Ultralytics YOLO Hiperparametre Ayarlama Kılavuzu#

Ultralytics YOLO'da hiperparametre ayarı; öğrenme oranı, kayıp ağırlıkları ve artırma yoğunluğu gibi ayarları optimize ederek bir makine öğrenimi modelinin doğruluk, kesinlik ve duyarlılık gibi performans ölçütlerini en üst düzeye çıkaran otomatik ve yinelemeli bir aramadır. Bu değerleri elle denemek yerine Ultralytics YOLO, birçok kısa eğitim çalışması boyunca aday yapılandırmaları mutasyona uğratan ve değerlendiren bir genetik algoritmayla hiperparametre uzayını tarar.

Hiperparametreler nedir?#

Hiperparametreler, algoritmaya ait üst düzey yapısal ayarlardır. Eğitim aşamasından önce belirlenir ve eğitim sırasında sabit kalırlar. Ultralytics YOLO'da sıkça ayarlanan hiperparametrelerden bazıları şunlardır:

• Öğrenme Oranı lr0: Kayıp fonksiyonunda minimuma doğru ilerlerken her yinelemedeki adım büyüklüğünü belirler.
• Yığın Boyutu batch: İleri geçişte eşzamanlı olarak işlenen görüntü sayısı.
• Epoch Sayısı epochs: Bir epoch, tüm eğitim örnekleri üzerinde yapılan tek bir ileri ve geri geçiştir.
• Mimariye Özgü Ayrıntılar: Kanal sayıları, katman sayısı, aktivasyon fonksiyonu türleri vb. Bunlar eğitim argümanlarında değil, model YAML yapılandırmasında bulunur.

Bu dört öğeden yalnızca öğrenme oranı varsayılan arama uzayında yer alır: batch, epochs ve mimari sabit kalır. Ayarlayıcı, aşağıda listelenen zamanlamayı, kayıp katsayılarını ve veri artırmalarını da değiştirir.

YOLO26'da kullanılan artırma hiperparametrelerinin tam listesi için lütfen yapılandırmalar sayfasına bak.

Genetik Evrim ve Mutasyon#

Ultralytics YOLO, hiperparametreleri optimize etmek için genetik algoritmalar kullanır. Genetik algoritmalar, doğal seçilim ve genetik mekanizmalarından ilham alır.

• Seçilim: Her yinelemede, uygunluk değerlerine göre ağırlıklandırılarak en yüksek uygunluğa sahip dokuz adaya kadar yapılandırmadan biri seçilir. 30 sonuçtan sonra, tüm sonuçların en iyi %20'si (en fazla 30 sonuç) parametre kovaryansını da tahmin eder; seçkin örnekler biriktikçe bu tahminin etkisi artar.
• Mutasyon: Her yinelemede parametrelerin yaklaşık yarısı, arama aralıklarına göre normalize edilmiş Gauss adımları kullanılarak mutasyona uğratılır. Kovaryans etkinleştiğinde, en fazla %40'lık güven ağırlıklı bir payda ilişkili adımlar kullanılır; yansıtma yöntemi, kırpılmış değerleri biriktirmeden bu adımları sınırlar içinde tutar. Denemeler iyileşme olmadan biriktikçe adım boyutları 25 deneme boyunca doğrusal olarak en fazla %20 daralır ve yeni bir en iyi sonuç bulunduğunda sıfırlanır. 1. yinelemenin bir ebeveyni yoktur ve başlangıç değeri olarak varsayılan eğitim hiperparametrelerini kullanır.

Hiperparametre Ayarına Hazırlanma#

Ayarlama sürecine başlamadan önce şunları yapman önemlidir:

1. Ölçütleri Belirle: Yerleşik ayarlayıcı (use_ray=False), denemeleri görevin fitness puanına göre sıralarken use_ray=True görev ölçütünü kullanır. AP50 veya F1 puanı gibi hangi ikincil ölçütleri inceleyeceğine karar ver.
2. Ayarlama Bütçesini Belirle: Ayırmak istediğin hesaplama kaynaklarının miktarını tanımla. Hiperparametre ayarı yoğun hesaplama gerektirebilir.

