استكشاف تكاملات تتبّع تجارب تعلّم الآلة في Ultralytics YOLOv8

يُعد جمع البيانات ووسمها وتدريب نماذج مثل نموذج Ultralytics YOLOv8 جوهر أي مشروع رؤية حاسوبية. وغالبًا ما ستحتاج إلى تدريب نموذجك المخصص عدة مرات باستخدام معلمات مختلفة لإنشاء النموذج الأمثل. ويمكن أن يؤدي استخدام أدوات لتتبّع تجارب التدريب إلى تسهيل إدارة مشروع الرؤية الحاسوبية قليلًا. وتتضمن عملية تتبّع التجارب تسجيل تفاصيل كل عملية تدريب، مثل المعلمات التي استخدمتها والنتائج التي حققتها وأي تغييرات أجريتها على طول الطريق.

الشكل 1. صورة توضّح كيفية ملاءمة تتبّع التجارب ضمن مشروع رؤية حاسوبية.

يساعد الاحتفاظ بسجل لهذه التفاصيل على إعادة إنتاج نتائجك وفهم ما ينجح وما لا ينجح وضبط نماذجك بدقة بفاعلية أكبر. وبالنسبة إلى المؤسسات، يساعد ذلك على الحفاظ على الاتساق بين الفرق وتعزيز التعاون وتوفير مسار تدقيق واضح. أما بالنسبة إلى الأفراد، فيتعلق الأمر بالحفاظ على توثيق واضح ومنظم لعملك، بما يتيح لك تحسين منهجك وتحقيق نتائج أفضل بمرور الوقت.

في هذه المقالة، سنعرّفك على تكاملات التدريب المختلفة المتاحة لإدارة تجارب YOLOv8 ومراقبتها. وسواء كنت تعمل بمفردك أو ضمن فريق أكبر، فإن فهم أدوات التتبّع المناسبة واستخدامها يمكن أن يُحدث فرقًا حقيقيًا في نجاح مشروعات YOLOv8.

تتبّع تجارب تعلّم الآلة باستخدام MLflow#

MLflow منصة مفتوحة المصدر طوّرتها Databricks، وتسهّل إدارة دورة حياة تعلّم الآلة بأكملها. ويُعد MLflow Tracking مكوّنًا أساسيًا من MLflow، إذ يوفر API وواجهة مستخدم تساعد علماء البيانات والمهندسين على تسجيل تجارب تعلّم الآلة وتصويرها. وهو يدعم لغات وواجهات متعددة، بما في ذلك Python وREST وواجهات Java وR البرمجية.

يتكامل MLflow Tracking بسلاسة مع YOLOv8، ويمكنك تسجيل مقاييس مهمة مثل الدقة والاستدعاء والخسارة مباشرةً من نماذجك. ويُعد إعداد MLflow مع YOLOv8 أمرًا مباشرًا، مع خيارات مرنة: يمكنك استخدام إعداد localhost الافتراضي أو الاتصال بمخازن بيانات متنوعة أو بدء خادم MLflow Tracking بعيد للحفاظ على تنظيم كل شيء.

الشكل 2. الإعدادات الشائعة لبيئة تتبّع MLflow. مصدر الصورة: تتبّع 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 يتضمن التوسع من التطوير إلى الإنتاج، فيمكن لـ MLflow دعم هذا النمو.
• تعقيد المشروع: يُعد MLflow مثاليًا للمشروعات المعقدة التي تحتاج إلى تتبّع شامل وإدارة النماذج وقدرات النشر. وإذا كان مشروعك يتطلب هذه الميزات المتكاملة، فيمكن لـ MLflow تبسيط سير العمل لديك.
• الإعداد والصيانة: على الرغم من قوة MLflow، فإنه يتطلب وقتًا للتعلم وجهدًا إضافيًا للإعداد.

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

Weights & Biases منصة لـ MLOps تُستخدم لتتبّع تجارب تعلّم الآلة وتصويرها وإدارتها. ومن خلال استخدام W&B مع YOLOv8، يمكنك مراقبة أداء نماذجك أثناء تدريبها وضبطها بدقة. وتوفر لوحة معلومات W&B التفاعلية عرضًا واضحًا لهذه المقاييس في الوقت الفعلي، وتسهّل اكتشاف الاتجاهات ومقارنة متغيرات النماذج واستكشاف الأخطاء وإصلاحها أثناء عملية التدريب.

