قائمة تحقق لعملاء المؤسسات
قائمة تحقق موجزة من صفحة واحدة لاجتماع بدء المشروع وموجهة إلى العميل، توثّق كل قرار يتعلق بمجموعة البيانات قبل جمعها، وتضع بوابةً لكل عملية إعادة تدريب.
إن تكرار النجاح أصعب من بناء النموذج الأول. ويمكن إرجاع معظم مشاريع الرؤية الحاسوبية الفاشلة إلى سؤال لم يطرحه أحد في اجتماع بدء المشروع: أين سيعمل النموذج، وما الذي يُعد نجاحًا، وهل مجموعة الاختبار غير مرئية حقًا؟ تختصر قائمة التحقق هذه الدورة في صفحة واحدة يستطيع العميل تعبئتها من دون أن يترجم المهندس محتواها، كي تُطرح هذه الأسئلة بينما لا تزال الإجابة عنها قليلة التكلفة.
عملي
قائمة التحقق لاجتماع بدء المشروع#
انسخ هذه القائمة إلى مستودع المشروع أو الويكي. يرتبط كل قسم بدرس في هذه الدورة، وصيغت بنوده بكلمات يستطيع غير المهندسين الإجابة عنها:
# Vision Project Kickoff Checklist
Project: ... Owner: ... Date: ...
## 1. What should the model do?
Business goal (one sentence, with a deadline): ...
Task: [ ] detect [ ] segment [ ] semantic [ ] classify [ ] pose [ ] OBB [ ] depth
Classes, each with a definition and a look-alike it excludes: ...
## 2. Where will the model run?
[ ] Cloud GPU [ ] Cloud CPU [ ] Edge device [ ] Mobile [ ] Browser
Latency target: ... ms Cameras / resolution: ...
## 3. What visual variation exists?
Times of day: ... Weather: ... Sites: ...
Cameras: ... Operators / shifts: ... Variants: ...
## 4. Which edge cases matter?
...
## 5. Do we have background images?
[ ] Yes, ...% of images (target 0-10%) [ ] No, collect first
## 6. Are labels consistent?
[ ] Labeling guide written [ ] Agreement measured: ...%
[ ] QC audit and suspect review run, notes attached
## 7. Did we check for leakage?
Split unit: [ ] clip [ ] camera [ ] day [ ] site [ ] customer
[ ] No group appears in more than one split
[ ] Every class appears in every split
## 8. Is the test set truly unseen?
[ ] Locked; used once for the final go/no-go
## 9. What defines success?
Acceptance test (metric, threshold, holdout): ...
Volume: [ ] >=1,500 images and >=10,000 instances per class
[ ] or documented exception with expected impact: ...
Ready to fine-tune YOLO26? [ ] Yes [ ] No, fix item ... firstمتى يشكّل كل قسم بوابةً للمشروع#
| المرحلة | الأقسام التي يجب الإجابة عنها | ما الذي تمنعه |
|---|---|---|
| اجتماع بدء المشروع | 1, 2, 9 | بناء نموذج غير مناسب لعتاد غير مناسب |
| قبل جمع البيانات | 3, 4, 5 | جمع بيانات لا تغطي ظروف النشر |
| قبل الوسم | 6 | دفع تكلفة وسم الشيء نفسه بثلاث طرق مختلفة |
| قبل التدريب | 7 و8 والحجم | الوثوق بمقياس متفائل أو تسرّبت إليه البيانات |
| قبل كل عملية إعادة تدريب | جميع الأقسام | أن تؤدي البيانات الجديدة، من دون ملاحظة، إلى إخفاق فحص كان ينجح سابقًا |
إدارة اجتماع بدء المشروع#
استعرض الصفحة مع الشخص المسؤول عن نتائج الأعمال، لا مع المهندسين وحدهم. وثمة ثلاث ممارسات تجعل الاجتماع مثمرًا:
- خصّص وقتًا للقسم 9. يظهر الاختلاف الحقيقي في اختبار القبول، والاتفاق عليه خلال ساعة يوفر أسابيع من الجدل بشأن كفاية أداء النموذج.
