بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
دعونا نتعمق في تسليط الضوء مرة أخرى على حدث بارز آخر من YOLO VISION 2023 (YV23) الذي عُقد في حرم Google للشركات الناشئة في مدريد. في هذا الحديث، سنغوص في العالم الديناميكي لعمليات التعلم الآلي، حيث Ultralytics مع Weights & Biases لإحداث ثورة في سير عملك. انضم إلينا مع مهندس التعلّم الآلي في Weights & Biases سوميك راكشيت، حيث يوضح لنا كيفية إدارة تجاربنا ونقاط التحقق من النماذج وتصور نتائج تجاربنا بسهولة.
ميزة Weights & Biases : حلم المطور
Weights & Biases هي منصة MLOPS للمطوّرين أولاً، وهي مصممة لتعزيز مساعي التعلم الآلي لديك. وبفضل مجموعة من المنتجات والخدمات المتطورة المتاحة لك، تمكّنك Weights & Biases من إطلاق الإمكانات الكاملة لنماذجك بكل سهولة.
دمج Ultralytics مع W&B: تغيير قواعد اللعبة
كشف سوميك في حديثه عن العمل المبتكر الذي تم إنجازه في Weights & Biases لدمج الميزات المتقدمة بسلاسة مع Ultralytics YOLOv8. استعد لمشاهدة تصور استدلال الكشف عن الكائنات بشكل لم يسبق له مثيل وتعلم كيف يمكنك الاستفادة من هذا التكامل لرفع مستوى سير عمل Ultralytics الخاص بك.
من النظرية إلى التطبيق: عرض توضيحي مباشر
دعونا نرى ذلك على أرض الواقع! أرشدنا سوميك خلال سير عمل الكشف عن الكائنات من البداية إلى النهاية باستخدام مجموعة بيانات على Weights & Biases وتدريب نموذج باستخدام Ultralytics موضحًا التآزر السلس بين هاتين المنصتين القويتين.
الميزات الرئيسية للوحة معلومات Weights & Biases
توفر Weights & biases أيضًا دعمًا للوحة معلومات حيث يمكنك تصور الرسم البياني للتدريب والمقاييس. تتضمن بعض الميزات الرئيسية ما يلي:
تتبع المقاييس في الوقت الفعلي: راقب مقاييس الأداء الحاسمة مثل الدقة والخسارة ودرجات 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: استخدم الأدوات الآلية أو التقنيات اليدوية لضبط المعلمات الفائقة مثل معدل التعلم وحجم الدفعة وبنية الشبكة بدقة، وتحسين أداء النموذج وتقاربه.
تصور تقدم التدريب: اكتسب فهمًا أعمق لسلوك النموذج الخاص بك عن طريق تصور تقدم التدريب من خلال الرسوم البيانية والمخططات والمدرجات التكرارية، مما يوفر رؤى حول ديناميكيات التدريب، والتجاوز، وأنماط التقارب.
مراقبة الموارد: track الموارد الحاسوبية مثل CPU GPU والذاكرة أثناء تدريب النموذج، مما يضمن تخصيص الموارد بكفاءة ومنع اختناقات الموارد التي قد تعيق أداء التدريب.
للحصول على تفاصيل متعمقة حول كل ميزة، اقرأ المزيد في صفحات الوثائق الخاصة بنا.
ملخص
بينما نختتم رحلتنا، يصبح شيء واحد واضحًا تمامًا: مستقبل عمليات تعلم الآلة أكثر إشراقًا من أي وقت مضى. لذلك، سواء كنت مهندس تعلم آلة متمرسًا أو مجرد تغمس أصابع قدميك في عالم الذكاء الاصطناعي، كن مطمئنًا إلى أن الطريق أمامك ممهد بإمكانيات لا حصر لها.
انضموا إلينا في تبني مستقبل عمليات تعلم الآلة. شاهدوا الحديث كاملاً هنا!
