سجّل تجارب Ultralytics YOLO باستخدام تكامل MLflow

يمكنك تصور مشروع الرؤية الحاسوبية على أنه أحجية. فأنت تعلّم الآلات فهم البيانات المرئية من خلال تجميع قطع الأحجية، مثل جمع مجموعة بيانات وتدريب نموذج ونشره. وعندما تتكامل جميع القطع، تحصل على نظام قادر على تحليل الصور ومقاطع الفيديو وفهمها بفاعلية.

لكن، مثل الأحجية الحقيقية، ليست كل أجزاء مشروع الرؤية الحاسوبية واضحة ومباشرة. فقد تستغرق مهام مثل تتبع التجارب (تسجيل إعداداتك وتكويناتك وبياناتك) وتسجيل السجلات (توثيق النتائج ومقاييس الأداء) الكثير من الوقت والجهد. ومع أن هذه الخطوات أساسية لتحسين نماذج الرؤية الحاسوبية وصقلها، فقد تشكل أحيانًا عنق زجاجة.

وهنا يأتي دور نماذج Ultralytics YOLO وتكاملها مع MLflow. تدعم نماذج مثل Ultralytics YOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية، بما فيها اكتشاف الأجسام وتقسيم المثيلات وتصنيف الصور. وتتيح هذه الإمكانات طيفًا واسعًا من تطبيقات الرؤية الحاسوبية. كما يسمح خيار الاستفادة من عمليات التكامل، مثل تكامل MLflow، لمهندسي الرؤية بالتركيز على النموذج نفسه بدلًا من الانشغال بالتفاصيل.

وعلى وجه الخصوص، يبسط تكامل MLflow العملية من خلال تسجيل مقاييس ومعلمات وعناصر متنوعة طوال عملية التدريب. وسنستكشف في هذا المقال آلية عمل تكامل MLflow وفوائده وكيفية استخدامه لتبسيط سير عمل Ultralytics YOLO.

ما هو MLflow؟#

MLflow منصة مفتوحة المصدر (طورتها Databricks) صُممت لتبسيط دورة حياة التعلم الآلي بأكملها وإدارتها. وهي تشمل عملية تطوير نماذج التعلم الآلي ونشرها وصيانتها.

يتضمن MLflow المكونات الرئيسية التالية:

• تتبع التجارب: يركز هذا المكون على تسجيل التفاصيل المهمة، مثل إعدادات النموذج ونتائجه وملفاته، لكل عملية تدريب للنموذج. ويساعدك على مقارنة النماذج ومعرفة أثر التغييرات في الأداء واختيار النموذج الأفضل.
• سجل النماذج: يشبه نظام تخزين لنماذجك، يتيح لك تتبع الإصدارات المختلفة وتنظيمها وفق مراحل مثل الاختبار والتجهيز والإنتاج.
• تغليف المشروعات: يسهّل MLflow تجميع مشروعات التعلم الآلي، بما فيها الشيفرة والإعدادات والأدوات المطلوبة، لتكون قابلة للمشاركة والاستخدام على نحو متسق بين الفرق والبيئات.
• نشر النماذج: يوفر MLflow أدوات لنشر نماذجك المدرّبة بسرعة في أماكن مثل محطات العمل أو المنصات السحابية مثل AWS وAzure، لتصبح جاهزة للاستخدام الفعلي.

الشكل 1. مكونات MLflow.

تجعل مكونات MLflow إدارة عملية التعلم الآلي أسهل وأكثر كفاءة. ومن خلال هذا التكامل، تتيح Ultralytics استخدام ميزة تتبع التجارب في MLflow لتسجيل المعلمات والمقاييس والعناصر أثناء تدريب نماذج YOLO. كما تسهّل تتبع إصدارات نماذج YOLO المختلفة ومقارنتها.

تكامل MLflow يبسّط التدريب#

بعد أن تناولنا ماهية MLflow، لنلقِ نظرة على تفاصيل تكامل MLflow والميزات التي يقدمها.

صُمم تكامل MLflow لجعل عملية التدريب أكثر كفاءة وتنظيمًا، وذلك من خلال تتبّع الجوانب المهمة لتجارب الرؤية الحاسوبية وتسجيلها تلقائيًا. ويسهّل ثلاثة أنواع رئيسية من التسجيل: المقاييس والمعلمات والمخرجات.

