الارتقاء بتدريب YOLO11: تبسيط عملية التسجيل الخاصة بك باستخدام Comet ML

يعد تسجيل تفاصيل التدريب الرئيسية مثل المعلمات والمقاييس وتوقعات الصور ونقاط تفتيش النموذج أمرًا ضروريًا في التعلم الآلي - فهو يحافظ على شفافية مشروعك وقابلية قياس تقدمك وقابلية تكرار نتائجك.

يتكامل Ultralytics YOLO11 بسلاسة مع Comet ML، حيث يلتقط ويحسن بكفاءة كل جانب من جوانب عملية تدريب نموذج اكتشاف الكائنات YOLO11 الخاص بك. في هذا الدليل، سنغطي عملية التثبيت وإعداد Comet ML والرؤى في الوقت الفعلي والتسجيل المخصص والاستخدام دون اتصال بالإنترنت، مما يضمن توثيق تدريب YOLO11 الخاص بك بدقة وضبطه للحصول على نتائج متميزة.

Comet ML

Comet ML هي منصة لتتبع نماذج وخبرات تعلم الآلة ومقارنتها وشرحها وتحسينها. تتيح لك تسجيل المقاييس والمعلمات والوسائط والمزيد أثناء تدريب النموذج الخاص بك ومراقبة تجاربك من خلال واجهة ويب مبهجة من الناحية الجمالية. تساعد Comet ML علماء البيانات على التكرار بسرعة أكبر، وتعزز الشفافية وقابلية التكرار، وتساعد في تطوير نماذج الإنتاج.

تسخير قوة YOLO11 و Comet ML

من خلال الجمع بين Ultralytics YOLO11 و Comet ML، فإنك تطلق العنان لمجموعة من المزايا. وتشمل هذه المزايا إدارة مبسطة للتجارب، ورؤى في الوقت الفعلي لإجراء تعديلات سريعة، وخيارات تسجيل مرنة ومصممة خصيصًا، والقدرة على تسجيل التجارب في وضع عدم الاتصال بالإنترنت عندما يكون الوصول إلى الإنترنت محدودًا. يمكّنك هذا التكامل من اتخاذ قرارات تعتمد على البيانات وتحليل مقاييس الأداء وتحقيق نتائج استثنائية.

التثبيت

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

تكوين Comet ML

بعد تثبيت الحزم المطلوبة، ستحتاج إلى الاشتراك والحصول على مفتاح Comet API، وتهيئته.

# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY

بعد ذلك، يمكنك تهيئة مشروع Comet الخاص بك. سيكتشف Comet مفتاح API تلقائيًا ويشرع في الإعداد.

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

إذا كنت تستخدم دفتر ملاحظات Google Colab، فسيطلب منك الرمز أعلاه إدخال مفتاح API الخاص بك للتهيئة.

الاستخدام

قبل الغوص في إرشادات الاستخدام، تأكد من مراجعة مجموعة نماذج YOLO11 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

بعد تشغيل كود التدريب، سيقوم Comet ML بإنشاء تجربة في مساحة عمل Comet الخاصة بك لتتبع التشغيل تلقائيًا. سيتم تزويدك بعد ذلك برابط لعرض التسجيل المفصل لعملية تدريب نموذج YOLO11 الخاص بك.

تقوم Comet تلقائيًا بتسجيل البيانات التالية بدون أي تكوين إضافي: مقاييس مثل mAP والخسارة، والمعلمات الفائقة، ونقاط تفتيش النموذج، ومصفوفة الارتباك التفاعلية، وتوقعات المربع المحيط للصورة.

فهم أداء النموذج الخاص بك باستخدام تصورات Comet ML

دعنا نتعمق في ما ستراه على لوحة معلومات Comet ML بمجرد بدء تدريب نموذج YOLO11 الخاص بك. لوحة المعلومات هي المكان الذي يحدث فيه كل شيء، حيث تعرض مجموعة من المعلومات المسجلة تلقائيًا من خلال المرئيات والإحصائيات. إليك جولة سريعة:

لوحات التجارب

يقوم قسم لوحات التجارب في لوحة معلومات Comet ML بتنظيم وتقديم التشغيلات المختلفة ومقاييسها، مثل فقدان قناع الجزء، وفقدان الفئة، والدقة، و متوسط الدقة المتوسطة.

مقاييس (Metrics)

في قسم المقاييس، لديك خيار فحص المقاييس في شكل جدولي أيضًا، والذي يتم عرضه في جزء مخصص كما هو موضح هنا.

