدرات النشر. إذا كان مشروعك يتطلب هذه الميزات كاملة النطاق، فيمكن لـ MLflow تبسيط سير عملك.
• الإعداد والصيانة: على الرغم من قوة MLflow، إلا أنها تأتي مع منحنى تعليمي وعبء إعداد إضافي.

Link to this sectionاستخدام Weights & Biases (W&B) لتتبع نماذج الرؤية الحاسوبية#

Weights & Biases هي منصة MLOps لتتبع تجارب تعلم الآلة وتصورها وإدارتها. من خلال استخدام W&B مع YOLOv8، يمكنك مراقبة أداء نماذجك أثناء قيامك بـ التدريب وضبطها بدقة. توفر لوحة تحكم W&B التفاعلية عرضاً واضحاً وفي الوقت الفعلي لهذه المقاييس، مما يسهل رصد الاتجاهات، ومقارنة متغيرات النموذج، واستكشاف الأخطاء وإصلاحها أثناء عملية التدريب.

تقوم W&B تلقائياً بتسجيل مقاييس التدريب ونقاط فحص النموذج (checkpoints)، ويمكنك حتى استخدامها لضبط المعاملات الفائقة مثل معدل التعلم وحجم الدفعة (batch size). تدعم المنصة مجموعة واسعة من خيارات الإعداد، بدءاً من تتبع عمليات التشغيل على جهازك المحلي وحتى إدارة المشاريع واسعة النطاق باستخدام التخزين السحابي.

الشكل 3. مثال على لوحات تحكم تتبع تجارب Weights & Biases. مصدر الصورة: تتبع تجارب Weights & Biases.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كانت Weights & Biases هي الأداة المناسبة لمشروعك:

• تصور وتتبع محسّن: توفر W&B لوحة تحكم بديهية لتصور مقاييس التدريب وأداء النموذج في الوقت الفعلي.
• نموذج التسعير: يعتمد التسعير على ساعات التتبع، وهو ما قد لا يكون مثالياً للمستخدمين ذوي الميزانيات المحدودة أو المشاريع التي تتضمن أوقات تدريب طويلة.

Link to this sectionتتبع تجارب MLOps باستخدام ClearML#

ClearML هي منصة MLOps مفتوحة المصدر مصممة لأتمتة ومراقبة وتنظيم سير عمل تعلم الآلة. وهي تدعم أطر عمل تعلم الآلة الشهيرة مثل PyTorch وTensorFlow وKeras ويمكن دمجها بسهولة مع عملياتك الحالية. تدعم ClearML أيضاً 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. تسمح لك واجهة الويب البديهية للمنصة بتصور البيانات، ومقارنة التجارب، وتتبع المقاييس الحاسمة مثل الخسارة، والدقة، ونتائج التحقق في الوقت الفعلي. يدعم التكامل أيضاً ميزات متقدمة مثل التنفيذ عن بُعد، وضبط المعاملات الفائقة، وحفظ نقاط فحص النماذج.

الشكل 4. مثال على تصورات تتبع تجارب ClearML. مصدر الصورة: تتبع Clear ML للتجارب وتصور النتائج.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كانت ClearML هي الأداة المناسبة لمشروعك:

• الحاجة إلى تتبع تجارب متقدم: توفر ClearML تتبع تجارب قوياً يتضمن تكاملاً تلقائياً مع Git.
• نشر مرن: يمكن استخدام ClearML محلياً (on-premises)، أو في السحابة، أو على مجموعات Kubernetes، مما يجعلها قابلة للتكيف مع إعدادات مختلفة.

Link to this sectionتتبع تجارب التدريب باستخدام Comet ML#

Comet ML هي منصة سهلة الاستخدام تساعد في إدارة وتتبع تجارب تعلم الآلة. يتيح لك تكامل YOLOv8 مع Comet ML تسجيل تجاربك وعرض نتائجك بمرور الوقت. يجعل التكامل من السهل رصد الاتجاهات ومقارنة عمليات التشغيل المختلفة.

يمكن استخدام Comet ML في السحابة، أو في سحابة خاصة افتراضية (VPC)، أو حتى محلياً، مما يجعلها قابلة للتكيف مع إعدادات واحتياجات مختلفة. تم تصميم هذه الأداة للعمل الجماعي. يمكنك مشاركة المشاريع، ووسم زملائك في الفريق، وترك تعليقات حتى يتمكن الجميع من البقاء على نفس المسار وإعادة إنتاج التجارب بدقة.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كانت Comet ML هي الأداة المناسبة لمشروعك:

• دعم أطر عمل ولغات متعددة: تعمل Comet ML مع Python، وJavaScript، وJava، وR، والمزيد، مما يجعلها خياراً متعدد الاستخدامات بغض النظر عن الأدوات أو اللغات التي يستخدمها مشروعك.
• لوحات تحكم وتقارير قابلة للتخصيص: واجهة Comet ML قابلة للتخصيص بشكل كبير، لذا يمكنك إنشاء التقارير ولوحات التحكم التي تناسب مشروعك بشكل أفضل.
• التكلفة: Comet ML هي منصة تجارية، وتتطلب بعض ميزاتها المتقدمة اشتراكاً مدفوعاً.