إليك نظرة أقرب على كل نوع من أنواع التسجيل:

• تسجيل المقاييس: المقاييس قيم كمية تقيس أداء النموذج أثناء التدريب. على سبيل المثال، تُتتبَّع مقاييس مثل الدقة والإحكام والاستدعاء والخسارة في نهاية كل حقبة (مرور كامل على مجموعة البيانات).
• تسجيل المعلمات: المعلمات هي الإعدادات التي تحددها قبل بدء تدريب النموذج، مثل معدل التعلّم وحجم الدفعة (عدد العينات التي تُعالج في خطوة تدريب واحدة) وعدد الحقب. وتؤثر هذه المعلمات تأثيرًا كبيرًا في سلوك النموذج وأدائه.
• تسجيل المخرجات: المخرجات هي النتائج أو الملفات التي تُنشأ أثناء التدريب. وتشمل ملفات أساسية مثل أوزان النموذج (القيم العددية التي يتعلمها النموذج أثناء التدريب) وملفات التهيئة (التي تخزن إعدادات التدريب) والبيانات الأخرى ذات الصلة.

الشكل 2. ميزات التسجيل الرئيسية في تكامل MLflow. الصورة من إعداد المؤلف.

آلية عمل تكامل MLflow#

يمكنك استكشاف وثائق Ultralytics للاطلاع على تعليمات خطوة بخطوة لتمكين تكامل MLflow. بعد الإعداد، يتتبّع التكامل تلقائيًا التفاصيل الرئيسية لتجارب التدريب ويسجلها، كما أوضحنا أعلاه. وهذا يلغي الحاجة إلى التتبّع اليدوي ويساعدك على التركيز على تحسين نماذجك.

مع تكامل MLflow، تُخزَّن جميع عمليات التدريب في مكان واحد، ما يجعل مقارنة النتائج وتقييم الإعدادات المختلفة أسهل. ومن خلال مقارنة النتائج المسجلة، يمكنك تحديد الإعدادات الأفضل أداءً والاستفادة من تلك الرؤى لتحسين نماذجك. وهذا يضمن سير عمل أكثر كفاءة وتوثيقًا جيدًا وقابليةً لإعادة الإنتاج.

على وجه التحديد، تُنظَّم كل جلسة تدريب ضمن تجربة، تعمل حاويةً لعمليات تشغيل متعددة. وداخل التجربة، يمكنك عرض جميع عمليات التشغيل المرتبطة بها، ومقارنة أدائها جنبًا إلى جنب، وتحليل الاتجاهات عبر الإعدادات المختلفة.

على سبيل المثال، إذا كنت تختبر معدلات تعلّم أو أحجام دفعات متنوعة باستخدام Ultralytics YOLOv8، فستُجمَّع جميع عمليات التشغيل ذات الصلة ضمن التجربة نفسها لتسهيل المقارنة والتحليل، كما هو موضح أدناه.

الشكل 3. يمكنك عرض التجارب باستخدام تكامل MLflow.

أما على مستوى كل عملية تشغيل على حدة، فيوفر 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 التعلّم)، والوصول إلى المخرجات المنشأة مثل أوزان النموذج وملفات التهيئة. وتُخزَّن هذه التفاصيل بتنسيق منظم، ما يسهّل الرجوع إلى أي عملية تشغيل أو إعادة إنتاجها.

اختيار تكامل MLflow: ما الذي يميزه#

أثناء استعراضك وثائق Ultralytics واطّلاعك على عمليات التكامل المتاحة، قد تتساءل: ما الذي يميز تكامل MLflow، ولماذا ينبغي أن أختاره لسير عملي؟

مع وجود عمليات تكامل مثل TensorBoard التي توفر أيضًا أدوات لتتبّع المقاييس وتصوّر النتائج، من المهم فهم السمات الفريدة التي تجعل تكامل MLflow متميزًا.

إليك أسبابًا تجعل MLflow خيارًا مثاليًا لمشاريع YOLO:

• واجهة سهلة الاستخدام: تسهّل لوحة معلومات MLflow عرض التجارب ومقارنة عمليات التشغيل وتحليل النتائج، ما يساعدك على تحديد الإعدادات الأفضل أداءً بسرعة.
• تسجيل المقاييس المخصصة: يمكن لمهندسي الرؤية تسجيل مقاييس مخصصة إلى جانب المقاييس القياسية، ما يتيح تحليلًا أعمق يلبي احتياجات مشاريعهم تحديدًا.
• دعم سير العمل متعدد اللغات: يتوافق MLflow مع لغات برمجة متعددة، منها Python وR وJava، ما يسهل دمجه في مسارات عمل متنوعة للتعلّم الآلي.

التطبيقات العملية لـ Ultralytics YOLO11 وتكامل MLflow#

لفهم الحالات التي يمكنك فيها استخدام تكامل MLflow فهمًا أشمل، لنتناول تطبيقًا للذكاء الاصطناعي في الرعاية الصحية تحتاج فيه إلى تدريب Ultralytics YOLO11 على اكتشاف الأورام في صور الأشعة السينية أو التصوير المقطعي المحوسب.

