Link to this sectionBilgisayarlı Görü Modellerini Dağıtımdan Sonra Sürdürmek#

Monitoring and maintaining a computer vision model means continuously tracking its predictions for data drift and accuracy drops, retraining it on fresh data when performance degrades, and documenting every change so the work stays reproducible. This is the final stage of a computer vision project — after you've gathered requirements, annotated data, trained the model, and deployed it — and it's what keeps the model fulfilling your project's objectives once it's running in production.

Bu kılavuzda, dağıtımdan sonra bilgisayarlı görü modellerini nasıl sürdürebileceğine daha yakından bakacağız. Model izlemenin sorunları erken yakalamana nasıl yardımcı olabileceğini, modelini nasıl doğru ve güncel tutabileceğini ve belgelemenin sorun giderme için neden önemli olduğunu keşfedeceğiz.

Link to this sectionModel İzleme#

Dağıtılmış bilgisayarlı görü modellerini yakından takip etmek çok önemlidir. Düzgün bir izleme olmadan modeller doğruluk kaybedebilir. Yaygın bir sorun, modelin karşılaştığı verilerin eğitildiği verilerden farklılaşması olan veri dağılımı kayması veya veri kaymasıdır. Model, tanımadığı veriler üzerinde tahminler yapmak zorunda kaldığında, bu durum yanlış yorumlamalara ve düşük performansa yol açabilir. Aykırı değerler veya olağandışı veri noktaları da modelin doğruluğunu bozabilir.

Düzenli model izleme, geliştiricilerin modelin performansını takip etmesine, anomalileri tespit etmesine ve veri kayması gibi sorunları hızla ele almasına yardımcı olur. Ayrıca güncellemelerin ne zaman gerekli olduğunu belirterek kaynakları yönetmeye, pahalı revizyonlardan kaçınmaya ve modelin güncelliğini korumasına yardımcı olur.

Link to this sectionModel İzleme İçin En İyi Uygulamalar#

Üretimdeki bilgisayarlı görü modelini izlerken aklında bulundurman gereken bazı en iyi uygulamalar şunlardır:

• Performansı Düzenli Olarak Takip Et: Zaman içindeki değişiklikleri tespit etmek için modelin performansını sürekli izle.
• Veri Kalitesini İki Kez Kontrol Et: Verilerdeki eksik değerleri veya anomalileri kontrol et.
• Çeşitli Veri Kaynakları Kullan: Modelin performansına dair kapsamlı bir görüş elde etmek için çeşitli kaynaklardan gelen verileri izle.
• İzleme Tekniklerini Birleştir: Çok çeşitli sorunları belirlemek için kayma tespit algoritmaları ve kural tabanlı yaklaşımların bir karışımını kullan.
• Girdileri ve Çıktıları İzle: Her şeyin doğru çalıştığından emin olmak için hem modelin işlediği verileri hem de ürettiği sonuçları gözlemle.
• Uyarılar Ayarla: Hızlı düzeltici eylemlerde bulunabilmek için performans düşüşleri gibi olağandışı davranışlara karşı uyarılar uygula.

Link to this sectionUltralytics Platform ile İzleme#

Ultralytics Platform, dağıtılmış YOLO uç noktaları için yerleşik bir model izleme özelliği sağlar, böylece ayrı bir izleme yığını oluşturmadan modelini üretim ortamında izleyebilirsin. Dağıtım panosu, temel sinyalleri gerçek zamanlı olarak takip eder:

• İstek metrikleri: Her uç nokta için toplam istek hacmi, hata oranı ve P95 gecikmesi; 1 saat ile 30 gün arasındaki aralıklar için sparkline trendleriyle birlikte.
• Sağlık kontrolleri: Sağlıksız dağıtımları işaretleyen ve yanıt gecikmesini bildiren otomatik uç nokta sağlık yoklaması.
• Günlükler: Başarısız istekleri ve gecikme artışlarını teşhis etmek için önem derecesine göre filtrelenmiş (DEBUG'dan CRITICAL'a kadar) istek günlükleri.
• Genel görünüm: Bölgelerdeki her dağıtımı tek bir görünümde özetleyen etkileşimli bir dünya haritası ve genel bakış kartları.

İzleme, standart uç nokta URL'leri ve bir /health kontrolü aracılığıyla sağlandığından, daha derin analiz gerektiğinde bu sinyalleri mevcut gözlemlenebilirlik kurulumuna da dahil edebilirsin. Kurulum ayrıntıları için dağıtım izleme kılavuzuna göz at.