يسجل W&B مقاييس التدريب ونقاط فحص النموذج تلقائيًا، كما يمكنك استخدامه لضبط المعلمات الفائقة مثل معدل التعلم وحجم الدفعة بدقة. وتدعم المنصة مجموعة واسعة من خيارات الإعداد، بدءًا من تتبّع عمليات التشغيل على جهازك المحلي وصولًا إلى إدارة المشروعات واسعة النطاق 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 التصوير والتتبّع: يوفر W&B لوحة معلومات بديهية لتصوير مقاييس التدريب وأداء النموذج في الوقت الفعلي.
• نموذج التسعير: يعتمد التسعير على عدد الساعات المتتبَّعة، وقد لا يكون ذلك مثاليًا للمستخدمين ذوي الميزانيات المحدودة أو للمشروعات التي تتضمن أوقات تدريب طويلة.

تتبّع تجارب MLOps باستخدام ClearML#

ClearML منصة MLOps مفتوحة المصدر مصممة لأتمتة سير عمل تعلّم الآلة ومراقبته وتنسيقه. وهي تدعم أطر تعلّم الآلة الشائعة مثل PyTorch وTensorFlow وKeras، ويمكنها التكامل بسهولة مع عملياتك الحالية. كما تدعم ClearML الحوسبة الموزعة على الأجهزة المحلية أو في السحابة، ويمكنها مراقبة استخدام CPU وGPU.

يوفر تكامل YOLOv8 مع ClearML أدوات لتتبّع التجارب وإدارة النماذج ومراقبة الموارد. وتتيح واجهة الويب البديهية للمنصة تصوير البيانات ومقارنة التجارب وتتبّع المقاييس المهمة مثل الخسارة والدقة ودرجات التحقق في الوقت الفعلي. كما يدعم التكامل ميزات متقدمة مثل التنفيذ عن بُعد وضبط المعلمات الفائقة ونقاط فحص النموذج.

الشكل 4. مثال على تصورات تتبّع التجارب في ClearML. مصدر الصورة: تتبّع التجارب وتصوير النتائج باستخدام Clear ML.

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 داخل مقر المؤسسة أو في السحابة أو على عناقيد Kubernetes، مما يجعله قابلًا للتكيف مع إعدادات مختلفة.

تتبّع تجارب التدريب باستخدام Comet ML#

Comet ML منصة سهلة الاستخدام تساعد على إدارة تجارب تعلّم الآلة وتتبّعها. ويتيح تكامل YOLOv8 مع Comet ML تسجيل تجاربك وعرض نتائجك بمرور الوقت. كما يسهّل التكامل اكتشاف الاتجاهات ومقارنة عمليات التشغيل المختلفة.

يمكن استخدام Comet ML في السحابة أو في سحابة خاصة افتراضية (VPC) أو حتى داخل مقر المؤسسة، مما يجعله قابلًا للتكيف مع الإعدادات والاحتياجات المختلفة. صُممت هذه الأداة للعمل الجماعي؛ إذ يمكنك مشاركة المشروعات ووضع علامات على زملائك وترك التعليقات حتى يظل الجميع على اطلاع ويتمكنوا من إعادة إنتاج التجارب بدقة.

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

• دعم أطر العمل واللغات المتعددة: يعمل Comet ML مع Python وJavaScript وJava وR وغيرها، مما يجعله خيارًا متعدد الاستخدامات بغض النظر عن الأدوات أو اللغات التي يستخدمها مشروعك.
• لوحات المعلومات والتقارير القابلة للتخصيص: تتميز واجهة Comet ML بقابلية تخصيص عالية، لذا يمكنك إنشاء التقارير ولوحات المعلومات الأكثر ملاءمة لمشروعك.
• التكلفة: Comet ML منصة تجارية، وتتطلب بعض ميزاتها المتقدمة اشتراكًا مدفوعًا.

يمكن أن يساعد TensorBoard في التصوير#

TensorBoard مجموعة أدوات قوية للتصوير صُممت خصيصًا لتجارب TensorFlow، لكنها أيضًا أداة رائعة لتتبّع المقاييس وتصويرها عبر مجموعة واسعة من مشروعات تعلّم الآلة. ويتيح TensorBoard، المعروف ببساطته وسرعته، للمستخدمين تتبّع المقاييس الرئيسية بسهولة وتصوير رسوم النماذج والتضمينات وأنواع البيانات الأخرى.

