Model Registry

سجل النماذج هو نظام مركزي لتنظيم، وإصدار، وحوكمة، واسترجاع نماذج التعلم الآلي عبر دورة حياتها. وهو يربط ملفات النماذج، مثل أوزان النموذج المتعلمة، بالبيانات الوصفية التي تصف كيفية تدريب كل نموذج، وتقييمه، واعتماده، ونشره. وباعتباره مكونًا أساسيًا في عمليات التعلم الآلي، يمنح السجل الفرق مصدرًا موثوقًا لتحديد إصدار النموذج الذي يجب أن يخدم حركة مرور الإنتاج.

كيف يعمل سجل النماذج#

تبدأ عملية تسجيل النموذج بعد أن ينتج تشغيل التدريب نموذجًا مرشحًا. ينشئ السجل إدخالاً مسجلاً باسم، ويعين إصدارًا، ويسجل المعلومات اللازمة لفهم القطعة الأثرية وإعادة إنتاجها. يتضمن الإدخال النموذجي ما يلي:

• قطعة أثرية للنموذج: الأوزان المتسلسلة، أو منطق المعالجة المسبقة، أو ملفات التكوين، أو مرجع لموقع تخزينها.
• الإصدار: معرف ثابت يميز مرشحًا عن آخر.
• المقاييس والمعلمات: دقة التحقق، والدقة الجزئية، والاستدعاء، وزمن الوصول، وتفاصيل مجموعة البيانات، والمعلمات الفائقة، والقياسات الأخرى.
• النسب: الروابط بين النموذج، وشفرته المصدرية، وتشغيل التدريب، والبيانات.
• الحالة: تسميات مثل مرشح، أو معتمد، أو مرفوض، أو بطل، أو مؤرشف.
• معلومات النشر: البيئات وننقاط النهاية التي تستخدم الإصدار حاليًا.

تنفذ المنصات هذه الأفكار بشكل مختلف. يستخدم سير عمل سجل نماذج MLflow النماذج المسجلة، والإصدارات، والأسماء المستعار علامات التبويب، بينما يدعم سجل نماذج Amazon SageMaker مجموعات النماذج، وحالات الموافقة، والنسب، وأتمتة النشر. تسجل بعض الأنظمة أيضًا توقيع النموذج: مخطط المدخلات والمخرجات المتوقع الموصوف في وثائق توقيع نموذج Snowflake.

توفر الأسماء المستعارة مثل champion أو production أسماء مستقرة يمكنها الانتقال بين الإصدارات الثابتة. كما هو موضح في دليل الأسماء المستعارة لنماذج Vertex AI، يمكن لأحد التطبيقات طلب اسم مستعار دون ترميز رقم الإصدار بشكل ثابت.

سجل النماذج مقابل المفاهيم ذات الصلة#

يتداخل سجل النماذج مع العديد من أدوات التعلم الآلي ولكنه يخدم غرضًا متميزًا:

• تتبع التجارب يسجل عمليات التدريب، بما في ذلك المعلمات، والمقاييس، والقطع الأثرية الوسيطة. يتلقى السجل مخرجات مختارة من تلك التجارب ويديرها كمرشحين للإصدار.
• تخزين القطع الأثرية يحفظ الملفات الكبيرة. قد يخزن السجل تلك الملفات مباشرة، ولكنه يمكن أن يعمل أيضًا كفهرس للبيانات الوصفية يشير إلى التخزين الخارجي للكائنات. توضح هنية سجل نماذج Kubeflow هذا التصميم المتمركز حول البيانات الوصفية.
• التحكم في المصدر يعين إصدارات للشفرة، بينما يصدر سجل النماذج القطع الأثرية المدربة وبياناتها الوصفية الخاصة بالتعلم الآلي. يمكن لـ سجل نماذج GitLab ربط إصدارات النماذج بوظائف CI/CD، والسجلات، والمقاييس، والمعلمات.
• نشر النموذج يجعل النموذج المحدد متاحًا للاستدلال. يحدد السجل القطعة الأثرية المعتمدة؛ ويقوم نظام النشر بتشغيلها.
• مراقبة النماذج تلاحظ سلوك الإنتاج بعد الإصدار. يمكن أن تؤدي نتائج المراقبة إلى تحفيز التقييم، إعادة التدريب، التسجيل، والترقية لإصدار بديل.

