تتبع تجارب YOLO وتصورها باستخدام Weights & Biases

أصبحت نماذج اكتشاف الكائنات مثل Ultralytics YOLO11 جزءًا لا يتجزأ من العديد من تطبيقات رؤية الكمبيوتر. ومع ذلك، فإن تدريب وتقييم ونشر هذه النماذج المعقدة يطرح العديد من التحديات. يتطلب تتبع مقاييس التدريب الرئيسية ومقارنة متغيرات النموذج وتحليل سلوك النموذج واكتشاف المشكلات أدوات كبيرة وإدارة للتجارب.

شاهد: كيفية استخدام Ultralytics YOLO11 مع Weights and Biases

يعرض هذا الدليل تكامل Ultralytics YOLO11 مع Weights & Biases لتحسين تتبع التجارب، والتحقق من نقاط النموذج، وتصور أداء النموذج. كما يتضمن إرشادات لإعداد التكامل والتدريب والضبط الدقيق وتصور النتائج باستخدام الميزات التفاعلية لـ Weights & Biases.

Weights & Biases

Weights & Biases عبارة عن منصة MLOps متطورة مصممة لتتبع وتصور وإدارة تجارب التعلم الآلي. وهي تتميز بالتسجيل التلقائي لمقاييس التدريب لإمكانية تكرار التجربة الكاملة، وواجهة مستخدم تفاعلية لتحليل البيانات المبسط، وأدوات إدارة نماذج فعالة للنشر عبر بيئات مختلفة.

تدريب YOLO11 باستخدام Weights & Biases

يمكنك استخدام Weights & Biases لتحقيق الكفاءة والأتمتة في عملية تدريب YOLO11 الخاصة بك. يتيح لك التكامل تتبع التجارب ومقارنة النماذج واتخاذ قرارات تستند إلى البيانات لتحسين مشاريع الرؤية الحاسوبية الخاصة بك.

التثبيت

لتثبيت الحزم المطلوبة، قم بتشغيل:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

للحصول على إرشادات مفصلة وأفضل الممارسات المتعلقة بعملية التثبيت، تأكد من مراجعة دليل تثبيت YOLO11 الخاص بنا. أثناء تثبيت الحزم المطلوبة لـ YOLO11، إذا واجهت أي صعوبات، فراجع دليل المشكلات الشائعة الخاص بنا للحصول على حلول ونصائح.

تكوين Weights & Biases

بعد تثبيت الحزم الضرورية، فإن الخطوة التالية هي إعداد بيئة Weights & Biases الخاصة بك. يتضمن ذلك إنشاء حساب Weights & Biases والحصول على مفتاح API الضروري لاتصال سلس بين بيئة التطوير الخاصة بك ومنصة W&B.

ابدأ بتهيئة بيئة Weights & Biases في مساحة العمل الخاصة بك. يمكنك القيام بذلك عن طريق تشغيل الأمر التالي واتباع التعليمات التي تظهر.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

انتقل إلى صفحة تفويض Weights & Biases لإنشاء واسترداد مفتاح API الخاص بك. استخدم هذا المفتاح لمصادقة بيئتك باستخدام W&B.

الاستخدام: تدريب YOLO11 باستخدام Weights & Biases

قبل الغوص في إرشادات الاستخدام لتدريب نموذج YOLO11 باستخدام Weights & Biases، تأكد من الاطلاع على مجموعة نماذج YOLO11 التي تقدمها Ultralytics. سيساعدك هذا في اختيار النموذج الأنسب لمتطلبات مشروعك.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

وسائط W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

فهم الإخراج

عند تشغيل مقتطف التعليمات البرمجية للاستخدام أعلاه، يمكنك توقع المخرجات الرئيسية التالية:

• إعداد عملية تشغيل جديدة بمعرفها الفريد، مما يشير إلى بداية عملية التدريب.
• ملخص موجز لهيكل النموذج، بما في ذلك عدد الطبقات والمعلمات.
• تحديثات منتظمة حول المقاييس الهامة مثل خسارة الصندوق (box loss)، وخسارة التصنيف (cls loss)، وخسارة DFL، والدقة (precision)، والاسترجاع (recall)، ونتائج mAP خلال كل حقبة تدريب (epoch).
• في نهاية التدريب، يتم عرض مقاييس تفصيلية بما في ذلك سرعة استدلال النموذج، ومقاييس الدقة الإجمالية.
• روابط إلى لوحة معلومات Weights & Biases لتحليل متعمق وتصور لعملية التدريب، جنبًا إلى جنب مع معلومات حول مواقع ملفات السجل المحلية.

عرض لوحة معلومات Weights & Biases

بعد تشغيل مقتطف التعليمات البرمجية للاستخدام، يمكنك الوصول إلى لوحة معلومات Weights & Biases (W&B) من خلال الرابط المتوفر في الإخراج. توفر لوحة المعلومات هذه عرضًا شاملاً لعملية تدريب النموذج الخاص بك باستخدام YOLO11.

الميزات الرئيسية للوحة معلومات Weights & Biases

• تتبع المقاييس في الوقت الفعلي: راقب المقاييس مثل الخسارة والدقة ودرجات التحقق أثناء تطورها خلال التدريب، مما يوفر رؤى فورية لضبط النموذج. اطلع على كيفية تتبع التجارب باستخدام Weights & Biases.

• تحسين المعلمات الفائقة: تساعد Weights & Biases في الضبط الدقيق للمعلمات الهامة مثل معدل التعلم، و حجم الدفعة، والمزيد، مما يعزز أداء YOLO11. يساعدك هذا في العثور على التكوين الأمثل لمجموعة البيانات والمهمة المحددة.

