سجّل تجارب Ultralytics YOLO باستخدام تكامل MLflow

يمكنك التفكير في مشروع رؤية حاسوبية على أنه أحجية. فأنت، في جوهر الأمر، تعلّم الآلات فهم البيانات المرئية من خلال تجميع قطع الأحجية، مثل جمع مجموعة بيانات وتدريب نموذج ونشره. وعندما تتوافق جميع الأجزاء، تحصل على نظام قادر على تحليل الصور ومقاطع الفيديو وفهمها بفاعلية.

لكن، وكما هو الحال في الأحجية الحقيقية، ليس كل جزء من مشروع الرؤية الحاسوبية مباشرًا. فقد تستغرق مهام مثل تتبّع التجارب (الاحتفاظ بسجل لإعداداتك وتكويناتك وبياناتك) والتسجيل (التقاط النتائج ومقاييس الأداء) الكثير من الوقت والجهد. ومع أن هذه الخطوات أساسية لتحسين نماذج الرؤية الحاسوبية وصقلها، فقد تبدو أحيانًا 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 وتقسيم المثيلات وتصنيف الصور. وتتيح هذه الإمكانات إنشاء تطبيقات رؤية حاسوبية مبتكرة. كما يتيح الاعتماد على تكاملات مثل تكامل MLflow لمهندسي الرؤية التركيز على النموذج نفسه بدلًا من الانشغال بالتفاصيل.

وعلى وجه الخصوص، يبسّط تكامل MLflow العملية من خلال تسجيل مقاييس ومعلمات ومصنوعات مختلفة طوال عملية التدريب. في هذه المقالة، سنستكشف كيفية عمل تكامل MLflow وفوائده، وكيف يمكنك استخدامه لتبسيط سير عمل Ultralytics YOLO.

ما هو MLflow؟#

MLflow منصة مفتوحة المصدر (طوّرتها Databricks) مصممة لتبسيط دورة حياة تعلّم الآلة بأكملها وإدارتها. وهي تشمل عملية تطوير نماذج تعلّم الآلة ونشرها وصيانتها.

يتضمن MLflow المكونات الأساسية التالية:

• تسجيل التجارب: يركّز هذا المكوّن على تسجيل التفاصيل المهمة، مثل إعدادات النموذج ونتائجه وملفاته، لكل عملية تدريب للنموذج. ويساعدك على مقارنة النماذج، ومعرفة تأثير التغييرات في الأداء، والعثور على الأفضل.
• سجل النماذج: يشبه نظام تخزين لنماذجك، حيث يمكنك تتبّع الإصدارات المختلفة وتنظيمها وفق مراحل مثل الاختبار والتجهيز والإنتاج.
• حزم المشاريع: يسهّل MLflow تجميع مشاريع تعلّم الآلة، بما في ذلك التعليمات البرمجية والإعدادات والأدوات المطلوبة، بحيث يمكن مشاركتها واستخدامها باستمرار عبر الفرق والبيئات المختلفة.
• نشر النماذج: يوفر MLflow أدوات لنشر نماذجك المدرّبة بسرعة على أماكن مثل محطات العمل أو المنصات السحابية مثل AWS وAzure، مما يجعلها جاهزة للاستخدام في العالم الحقيقي.

الشكل 1. مكونات MLflow.

تجعل مكونات MLflow عملية تعلّم الآلة أسهل وأكثر كفاءة من حيث الإدارة. ومن خلال هذا التكامل، تتيح Ultralytics استخدام ميزة تسجيل التجارب في MLflow لتسجيل المعلمات والمقاييس والمصنوعات أثناء تدريب نماذج YOLO. كما تجعل تتبّع إصدارات نماذج YOLO المختلفة ومقارنتها أمرًا بسيطًا.

يُبسّط تكامل MLflow عملية التدريب#

بعد أن استعرضنا ماهية MLflow، لنتعمق في تفاصيل تكامل MLflow والميزات التي يوفرها.