Link to this sectionAnomali Tespiti ve Uyarı Sistemleri#

Anomali, beklenenden oldukça sapan herhangi bir veri noktası veya kalıptır. Bilgisayarlı görü modelleri söz konusu olduğunda anomaliler, modelin eğitildiği görüntülerden çok farklı olan görüntüler olabilir. Bu beklenmedik görüntüler, veri dağılımındaki değişiklikler, aykırı değerler veya model performansını düşürebilecek davranışlar gibi sorunların işaretleri olabilir. Bu anomalileri tespit etmek için uyarı sistemleri kurmak, model izlemenin önemli bir parçasıdır.

Temel metrikler için standart performans seviyeleri ve limitleri belirleyerek sorunları erkenden yakalayabilirsin. Performans bu limitlerin dışına çıktığında uyarılar tetiklenir ve hızlı düzeltmeler teşvik edilir. Modelleri düzenli olarak yeni verilerle güncellemek ve yeniden eğitmek, veriler değiştikçe onları güncel ve doğru tutar.

Link to this sectionEşik Değerlerini ve Uyarıları Yapılandırma#

Uyarı sistemlerini kurarken şu en iyi uygulamaları aklında bulundur:

• Standartlaştırılmış Uyarılar: Tüm uyarılar için e-posta veya Slack gibi mesajlaşma uygulamaları gibi tutarlı araçlar ve formatlar kullan. Standartlaştırma, uyarıları hızla anlamanı ve yanıtlamanı kolaylaştırır.
• Beklenen Davranışı Dahil Et: Uyarı mesajları neyin yanlış gittiğini, neyin beklendiğini ve değerlendirilen zaman dilimini açıkça belirtmelidir. Bu, uyarının aciliyetini ve bağlamını ölçmene yardımcı olur.
• Yapılandırılabilir Uyarılar: Değişen koşullara uyum sağlamak için uyarıları kolayca yapılandırılabilir yap. Eşikleri düzenlemene, uyarıları erteleme, devre dışı bırakma veya onaylama imkanı tanı.

Link to this sectionVeri Kayması Tespiti#

Veri kayması tespiti, girdi verilerinin istatistiksel özelliklerinin zaman içinde değiştiğini belirlemeye yardımcı olan ve model performansını düşürebilen bir kavramdır. Modellerini yeniden eğitmeye veya ayarlamaya karar vermeden önce, bu teknik bir sorun olduğunu fark etmene yardımcı olur. Veri kayması zaman içindeki genel veri ortamındaki değişikliklerle ilgilenirken, anomali tespiti acil dikkat gerektirebilecek nadir veya beklenmedik veri noktalarını tanımlamaya odaklanır.

Veri kaymasını tespit etmek için çeşitli yöntemler şunlardır:

• Sürekli İzleme: Modelin girdi verilerini ve çıktılarını kayma belirtileri açısından düzenli olarak izle. Önemli metrikleri takip et ve önemli değişiklikleri tanımlamak için bunları geçmiş verilerle karşılaştır.
• İstatistiksel Teknikler: Veri dağılımlarındaki değişiklikleri tespit etmek için Kolmogorov-Smirnov testi veya Nüfus Kararlılık Endeksi (PSI) gibi yöntemleri kullan. Bu testler, önemli farkları belirlemek için yeni verilerin dağılımını eğitim verileriyle karşılaştırır.
• Özellik Kayması: Bireysel özellikleri kayma açısından izle. Bazen genel veri dağılımı kararlı kalabilir ancak bireysel özellikler kayabilir. Hangi özelliklerin kaydığını tanımlamak, yeniden eğitim sürecine ince ayar yapmana yardımcı olur.

Link to this sectionModel Bakımı#

Model bakımı, bilgisayarlı görü modellerini düzenli olarak güncelleyip yeniden eğiterek, veri sapmalarını ele alarak ve veri ile ortamlar değiştikçe uyum sağlayarak zaman içinde doğru ve güncel tutar. Bu, izlemenin karşılığıdır: izleme, sorunları erken yakalamak için modelin performansını gerçek zamanlı olarak takip ederken, bakım bu sorunları gidermekle ilgilidir.

Link to this sectionDüzenli Güncellemeler ve Yeniden Eğitim#

Bir model dağıtıldıktan sonra, izleme yaparken veri modellerinde veya performansta model sapmasına işaret eden değişiklikler fark edebilirsin. Düzenli güncellemeler ve yeniden eğitim, modelin yeni modelleri ve senaryoları ele alabilmesini sağlamak için model bakımının temel parçaları haline gelir. Verinin nasıl değiştiğine bağlı olarak kullanabileceğin birkaç teknik vardır.

