فهم الخطوات الرئيسية في مشروع الرؤية الحاسوبية

مقدمة

رؤية الكمبيوتر هي مجال فرعي من الذكاء الاصطناعي (AI) الذي يساعد أجهزة الكمبيوتر على رؤية العالم وفهمه مثل البشر. تقوم بمعالجة وتحليل الصور أو مقاطع الفيديو لاستخراج المعلومات والتعرف على الأنماط واتخاذ القرارات بناءً على هذه البيانات.

شاهد: كيفية القيام بذلك رؤية الكمبيوتر المشاريع | دليل خطوة بخطوة

يمكن تطبيق تقنيات رؤية الكمبيوتر مثل اكتشاف الكائنات و تصنيف الصور و تقسيم المثيلات عبر مختلف الصناعات، من القيادة الذاتية إلى التصوير الطبي للحصول على رؤى قيمة.

يعد العمل على مشاريع رؤية الكمبيوتر الخاصة بك طريقة رائعة لفهم ومعرفة المزيد عن رؤية الكمبيوتر. ومع ذلك، يمكن أن يتكون مشروع رؤية الكمبيوتر من عدة خطوات، وقد يبدو الأمر مربكًا في البداية. بحلول نهاية هذا الدليل، ستكون على دراية بالخطوات المتضمنة في مشروع رؤية الكمبيوتر. سنتناول كل شيء من البداية إلى نهاية المشروع، مع شرح سبب أهمية كل جزء. لنبدأ ونجعل مشروع رؤية الكمبيوتر الخاص بك ناجحًا!

نظرة عامة على مشروع رؤية حاسوبية

قبل مناقشة تفاصيل كل خطوة في مشروع رؤية حاسوبية، دعنا نلقي نظرة على العملية برمتها. إذا بدأت مشروع رؤية حاسوبية اليوم، فستتخذ الخطوات التالية:

• ستكون أولويتك الأولى هي فهم متطلبات مشروعك.
• بعد ذلك، ستقوم بجمع الصور وتسميتها بدقة والتي ستساعد في تدريب النموذج الخاص بك.
• بعد ذلك، ستقوم بتنظيف بياناتك وتطبيق تقنيات الزيادة لإعدادها لتدريب النموذج.
• بعد تدريب النموذج، يجب عليك اختبار وتقييم النموذج الخاص بك بدقة للتأكد من أنه يعمل باستمرار في ظل ظروف مختلفة.
• أخيرًا، يمكنك نشر النموذج الخاص بك في العالم الحقيقي وتحديثه بناءً على رؤى وملاحظات جديدة.

الآن بعد أن عرفنا ما يمكن توقعه، دعنا نتعمق في الخطوات ونبدأ مشروعك في المضي قدمًا.

الخطوة 1: تحديد أهداف مشروعك

تتمثل الخطوة الأولى في أي مشروع لرؤية الكمبيوتر في تحديد المشكلة التي تحاول حلها بوضوح. إن معرفة الهدف النهائي يساعدك على البدء في بناء حل. وهذا صحيح بشكل خاص عندما يتعلق الأمر برؤية الكمبيوتر لأن هدف مشروعك سيؤثر بشكل مباشر على مهمة رؤية الكمبيوتر التي تحتاج إلى التركيز عليها.

فيما يلي بعض الأمثلة لأهداف المشروع ومهام الرؤية الحاسوبية التي يمكن استخدامها لتحقيق هذه الأهداف:

• الهدف: تطوير نظام يمكنه مراقبة وإدارة تدفق أنواع المركبات المختلفة على الطرق السريعة، وتحسين إدارة حركة المرور والسلامة.

  • مهمة رؤية الكمبيوتر: يعد اكتشاف الكائنات مثاليًا لمراقبة حركة المرور لأنه يحدد ويحدد مواقع مركبات متعددة بكفاءة. إنه أقل تطلبًا من الناحية الحسابية من تجزئة الصور، التي توفر تفاصيل غير ضرورية لهذه المهمة، مما يضمن تحليلًا أسرع وفي الوقت الفعلي.