- اقبل «لا أعرف» إجابةً. دوّن اسم المسؤول والموعد بجوارها. فالبنود التي لم تُحسم تشكل خطة المشروع للأسبوعين التاليين.
- اسأل عن القسم 2 مبكرًا. يحدد هدف النشر الحد الأقصى لحجم النموذج والصورة، وهذان بدورهما يحددان أصغر عنصر يجب أن تغطيه مجموعة البيانات.
تكمن القيمة في إجابات أصحاب المصلحة عن الأقسام 1 و3 و4 و9. إذا ملأها المهندسون بالتخمين، فسيسجل النموذج الافتراضات بدلًا من الاتفاقات. حدّد موعد الاجتماع، واترك الخانة فارغة إذا لم يعرف أحد الإجابة بعد.
احتفظ بقائمة التحقق المكتملة مع مجموعة البيانات، إلى جانب ملاحظات ضبط الجودة وملفات التقسيم. عندما يسأل أحدهم بعد أشهر عن سبب سلوك النموذج على نحو معين، تبدأ الإجابة عادةً من هذه الصفحة.
ما الذي يمكنك فعله الآن#
يمكنك تحويل هدف العمل إلى اختبار قبول، وكتابة مواصفات مجموعة البيانات مع حصص محددة، وجمع بيانات تمثيلية مع بيانات وصفية في كل اسم ملف، والوسم باتساق وقياس مستوى الاتفاق، ومراجعة الجودة باستخدام البرامج النصية، والتقسيم حسب المجموعة دون تسرّب، واختيار تعزيز يطابق بيئة النشر، واشتراط اجتياز فحص الجاهزية قبل التدريب، وتحويل تشغيل خط أساس إلى إصلاح مجموعة البيانات التالية.
إلى أين تتابع#
- درّب أول نموذج YOLO لك: حوّل الوسوم في إعداد مجموعة بيانات مخصصة، ثم درّب النموذج وتحقق من صحته وصدّره.
- أنشئ باستخدام Ultralytics Platform: نفّذ دورة الحياة نفسها (الوسم، والتنقيح، والتدريب السحابي، والنشر، والمراقبة) في مكان واحد، وابدأ بـتنقيح البيانات وإزالة التكرارات وتقسيمها.
- Ultralytics YOLO في بيئة الإنتاج: صدّر النموذج وقدّمه وراقب الانحراف بعد إطلاقه.
- دليل الضبط الدقيق: تجميد الطبقات والتدريب على مرحلتين واختيار المحسّن عندما لا تعود الإعدادات الافتراضية كافية.
عرض الحل
اجتماع بدء مكتمل لمشروع المستودع الوارد في الدرس 1:
Project: dock-safety-v1 Owner: site operations lead Date: 2026-05-02
1. Goal: cut dock-door near misses 30% in six months. Task: [x] detect
Classes: forklift (excludes hand pallet jacks), person (excludes reflections),
pallet (excludes crates without a pallet base)
2. [x] Edge device Latency: <= 100 ms Cameras: 4 x 1080p, 12 fps
3. Day and night shifts; rain at bays B-C; sites: dock A only for v1
4. People behind stacked pallets; forklifts half out of frame at bay edges
5. [ ] No: collect 150 empty-dock frames (owner: shift lead, by 2026-05-16)
6. [ ] Guide written [ ] Agreement measured -> owner: annotation lead, by 2026-05-23
7. Split unit: [x] camera + day
8. [x] Locked: cam-4, 2026-06-01 to 2026-06-07, never used for tuning
9. Recall(person) >= 0.95 at precision >= 0.85 on the locked cam-4 week
Volume: [ ] exception: pallet target 2,000 instances for v1; expect lower
pallet recall in crowded bays
Ready to fine-tune YOLO26? [ ] No, fix items 5 and 6 firstتحولت إجابتان من نوع «لا أعرف» إلى إجراءين محددين بموعد؛ وحدد الهدف الطرفي زمن الاستجابة الأقصى، كما يجعل أسبوع الاختبار المثبّت اختبار القبول محددًا.