سجل تجارب Ultralytics YOLO باستخدام تكامل MLflow

يمكنك التفكير في مشروع رؤية حاسوبية كأنه لغز. بشكل أساسي، أنت تقوم بتعليم الآلات فهم البيانات المرئية من خلال تجميع قطع اللغز، مثل جمع مجموعة بيانات، وتدريب نموذج، ونشره. عندما يتناسب كل شيء معاً، ستحصل على نظام قادر على تحليل الصور والفيديو وفهمهما بفعالية.

ولكن، تماماً مثل اللغز الحقيقي، ليس كل جزء من مشروع الرؤية الحاسوبية مباشراً. فمهام مثل تتبع التجارب (الاحتفاظ بسجل للإعدادات، والتكوينات، والبيانات) والتسجيل (التقاط النتائج ومقاييس الأداء) قد تستغرق الكثير من الوقت والجهد. وبينما تعد هذه الخطوات أساسية لتحسين وتطوير نماذج الرؤية الحاسوبية الخاصة بك، إلا أنها قد تشكل أحياناً عنق زجاجة.

هنا يأتي دور نماذج Ultralytics YOLO وتكاملها مع MLflow. تدعم نماذج مثل Ultralytics YOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور. تمكّن هذه القدرات من إنشاء تطبيقات رؤية حاسوبية مثيرة. يتيح خيار الاعتماد على عمليات تكامل مثل تكامل MLflow لمهندسي الرؤية التركيز على النموذج نفسه، بدلاً من الانشغال بالتفاصيل.

على وجه الخصوص، يبسط تكامل MLflow العملية من خلال تسجيل المقاييس والمعلمات والبيانات المخرجة المختلفة طوال عملية التدريب. في هذه المقالة، سنستكشف كيفية عمل تكامل MLflow، وفوائده، وكيف يمكنك استخدامه لتبسيط مهام عملك مع Ultralytics YOLO.

Link to this sectionما هو MLflow؟#

MLflow عبارة عن منصة مفتوحة المصدر (طورتها Databricks) مصممة لتبسيط وإدارة دورة حياة تعلم الآلة بالكامل. وهي تشمل عملية تطوير نماذج تعلم الآلة ونشرها وصيانتها.

يتضمن MLflow المكونات الرئيسية التالية:

• تتبع التجارب (Experiment tracking): يركز هذا المكون على تسجيل التفاصيل المهمة مثل إعدادات النموذج، والنتائج، والملفات لكل عملية تدريب للنموذج. وهو يساعدك على مقارنة النماذج، ومعرفة مدى تأثير التغييرات على الأداء، والعثور على أفضل نموذج.
• سجل النماذج (Model registry): يشبه نظام تخزين لنماذجك، حيث يمكنك تتبع إصدارات مختلفة وتنظيمها حسب مراحل مثل الاختبار، والتهيئة (staging)، والإنتاج.
• تغليف المشاريع (Project packaging): يسهل MLflow تجميع مشاريع تعلم الآلة الخاصة بك، بما في ذلك الكود والإعدادات والأدوات المطلوبة، بحيث يمكن مشاركتها واستخدامها بشكل متسق عبر الفرق والبيئات.
• نشر النماذج (Model deployment): يوفر MLflow أدوات لنشر نماذجك المدربة بسرعة في أماكن مثل محطات العمل أو منصات الحوسبة السحابية مثل AWS وAzure، مما يجعلها جاهزة للاستخدام في العالم الحقيقي.

الشكل 1. مكونات MLflow.

تجعل مكونات MLflow عملية تعلم الآلة أسهل وأكثر كفاءة في الإدارة. ومن خلال هذا التكامل، تجعل Ultralytics من الممكن استخدام ميزة تتبع التجارب في MLflow لتسجيل المعلمات والمقاييس والبيانات المخرجة أثناء تدريب نماذج YOLO. إنه يجعل تتبع ومقارنة إصدارات نماذج YOLO المختلفة أمراً بسيطاً.

Link to this sectionتكامل MLflow يبسط عملية التدريب#

الآن بعد أن غطينا ماهية MLflow، دعنا نتعمق في تفاصيل تكامل MLflow والميزات التي يقدمها.

تم تصميم تكامل MLflow لجعل عملية التدريب أكثر كفاءة وتنظيماً من خلال تتبع وتسجيل الجوانب المهمة لتجارب الرؤية الحاسوبية تلقائياً. وهو يسهل ثلاثة أنواع رئيسية من التسجيل: المقاييس، والمعلمات، والبيانات المخرجة.