• الهدف: تطوير أداة تساعد أخصائيي الأشعة من خلال توفير مخططات تفصيلية دقيقة على مستوى البكسل للأورام في فحوصات التصوير الطبي.

  • مهمة رؤية الكمبيوتر: تجزئة الصور مناسبة للتصوير الطبي لأنها توفر حدودًا دقيقة ومفصلة للأورام وهي ضرورية لتقييم الحجم والشكل والتخطيط للعلاج.

• الهدف: إنشاء نظام رقمي يصنف المستندات المختلفة (مثل الفواتير والإيصالات والأوراق القانونية) لتحسين الكفاءة التنظيمية واسترجاع المستندات.

  • مهمة رؤية الكمبيوتر: تصنيف الصور مثالي هنا لأنه يتعامل مع مستند واحد في كل مرة، دون الحاجة إلى النظر في موضع المستند في الصورة. هذا النهج يبسط ويسرع عملية الفرز.

الخطوة 1.5: تحديد النموذج الصحيح ومنهجية التدريب

بعد فهم الهدف من المشروع ومهام رؤية الكمبيوتر المناسبة، فإن جزءًا أساسيًا من تحديد هدف المشروع هو تحديد النموذج الصحيح ومنهجية التدريب.

اعتمادًا على الهدف، قد تختار تحديد النموذج أولاً أو بعد رؤية البيانات التي يمكنك جمعها في الخطوة 2. على سبيل المثال، لنفترض أن مشروعك يعتمد بشكل كبير على توافر أنواع معينة من البيانات. في هذه الحالة، قد يكون من العملي أكثر جمع البيانات وتحليلها أولاً قبل تحديد النموذج. من ناحية أخرى، إذا كان لديك فهم واضح لمتطلبات النموذج، فيمكنك اختيار النموذج أولاً ثم جمع البيانات التي تناسب هذه المواصفات.

يؤثر الاختيار بين التدريب من البداية أو استخدام التعلم بالنقل على كيفية إعداد بياناتك. يتطلب التدريب من البداية مجموعة بيانات متنوعة لبناء فهم النموذج من الألف إلى الياء. من ناحية أخرى، يتيح لك التعلم بالنقل استخدام نموذج مُدرَّب مسبقًا وتكييفه مع مجموعة بيانات أصغر وأكثر تحديدًا. أيضًا، سيحدد اختيار نموذج معين للتدريب كيف تحتاج إلى إعداد بياناتك، مثل تغيير حجم الصور أو إضافة التعليقات التوضيحية، وفقًا للمتطلبات المحددة للنموذج.

ملاحظة: عند اختيار نموذج، ضع في اعتبارك نشره لضمان التوافق والأداء. على سبيل المثال، النماذج خفيفة الوزن مثالية للحوسبة الحافة نظرًا لكفاءتها على الأجهزة ذات الموارد المحدودة. لمعرفة المزيد حول النقاط الرئيسية المتعلقة بتحديد مشروعك، اقرأ دليلنا حول تحديد أهداف مشروعك واختيار النموذج المناسب.

قبل البدء في العمل العملي لمشروع رؤية الكمبيوتر، من المهم أن يكون لديك فهم واضح لهذه التفاصيل. تحقق جيدًا من أنك قد أخذت في الاعتبار ما يلي قبل الانتقال إلى الخطوة 2:

• حدد بوضوح المشكلة التي تحاول حلها.
• حدد الهدف النهائي لمشروعك.
• حدد مهمة الرؤية الحاسوبية المحددة المطلوبة (مثل، الكشف عن الكائنات، وتصنيف الصور، وتقسيم الصور).
• حدد ما إذا كنت تريد تدريب نموذج من البداية أو استخدام التعلم بالنقل.
• حدد النموذج المناسب لمهمتك واحتياجات النشر.