• تحليل مقارن: تتيح المنصة إجراء مقارنات جنبًا إلى جنب لعمليات التدريب المختلفة، وهو أمر ضروري لتقييم تأثير تكوينات النموذج المختلفة وفهم التغييرات التي تحسن الأداء.

• تصور تقدم التدريب: توفر التمثيلات الرسومية للمقاييس الرئيسية فهمًا بديهيًا لأداء النموذج عبر العصور. اطلع على كيف تساعدك Weights & Biases في تصور نتائج التحقق.

• مراقبة الموارد: تتبع استخدام وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسوميات (GPU) والذاكرة لتحسين كفاءة عملية التدريب وتحديد الاختناقات المحتملة في سير عملك.

• إدارة عناصر النموذج: الوصول إلى نقاط فحص النموذج ومشاركتها، مما يسهل النشر والتعاون مع أعضاء الفريق في المشاريع المعقدة.

• عرض نتائج الاستدلال مع تراكب الصور: تصور نتائج التنبؤ على الصور باستخدام تراكبات تفاعلية في Weights & Biases، مما يوفر عرضًا واضحًا ومفصلاً لأداء النموذج على بيانات العالم الحقيقي. لمزيد من المعلومات التفصيلية، راجع إمكانيات تراكب الصور في Weights & Biases.

باستخدام هذه الميزات، يمكنك تتبع وتحليل وتحسين تدريب نموذج YOLO11 الخاص بك بشكل فعال، مما يضمن أفضل أداء وكفاءة ممكنة لمهام الكشف عن الأجسام الخاصة بك.

ملخص

ساعدك هذا الدليل على استكشاف تكامل Ultralytics YOLO مع Weights & Biases. يوضح قدرة هذا التكامل على تتبع وتصور نتائج تدريب النموذج والتنبؤ بها بكفاءة. من خلال الاستفادة من ميزات W&B القوية، يمكنك تبسيط سير عمل التعلم الآلي الخاص بك، واتخاذ قرارات تعتمد على البيانات، وتحسين أداء النموذج الخاص بك.

لمزيد من التفاصيل حول الاستخدام، تفضل بزيارة وثائق Weights & Biases الرسمية أو استكشف عرض Soumik Rakshit التقديمي من YOLO VISION 2023 حول هذا التكامل.

أيضًا، تأكد من الاطلاع على صفحة دليل تكامل Ultralytics، لمعرفة المزيد حول عمليات التكامل المثيرة المختلفة مثل MLflow و Comet ML.

الأسئلة الشائعة

كيف يمكنني دمج Weights & Biases مع Ultralytics YOLO11؟

لدمج Weights & Biases مع Ultralytics YOLO11:

1. قم بتثبيت الحزم المطلوبة:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. سجل الدخول إلى حساب Weights & Biases الخاص بك:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. قم بتدريب نموذج YOLO11 الخاص بك مع تمكين تسجيل W&B:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

سيؤدي هذا تلقائيًا إلى تسجيل المقاييس والمعلمات الفائقة والنتائج النموذجية في مشروع W&B الخاص بك.

ما هي الميزات الرئيسية لتكامل Weights & Biases مع YOLO11؟

تشمل الميزات الرئيسية ما يلي:

• تتبع المقاييس في الوقت الفعلي أثناء التدريب
• أدوات تحسين المعلمات الفائقة
• تحليل مقارن لعمليات التدريب المختلفة
• تصور لتقدم التدريب من خلال الرسوم البيانية
• مراقبة الموارد (وحدة المعالجة المركزية CPU، ووحدة معالجة الرسومات GPU، واستخدام الذاكرة)
• إدارة ومشاركة نتائج النموذج
• عرض نتائج الاستدلال مع تراكبات الصور

تساعد هذه الميزات في تتبع التجارب وتحسين النماذج والتعاون بشكل أكثر فعالية في مشاريع YOLO11.

كيف يمكنني عرض لوحة معلومات Weights & Biases لتدريب YOLO11 الخاص بي؟

بعد تشغيل البرنامج النصي للتدريب الخاص بك مع تكامل W&B:

1. سيتم توفير رابط إلى لوحة معلومات W&B الخاصة بك في إخراج وحدة التحكم.
2. انقر فوق الرابط أو انتقل إلى wandb.ai وقم بتسجيل الدخول إلى حسابك.
3. انتقل إلى مشروعك لعرض المقاييس التفصيلية والتصورات وبيانات أداء النموذج.

توفر لوحة المعلومات رؤى حول عملية تدريب النموذج الخاص بك، مما يسمح لك بتحليل نماذج YOLO11 وتحسينها بشكل فعال.

هل يمكنني تعطيل تسجيل Weights & Biases لتدريب YOLO11؟

نعم، يمكنك تعطيل تسجيل W&B باستخدام الأمر التالي:

yolo settings wandb=False

لإعادة تمكين التسجيل، استخدم:

yolo settings wandb=True

يتيح لك هذا التحكم في الوقت الذي تريد فيه استخدام تسجيل W&B دون تعديل البرامج النصية للتدريب الخاصة بك.

كيف تساعد Weights & Biases في تحسين نماذج YOLO11؟

يساعد Weights & Biases في تحسين نماذج YOLO11 من خلال:

1. توفير تصورات تفصيلية لمقاييس التدريب
2. تمكين مقارنة سهلة بين إصدارات النماذج المختلفة
3. تقديم أدوات لـ ضبط المعلمات الفائقة
4. السماح بالتحليل التعاوني لأداء النموذج
5. تسهيل المشاركة السهلة لنتائج النموذج والنتائج

تساعد هذه الميزات الباحثين والمطورين على التكرار بشكل أسرع واتخاذ قرارات مستندة إلى البيانات لتحسين نماذج YOLO11 الخاصة بهم.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ شهرين

تعليقات