مصفوفة الالتباس التفاعلية

توفر مصفوفة الالتباس، الموجودة في علامة التبويب مصفوفة الالتباس، طريقة تفاعلية لتقييم دقة تصنيف النموذج. وهي تفصل التوقعات الصحيحة وغير الصحيحة، مما يسمح لك بفهم نقاط القوة والضعف في النموذج.

مقاييس النظام

يقوم Comet ML بتسجيل مقاييس النظام للمساعدة في تحديد أي اختناقات في عملية التدريب. يتضمن مقاييس مثل استخدام GPU، واستخدام ذاكرة GPU، واستخدام CPU، واستخدام ذاكرة الوصول العشوائي (RAM). هذه ضرورية لمراقبة كفاءة استخدام الموارد أثناء تدريب النموذج.

تخصيص تسجيل Comet ML

يوفر Comet ML المرونة لتخصيص سلوك التسجيل الخاص به عن طريق تعيين متغيرات البيئة. تتيح لك هذه التهيئة تخصيص Comet ML لتلبية احتياجاتك وتفضيلاتك الخاصة. فيما يلي بعض خيارات التخصيص المفيدة:

تسجيل توقعات الصور

يمكنك التحكم في عدد تنبؤات الصور التي يسجلها Comet ML أثناء تجاربك. بشكل افتراضي، يسجل Comet ML 100 تنبؤ صورة من مجموعة التحقق. ومع ذلك، يمكنك تغيير هذا الرقم ليناسب متطلباتك بشكل أفضل. على سبيل المثال، لتسجيل 200 تنبؤ صورة، استخدم الكود التالي:

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

الفاصل الزمني لتسجيل الدفعات

يتيح لك Comet ML تحديد عدد مرات تسجيل دفعات تنبؤات الصور. الـ COMET_EVAL_BATCH_LOGGING_INTERVAL يتحكم متغير البيئة في هذا التردد. الإعداد الافتراضي هو 1، والذي يسجل التوقعات من كل دفعة تحقق. يمكنك ضبط هذه القيمة لتسجيل التوقعات على فترات مختلفة. على سبيل المثال، سيؤدي تعيينه على 4 إلى تسجيل التوقعات من كل دفعة رابعة.

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

تعطيل تسجيل مصفوفة الالتباس

في بعض الحالات، قد لا ترغب في تسجيل مصفوفة الالتباس من مجموعة التحقق الخاصة بك بعد كل حقبةيمكنك تعطيل هذه الميزة عن طريق تعيين COMET_EVAL_LOG_CONFUSION_MATRIX متغير البيئة إلى "false". سيتم تسجيل مصفوفة الالتباس مرة واحدة فقط، بعد اكتمال التدريب.

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

تسجيل الدخول دون اتصال

إذا وجدت نفسك في موقف تكون فيه إمكانية الوصول إلى الإنترنت محدودة، فإن Comet ML يوفر خيار تسجيل الدخول دون اتصال بالإنترنت. يمكنك ضبط COMET_MODE متغير البيئة إلى "offline" لتمكين هذه الميزة. سيتم حفظ بيانات تجربتك محليًا في دليل يمكنك تحميله لاحقًا إلى Comet ML عندما يكون الاتصال بالإنترنت متاحًا.

import os

os.environ["COMET_MODE"] = "offline"

ملخص

لقد أرشدك هذا الدليل خلال دمج Comet ML مع YOLO11 من Ultralytics. بدءًا من التثبيت وحتى التخصيص، تعلمت كيفية تبسيط إدارة التجارب، واكتساب رؤى في الوقت الفعلي، وتكييف التسجيل مع احتياجات مشروعك.

استكشف وثائق Comet ML الرسمية للحصول على مزيد من الأفكار حول التكامل مع YOLO11.

علاوة على ذلك، إذا كنت تتطلع إلى التعمق أكثر في التطبيقات العملية لـ YOLO11، وتحديدًا لمهام تجزئة الصور، فإن هذا الدليل المفصل حول الضبط الدقيق لـ YOLO11 باستخدام Comet ML يقدم رؤى قيمة وتعليمات خطوة بخطوة لتحسين أداء النموذج الخاص بك.

بالإضافة إلى ذلك، لاستكشاف عمليات التكامل الأخرى المثيرة مع Ultralytics، تحقق من صفحة دليل التكامل، التي تقدم ثروة من الموارد والمعلومات.