الخطوة الثانية: جمع البيانات ووضع العلامات عليها

تعتمد جودة نماذج رؤية الكمبيوتر الخاصة بك على جودة مجموعة البيانات الخاصة بك. يمكنك إما جمع الصور من الإنترنت أو التقاط صورك الخاصة أو استخدام مجموعات البيانات الموجودة مسبقًا. فيما يلي بعض الموارد الرائعة لتنزيل مجموعات بيانات عالية الجودة: محرك بحث مجموعة بيانات Google و مستودع التعلم الآلي بجامعة كاليفورنيا إرفين و مجموعات بيانات Kaggle.

توفر بعض المكتبات، مثل Ultralytics، دعمًا مدمجًا لمجموعات بيانات متنوعة، مما يسهل البدء ببيانات عالية الجودة. غالبًا ما تتضمن هذه المكتبات أدوات لاستخدام مجموعات البيانات الشائعة بسلاسة، مما يوفر لك الكثير من الوقت والجهد في المراحل الأولية من مشروعك.

ومع ذلك، إذا اخترت جمع الصور أو التقاط صورك الخاصة، فستحتاج إلى إضافة تعليقات توضيحية إلى بياناتك. إضافة التعليقات التوضيحية إلى البيانات هي عملية تصنيف بياناتك لنقل المعرفة إلى النموذج الخاص بك. يعتمد نوع إضافة التعليقات التوضيحية إلى البيانات الذي ستعمل معه على تقنية رؤية الكمبيوتر المحددة الخاصة بك. فيما يلي بعض الأمثلة:

• تصنيف الصور: ستقوم بتسمية الصورة بأكملها كفئة واحدة.
• اكتشاف الكائنات: ستقوم برسم مربعات محيطة بكل كائن في الصورة وتسمية كل مربع.
• تقسيم الصور (Image Segmentation): ستقوم بتسمية كل بكسل في الصورة وفقًا للكائن الذي ينتمي إليه، مما يؤدي إلى إنشاء حدود مفصلة للكائنات.

يمكن أن يكون جمع البيانات والتعليقات التوضيحية جهدًا يدويًا يستغرق وقتًا طويلاً. يمكن أن تساعد أدوات التعليقات التوضيحية في تسهيل هذه العملية. فيما يلي بعض أدوات التعليقات التوضيحية المفتوحة المفيدة: LabeI Studio و CVAT و Labelme.

الخطوة الثالثة: زيادة البيانات وتقسيم مجموعة البيانات الخاصة بك

بعد جمع بيانات الصور الخاصة بك وإضافة التعليقات التوضيحية إليها، من المهم أولاً تقسيم مجموعة البيانات الخاصة بك إلى مجموعات التدريب والتحقق والاختبار قبل إجراء توسيع البيانات. يعد تقسيم مجموعة البيانات الخاصة بك قبل التوسيع أمرًا بالغ الأهمية لاختبار النموذج والتحقق من صحته على البيانات الأصلية وغير المعدلة. فهو يساعد على تقييم مدى تعميم النموذج للبيانات الجديدة وغير المرئية بدقة.

إليك كيفية تقسيم بياناتك:

• مجموعة التدريب: هي الجزء الأكبر من بياناتك، عادةً ما تكون 70-80٪ من الإجمالي، وتستخدم لتدريب النموذج الخاص بك.
• مجموعة التحقق: عادة ما تكون حوالي 10-15٪ من بياناتك؛ تُستخدم هذه المجموعة لضبط المعلمات الفائقة والتحقق من النموذج أثناء التدريب، مما يساعد على منع التحيز الزائد.
• مجموعة الاختبار: يتم تخصيص النسبة المتبقية من بياناتك والتي تتراوح بين 10-15% كمجموعة اختبار. يتم استخدامه لتقييم أداء النموذج على البيانات غير المرئية بعد اكتمال التدريب.

