Experiment Tracking
تعرف على كيفية تبسيط تتبع التجارب لسير عمل تعلم الآلة. اكتشف كيفية تسجيل المقاييس والأصول لـ Ultralytics YOLO26 لضمان ذكاء اصطناعي قابل للتكرار وعالي الأداء.
يعد تتبع التجارب العملية المنهجية لتسجيل وتنظيم وتحليل المتغيرات والمقاييس والأصول الناتجة أثناء تنفيذ مهام التعلم الآلي (ML). تشبه هذه الممارسة دفتر مختبر العالم، حيث تنشئ سجلاً رقمياً موثوقاً لكل فرضية تم اختبارها، مما يضمن أن تكون مرحلة البحث والتطوير دقيقة وشفافة وقابلة للتكرار. من خلال التقاط المدخلات مثل المعلمات الفائقة وإصدارات مجموعات البيانات جنباً إلى جنب مع المخرجات مثل رسوم الأداء والأوزان المدربة، يحول تتبع التجارب الطبيعة التكرارية والفوضوية لـ تدريب النماذج إلى سير عمل منظم ومبني على البيانات. يعد هذا التنظيم بالغ الأهمية للفرق التي تهدف إلى بناء أنظمة ذكاء اصطناعي (AI) قوية بكفاءة، مما يسمح لها بتحديد التكوينات التي تحقق أفضل النتائج بدقة.
Link to this sectionلماذا يعد تتبع التجارب مهماً#
في مشاريع الرؤية الحاسوبية (CV) الحديثة، غالباً ما يقوم المطورون بتشغيل مئات من تكرارات التدريب للعثور على معمارية النموذج والإعدادات المثلى. بدون نظام تتبع مخصص، يمكن بسهولة فقدان تفاصيل مهمة مثل معدل التعلم المحدد أو الإصدار الدقيق لـ بيانات التدريب المستخدمة في تشغيل ناجح. يحل تتبع التجارب هذه المشكلة من خلال توفير مستودع مركزي لجميع بيانات التشغيل، مما يسهل التعاون بشكل أفضل بين أعضاء الفريق ويبسط عملية تصحيح أخطاء النماذج ذات الأداء الضعيف.
يتضمن التتبع الفعال عادةً تسجيل ثلاثة مكونات رئيسية:
- المعلمات: متغيرات التكوين مثل حجم الدفعة، ونوع المحسن (على سبيل المثال، محسن Adam)، وإصدارات معمارية النموذج مثل YOLO26.
- المقاييس: مقاييس النجاح الكمية التي يتم تقييمها أثناء التدريب، مثل وظائف الخسارة، والدقة، ومتوسط الدقة (mAP).
- الأصول: ملفات المخرجات التي تم إنشاؤها بواسطة التشغيل، بما في ذلك أوزان النماذج المدربة، ومصفوفات الارتباك، وسجلات النظام.
Link to this sectionالتمييز عن MLOps ومراقبة النماذج#
على الرغم من استخدام هذه المصطلحات بالتبادل غالباً، فإن تتبع التجارب هو مجموعة فرعية محددة من المجال الأوسع لـ عمليات تعلم الآلة (MLOps). تشمل MLOps دورة الحياة الكاملة لهندسة تعلم الآلة، بما في ذلك النشر والتوسع والحوكمة. يركز تتبع التجارب بشكل خاص على مرحلة التطوير، أي تحسين النموذج قبل وصوله إلى مرحلة الإنتاج. وبالمثل، فإنه يختلف عن مراقبة النماذج، التي تتتبع أداء وصحة النماذج بعد نشرها لاكتشاف مشكلات مثل انحراف البيانات في بيئات العالم الحقيقي.
Link to this sectionتطبيقات العالم الحقيقي#
يعد التطبيق الصارم لتتبع التجارب أمراً ضرورياً في الصناعات التي تكون فيها الدقة والسلامة في غاية الأهمية.
- القيادة الذاتية: يجب على المهندسين الذين يطورون المركبات ذاتية القيادة تتبع آلاف التجارب التي تتضمن خوارزميات دمج مستشعرات مختلفة ونماذج كشف الأشياء. من خلال تسجيل كل عملية تدريب بدقة، يمكن للفرق تتبع إصدار النموذج الذي كان أداؤه الأفضل في ظروف جوية معينة بالضبط، مما يضمن تلبية معايير السلامة قبل النشر. غالباً ما يتم دمج أدوات مثل MLflow أو Weights & Biases لتصور هذه المقاييس المعقدة.
- التصوير الطبي: في تطبيقات الرعاية الصحية بالذكاء الاصطناعي، مثل اكتشاف الأورام في الأشعة السينية، تعد القابلية للتكرار مطلباً تنظيمياً. يضمن تتبع التجارب إمكانية تدقيق وإعادة إنشاء نموذج التعلم العميق (DL) المحدد المستخدم للتشخيص بدقة، والتحقق من أن معدل الإيجابيات الكاذبة يلبي العتبات السريرية.
Link to this sectionتنفيذ التتبع باستخدام Ultralytics#
يدعم نظام Ultralytics البيئي التكامل السلس مع أدوات التتبع الشائعة. عند تدريب نماذج متطورة مثل YOLO26، يمكن للمستخدمين تسجيل المقاييس بسهولة إلى منصات مثل TensorBoard أو Comet أو منصة Ultralytics. تعمل المنصة على تبسيط هذه العملية بشكل أكبر من خلال توفير إدارة قائمة على السحابة لمجموعات البيانات وعمليات التدريب، مما يجعل من السهل تصور منحنيات التدريب ومقارنة الأداء عبر التجارب المختلفة.
فيما يلي مثال موجز حول كيفية بدء عملية تدريب باستخدام Ultralytics YOLO التي تسجل بيانات التجربة تلقائياً.
from ultralytics import YOLO
# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")
# Train the model, specifying a project name to group experiment runs
# This organizes logs, weights, and metrics into a 'my_experiments' directory
results = model.train(data="coco8.yaml", epochs=5, project="my_experiments", name="run_lr_0.01")من خلال تنظيم عمليات التشغيل في مشاريع محددة، يمكن للمطورين الاستفادة من الأدوات لإجراء ضبط المعلمات الفائقة، وتحسين الاستدعاء الخاص بنموذجهم والمتانة الشاملة بشكل منهجي. سواء باستخدام التدريب المحلي أو التوسع عبر الحوسبة السحابية، يظل تتبع التجارب هو العمود الفقري لسير عمل الذكاء الاصطناعي العلمي والناجح.
