سجل تجارب Ultralytics YOLO باستخدام تكامل MLflow

يمكنك التفكير في مشروع رؤية حاسوبية باعتباره لغزاً. أساساً، أنت تعلّم الآلات فهم البيانات المرئية من خلال تجميع قطع اللغز، مثل جمع مجموعة بيانات، وتدريب نموذج، ونشره. عندما يتناسب كل شيء معاً، تحصل على نظام يمكنه 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.

وهنا تأتي أهمية 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. تتيح هذه الإمكانيات إنشاء تطبيقات رؤية حاسوبية مثيرة. يتيح وجود خيار الاعتماد على عمليات التكامل 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.

ما 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 التعلم الآلي أسهل وأكثر كفاءة في الإدارة. من خلال هذا التكامل، تتيح Ultralytics إمكانية استخدام ميزة تتبع التجارب في MLflow لتسجيل المعلمات، والمقاييس، والعناصر المصنوعة أثناء تدريب نماذج YOLO. فهو يجعل من السهل تتبع ومقارنة إصدارات نماذج YOLO المختلفة.

تكامل 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: المقاييس هي قيم كمية تقيس أداء نموذجك أثناء التدريب. على سبيل المثال، يتم تتبع مقاييس مثل الدقة، والضبط، والاسترجاع، أو الخسارة في نهاية كل دورة (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.

كيف يعمل تكامل MLflow#

يمكنك استكشاف وثائق Ultralytics للحصول على إرشادات خطوة بخطوة حول تفعيل تكامل MLflow. بمجرد الإعداد، يقوم التكامل تلقائياً بتتبع وتسجيل التفاصيل الرئيسية لتجارب التدريب الخاصة بك، كما هو مناقش أعلاه. هذا يلغي الحاجة إلى التتبع اليدوي ويساعدك على البقاء مركزاً 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.

اختيار تكامل MLflow: لماذا يتميز؟#

بينما تتصفح وثائق Ultralytics وتستكشف عمليات التكامل المتاحة، قد تجد نفسك تسأل: ما الذي يميز تكامل MLflow، ولماذا يجب أن أختاره لتدفق العمل الخاص بي؟

مع عمليات التكامل مثل TensorBoard التي توفر أيضاً أدوات لتتبع المقاييس وتصور النتائج، من المهم فهم الجوانب الفريدة التي تجعل تكامل MLflow بارزاً.

إليك سبب كون MLflow الخيار المثالي لـ مشاريع YOLO الخاصة بك:

• 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.

التطبيقات العملية لـ Ultralytics YOLO11 وتكامل MLflow#

للحصول على فهم أكثر شمولاً للحقت التي يمكنك فيها استخدام تكامل MLflow، دعنا نأخذ في الاعتبار تطبيق ذكاء اصطناعي 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. ستحتاج إلى التجربة بتكوينات مختلفة، مثل ضبط معدلات التعلم، وأحجام الدفعات، وتقنيات المعالجة المسبقة للصور، لتحقيق الدقة المثلى. نظراً لأن المخاطر عالية في الرعاية الصحية والدقة والموثوقية أمران حاسمان، فإن تتبع كل تجربة يدويًا يمكن أن يصبح غير قابل للإدارة بسرعة.

الشكل 4. الكشف عن الأورام باستخدام Ultralytics YOLO11.

يعالج تكامل MLflow هذا التحدي عن طريق تسجيل معلمات، ومقاييس، وعناصر كل تجربة تلقائياً. على سبيل المثال، إذا قمت بتعديل معدل التعلم أو تطبيق استراتيجية زيادة جديدة، فإن MLflow يسجل هذه التغييرات جنباً إلى جنب مع مقاييس الأداء. أيضاً، يحفظ MLflow أوزان التكوينات للنماذج المدربة، مما يضمن إمكانية إعادة إنتاج ونشر النماذج الناجحة 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: يمكن استخدام Ultralytics 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.

فوائد تكامل MLflow#

يجعل تكامل MLflow مع نماذج YOLO إدارة تجارب التعلم الآلي أسهل وأكثر كفاءة. من خلال أتمتة المهام الرئيسية والحفاظ على تنظيم كل شيء، فإنه يتيح لك التركيز 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.

أبرز 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 وتفقد 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 الحلول الخاصة بنا.