بعد تقسيم بياناتك، يمكنك إجراء زيادة البيانات عن طريق تطبيق تحويلات مثل تدوير الصور وتوسيعها وقلبها لزيادة حجم مجموعة البيانات الخاصة بك بشكل مصطنع. تجعل زيادة البيانات النموذج الخاص بك أكثر قوة للتغيرات وتحسن أدائه على الصور غير المرئية.

توفر مكتبات مثل OpenCV و Albumentations و TensorFlow وظائف زيادة مرنة يمكنك استخدامها. بالإضافة إلى ذلك، تحتوي بعض المكتبات، مثل Ultralytics، على إعدادات زيادة مُدمجة مباشرةً داخل وظيفة تدريب النموذج الخاص بها، مما يبسط العملية.

لفهم بياناتك بشكل أفضل، يمكنك استخدام أدوات مثل Matplotlib أو Seaborn لتصور الصور وتحليل توزيعها وخصائصها. يساعد تصور بياناتك في تحديد الأنماط والشذوذات وفعالية تقنيات الزيادة. يمكنك أيضًا استخدام Ultralytics Explorer، وهي أداة لاستكشاف مجموعات بيانات رؤية الكمبيوتر باستخدام البحث الدلالي واستعلامات SQL والبحث عن تشابه المتجهات.

من خلال الفهم المناسب لبياناتك وتقسيمها وزيادتها، يمكنك تطوير نموذج مدرب ومُدقَّق ومختبر جيدًا يعمل بشكل جيد في التطبيقات الواقعية.

الخطوة الرابعة: تدريب النموذج

بمجرد أن تصبح مجموعة البيانات الخاصة بك جاهزة للتدريب، يمكنك التركيز على إعداد البيئة اللازمة وإدارة مجموعات البيانات الخاصة بك وتدريب النموذج الخاص بك.

أولاً، ستحتاج إلى التأكد من أن بيئتك مهيأة بشكل صحيح. يتضمن هذا عادةً ما يلي:

• تثبيت المكتبات والأطر الأساسية مثل TensorFlow و PyTorch أو Ultralytics.
• إذا كنت تستخدم وحدة معالجة الرسوميات GPU، فإن تثبيت مكتبات مثل CUDA و cuDNN سيساعد في تمكين تسريع وحدة معالجة الرسوميات GPU وتسريع عملية التدريب.

بعد ذلك، يمكنك تحميل مجموعات بيانات التدريب والتحقق الخاصة بك في بيئتك. قم بتطبيع البيانات ومعالجتها مسبقًا من خلال تغيير الحجم أو تحويل التنسيق أو الزيادة. مع تحديد النموذج الخاص بك، قم بتكوين الطبقات وحدد المعلمات الفائقة. قم بتجميع النموذج عن طريق تحديد دالة الخسارة والمحسن ومقاييس الأداء.

تعمل مكتبات مثل Ultralytics على تبسيط عملية التدريب. يمكنك بدء التدريب عن طريق تغذية البيانات في النموذج بأقل قدر من التعليمات البرمجية. تعالج هذه المكتبات تعديلات الوزن و الانتشار الخلفي (backpropagation) والتحقق من الصحة تلقائيًا. كما أنها توفر أدوات لمراقبة التقدم وتعديل المعلمات الفائقة بسهولة. بعد التدريب، احفظ النموذج وأوزانه ببضعة أوامر.

من المهم أن تضع في اعتبارك أن الإدارة السليمة لمجموعة البيانات أمر حيوي للتدريب الفعال. استخدم التحكم في الإصدار لمجموعات البيانات لتتبع التغييرات وضمان إمكانية التكرار. يمكن أن تساعد أدوات مثل DVC (التحكم في إصدار البيانات) في إدارة مجموعات البيانات الكبيرة.