صُمم تكامل MLflow لجعل عملية التدريب أكثر كفاءة وتنظيمًا من خلال تتبّع الجوانب المهمة لتجارب الرؤية الحاسوبية وتسجيلها تلقائيًا. وهو يسهّل ثلاثة أنواع رئيسية من التسجيل: المقاييس والمعلمات والمصنوعات.

إليك نظرة أقرب على كل نوع من أنواع التسجيل:

• تسجيل المقاييس: المقاييس قيم كمية تقيس أداء نموذجك أثناء التدريب. فعلى سبيل المثال، تُتتبّع مقاييس مثل الدقة والإحكام والاسترجاع أو الخسارة في نهاية كل حقبة (مرور كامل عبر مجموعة بياناتك).
• تسجيل المعلمات: المعلمات هي الإعدادات التي تحددها قبل بدء تدريب النموذج، مثل معدل التعلّم وحجم الدفعة (عدد العينات التي تتم معالجتها في خطوة تدريب واحدة) وعدد الحقب. وتؤثر هذه المعلمات بدرجة كبيرة في سلوك نموذجك وأدائه.
• تسجيل المصنوعات: المصنوعات هي المخرجات أو الملفات التي يتم إنشاؤها أثناء التدريب. ويشمل ذلك ملفات أساسية مثل أوزان النموذج (القيم العددية التي يتعلمها نموذجك أثناء التدريب) وملفات التكوين (التي تخزّن إعدادات التدريب) والبيانات الأخرى ذات الصلة.

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

كيفية عمل تكامل MLflow#

يمكنك استكشاف وثائق Ultralytics للاطلاع على إرشادات خطوة بخطوة لتمكين تكامل MLflow. بعد إعداده، يتتبّع التكامل تلقائيًا التفاصيل الأساسية لتجاربك التدريبية ويسجّلها، كما نوقش أعلاه. وهذا يلغي الحاجة إلى التتبّع اليدوي ويساعدك على التركيز على تحسين نماذجك.

باستخدام تكامل MLflow، تُخزّن جميع عمليات التدريب في مكان واحد، مما يسهّل مقارنة النتائج وتقييم التكوينات المختلفة. ومن خلال مقارنة النتائج المسجّلة، يمكنك تحديد التكوينات الأفضل أداءً واستخدام تلك الرؤى لتحسين نماذجك. ويضمن ذلك أن يكون سير عملك أكثر كفاءة وتوثيقًا وقابلية لإعادة الإنتاج.

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

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

الشكل 3. يمكنك عرض التجارب باستخدام تكامل MLflow.

في الوقت نفسه، يوفر MLflow على مستوى عملية التشغيل الفردية 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 المصنوعات التي تم إنشاؤها، مثل أوزان النموذج وملفات التكوين. وتُخزّن هذه التفاصيل بتنسيق منظم، مما يسهّل إعادة زيارة أي عملية تشغيل أو إعادة إنتاجها.

اختيار تكامل MLflow: لماذا يتميز؟#

أثناء استعراضك لـوثائق Ultralytics واستكشافك لـالتكاملات المتاحة، قد تجد نفسك تتساءل: ما الذي يميز تكامل MLflow، ولماذا ينبغي أن أختاره لسير عملي؟

مع وجود تكاملات مثل TensorBoard التي توفر أيضًا أدوات لتتبّع المقاييس وتصور النتائج، من المهم فهم الخصائص الفريدة التي تجعل تكامل MLflow متميزًا.

إليك أسباب كون MLflow الخيار المثالي لـمشاريع YOLO:

• واجهة سهلة الاستخدام: تسهّل لوحة معلومات MLflow عرض التجارب ومقارنة عمليات التشغيل وتحليل النتائج، مما يساعدك على تحديد التكوينات الأفضل أداءً بسرعة.
• تسجيل المقاييس المخصصة: يمكن لمهندسي الرؤية تسجيل مقاييس مخصصة بالإضافة إلى المقاييس القياسية، مما يتيح تحليلًا أعمق يتناسب مع احتياجات مشاريعهم.
• دعم سير العمل متعدد اللغات: يتوافق MLflow مع لغات برمجة متعددة، بما في ذلك Python وR وJava، مما يسهّل دمجه في مسارات تعلّم الآلة المتنوعة.