Link to this sectionTensorBoard يمكن أن تساعد في عمليات التصور#

TensorBoard هي مجموعة أدوات تصور قوية مصممة خصيصاً لتجارب TensorFlow، ولكنها أيضاً أداة رائعة لتتبع وتصور المقاييس عبر مجموعة واسعة من مشاريع تعلم الآلة. تشتهر TensorBoard ببساطتها وسرعتها، وتسمح للمستخدمين بتتبع المقاييس الرئيسية بسهولة وتصور رسوم بيانية للنماذج، والتضمينات، وأنواع أخرى من البيانات.

تتمثل إحدى المزايا الرئيسية لـ استخدام TensorBoard مع YOLOv8 في أنها تأتي مثبتة مسبقاً بشكل مريح، مما يلغي الحاجة إلى إعداد إضافي. ميزة أخرى هي قدرة TensorBoard على العمل محلياً بالكامل. هذا أمر أساسي خاصة للمشاريع ذات متطلبات خصوصية البيانات الصارمة أو تلك الموجودة في بيئات لا يكون فيها التحميل السحابي خياراً متاحاً.

الشكل 5. مراقبة تدريب نموذج YOLOv8 باستخدام TensorBoard.

إليك بعض المدخلات لمساعدتك في تحديد ما إذا كانت TensorBoard هي الأداة المناسبة لمشروعك:

• القابلية للتفسير باستخدام أداة What-If (WIT): تتضمن TensorBoard أداة What-If، والتي توفر واجهة سهلة الاستخدام لاستكشاف وفهم نماذج تعلم الآلة. وهي قيمة لأولئك الذين يتطلعون إلى اكتساب رؤى حول نماذج الصندوق الأسود (black-box models) وتحسين القابلية للتفسير.
• تتبع تجارب بسيط: TensorBoard مثالية لاحتياجات التتبع الأساسية مع إمكانيات محدودة لمقارنة التجارب وتفتقر إلى ميزات قوية للتعاون الجماعي، والتحكم في الإصدار، وإدارة الخصوصية.

Link to this sectionاستخدام DVCLive (Data Version Control Live) لتتبع تجارب تعلم الآلة#

يوفر تكامل YOLOv8 مع DVCLive طريقة مبسطة لتتبع التجارب وإدارتها من خلال إصدار مجموعات البيانات، والنماذج، والرموز البرمجية معاً دون تخزين ملفات كبيرة في Git. يستخدم أوامر شبيهة بـ Git ويخزن المقاييس المتتبعة في ملفات نصية عادية للتحكم السهل في الإصدار. تقوم DVCLive بتسجيل المقاييس الرئيسية، وتصور النتائج، وإدارة التجارب بشكل نظيف دون تكديس المستودع الخاص بك. وهي تدعم مجموعة واسعة من مزودي التخزين ويمكنها العمل محلياً أو في السحابة. تُعد DVCLive مثالية للفرق التي تتطلع إلى تبسيط تتبع التجارب دون بنية تحتية إضافية أو تبعيات سحابية.

Link to this sectionإدارة نماذج وسير عمل Ultralytics باستخدام Ultralytics HUB#

Ultralytics HUB هي منصة داخلية متكاملة مصممة لتبسيط التدريب، والنشر، وإدارة نماذج Ultralytics YOLO مثل YOLOv5 وYOLOv8. على عكس عمليات التكامل الخارجية، يوفر Ultralytics HUB تجربة أصلية سلسة تم إنشاؤها خصيصاً لمستخدمي YOLO. إنها تبسط العملية برمتها، مما يتيح لك تحميل مجموعات البيانات بسهولة، واختيار نماذج مدربة مسبقاً، وبدء التدريب ببضع نقرات فقط باستخدام موارد سحابية - كل ذلك داخل واجهة HUB سهلة الاستخدام. يدعم Ultralytics HUB أيضاً تتبع التجارب، مما يجعل مراقبة تقدم التدريب، ومقارنة النتائج، وضبط النماذج بدقة أمراً سهلاً.

الشكل 6. مراقبة تدريب نموذج YOLOv8 باستخدام Ultralytics HUB.

Link to this sectionأبرز النقاط#

اختيار الأداة المناسبة لتتبع تجارب تعلم الآلة الخاصة بك يمكن أن يحدث فرقاً كبيراً. جميع الأدوات التي ناقشناها يمكن أن تساعد في تتبع تجارب تدريب YOLOv8، ولكن من المهم الموازنة بين الإيجابيات والسلبيات لكل منها للعثور على الأنسب لمشروعك. الأداة المناسبة ستبقيك منظماً وتساعد في تحسين أداء نموذج YOLOv8 الخاص بك!

يمكن أن تبسط عمليات التكامل استخدام YOLOv8 في مشاريعك المبتكرة وتسريع تقدمك. لاستكشاف المزيد من عمليات تكامل YOLOv8 المثيرة، راجع وثائقنا.

تعرف على المزيد حول الذكاء الاصطناعي من خلال استكشاف مستودع GitHub الخاص بنا والانضمام إلى مجتمعنا. تحقق من صفحات الحلول الخاصة بنا للحصول على رؤى مفصلة حول الذكاء الاصطناعي في التصنيع والرعاية الصحية. 🚀