Ayarlama Döngüsünün İşleyişi#

Yerleşik ayarlayıcı her yinelemede aşağıdaki döngüyü tekrarlar:

1. Hiperparametreleri başlat — Ultralytics YOLO'nun belirlediği varsayılan hiperparametrelerle ya da alan bilgin veya önceki deneylerine dayalı değerlerle makul bir başlangıç noktası seç.
2. Hiperparametreleri mutasyona uğrat — Tuner sınıfı, _mutate yöntemiyle mevcut kümeden otomatik olarak yeni bir hiperparametre kümesi üretir.
3. Modeli eğit — mutasyona uğratılmış hiperparametreleri kullanarak modeli eğit, ardından seçtiğin ölçütlerle eğitim performansını değerlendir.
4. Modeli değerlendir — değerlendirme süreci, yinelemenin uygunluk puanını üretir. Bu puan, mevcut hiperparametrelerin iyileşme sağlayıp sağlamadığını belirlemek için önceki yinelemelerle karşılaştırılır.
5. Sonuçları kaydet — ileride başvurmak üzere hem performans ölçütlerini hem de bunlara karşılık gelen hiperparametreleri kaydet. Ultralytics YOLO bu sonuçları NDJSON biçiminde otomatik olarak kaydeder.
6. Tekrarla — belirlenen yineleme sayısına ulaşılana kadar devam et; her yineleme önceki çalışmalardan edinilen bilgiler üzerine kurulur. Yerleşik ayarlayıcı tüm iterations işlemlerini çalıştırır; Ray Tune ise her fit epoch'undan sonra ölçütleri raporlayarak ASHA'nın ek bekleme süresinin ardından zayıf denemeleri durdurmasına olanak tanır.

Yinelemeler ve Popülasyon Boyutu#

Yerleşik ayarlayıcıda (use_ray=False), iterations toplam sıralı deneme sayısını belirler ve varsayılan değeri 300'dür. Her denemede tek bir model, tek bir hiperparametre yapılandırmasıyla eğitilir. Örneğin, iterations=40 ve epochs=50 kullanıldığında, birbirinden bağımsız 40 adet 50 epoch'luk eğitim çalışması planlanır; 40 adaydan oluşan ayrı bir popülasyonla yapılan tek bir 50 epoch'luk çalışma değil.

Yerleşik genetik algoritmada açık bir popülasyon boyutu parametresi yoktur. Önceki denemeler mevcut olduğunda, en yüksek uygunluk değerine sahip en fazla dokuz yapılandırma arasından seçim yapar ve her yinelemede bir adayı mutasyona uğratır.

Paralel denemeler veya daha gelişmiş arama stratejileri için Ray Tune'u kullanmak üzere use_ray=True değerini ayarla. Ray Tune aynı 300 denemelik varsayılanı kullanır ve iterations değerini num_samples olarak alır. Ayrıntılar için Ray Tune entegrasyon kılavuzuna bak.

Varsayılan Arama Alanı#

Aşağıdaki tabloda YOLO26'da hiperparametre ayarı için varsayılan arama alanı parametreleri listelenmiştir. Her parametrenin aralığı (min, max) biçiminde bir demetle tanımlanır.

Özel Arama Alanı Örneği#

YOLO26n modelini COCO8 üzerinde AdamW iyileştiricisiyle 30 epoch boyunca hiperparametre ayarına tabi tutmak ve ayarı hızlandırmak amacıyla çizim, kontrol noktası kaydı ve son epoch dışındaki doğrulamayı atlamak için arama alanını nasıl tanımlayacağını ve model.tune() yöntemini kullanarak Tuner sınıfından nasıl yararlanacağını burada görebilirsin.

from ultralytics import YOLO

# YOLO modelini başlat
model = YOLO("yolo26n.pt")

# Arama alanını tanımla
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# COCO8 üzerinde 30 epoch boyunca hiperparametreleri ayarla
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Kesintiye Uğrayan Hiperparametre Ayar Oturumunu Sürdürme#