الخطوة 5: تقييم النموذج والضبط الدقيق للنموذج

من المهم تقييم أداء النموذج الخاص بك باستخدام مقاييس مختلفة وتحسينه لتحسين الدقة. يساعد التقييم في تحديد المجالات التي يتفوق فيها النموذج والمجالات التي قد تحتاج إلى تحسين. يضمن الضبط الدقيق تحسين النموذج للحصول على أفضل أداء ممكن.

• مقاييس الأداء: استخدم مقاييس مثل الدقة (accuracy)، والإحكام (precision)، والاسترجاع (recall)، و F1-score لتقييم أداء النموذج الخاص بك. توفر هذه المقاييس رؤى حول مدى جودة النموذج في إجراء التنبؤات.
• ضبط المعلمات الفائقة: اضبط المعلمات الفائقة لتحسين أداء النموذج. يمكن أن تساعد تقنيات مثل البحث الشبكي أو البحث العشوائي في العثور على أفضل قيم للمعلمات الفائقة.
• الضبط الدقيق: قم بإجراء تعديلات صغيرة على بنية النموذج أو عملية التدريب لتحسين الأداء. قد يتضمن ذلك تعديل معدلات التعلم أو أحجام الدُفعات أو معلمات النموذج الأخرى.

لفهم أعمق لتقييم النموذج وتقنيات الضبط الدقيق، تحقق من دليل رؤى تقييم النموذج الخاص بنا.

الخطوة 6: اختبار النموذج

في هذه الخطوة، يمكنك التأكد من أن النموذج الخاص بك يعمل بشكل جيد على بيانات غير مرئية تمامًا، مما يؤكد استعداده للنشر. الفرق بين اختبار النموذج وتقييم النموذج هو أنه يركز على التحقق من أداء النموذج النهائي بدلاً من تحسينه بشكل متكرر.

من المهم إجراء اختبارات شاملة وتصحيح أي مشكلات شائعة قد تنشأ. اختبر نموذجك على مجموعة بيانات اختبار منفصلة لم يتم استخدامها أثناء التدريب أو التحقق. يجب أن تمثل مجموعة البيانات هذه سيناريوهات واقعية لضمان اتساق أداء النموذج وموثوقيته.

أيضًا، عالج المشكلات الشائعة مثل التجاوز في التوفيق، و النقص في التوفيق، وتسرب البيانات. استخدم تقنيات مثل التحقق المتبادل و اكتشاف الحالات الشاذة لتحديد هذه المشكلات وإصلاحها. للحصول على استراتيجيات اختبار شاملة، راجع دليل اختبار النموذج الخاص بنا.

الخطوة 7: نشر النموذج

بمجرد اختبار النموذج الخاص بك بدقة، حان الوقت لنشره. يتضمن نشر النموذج إتاحة النموذج الخاص بك للاستخدام في بيئة إنتاج. فيما يلي خطوات نشر نموذج رؤية الكمبيوتر:

• إعداد البيئة: قم بتهيئة البنية التحتية اللازمة لخيار النشر الذي اخترته، سواء كان قائمًا على السحابة (AWS، Google Cloud، Azure) أو قائمًا على الحافة (الأجهزة المحلية، إنترنت الأشياء).
• تصدير النموذج: قم بتصدير النموذج الخاص بك إلى التنسيق المناسب (مثل ONNX أو TensorRT أو CoreML لـ YOLO11) لضمان التوافق مع نظام النشر الخاص بك.
• نشر النموذج: قم بنشر النموذج عن طريق إعداد واجهات برمجة التطبيقات (APIs) أو نقاط النهاية ودمجه مع تطبيقك.
• ضمان قابلية التوسع: قم بتنفيذ موازنات التحميل ومجموعات التحجيم التلقائي وأدوات المراقبة لإدارة الموارد والتعامل مع تزايد البيانات وطلبات المستخدمين.

