تعزيز Ultralytics مع Weights & Biases

دعونا نتعمق في تسليط الضوء على حدث آخر من YOLO VISION 2023 (YV23) الذي أقيم في حرم Google for Startups في مدريد. في هذه المحادثة، نغوص في عالم عمليات التعلم الآلي الديناميكي، حيث تتكاتف Ultralytics مع Weights & Biases لإحداث ثورة في سير عملك. انضم إلينا مع مهندس التعلم الآلي في Weights & Biases Soumik Rakshit وهو يوضح كيفية إدارة تجاربنا ونقاط حفظ النموذج بسهولة وتصور نتائج تجاربنا.

ميزة Weights & Biases: حلم كل مطور#

Weights & Biases هي منصة MLOps تركز على المطورين، ومصممة لتعزيز مساعيك في تعلم الآلة. مع مجموعة من المنتجات والخدمات المتطورة تحت تصرفك، تُمكّنك Weights & Biases من إطلاق العنان للإمكانات الكاملة لنماذجك بسهولة.

دمج Ultralytics مع W&B: تغيير جذري#

في حديثه، كشف صوميك النقاب عن العمل المبتكر الذي تم إنجازه في Weights & Biases لدمج الميزات المتقدمة بسلاسة مع Ultralytics YOLOv8. استعد لمشاهدة تصور استدلال object detection بشكل لم يسبق له مثيل وتعلم كيف يمكنك الاستفادة من هذا integration للارتقاء بسير عملك الخاص في Ultralytics.

من النظرية إلى التطبيق: عرض توضيحي مباشر#

لنرى ذلك في العمل! قدم لنا Soumik شرحاً تفصيلياً لسير عمل الكشف عن الكائنات من البداية إلى النهاية باستخدام مجموعة بيانات على Weights & Biases وتدريب نموذج باستخدام Ultralytics، مما يوضح التآزر السلس بين هاتين المنصتين القويتين.

الميزات الرئيسية للوحة تحكم Weights & Biases#

توفر Weights & Biases أيضاً دعماً للوحة تحكم حيث يمكنك تصور رسم التدريب البياني والمقاييس. تتضمن بعض الميزات الرئيسية ما يلي:

• تتبع المقاييس في الوقت الفعلي: راقب مقاييس الأداء الحاسمة مثل الدقة، والخسارة، ونتائج التحقق في الوقت الفعلي أثناء تدريب نموذج التعلم العميق الخاص بك، مما يتيح إجراء تعديلات في الوقت المناسب والحصول على رؤى حول سلوك النموذج.
• تحسين المعلمات الفائقة (Hyperparameters): استخدم أدوات آلية أو تقنيات يدوية لضبط المعلمات الفائقة مثل معدل التعلم، وحجم الدفعة، وهيكل الشبكة، مما يعمل على تحسين أداء النموذج وتقاربه.
• تصور تقدم التدريب: احصل على فهم أعمق لسلوك نموذجك من خلال تصور تقدم التدريب عبر المخططات والرسوم البيانية والرسوم البيانية التكرارية، مما يوفر رؤى حول ديناميكيات التدريب، والإفراط في التخصيص (overfitting)، وأنماط التقارب.
• مراقبة الموارد: تتبع الموارد الحسابية مثل استخدام CPU و GPU والذاكرة أثناء تدريب النموذج، مما يضمن تخصيص الموارد بكفاءة ومنع الاختناقات التي قد تعيق أداء التدريب.

للحصول على تفاصيل متعمقة حول كل ميزة، اقرأ المزيد على صفحات documentation الخاصة بنا.

ختاماً#

بينما نختتم رحلتنا، يصبح هناك شيء واحد واضح تماماً: مستقبل عمليات تعلم الآلة أكثر إشراقاً من أي وقت مضى. لذا، سواء كنت مهندس تعلم آلة متمرساً أو بدأت للتو في استكشاف عالم الذكاء الاصطناعي، كن مطمئناً أن الطريق أمامك ممهد بإمكانيات لا حصر لها.

انضم إلينا في تبني مستقبل عمليات التعلم الآلي. شاهد المحادثة الكاملة Watch the full talk!