Kesintiye uğrayan bir hiperparametre ayar oturumunu sürdürmek için resume=True değerini iletebilirsin. Sürdürmek için runs/{task} altında kullanılan name dizinini isteğe bağlı olarak iletebilirsin. name olmadan, en son çalıştırılan oturum yerine varsayılan ad olan tune adlı dizinde devam eder; bu nedenle özel adla başlattığın tüm çalıştırmalar için name değerini ilet. Ayrıca data, epochs, iterations ve space dâhil önceki tüm eğitim argümanlarını da sağlaman gerekir.

from ultralytics import YOLO

# Bir YOLO modeli tanımla
model = YOLO("yolo26n.pt")

# Arama alanını tanımla
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Önceki çalıştırmayı sürdür
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# 'tune_exp' adlı ayarlama çalışmasını sürdür
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

Sonuçlar#

Hiperparametre ayarlama sürecini başarıyla tamamladıktan sonra, ayarlama sonuçlarını içeren çeşitli dosya ve dizinler elde edersin. Aşağıda her biri açıklanmıştır:

Dosya Yapısı#

Sonuç dizininin yapısı şöyle görünür. multitrain/ ve multitrain-2/ gibi tarama dizinleri, her veri kümesi için adlandırılmış bir alt dizinde bulunan tekil ayarlama yinelemelerini, yani her biri tek bir hiperparametre kümesiyle eğitilmiş modelleri barındırır. Depolama alanından tasarruf etmek için ayarlayıcı, o anki en iyi sonuç olmayan yinelemelerin veri kümesi başına çalıştırma dizinlerini siler. tune/ dizini, tekil model eğitimlerinin tümünün ayarlama sonuçlarını içerir:

runs/
└── detect/
    ├── multitrain/
    │   └── coco8/
    ├── multitrain-2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Dosya Açıklamaları#

best_hyperparameters.yaml#

Bu YAML dosyası, ayarlama sürecinde bulunan en iyi performanslı hiperparametreleri içerir. Gelecekteki eğitimleri bu optimize edilmiş ayarlarla başlatmak için dosyayı kullanabilirsin.

• Biçim: YAML

• Kullanım: Hiperparametre sonuçları

• Örnek:

  # 558/900 iterations complete ✅ (45536.81s)
  # Results saved to /usr/src/ultralytics/runs/detect/tune
  # Best fitness=0.64297 observed at iteration 498
  # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/l1_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/tune/weights
  # Best fitness hyperparameters are printed below.
  
  lr0: 0.00269
  lrf: 0.00288
  momentum: 0.73375
  weight_decay: 0.00015
  warmup_epochs: 1.22935
  warmup_momentum: 0.1525
  box: 18.27875
  cls: 1.32899
  dfl: 0.56016
  hsv_h: 0.01148
  hsv_s: 0.53554
  hsv_v: 0.13636
  degrees: 0.0
  translate: 0.12431
  scale: 0.07643
  shear: 0.0
  perspective: 0.0
  flipud: 0.0
  fliplr: 0.08631
  mosaic: 0.42551
  mixup: 0.0
  copy_paste: 0.0

tune_fitness.png#

Bu grafik, yineleme sayısına göre uygunluk değerini gösterir. Genetik algoritmanın zaman içinde nasıl performans gösterdiğini görselleştirmene yardımcı olur.

• Biçim: PNG
• Kullanım: Performans görselleştirme

Grafik şunları içerir:

• Her veri kümesindeki her yineleme için bir işaretçi; tek veri kümeli bir çalıştırmada her yineleme için bir nokta, çok veri kümeli bir çalıştırmada ise her yinelemede her veri kümesi için bir nokta gösterilir.
• Yineleme başına üst düzey uygunluk değerleri üzerinde Gauss yumuşatma (sigma=3) uygulanarak hesaplanan noktalı bir "yumuşatılmış ortalama" çizgisi.

tune_results.ndjson#

Her ayarlama yinelemesinin ayrıntılı sonuçlarını içeren bir NDJSON dosyası. Her satırda toplu uygunluk değerini, ayarlanan hiperparametreleri ve veri kümesi başına ölçütleri içeren bir JSON nesnesi bulunur. Tek ve çok veri kümeli ayarlamalarda aynı dosya biçimi kullanılır.

