استكشاف تكاملات تتبع تجارب تعلم الآلة في Ultralytics YOLOv8

Collecting data, annotating it، وtraining النماذج مثل Ultralytics YOLOv8 model يمثل جوهر أي مشروع computer vision. في كثير من الأحيان، ستكون بحاجة إلى تدريب نموذجك المخصص عدة مرات باستخدام معلمات مختلفة لإنشاء النموذج الأكثر مثالية. إن استخدام الأدوات لتتبع تجارب التدريب الخاصة بك يمكن أن يسهل إدارة computer vision project الخاص بك قليلاً. تتبع التجارب هو عملية تسجيل تفاصيل كل عملية تشغيل تدريبية - مثل المعلمات التي استخدمتها، والنتائج التي حققتها، وأي تغييرات أجريتها على طول الطريق.

Fig 1. صورة توضح كيف يتناسب تتبع التجارب مع مشروع رؤية حاسوبية.

الاحتفاظ بسجل لهذه التفاصيل يساعدك على إعادة إنتاج نتائجك، وفهم ما ينجح وما لا ينجح، وfine-tune your models بشكل أكثر فعالية. بالنسبة للمؤسسات، فإنه يساعد في الحفاظ على الاتساق عبر الفرق، ويعزز التعاون ويوفر مسار تدقيق واضحاً. أما بالنسبة للأفراد، فالأمر يتعلق بالحفاظ على documentation واضحة ومنظمة لعملك والتي تتيح لك تحسين نهجك وتحقيق نتائج أفضل بمرور الوقت.

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

تتبع 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.

تتكامل تتبع MLflow بسلاسة مع YOLOv8، ويمكنك تسجيل important metrics مثل الدقة (precision)، والاستدعاء (recall)، والخسارة (loss) مباشرة من نماذجك. Setting up MLflow with YOLOv8 أمر مباشر، وهناك خيارات مرنة: يمكنك استخدام إعداد localhost الافتراضي، أو الاتصال بمستودعات بيانات مختلفة، أو بدء خادم تتبع MLflow عن بعد للحفاظ على كل شيء منظماً.

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.

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

Weights & Biases هي منصة MLOps لتتبع وتصور وإدارة تجارب التعلم الآلي. من خلال using W&B with YOLOv8، يمكنك مراقبة models’ performance أثناء قيامك بـ train النماذج وضبطها بدقة. توفر لوحة معلومات W&B التفاعلية نظرة واضحة في الوقت الفعلي على هذه المقاييس وتجعل من الأسهل رصد الاتجاهات، ومقارنة متغيرات النماذج، وtroubleshoot issues أثناء عملية التدريب.

تقوم W&B تلقائياً بتسجيل مقاييس التدريب نقاط حفظ النماذج، ويمكنك حتى استخدامها لضبط hyperparameters مثل معدل التعلم وحجم الدفعة. تدعم المنصة مجموعة واسعة من خيارات الإعداد، بدءاً من تتبع عمليات التشغيل على جهازك المحلي ووصولاً إلى 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.

تتبع 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.

YOLOv8’s integration with ClearML توفر أدوات لتتبع التجارب، وإدارة النماذج، ومراقبة الموارد. تتيح لك واجهة المستخدم الرسومية البديهية للمنصة تصور البيانات، ومقارنة التجارب، وتتبع المقاييس الحرجة مثل الخسارة، والدقة، ودرجات التحقق في الوقت الفعلي. يدعم التكامل أيضاً ميزات متقدمة مثل التنفيذ عن بعد، وضبط المعلمات الفائقة، وحفظ نقاط 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.

تتبع تجارب التدريب باستخدام Comet ML#

Comet ML هي منصة سهلة الاستخدام تساعد في إدارة وتتبع تجارب التعلم الآلي. YOLOv8’s integration with Comet ML يتيح لك تسجيل تجاربك وعرض نتائجك بمرور الوقت. يسهل التكامل 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:

• تدعم أطر عمل و لغات 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.

TensorBoard 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 using TensorBoard with YOLOv8 في أنها تأتي مثبتة مسبقاً بشكل ملائم، مما يغنيك عن الحاجة إلى أي إعداد إضافي. ميزة أخرى هي قدرة TensorBoard على التشغيل محلياً بالكامل. وهذا أمر بالغ الأهمية بشكل خاص للمشاريع ذات متطلبات خصوصية البيانات الصارمة أو تلك الموجودة في بيئات لا تشكل فيها عمليات الرفع السحابي خياراً متاحاً.

Fig 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.

استخدام DVCLive (Data Version Control Live) لتتبع تجارب تعلم الآلة#

YOLOv8’s integration with DVCLive يوفر طريقة مبسطة لتتبع التجارب وإدارتها من خلال إنشاء إصدارات لمجموعات البيانات، والنماذج، والتعليمات البرمجية الخاصة بك معاً دون تخزين ملفات كبيرة في Git. إنه يستخدم أوامر شبيهة بـ Git ويخزن المقاييس المتتبعة في ملفات نصية عادية لسهولة التحكم في الإصدارات. تقوم DVCLive بتسجيل المقاييس الرئيسية، وعرض النتائج بصرياً، وإدارة التجارب بشكل نظيف دون إحداث فوضى في مستودعك. وهي تدعم مجموعة واسعة من مزودي التخزين ويمكنها العمل محلياً أو في السحابة. تعتبر DVCLive مثالية للفرق التي تتطلع إلى تبسيط تتبع التجارب دون بنية تحتية إضافية أو اعتماديات سحابية.

إدارة نماذج وسير عمل Ultralytics باستخدام Ultralytics HUB#

Ultralytics HUB هي منصة داخلية متكاملة مصممة لتسهيل training، وdeployment، وإدارة نماذج Ultralytics YOLO models مثل YOLOv5 وYOLOv8. على عكس التكاملات الخارجية، توفر Ultralytics HUB تجربة أصلية وسلسة مصممة خصيصاً لمستخدمي YOLO. وهي تبسط العملية برمتها، مما يتيح لك تحميل مجموعات البيانات بسهولة، واختيار النماذج المدربة مسبقاً، وبدء التدريب ببضع نقرات فقط باستخدام موارد السحابة - كل ذلك داخل HUB’s easy-to-use interface. تدعم Ultralytics HUB أيضاً تتبع التجارب، مما يجعل مراقبة تقدم التدريب، ومقارنة النتائج، وضبط النماذج أمراً سهلاً.

Fig 6. مراقبة تدريب نموذج YOLOv8 باستخدام Ultralytics HUB.

أبرز 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 للتكاملات تبسيط استخدام YOLOv8 في مشاريعك المبتكرة وتسريع تقدمك. لاستكشاف المزيد من تكاملات YOLOv8 المثيرة، تحقق من our documentation.

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