للحصول على إرشادات أكثر تفصيلاً حول استراتيجيات النشر وأفضل الممارسات، تحقق من دليل ممارسات نشر النموذج الخاص بنا.

الخطوة 8: المراقبة والصيانة والتوثيق

بمجرد نشر النموذج الخاص بك، من المهم مراقبة أدائه باستمرار وصيانته للتعامل مع أي مشكلات وتوثيق العملية بأكملها للرجوع إليها في المستقبل وإجراء التحسينات.

يمكن أن تساعدك أدوات المراقبة في تتبع مؤشرات الأداء الرئيسية (KPIs) واكتشاف الحالات الشاذة أو الانخفاضات في الدقة. من خلال مراقبة النموذج، يمكنك أن تكون على دراية بانجراف النموذج، حيث ينخفض أداء النموذج بمرور الوقت بسبب التغيرات في بيانات الإدخال. أعد تدريب النموذج بشكل دوري ببيانات محدثة للحفاظ على الدقة والملاءمة.

بالإضافة إلى المراقبة والصيانة، تعد الوثائق أيضًا أساسية. قم بتوثيق العملية بأكملها بدقة، بما في ذلك بنية النموذج وإجراءات التدريب والمعلمات الفائقة وخطوات المعالجة المسبقة للبيانات وأي تغييرات تم إجراؤها أثناء النشر والصيانة. تضمن الوثائق الجيدة إمكانية التكاثر وتجعل التحديثات المستقبلية أو استكشاف الأخطاء وإصلاحها أسهل. من خلال مراقبة النموذج وصيانته وتوثيقه بشكل فعال، يمكنك التأكد من أنه يظل دقيقًا وموثوقًا وسهل الإدارة طوال دورة حياته.

التفاعل مع المجتمع

يمكن أن يساعدك التواصل مع مجتمع من المتحمسين للرؤية الحاسوبية في معالجة أي مشكلات تواجهك أثناء العمل على مشروع الرؤية الحاسوبية الخاص بك بثقة. فيما يلي بعض الطرق للتعلم واستكشاف الأخطاء وإصلاحها والتواصل بفعالية.

مصادر المجتمع

• مشكلات GitHub: تحقق من مستودع YOLO11 على GitHub واستخدم علامة التبويب "المشكلات" لطرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. المجتمع النشط والقائمون على الصيانة موجودون للمساعدة في حل المشكلات المحددة.
• خادم Ultralytics Discord: انضم إلى خادم Ultralytics Discord للتفاعل مع المستخدمين والمطورين الآخرين، والحصول على الدعم، وتبادل الأفكار.

الوثائق الرسمية

• وثائق Ultralytics YOLO11: استكشف وثائق YOLO11 الرسمية للحصول على أدلة مفصلة مع نصائح مفيدة حول مهام ومشاريع رؤية الكمبيوتر المختلفة.

سيساعدك استخدام هذه الموارد على التغلب على التحديات والبقاء على اطلاع دائم بأحدث الاتجاهات وأفضل الممارسات في مجتمع رؤية الحاسوب.

ابدأ مشروع الرؤية الحاسوبية الخاص بك اليوم!

يمكن أن يكون خوض مشروع رؤية حاسوبية أمرًا مثيرًا ومجزيًا. باتباع الخطوات الواردة في هذا الدليل، يمكنك بناء أساس متين للنجاح. كل خطوة ضرورية لتطوير حل يلبي أهدافك ويعمل بشكل جيد في سيناريوهات العالم الحقيقي. مع اكتسابك الخبرة، ستكتشف تقنيات وأدوات متقدمة لتحسين مشاريعك. ابق فضوليًا، واستمر في التعلم، واستكشف طرقًا وابتكارات جديدة!