Örneğin, veri zaman içinde kademeli olarak değişiyorsa, artımlı öğrenme iyi bir yaklaşımdır. Artımlı öğrenme, modeli sıfırdan tamamen yeniden eğitmeden yeni verilerle güncellemeyi içerir, bu da hesaplama kaynaklarından ve zamandan tasarruf sağlar. Ancak veri kökten değişmişse, modelin eski modelleri gözden kaçırırken yeni veriler üzerinde aşırı öğrenmemesi için periyodik tam yeniden eğitim daha iyi bir seçenek olabilir.

Yöntem ne olursa olsun, güncellemelerden sonra doğrulama ve test şarttır. Performans iyileştirmelerini veya düşüşlerini kontrol etmek için modeli ayrı bir test veri kümesinde doğrulamak önemlidir.

Link to this sectionModelini Ne Zaman Yeniden Eğiteceğine Karar Verme#

Bilgisayarlı görü modelini yeniden eğitme sıklığın, veri değişikliklerine ve model performansına bağlıdır. Önemli bir performans düşüşü gözlemlediğinde veya veri kayması tespit ettiğinde modelini yeniden eğit. Düzenli değerlendirmeler, modeli yeni verilere karşı test ederek doğru yeniden eğitim programını belirlemeye yardımcı olabilir. Performans metriklerini ve veri kalıplarını izlemek, doğruluğu korumak için modelinin daha sık güncellemelere ihtiyacı olup olmadığına karar vermeni sağlar.

Link to this sectionBelgeleme#

Bir bilgisayarlı görü projesini belgelemek, anlamayı, çoğaltmayı ve üzerinde işbirliği yapmayı kolaylaştırır. İyi bir belgeleme; model mimarisini, hiperparametreleri, veri kümelerini, değerlendirme metriklerini ve daha fazlasını kapsar. Şeffaflık sağlayarak ekip üyelerinin ve paydaşların neyin yapıldığını ve neden yapıldığını anlamalarına yardımcı olur. Belgeleme ayrıca geçmiş kararların ve yöntemlerin net bir referansını sağlayarak sorun gidermeye, bakıma ve gelecekteki geliştirmelere yardımcı olur.

Link to this sectionBelgelenmesi Gereken Temel Öğeler#

Bunlar, proje belgelerine dahil edilmesi gereken temel öğelerden bazılarıdır:

• Proje Genel Bakışı: Problem ifadesi, çözüm yaklaşımı, beklenen sonuçlar ve proje kapsamı dahil olmak üzere projenin üst düzey bir özetini sun. Sorunu çözmede bilgisayarlı görünün rolünü açıkla ve aşamalar ile teslimatları ana hatlarıyla belirt.
• Model Mimarisi: Bileşenleri, katmanları ve bağlantıları dahil olmak üzere modelin yapısını ve tasarımını detaylandır. Seçilen hiperparametreleri ve bu seçimlerin arkasındaki mantığı açıkla.
• Veri Hazırlama: Veri kaynaklarını, türlerini, formatlarını, boyutlarını ve ön işleme adımlarını tanımla. Veri kalitesini, güvenilirliğini ve model eğitilmeden önce uygulanan tüm dönüştürmeleri tartış.
• Eğitim Süreci: Kullanılan veri kümeleri, eğitim parametreleri ve kayıp fonksiyonları dahil olmak üzere eğitim prosedürünü belgele. Modelin nasıl eğitildiğini ve eğitim sırasında karşılaşılan zorlukları açıkla.
• Değerlendirme Metrikleri: Doğruluk, hassasiyet, duyarlılık ve F1-skoru gibi modelin performansını değerlendirmek için kullanılan metrikleri belirt. Performans sonuçlarını ve bu metriklerin analizini dahil et.
• Dağıtım Adımları: Kullanılan araçlar ve platformlar, dağıtım yapılandırmaları ve özel zorluklar veya hususlar dahil olmak üzere modeli dağıtmak için atılan adımları ana hatlarıyla belirtir.
• İzleme ve Bakım Prosedürü: Dağıtım sonrası modelin performansını izlemek için ayrıntılı bir plan sun. Veri ve model kaymasını tespit etmek ve ele almak için yöntemler dahil et ve düzenli güncellemeler ve yeniden eğitim süreci için prosedürü tanımla.

Link to this sectionSonuç#

Modelini izlemek, bakımını yapmak ve belgelemek, bir bilgisayarlı görü projesinin dağıtımdan uzun süre sonra bile başarılı kalmasını sağlar: sürekli izleme sorunları erken yakalar, düzenli yeniden eğitim modeli yeni verilere ve sapmalara göre uyarlar ve net dokümantasyon gelecekteki her güncellemeyi kolaylaştırır. Bunu devam eden bir döngü olarak gör ve verilerin ile gereksinimlerin geliştikçe bilgisayarlı görü projenin aşamalarını tekrar gözden geçir.