لذلك يعمل السجل نقطة تحكم بين التجربة والإنتاج بدلاً من استبدال كل مكون حوله.

تطبيقات العالم الحقيقي#

في نظام فحص التصنيع، قد يعيد المهندسون تدريب كاشف العيوب كلما تغيرت الكاميرات، أو المواد، أو تصميمات المنتجات. يمكن للسجل الاحتفاظ بمرجع مجموعة بيانات كل نموذج، ومتوسط الدقة، وزمن استجابة الاستدلال، وتنسيق الأجهزة المدعوم. بعد أن تؤكد الاختبارات أن الإصدار 12 يحسن اكتشاف الخدوش دون زيادة الإنذارات الكاذبة، يمكن للمعتمد ترقيته والاحتفاظ بالإصدار 11 للتراجع الفوري.

في تحليل الصور الطبية، قد تقيم فرق متعددة مرشحي اكتشاف الأورام. يحافظ التسجيل على نتائج التحقق، وتكوين التدريب، والمالك المسؤول، وتاريخ الموافقة لكل إصدار. يمكن تقييد تطبيقات الإنتاج على النماذج التي تم مراجعتها، بينما تظل الإصدارات الأقدم متاحة عمليات التدقيق وقابلية إعادة الإنتاج. تساعد ضوابط الوصول المستندة إلى الأدوار، مثل تلك الموضحة في حوكمة سجل نماذج Snowflake، في منع الاستبدال غير المصرح به أو فحص القطع الأثرية الحساسة.

تسجيل النماذج في سير عمل Ultralytics#

توفر منصة Ultralytics إدارة مركزية للنماذج لشرح مجموعات البيانات، والتدريب، ومقارنة النتائج، والتصدير، والنشر، ومراقبة نماذج الرؤية الحاسوبية. يدعم سير عمل إدارة نماذج المنصة الموثق أوزان .pt التي يتم تحميلها والناتجة عبر التدريب السحابي أو البعيد.

يقوم سير العمل الموثق التالي بتدريب نموذج Ultralytics YOLO26 محليًا مع إرسال النموذج الناتج، والتكوين، والمقاييس، والسجلات إلى مشروع منصة مسجل باسم:

import os

from ultralytics import YOLO

# Authenticate remote training with Ultralytics Platform
os.environ["ULTRALYTICS_API_KEY"] = "YOUR_API_KEY"

model = YOLO("yolo26n.pt")

model.train(
    data="coco8.yaml",
    epochs=3,
    project="username/model-registry-demo",
    name="candidate-001",
)

تجعل أسماء المشروع والتشغيل المرشح قابلاً للاكتشاف إلى جانب النماذج ذات الصلة. يمكن للفرق تقييمه، أو استخدام تكامل MLflow في Ultralytics لتسجيل إضافي للتجارب، أو تطبيق تصدير نموذج YOLO عندما يتعين تشغيل نموذج مسجل على أجهزة سحابية أو حافة معينة.

إرشادات السجل العملية#

تعامل مع كل إصدار مسجل على أنه ثابت. استخدم أسماء مستعارة مقروءة للبشر للنشر، واحتفظ بأدلة التحقق، وحدد متطلبات ترقية واضحة. يمكن لسياسة التسمية المستندة إلى الإصدار الدلالي توصيل تغيرات التوافق، على الرغم من أن الإصدارات المتزايدة تلقائيًا فعالة أيضًا.

والأهم من ذلك، قم بتسجيل حزم النماذج الكاملة بدلاً من ملفات الأوزان غير المفسرة. يمكن أن تجعل قواعد المعالجة المسبقة المفقودة، أو أسماء الفئات، أو مخططات المدخلات، أو التبعيات، أو مراجع مجموعات البيانات نموذجًا يبدو صالحًا مستحيلاً إعادة إنتاجه أو غير آمن للنشر. تحول ضوابط الوصول، والاختبارات الآلية، وبوابات الموافقة، وسجلات التدقيق، وإجراءات التراجع سجل النماذج من كتالوج ملفات إلى ضمان إنتاج موثوق.