الأسئلة الشائعة

كيف يمكنني اختيار مهمة الرؤية الحاسوبية المناسبة لمشروعي؟

يعتمد اختيار مهمة رؤية الكمبيوتر المناسبة على الهدف النهائي لمشروعك. على سبيل المثال، إذا كنت ترغب في مراقبة حركة المرور، فإن اكتشاف الكائنات مناسب لأنه يمكنه تحديد وتحديد أنواع متعددة من المركبات في الوقت الفعلي. بالنسبة للتصوير الطبي، يعد تجزئة الصور مثاليًا لتوفير حدود تفصيلية للأورام، مما يساعد في التشخيص والتخطيط للعلاج. تعرف على المزيد حول مهام محددة مثل اكتشاف الكائنات و تصنيف الصور و تجزئة المثيلات.

لماذا يعتبر ترميز البيانات أمرًا بالغ الأهمية في مشاريع رؤية الكمبيوتر؟

توصيف البيانات أمر حيوي لتعليم النموذج الخاص بك كيفية التعرف على الأنماط. يختلف نوع التوصيف باختلاف المهمة:

• تصنيف الصور: يتم تصنيف الصورة بأكملها كفئة واحدة.
• اكتشاف الكائنات: مربعات محيطة مرسومة حول الكائنات.
• تقسيم الصور: يتم تصنيف كل بكسل وفقًا للكائن الذي ينتمي إليه.

يمكن لأدوات مثل Label Studio و CVAT و Labelme المساعدة في هذه العملية. لمزيد من التفاصيل، راجع دليل جمع البيانات والتعليقات التوضيحية الخاص بنا.

ما الخطوات التي يجب علي اتباعها لزيادة وتقسيم مجموعة البيانات الخاصة بي بشكل فعال؟

يساعد تقسيم مجموعة البيانات قبل الزيادة في التحقق من أداء النموذج على البيانات الأصلية وغير المعدلة. اتبع هذه الخطوات:

• مجموعة التدريب: 70-80٪ من بياناتك.
• مجموعة التحقق: 10-15٪ لـ ضبط المعلمات الفائقة.
• مجموعة الاختبار: النسبة المتبقية 10-15% للتقييم النهائي.

بعد التقسيم، قم بتطبيق تقنيات توسيع البيانات مثل التدوير والتحجيم والقلب لزيادة تنوع مجموعة البيانات. يمكن أن تساعد مكتبات مثل Albumentations و OpenCV. تقدم Ultralytics أيضًا إعدادات توسيع مدمجة لتوفير الراحة.

كيف يمكنني تصدير نموذج الرؤية الحاسوبية المدرب الخاص بي للنشر؟

يضمن تصدير النموذج الخاص بك التوافق مع منصات النشر المختلفة. توفر Ultralytics تنسيقات متعددة، بما في ذلك ONNX و TensorRT و CoreML. لتصدير نموذج YOLO11 الخاص بك، اتبع هذا الدليل:

• استخدم export الدالة مع معلمة التنسيق المطلوبة.
• تأكد من أن النموذج المُصدَّر يطابق مواصفات بيئة النشر الخاصة بك (مثل الأجهزة الطرفية، السحابة).

لمزيد من المعلومات، راجع دليل تصدير النموذج.

ما هي أفضل الممارسات لمراقبة وصيانة نموذج رؤية حاسوب تم نشره؟

تعتبر المراقبة والصيانة المستمرة ضرورية لنجاح النموذج على المدى الطويل. قم بتنفيذ أدوات لتتبع مؤشرات الأداء الرئيسية (KPIs) واكتشاف الحالات الشاذة. أعد تدريب النموذج بانتظام ببيانات محدثة لمواجهة انحراف النموذج. قم بتوثيق العملية بأكملها، بما في ذلك بنية النموذج والمعلمات الفائقة والتغييرات، لضمان إمكانية إعادة الإنتاج وسهولة التحديثات المستقبلية. تعرف على المزيد في دليل المراقبة والصيانة الخاص بنا.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 23 يومًا

تعليقات