إليك نظرة فاحصة على كل نوع من أنواع التسجيل:

• تسجيل المقاييس (Metrics logging): المقاييس هي قيم كمية تقيس أداء نموذجك أثناء التدريب. على سبيل المثال، يتم تتبع مقاييس مثل الدقة (accuracy)، أو الدقة (precision)، أو الاستدعاء (recall)، أو الخسارة (loss) في نهاية كل حقبة (تمريرة كاملة عبر مجموعة البيانات الخاصة بك).
• تسجيل المعلمات (Parameter logging): المعلمات هي الإعدادات التي تحددها قبل بدء تدريب النموذج، مثل معدل التعلم، وحجم الدفعة (عدد العينات التي تتم معالجتها في خطوة تدريب واحدة)، وعدد الحقب. تؤثر هذه المعلمات بشكل كبير على سلوك نموذجك وأدائه.
• تسجيل البيانات المخرجة (Artifacts logging): البيانات المخرجة هي النواتج أو الملفات التي يتم إنشاؤها أثناء التدريب. ويشمل ذلك ملفات أساسية مثل أوزان النموذج (القيم الرقمية التي يتعلمها نموذجك أثناء التدريب)، وملفات التكوين (التي تخزن إعدادات التدريب)، وغيرها من البيانات ذات الصلة.

الشكل 2. ميزات التسجيل الرئيسية لتكامل MLflow. الصورة بواسطة المؤلف.

Link to this sectionكيف يعمل تكامل MLflow#

يمكنك استكشاف وثائق Ultralytics للحصول على تعليمات خطوة بخطوة حول تمكين تكامل MLflow. بمجرد إعداده، يقوم التكامل تلقائياً بتتبع وتسجيل التفاصيل الرئيسية لتجارب التدريب الخاصة بك، كما تمت مناقشته أعلاه. وهذا يلغي الحاجة إلى التتبع اليدوي ويساعدك على التركيز على تحسين نماذجك.

مع تكامل MLflow، يتم تخزين جميع عمليات التدريب الخاصة بك في مكان واحد، مما يجعل مقارنة النتائج وتقييم التكوينات المختلفة أسهل. من خلال مقارنة النتائج المسجلة، يمكنك تحديد أفضل التكوينات أداءً واستخدام هذه الرؤى لتعزيز نماذجك. وهذا يضمن أن سير عملك أكثر كفاءة، وموثقاً جيداً، وقابلاً للتكرار.

على وجه التحديد، يتم تنظيم كل جلسة تدريب في تجربة، والتي تعمل كحاوية لعمليات تشغيل متعددة. داخل تجربة واحدة، يمكنك عرض جميع عمليات التشغيل المرتبطة بها، ومقارنة أدائها جنباً إلى جنب، وتحليل الاتجاهات عبر تكوينات مختلفة.

على سبيل المثال، إذا كنت تختبر معدلات تعلم أو أحجام دفعات مختلفة باستخدام Ultralytics YOLOv8، يتم تجميع جميع عمليات التشغيل ذات الصلة تحت نفس التجربة للمقارنة والتحليل السهل، كما هو موضح أدناه.

الشكل 3. يمكنك عرض التجارب باستخدام تكامل MLflow.

في هذه الأثناء، على مستوى التشغيل الفردي، يوفر MLflow رؤى تفصيلية حول جلسة التدريب المحددة. يمكنك عرض مقاييس مثل الدقة، والخسارة، والإحكام عبر الحقب، والتحقق من معلمات التدريب المستخدمة (مثل حجم الدفعة ومعدل التعلم)، والوصول إلى البيانات المخرجة التي تم إنشاؤها مثل أوزان النموذج وملفات التكوين. يتم تخزين هذه التفاصيل بتنسيق منظم، مما يجعل من البسيط إعادة زيارة أو تكرار أي عملية تشغيل.

Link to this sectionاختيار تكامل MLflow: لماذا يتميز؟#

أثناء اطلاعك على وثائق Ultralytics واستكشاف عمليات التكامل المتاحة، قد تجد نفسك تسأل: ما الذي يميز تكامل MLflow، ولماذا يجب علي اختياره لسير عملي؟

مع وجود عمليات تكامل مثل TensorBoard التي توفر أيضاً أدوات لتتبع المقاييس وتصور النتائج، من المهم فهم الصفات الفريدة التي تجعل تكامل MLflow متميزاً.

إليك سبب كون MLflow الخيار المثالي لـ مشاريع YOLO:

• واجهة سهلة الاستخدام (User-friendly interface): تجعل لوحة معلومات MLflow من السهل عرض التجارب، ومقارنة عمليات التشغيل، وتحليل النتائج، مما يساعدك على تحديد التكوينات الأفضل أداءً بسرعة.
• تسجيل المقاييس المخصصة (Custom metric logging): يمكن لمهندسي الرؤية تسجيل مقاييس مخصصة بالإضافة إلى المقاييس القياسية، مما يتيح تحليلاً أكثر تعمقاً خاصاً باحتياجات مشروعهم.
• دعم مهام العمل متعددة اللغات (Support for multi-language workflows): يتوافق MLflow مع لغات برمجة متعددة، بما في ذلك Python وR وJava، مما يسهل التكامل في خطوط أنابيب تعلم الآلة المتنوعة.

