معاودة الاتصال

كيفية عمل عمليات إعادة الاستدعاء

تعمل عمليات الاستدعاء بناءً على نظام يحركه الحدث. يتم تمريرها عادةً كقائمة إلى دالة رئيسية، مثل train ضمن طريقة داخل التعلُّم الآلي (ML) إطار العمل. تم تصميم إطار العمل لاستدعاء عمليات الاستدعاء هذه في نقاط محددة، تُعرف باسم "الأحداث". تتضمن الأحداث الشائعة بداية أو نهاية عملية التدريب بأكملها، أو بداية أو نهاية عملية الحقبة الزمنية، أو حتى قبل أو بعد معالجة حجم الدُفعة من البيانات. عند وقوع حدث معين، يقوم إطار العمل بتنفيذ دالة (دالات) رد النداء المقابلة، وغالبًا ما يمرر معلومات ذات صلة بالحالة الحالية مثل رقم الحقبة الزمنية الحالية, دالة الخسارة القيمة أو مقاييس الأداء - كوسائط. يسمح ذلك لرد الاستدعاء بالتفاعل ديناميكيًا مع العملية الجارية والتأثير عليها استنادًا إلى معلومات في الوقت الفعلي.

التطبيقات الرئيسية وحالات الاستخدام

عمليات الاسترجاع متعددة الاستخدامات بشكل لا يصدق وتتيح مجموعة واسعة من الوظائف الضرورية لتطوير النماذج والتدريب الفعال:

• مراقبة أداء النموذج: تتبع مقاييس مثل الخسارة والدقة في بيانات التدريب وبيانات التحقق من الصحة خلال التدريب. يمكن تسجيل النتائج على وحدة التحكم، أو حفظها في الملفات، أو تصورها باستخدام أدوات مثل TensorBoard.
• فحص النموذج: حفظ أوزان النموذج تلقائيًا بشكل دوري، وغالبًا ما يتم حفظ الإصدار الأفضل أداءً فقط بناءً على مقياس مختار (على سبيل المثال، دقة التحقق من الصحة أو الخسارة). يضمن ذلك عدم فقدان النموذج الأفضل في حالة انقطاع التدريب أو إذا تدهور الأداء لاحقًا.
• الإيقاف المبكر: مراقبة مقياس الأداء (مثل خسارة التحقق من الصحة) وإيقاف عملية التدريب تلقائيًا إذا توقف المقياس عن التحسن لعدد محدد من الحقب الزمنية. يمنع هذا الأمر الإفراط في التركيب ويوفر الموارد الحسابية.
• تعديلات ديناميكية: تعديل معلمات التدريب أثناء التنقل. من الأمثلة الشائعة على ذلك تعديل معدل التعلم ديناميكيًا استنادًا إلى تقدم التدريب، وغالبًا ما يتم تقليله عند استقرار الأداء (جدولة معدل التعلم).
• التسجيل وإعداد التقارير: إرسال السجلات والمقاييس وتحديثات تقدم التدريب إلى أنظمة المراقبة الخارجية أو منصات تتبع التجارب مثل Weights & Biases أو Ultralytics HUB، مما يساعد في ممارسات MLOPS.
• إدارة الموارد: تنفيذ منطق مخصص لإدارة موارد النظام، مثل مسح GPU ذاكرة التخزين المؤقت لوحدة معالجة الرسومات على فترات زمنية محددة. اعثر على المزيد من الاقتراحات في دليلنا حول نصائح تدريب النماذج.

أمثلة في الممارسة العملية

1. حفظ أفضل نموذج لاكتشاف الكائنات: عند تدريب نموذج Ultralytics YOLOلاكتشاف الكائنات، يمكنك استخدام رد استدعاء ModelCheckpoint. يراقب رد الاستدعاء هذا متوسط متوسط الدقة (mAP) على مجموعة بيانات التحقق من الصحة. يقوم بحفظ أوزان النموذج في ملف فقط عندما تتحسن درجة mAP مقارنةً بأفضل درجة تم حفظها مسبقًا، مما يضمن لك الاحتفاظ بالنموذج الأكثر دقة من جلسة التدريب. قارن بين أداء نماذج YOLO المختلفة على صفحة مقارنة النماذج الخاصة بنا.
2. منع الإفراط في تصنيف الصور: تخيل تدريب نموذج لتصنيف الصور على مجموعة بيانات معقدة مثل ImageNet. يمكن تكوين رد استدعاء EarlyStopping لمراقبة خسارة التحقق من الصحة. إذا لم تتناقص خسارة التحقق من الصحة لمدة 10 دورات تدريبية متتالية على سبيل المثال، يوقف رد النداء تلقائيًا التدريب. هذا يمنع النموذج من الإفراط في ملاءمة بيانات التدريب ويوفر وقت التدريب وتكلفته. استكشف مهام تصنيف الصور بشكل أكبر.

فوائد استخدام عمليات إعادة الاستدعاء

يوفر دمج عمليات الاسترداد في سير عمل التعلم الآلي العديد من المزايا المهمة:

• الأتمتة: تعمل عمليات إعادة الاستدعاء على أتمتة المهام المتكررة مثل حفظ النماذج وتسجيل المقاييس وتعديل المعلمات، مما يقلل من الحاجة إلى التدخل اليدوي أثناء عمليات التدريب الطويلة.
• المرونة والتخصيص: فهي تسمح للمطورين بإدراج منطق مخصص في حلقة التدريب دون تعديل كود الإطار الأساسي، مما يتيح سلوكيات تدريب مصممة خصيصًا. هذا الأمر مفيد بشكل خاص للتجارب المعقدة أو ضبط المعلمة الفائقة.
• الكفاءة: يمكن لعمليات الاستدعاء مثل الإيقاف المبكر وتعديل معدل التعلم الديناميكي أن تجعل التدريب أكثر كفاءة من خلال توفير الموارد الحسابية وربما تسريع التقارب.
• الرؤية والمراقبة: يوفران رؤى عميقة حول ديناميكيات التدريب من خلال تمكين التسجيل التفصيلي وتصور المقاييس مع مرور الوقت.
• قابلية التكرار: من خلال توحيد الإجراءات المتخذة أثناء التدريب (على سبيل المثال، معايير الحفظ، وشروط الإيقاف)، تساهم عمليات الاسترجاع في زيادة قابلية تجارب التعلم الآلي للتكرار.

تقدم أطر عمل مثل Keras PyTorch Lightning مجموعات واسعة من عمليات الاستدعاء المدمجة وواجهات مباشرة لإنشاء عمليات استدعاء مخصصة. تستفيد Ultralytics أيضًا من عمليات الاستدعاء داخليًا ضمن خطوط أنابيب التدريب الخاصة بها، مما يساهم في متانة وسهولة استخدام أدوات مثل Ultralytics YOLO11 ومنصة Ultralytics HUB. يمكن أن توفر مراجعة وثائقUltralytics أمثلة أكثر تحديدًا تتعلق بتدريب نموذج YOLO .