الأسئلة الشائعة

كيف يمكنني دمج Comet ML مع Ultralytics YOLO11 للتدريب؟

لدمج Comet ML مع Ultralytics YOLO11، اتبع الخطوات التالية:

1. تثبيت الحزم المطلوبة:

   pip install ultralytics comet_ml torch torchvision
   

2. إعداد مفتاح Comet API الخاص بك:

   export COMET_API_KEY=YOUR_API_KEY
   

3. تهيئة مشروع Comet الخاص بك في كود Python:

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo11-coco128")
   

4. تدريب نموذج YOLO11 الخاص بك وتسجيل المقاييس:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo11-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

للحصول على إرشادات أكثر تفصيلاً، راجع قسم تكوين Comet ML.

ما هي فوائد استخدام Comet ML مع YOLO11؟

من خلال دمج Ultralytics YOLO11 مع Comet ML، يمكنك:

• مراقبة الرؤى في الوقت الفعلي: احصل على تعليقات فورية حول نتائج التدريب الخاصة بك، مما يسمح بإجراء تعديلات سريعة.
• تسجيل مقاييس شاملة: التقاط المقاييس الأساسية تلقائيًا مثل mAP، والخسارة، والمعلمات الفائقة، ونقاط فحص النموذج.
• تتبع التجارب دون اتصال بالإنترنت: سجل عمليات التدريب الخاصة بك محليًا عندما لا يتوفر الوصول إلى الإنترنت.
• مقارنة عمليات التدريب المختلفة: استخدم لوحة معلومات Comet ML التفاعلية لتحليل ومقارنة تجارب متعددة.

من خلال الاستفادة من هذه الميزات، يمكنك تحسين سير عمل تعلم الآلة الخاص بك لتحسين الأداء وقابلية التكرار. لمزيد من المعلومات، قم بزيارة دليل تكامل Comet ML.

كيف يمكنني تخصيص سلوك التسجيل لـ Comet ML أثناء تدريب YOLO11؟

يتيح Comet ML تخصيصًا واسع النطاق لسلوك التسجيل الخاص به باستخدام متغيرات البيئة:

• تغيير عدد تنبؤات الصور التي تم تسجيلها:

  import os
  
  os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
  

• ضبط الفاصل الزمني لتسجيل الدُفعات:

  import os
  
  os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
  

• تعطيل تسجيل مصفوفة الالتباس:

  import os
  
  os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
  

راجع قسم تخصيص تسجيل Comet ML لمزيد من خيارات التخصيص.

كيف يمكنني عرض المقاييس التفصيلية والمرئيات لتدريب YOLO11 الخاص بي على Comet ML؟

بمجرد أن يبدأ تدريب نموذج YOLO11 الخاص بك، يمكنك الوصول إلى مجموعة واسعة من المقاييس والتصورات على لوحة معلومات Comet ML. تتضمن الميزات الرئيسية:

• لوحات التجارب: عرض عمليات التشغيل المختلفة ومقاييسها، بما في ذلك فقدان قناع التجزئة، وفقدان الفئة، ومتوسط ​​الدقة المتوسطة.
• المقاييس: فحص المقاييس في شكل جدول لتحليل مفصل.
• مصفوفة الارتباك التفاعلية: قم بتقييم دقة التصنيف باستخدام مصفوفة الارتباك التفاعلية.
• مقاييس النظام: مراقبة استخدام وحدة معالجة الرسومات GPU ووحدة المعالجة المركزية CPU، واستخدام الذاكرة، ومقاييس النظام الأخرى.

للحصول على نظرة عامة مفصلة حول هذه الميزات، قم بزيارة قسم فهم أداء النموذج الخاص بك باستخدام تصورات Comet ML.

هل يمكنني استخدام Comet ML لتسجيل البيانات دون اتصال بالإنترنت عند تدريب نماذج YOLO11؟

نعم، يمكنك تمكين التسجيل دون اتصال بالإنترنت في Comet ML عن طريق تعيين COMET_MODE متغير البيئة إلى "offline":

import os

os.environ["COMET_MODE"] = "offline"

تتيح لك هذه الميزة تسجيل بيانات تجربتك محليًا، والتي يمكن تحميلها لاحقًا إلى Comet ML عند توفر الاتصال بالإنترنت. وهذا مفيد بشكل خاص عند العمل في بيئات ذات وصول محدود إلى الإنترنت. لمزيد من التفاصيل، راجع قسم تسجيل الدخول دون اتصال بالإنترنت.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 4 أشهر

تعليقات