Link to this sectionالتطبيقات العملية لـ YOLO11 وتكامل MLflow#

للحصول على فهم أكثر شمولاً للموعد الذي يمكنك فيه استخدام تكامل MLflow، دعنا نفكر في تطبيق ذكاء اصطناعي في الرعاية الصحية حيث تحتاج إلى تدريب YOLO11 لاكتشاف الأورام في صور الأشعة السينية أو الأشعة المقطعية.

في مثل هذا السيناريو، ستتكون مجموعة البيانات من صور طبية مشروحة. ستحتاج إلى تجربة تكوينات مختلفة، مثل ضبط معدلات التعلم، وأحجام الدفعات، وتقنيات معالجة الصور الأولية، لتحقيق الدقة المثلى. نظراً لأن المخاطر عالية في الرعاية الصحية وأن الدقة والموثوقية حاسمتان، فإن تتبع كل تجربة يدوياً يمكن أن يصبح غير قابل للإدارة بسرعة.

الشكل 4. اكتشاف الأورام باستخدام Ultralytics YOLO11.

يعالج تكامل MLflow هذا التحدي من خلال تسجيل معلمات كل تجربة ومقاييسها والبيانات المخرجة الخاصة بها تلقائياً. على سبيل المثال، إذا قمت بتعديل معدل التعلم أو طبقت استراتيجية زيادة بيانات جديدة، يسجل MLflow هذه التغييرات جنباً إلى جنب مع مقاييس الأداء. أيضاً، يحفظ MLflow أوزان وتكوينات النماذج المدربة، مما يضمن إمكانية تكرار النماذج الناجحة ونشرها بسهولة.

هذا مجرد مثال واحد على كيفية تعزيز تكامل MLflow لإدارة التجارب في تطبيقات رؤية الذكاء الاصطناعي. تنطبق نفس الميزات على تطبيقات الرؤية الحاسوبية الأخرى، بما في ذلك:

• القيادة الذاتية (Autonomous driving): يمكن استخدام YOLO11 لاكتشاف وتصنيف المشاة والمركبات وإشارات المرور في الوقت الفعلي لتحسين سلامة وكفاءة أنظمة القيادة الذاتية.
• تحليلات التجزئة (Retail analytics): يمكن لنماذج اكتشاف الكائنات مراقبة سلوك العملاء، وتتبع مواضع المنتجات، وتحسين المخزون من خلال تحليل النشاط داخل المتجر عبر موجزات الفيديو.
• الأمن والمراقبة (Security and surveillance): يمكن تدريب النماذج لاكتشاف الشذوذ أو مراقبة النشاط في الوقت الفعلي في المناطق الحساسة لتعزيز الأمن.

Link to this sectionفوائد تكامل MLflow#

يجعل تكامل MLflow مع نماذج YOLO إدارة تجارب تعلم الآلة أسهل وأكثر كفاءة. من خلال أتمتة المهام الرئيسية والحفاظ على تنظيم كل شيء، فإنه يسمح لك بالتركيز على بناء نماذجك وتحسينها. إليك نظرة على الفوائد الرئيسية:

• يتوسع للمشاريع الكبيرة (Scales for large projects): تتعامل المنصة مع تجارب ونماذج متعددة بكفاءة، مما يجعلها مناسبة للفرق الأكبر وسير العمل المعقد.
• سجل تجارب مفصل (Detailed experiment history): تحتفظ المنصة بسجل كامل للتجارب، مما يسمح لك بإعادة زيارة عمليات التشغيل السابقة، وتحليل التكوينات السابقة، والتعلم من النتائج المبكرة.
• خيارات التعطيل وإعادة التعيين (Disabling and resetting options): يمكن تعطيل تسجيل MLflow بسهولة عند عدم الحاجة إليه، ويمكن إعادة تعيين الإعدادات إلى القيم الافتراضية، مما يوفر المرونة للتكيف مع متطلبات سير العمل المتغيرة.

Link to this sectionأبرز النقاط#

يجعل تكامل MLflow إدارة تجارب Ultralytics YOLO وتحسينها أسهل وأكثر كفاءة. من خلال تتبع التفاصيل الرئيسية تلقائياً مثل المعلمات، والمقاييس، والبيانات المخرجة، فإنه يبسط العملية ويزيل عناء إدارة التجارب اليدوية.

سواء كنت تعمل على حلول الرعاية الصحية مثل اكتشاف الأورام، أو تحسين أنظمة القيادة الذاتية، أو تعزيز تحليلات التجزئة، فإن هذا التكامل يساعد في الحفاظ على كل شيء منظماً وقابلاً للتكرار. بفضل واجهته البديهية ومرونته، يتيح MLflow للمطورين التركيز على بناء نماذج أفضل ودفع الابتكار في تطبيقات رؤية الذكاء الاصطناعي.

انضم إلى مجتمعنا وتحقق من مستودع GitHub الخاص بنا للتعرف على الذكاء الاصطناعي. يمكنك أيضاً استكشاف المزيد من تطبيقات الرؤية الحاسوبية في التصنيع أو الذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات حلولنا.