Link to this sectionSSS#

Link to this sectionDağıtılmış bilgisayarlı görü modelimin performansını nasıl izlerim?#

Dağıtılmış bir bilgisayarlı görü modelini izlemek için, üretimdeki istek hacmini, hata oranını ve gecikmeyi takip ederken doğruluk düşüşüne işaret eden anormallikleri ve veri sapmalarını gözlemle. Ultralytics Platform Dağıtım panosu, gerçek zamanlı metrikler, otomatik sağlık kontrolleri ve önem derecesine göre filtrelenmiş günlüklerle üretim metrikleri tarafını kutudan çıkar çıkmaz karşılar. Girdileri ve çıktıları düzenli olarak izle, olağandışı davranışlar için uyarılar ayarla ve modelinin performansına kapsamlı bir bakış elde etmek için çeşitli veri kaynakları kullan. Daha fazla ayrıntı için Model İzleme bölümümüze göz at.

Link to this sectionDağıtımdan sonra bilgisayarlı görü modellerini sürdürmek için en iyi uygulamalar nelerdir?#

Bilgisayarlı görü modellerini sürdürmek; devamlı doğruluğu ve güncelliği sağlamak için düzenli güncellemeleri, yeniden eğitmeyi ve izlemeyi içerir. En iyi uygulamalar şunlardır:

• Sürekli İzleme: Performans metriklerini ve veri kalitesini düzenli olarak takip et.
• Veri Kayması Tespiti: Veri dağılımlarındaki değişiklikleri tanımlamak için istatistiksel teknikler kullan.
• Düzenli Güncellemeler ve Yeniden Eğitme: Veri değişikliklerine göre artımsal öğrenme veya periyodik tam yeniden eğitme uygula.
• Belgeleme: Model mimarisinin, eğitim süreçlerinin ve değerlendirme metriklerinin ayrıntılı belgelerini tut. Daha fazla içgörü için Model Bakımı bölümümüzü ziyaret et.

Link to this sectionYapay zeka modelleri için veri kayması tespiti neden önemlidir?#

Veri kayması tespiti önemlidir çünkü girdi verilerinin istatistiksel özelliklerinin zaman içinde değiştiğini belirlemeye yardımcı olur ve bu durum model performansını düşürebilir. Sürekli izleme, istatistiksel testler (örneğin Kolmogorov-Smirnov testi) ve özellik kayması analizi gibi teknikler, sorunları erkenden fark etmene yardımcı olabilir. Veri kaymasını ele almak, modelinin değişen ortamlarda doğru ve güncel kalmasını sağlar. Veri Kayması Tespiti bölümümüzde veri kayması tespiti hakkında daha fazla bilgi edin.

Link to this sectionBilgisayarlı görü modellerinde anomali tespiti için hangi araçları kullanabilirim?#

Bilgisayarlı görü modellerinde anormallik tespiti için, ana metrikler için standart performans seviyeleri belirle ve değerler bu sınırların dışına çıktığında uyarıları tetikle. Ultralytics Platform, bunu gerçek zamanlı hata oranı ve gecikme metrikleri, otomatik sağlık kontrolleri ve olağandışı davranışları hızlıca ortaya çıkaran önem derecesine göre filtrelenmiş günlüklerle destekler. Yapılandırılabilir uyarılar ve standartlaştırılmış mesajlar, potansiyel sorunlara hızlı yanıt vermene yardımcı olur. Anormallik Tespiti ve Uyarı Sistemleri bölümümüzde daha fazlasını keşfet.

Link to this sectionBilgisayarlı görü projemi nasıl etkili bir şekilde belgeleyebilirim?#

Bir bilgisayarlı görü projesinin etkili belgelenmesi şunları içermelidir:

• Proje Genel Bakışı: Üst düzey özet, problem ifadesi ve çözüm yaklaşımı.
• Model Mimarisi: Model yapısının, bileşenlerin ve hiperparametrelerin detayları.
• Veri Hazırlama: Veri kaynakları, ön işleme adımları ve dönüştürmeler hakkında bilgi.
• Eğitim Süreci: Eğitim prosedürünün açıklaması, kullanılan veri kümeleri ve karşılaşılan zorluklar.
• Değerlendirme Metrikleri: Performans değerlendirmesi ve analizi için kullanılan metrikler.
• Dağıtım Adımları: Model dağıtımı için atılan adımlar ve herhangi bir özel zorluk.
• İzleme ve Bakım Prosedürü: Devam eden izleme ve bakım için plan. Daha kapsamlı kılavuzlar için Belgeleme bölümümüze başvur.