تتمثل إحدى المزايا الرئيسية لاستخدام TensorBoard مع YOLOv8 في أنه يأتي مثبتًا مسبقًا بصورة ملائمة، مما يلغي الحاجة إلى إعداد إضافي. ومن المزايا الأخرى قدرة TensorBoard على العمل بالكامل داخل مقر المؤسسة. ويكتسب ذلك أهمية خاصة للمشروعات ذات متطلبات الخصوصية الصارمة للبيانات أو التي تعمل في بيئات لا يتيح فيها 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:

• قابلية التفسير باستخدام أداة What-If (WIT): يتضمن TensorBoard أداة What-If، التي توفر واجهة سهلة الاستخدام لاستكشاف نماذج ML وفهمها. وهي مفيدة لمن يرغبون في اكتساب رؤى حول النماذج الصندوقية السوداء وتحسين قابلية التفسير.
• تتبّع بسيط للتجارب: يُعد TensorBoard مثاليًا لاحتياجات التتبّع الأساسية مع إمكانات محدودة لمقارنة التجارب، ويفتقر إلى ميزات قوية للتعاون بين الفرق والتحكم في الإصدارات وإدارة الخصوصية.

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

يوفر تكامل YOLOv8 مع DVCLive طريقة مبسطة لتتبّع التجارب وإدارتها من خلال إنشاء إصدارات لمجموعات البيانات والنماذج والتعليمات البرمجية معًا، من دون تخزين الملفات الكبيرة في Git. ويستخدم أوامر شبيهة بأوامر Git، ويخزن المقاييس المتتبَّعة في ملفات نصية عادية لتسهيل التحكم في الإصدارات. ويسجل DVCLive المقاييس الرئيسية ويصور النتائج ويدير التجارب بترتيب، من دون إرباك مستودعك. كما يدعم مجموعة واسعة من موفري التخزين، ويمكنه العمل محليًا أو في السحابة. ويُعد DVCLive مثاليًا للفرق التي تتطلع إلى تبسيط تتبّع التجارب من دون بنية تحتية إضافية أو تبعيات سحابية.

إدارة نماذج Ultralytics وسير العمل باستخدام Ultralytics HUB#

Ultralytics HUB منصة شاملة داخلية مصممة لتبسيط تدريب نماذج Ultralytics YOLO ونشرها وإدارتها، مثل YOLOv5 وYOLOv8. وعلى خلاف التكاملات الخارجية، يوفر Ultralytics HUB تجربة أصلية سلسة صُممت خصيصًا لمستخدمي YOLO. وهو يبسّط العملية بأكملها، إذ يتيح لك تحميل مجموعات البيانات بسهولة واختيار النماذج المدرَّبة مسبقًا وبدء التدريب ببضع نقرات فقط باستخدام الموارد السحابية، وكل ذلك ضمن واجهة HUB سهلة الاستخدام. كما يدعم Ultralytics HUB تتبّع التجارب، مما يجعل مراقبة تقدم التدريب ومقارنة النتائج وضبط النماذج بدقة أمرًا سهلًا.

الشكل 6. مراقبة تدريب نموذج YOLOv8 باستخدام Ultralytics HUB.

أهم النقاط المستخلصة#

يمكن أن يُحدث اختيار الأداة المناسبة لتتبّع تجارب تعلّم الآلة فرقًا كبيرًا. تساعد جميع الأدوات التي ناقشناها في تتبّع تجارب تدريب YOLOv8، لكن من المهم موازنة إيجابيات كل أداة وسلبياتها للعثور على الأنسب لمشروعك. وستحافظ الأداة المناسبة على تنظيمك وتساعد على تحسين أداء نموذج YOLOv8 لديك!

يمكن للتكاملات تبسيط استخدام YOLOv8 في مشروعاتك المبتكرة وتسريع تقدمك. ولاستكشاف المزيد من تكاملات YOLOv8 المميزة، اطّلع على توثيقنا.

تعرّف أكثر على الذكاء الاصطناعي من خلال استكشاف مستودعنا على GitHub والانضمام إلى مجتمعنا. اطّلع على صفحات حلولنا للحصول على رؤى تفصيلية حول الذكاء الاصطناعي في التصنيع والرعاية الصحية. 🚀