التطبيقات العملية لـ Ultralytics YOLO11 وتكامل MLflow#

لفهم متى يمكنك استخدام تكامل MLflow فهمًا أشمل، لننظر في تطبيق للذكاء الاصطناعي في الرعاية الصحية حيث تحتاج إلى تدريب Ultralytics YOLO11 لاكتشاف الأورام في صور الأشعة السينية أو التصوير المقطعي المحوسب.

في مثل هذا السيناريو، ستتكون مجموعة البيانات من صور طبية مشروحة. وستحتاج إلى تجربة تكوينات مختلفة، مثل ضبط معدلات التعلّم وأحجام الدفعات وتقنيات المعالجة المسبقة للصور، لتحقيق الدقة المثلى. ونظرًا إلى ارتفاع المخاطر في مجال الرعاية الصحية وأهمية الإحكام والموثوقية، فقد يصبح تتبّع كل تجربة يدويًا غير قابل للإدارة سريعًا.

الشكل 4. اكتشاف الأورام باستخدام Ultralytics YOLO11.

يعالج تكامل MLflow هذا التحدي من خلال تسجيل معلمات كل تجربة ومقاييسها ومصنوعاتها تلقائيًا. فعلى سبيل المثال، إذا عدّلت معدل التعلّم أو طبّقت استراتيجية تعزيز جديدة، فسيسجّل MLflow هذه التغييرات إلى جانب مقاييس الأداء. كما يحفظ MLflow أوزان النماذج المدرّبة وتكويناتها، مما يضمن إمكانية إعادة إنتاج النماذج الناجحة ونشرها بسهولة.

هذا مثال واحد فقط على كيفية تعزيز تكامل MLflow لإدارة التجارب في تطبيقات الذكاء الاصطناعي المرئي. وتنطبق الميزات نفسها على تطبيقات الرؤية الحاسوبية الأخرى، بما في ذلك:

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

فوائد تكامل MLflow#

يجعل تكامل MLflow مع نماذج YOLO إدارة تجارب تعلّم الآلة أسهل وأكثر كفاءة. ومن خلال أتمتة المهام الأساسية والحفاظ على تنظيم كل شيء، يتيح لك التركيز على إنشاء نماذجك وتحسينها. إليك نظرة على الفوائد الأساسية:

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

أهم النقاط المستخلصة#

يجعل تكامل MLflow إدارة تجارب Ultralytics YOLO وتحسينها أسهل وأكثر كفاءة. ومن خلال تتبّع التفاصيل الأساسية، مثل المعلمات والمقاييس والمصنوعات، تلقائيًا، فإنه يبسّط العملية ويزيل عناء إدارة التجارب يدويًا.

سواء كنت تعمل على حلول للرعاية الصحية، مثل اكتشاف الأورام، أو تحسين أنظمة القيادة الذاتية، أو تطوير تحليلات البيع بالتجزئة، فإن هذا التكامل يساعد على الحفاظ على تنظيم كل شيء وقابليته لإعادة الإنتاج. وبفضل واجهته البديهية ومرونته، يتيح MLflow للمطورين التركيز على إنشاء نماذج أفضل ودفع عجلة الابتكار في تطبيقات الذكاء الاصطناعي المرئي.

انضم إلى مجتمعنا واطّلع على مستودع GitHub الخاص بنا للتعرّف على الذكاء الاصطناعي. ويمكنك أيضًا استكشاف المزيد من تطبيقات الرؤية الحاسوبية في التصنيع أو الذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات حلولنا.