• Biçim: NDJSON
• Kullanım: Yineleme başına sonuçların takibi.
• Örnek:

Aşağıda okunabilirlik için biçimlendirilmiş bir örnek verilmiştir; gerçek .ndjson dosyasında her nesne tek satırda saklanır.

{
    "iteration": 1,
    "fitness": 0.48628,
    "hyperparameters": {
        "lr0": 0.01,
        "lrf": 0.01,
        "momentum": 0.937,
        "weight_decay": 0.0005
    },
    "datasets": {
        "coco8": {
            "metrics/precision(B)": 0.65666,
            "metrics/recall(B)": 0.85,
            "metrics/mAP50(B)": 0.85086,
            "metrics/mAP50-95(B)": 0.64104,
            "val/box_loss": 1.57958,
            "val/cls_loss": 1.04986,
            "val/l1_loss": 1.32641,
            "fitness": 0.64104
        },
        "coco8-grayscale": {
            "metrics/precision(B)": 0.6582,
            "metrics/recall(B)": 0.51667,
            "metrics/mAP50(B)": 0.59106,
            "metrics/mAP50-95(B)": 0.33152,
            "val/box_loss": 1.95424,
            "val/cls_loss": 1.64059,
            "val/l1_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/multitrain/coco8",
        "coco8-grayscale": "runs/detect/multitrain/coco8-grayscale"
    }
}

En üst düzeydeki fitness, veri kümesi başına fitness değerlerinin aritmetik ortalamasıdır. Tek veri kümeli ayarlamada datasets sözlüğü, fitness değerinin en üst düzey fitness değerine eşit olduğu tek bir girdi içerir. Tamamlanan her yineleme için bir JSON nesnesi kaydedilir. Gerçek save_dirs yolları mutlaktır; okunabilirlik için yukarıda kısaltılmıştır.

tune_scatter_plots.png#

Bu dosya, tune_results.ndjson verilerinden oluşturulan saçılım grafiklerini içerir ve farklı hiperparametrelerle performans ölçütleri arasındaki ilişkileri görselleştirmene yardımcı olur. Mutasyon, her hiperparametrenin yapılandırılmış aralığını kullanır; bu nedenle değerler, degrees ve shear gibi sıfır değerli varsayılanlardan başlayarak değişebilir.

• Biçim: PNG
• Kullanım: Keşifsel veri analizi

weights/#

Bu dizin, ayarlama çalışmasının en yüksek uygunluk değerine sahip yinelemesinden kaydedilen PyTorch modellerini içerir. Her iki dosya da aynı yinelemeden gelir:

• last.pt: last.pt, eğitimin son epoch'undaki ağırlıklardır.
• best.pt: best.pt, en iyi uygunluk puanını elde eden yinelemenin ağırlıklarıdır.

Bu sonuçları kullanarak gelecekteki model eğitimleri ve analizleri için daha bilinçli kararlar alabilirsin.

Sonuç#

Ultralytics YOLO'da hiperparametre ayarını başlatmak kolaydır ve genetik algoritmada uygunluk ağırlıklı seçim ile aralık-normalize mutasyon kullanımı sayesinde arka planda güçlü bir şekilde çalışır. Bu kılavuzda açıklanan döngüyü izleyerek modelini daha iyi performans için sistematik olarak ayarlayabilir, ardından elde edilen best_hyperparameters.yaml değerini gelecekteki eğitim çalışmalarını başlatmak için yeniden kullanabilirsin. Ayarlamayı paralel denemelere ve daha gelişmiş arama algoritmalarına ölçeklendirmek için Ray Tune entegrasyon kılavuzuna göz atabilir veya yapılandırılabilir hiperparametreler ve gerçek zamanlı metrik takibiyle yönetilen işleri Ultralytics Platform üzerinden bulut eğitimi ile çalıştırabilirsin.

Katman başına öğrenme oranları veya özel uygunluk metriği gibi hiçbir argümanın sunmadığı ayarlar için bunun yerine eğitici alt sınıfı oluştur. Daha derinlemesine bilgi edinmek için Tuner sınıfının kaynak kodunu incele. Soruların veya özellik isteklerin varsa GitHub ya da Discord üzerinden bize ulaş.

Sık Sorulan Sorular#