في مثل هذا السيناريو، ستتألف مجموعة البيانات من صور طبية مشروحة. وستحتاج إلى تجربة إعدادات متنوعة، مثل تعديل معدلات التعلّم وأحجام الدفعات وتقنيات المعالجة المسبقة للصور، لتحقيق أفضل دقة ممكنة. ونظرًا إلى ارتفاع المخاطر في الرعاية الصحية وأهمية الإحكام والموثوقية، قد يصبح تتبّع كل تجربة يدويًا أمرًا صعبًا بسرعة.

الشكل 4. اكتشاف الأورام باستخدام Ultralytics YOLO11.

يعالج تكامل MLflow هذا التحدي من خلال تسجيل معلمات كل تجربة ومقاييسها ومخرجاتها تلقائيًا. على سبيل المثال، إذا عدّلت معدل التعلّم أو طبّقت استراتيجية تعزيز جديدة، فسيسجل MLflow هذه التغييرات إلى جانب مقاييس الأداء. كما يحفظ MLflow أوزان النماذج المدرّبة وإعداداتها، ما يضمن سهولة إعادة إنتاج النماذج الناجحة ونشرها.

هذا مجرد مثال واحد على كيفية تحسين تكامل MLflow لإدارة التجارب في تطبيقات الذكاء الاصطناعي المرئي. وتنطبق الميزات نفسها على تطبيقات الرؤية الحاسوبية الأخرى، ومنها:

• القيادة الذاتية: يمكن استخدام Ultralytics YOLO11 لاكتشاف المشاة والمركبات وإشارات المرور وتصنيفها في الوقت الفعلي، لتحسين سلامة أنظمة القيادة الذاتية وكفاءتها.
• تحليلات البيع بالتجزئة: يمكن لنماذج اكتشاف الأجسام مراقبة سلوك العملاء وتتبع مواضع المنتجات وتحسين المخزون من خلال تحليل النشاط داخل المتاجر عبر بث الفيديو.
• الأمن والمراقبة: يمكن تدريب النماذج على اكتشاف الحالات الشاذة أو مراقبة الأنشطة في الوقت الفعلي في المناطق الحساسة لتعزيز الأمن.

فوائد تكامل MLflow#

يجعل تكامل MLflow مع نماذج YOLO إدارة تجارب التعلّم الآلي أسهل وأكثر كفاءة. فمن خلال أتمتة المهام الرئيسية والحفاظ على تنظيم كل شيء، يتيح لك التركيز على بناء نماذجك وتحسينها. إليك أبرز الفوائد:

• قابلية التوسع للمشاريع الكبيرة: تتعامل المنصة بكفاءة مع تجارب ونماذج متعددة، ما يجعلها مناسبة للفرق الكبيرة وسير العمل المعقد.
• سجل مفصل للتجارب: تحتفظ المنصة بسجل كامل للتجارب، ما يتيح لك الرجوع إلى عمليات التشغيل السابقة وتحليل الإعدادات الماضية والتعلم من النتائج السابقة.
• خيارات التعطيل وإعادة الضبط: يمكن تعطيل تسجيل MLflow بسهولة عند عدم الحاجة إليه، كما يمكن إعادة الإعدادات إلى قيمها الافتراضية، ما يوفر مرونة للتكيف مع متطلبات سير العمل المتغيرة.

أبرز النقاط#

يجعل تكامل MLflow إدارة تجارب Ultralytics YOLO وتحسينها أسهل وأكثر كفاءة. ومن خلال التتبّع التلقائي للتفاصيل الرئيسية مثل المعلمات والمقاييس والمخرجات، يبسّط العملية ويزيل عناء إدارة التجارب يدويًا.

سواء كنت تعمل على حلول للرعاية الصحية مثل اكتشاف الأورام، أو تحسّن أنظمة القيادة الذاتية، أو تطوّر تحليلات البيع بالتجزئة، يساعدك هذا التكامل على إبقاء كل شيء منظمًا وقابلًا لإعادة الإنتاج. وبفضل واجهته البديهية ومرونته، يتيح MLflow للمطورين التركيز على بناء نماذج أفضل ودفع عجلة الابتكار في تطبيقات الذكاء الاصطناعي المرئي.

انضم إلى مجتمعنا وتفقّد مستودع GitHub للتعرّف على الذكاء الاصطناعي. ويمكنك أيضًا استكشاف مزيد من تطبيقات الرؤية الحاسوبية في التصنيع أو الذكاء الاصطناعي في السيارات ذاتية القيادة عبر صفحات حلولنا.