Link to this sectionMakine Öğrenimi En İyi Uygulamaları ve Model Eğitimi İçin İpuçları#

Link to this sectionGiriş#

Bir bilgisayarlı görü projesi üzerinde çalışırken en önemli adımlardan biri model eğitimidir. Bu adıma ulaşmadan önce hedeflerini tanımlaman ve verilerini toplayıp etiketlemen gerekir. Verileri temiz ve tutarlı olduğundan emin olmak için ön işlemeden geçirdikten sonra modelini eğitmeye başlayabilirsin.

Peki, model eğitimi nedir? Model eğitimi, modeline görsel kalıpları tanımayı ve verilerine dayanarak tahminlerde bulunmayı öğretme sürecidir. Bu süreç, uygulamanın performansını ve doğruluğunu doğrudan etkiler. Bu kılavuzda, bilgisayarlı görü modellerini etkili bir şekilde eğitmene yardımcı olacak en iyi uygulamaları, optimizasyon tekniklerini ve sorun giderme ipuçlarını ele alacağız.

Link to this sectionBir Makine Öğrenimi Modeli Nasıl Eğitilir#

Bir bilgisayarlı görü modeli, hataları en aza indirmek için dahili parametrelerinin ayarlanmasıyla eğitilir. Başlangıçta modele büyük bir etiketli görüntü kümesi beslenir. Model bu görüntülerde ne olduğuyla ilgili tahminlerde bulunur ve hataları hesaplamak için bu tahminler gerçek etiketler veya içeriklerle karşılaştırılır. Bu hatalar, modelin tahminlerinin gerçek değerlerden ne kadar uzak olduğunu gösterir.

Eğitim sırasında model yinelemeli olarak tahminler yapar, hataları hesaplar ve geriye yayılım adı verilen bir süreçle parametrelerini günceller. Bu süreçte model, hataları azaltmak için dahili parametrelerini (ağırlıklar ve sapmalar) ayarlar. Bu döngüyü birçok kez tekrarlayarak model doğruluğunu kademeli olarak artırır. Zamanla şekiller, renkler ve dokular gibi karmaşık kalıpları tanımayı öğrenir.

This learning process makes it possible for the computer vision model to perform various tasks, including object detection, instance segmentation, semantic segmentation, and image classification. The ultimate goal is to create a model that can generalize its learning to new, unseen images so that it can accurately understand visual data in real-world applications.

Artık bir model eğittiğimizde arka planda neler olduğunu bildiğimize göre, model eğitirken dikkate alınması gereken noktalara bakalım.

Link to this sectionBüyük Veri Kümelerinde Eğitim#

Büyük bir veri kümesini model eğitmek için kullanmayı planladığında düşünmen gereken birkaç farklı husus vardır. Örneğin, yığın boyutunu (batch size) ayarlayabilir, GPU kullanımını kontrol edebilir, çok ölçekli eğitimi kullanmayı seçebilirsin vb. Şimdi bu seçeneklerin her birini ayrıntılı olarak inceleyelim.

Link to this sectionYığın Boyutu ve GPU Kullanımı#

Modelleri büyük veri kümeleri üzerinde eğitirken, GPU'nu verimli bir şekilde kullanman çok önemlidir. Yığın boyutu önemli bir faktördür. Bu, bir makine öğrenimi modelinin tek bir eğitim yinelemesinde işlediği veri örneği sayısıdır. GPU'nun desteklediği maksimum yığın boyutunu kullanarak, yeteneklerinden tam olarak yararlanabilir ve model eğitim süresini kısaltabilirsin. Ancak GPU belleğinin tükenmesinden kaçınmalısın. Bellek hatalarıyla karşılaşırsan, model sorunsuz bir şekilde eğitime devam edene kadar yığın boyutunu kademeli olarak azalt.

With respect to YOLO26, you can set the batch parameter in the training configuration to match your GPU capacity. Also, setting batch=-1 in your training script will automatically determine the batch size that can be efficiently processed based on your device's capabilities. By fine-tuning the batch size, you can make the most of your GPU resources and improve the overall training process.

Link to this sectionAlt Küme Eğitimi#

Alt küme eğitimi, modelini daha büyük veri kümesini temsil eden daha küçük bir veri kümesi üzerinde eğitmeyi içeren akıllı bir stratejidir. Özellikle ilk model geliştirme ve test aşamalarında zaman ve kaynak tasarrufu sağlayabilir. Zamanın kısıtlıysa veya farklı model yapılandırmalarıyla denemeler yapıyorsan, alt küme eğitimi iyi bir seçenektir.

Söz konusu YOLO26 olduğunda, fraction parametresini kullanarak alt küme eğitimini kolayca uygulayabilirsin. Bu parametre, eğitim için veri kümenin ne kadarlık bir kısmını kullanacağını belirtmeni sağlar. Örneğin, fraction=0.1 ayarı, modelini verinin %10'u üzerinde eğitecektir. Bu tekniği, tüm veri kümesini kullanarak model eğitmeye karar vermeden önce hızlı yinelemeler yapmak ve modeline ince ayar yapmak için kullanabilirsin. Alt küme eğitimi, hızlı ilerleme kaydetmene ve olası sorunları erkenden tespit etmene yardımcı olur.

Link to this sectionÇok Ölçekli Eğitim#

Çok ölçekli eğitim, modelini farklı boyutlardaki görüntüler üzerinde eğiterek genelleme yeteneğini artıran bir tekniktir. Modelin nesneleri farklı ölçeklerde ve mesafelerde algılamayı öğrenebilir ve daha dayanıklı hale gelebilir.

Örneğin, YOLO26 eğitirken scale parametresini ayarlayarak çok ölçekli eğitimi etkinleştirebilirsin. Bu parametre, eğitim görüntülerinin boyutunu belirli bir faktörle ayarlayarak farklı mesafelerdeki nesneleri simüle eder. Örneğin, scale=0.5 ayarı, eğitim sırasında eğitim görüntülerini rastgele 0,5 ile 1,5 arasında bir faktörle yakınlaştırır. Bu parametreyi yapılandırmak, modelinin çeşitli görüntü ölçeklerini deneyimlemesini ve farklı nesne boyutları ile senaryolarında algılama yeteneklerini geliştirmesini sağlar.

Ultralytics also supports image-size multi-scale training via the multi_scale parameter. Unlike scale, which zooms images and then pads/crops back to imgsz, multi_scale changes imgsz itself each batch (rounded to the model stride). For example, with imgsz=640 and multi_scale=0.25, the training size is sampled from 480 up to 800 in stride steps (e.g., 480, 512, 544, ..., 800), while multi_scale=0.0 keeps a fixed size.

Link to this sectionÖnbelleğe Alma#

Önbelleğe alma, makine öğrenimi modellerinin eğitim verimliliğini artırmak için önemli bir tekniktir. Önceden işlenmiş görüntüleri bellekte depolayarak önbelleğe alma, GPU'nun diskten verilerin yüklenmesini bekleyerek harcadığı süreyi azaltır. Model, disk G/Ç işlemlerinden kaynaklanan gecikmeler olmadan sürekli olarak veri alabilir.

YOLO26 eğitilirken önbelleğe alma, cache parametresi kullanılarak kontrol edilebilir:

• cache=True: Veri kümesi görüntülerini RAM'de saklar, en hızlı erişim hızını sağlar ancak artan bellek kullanımı maliyeti vardır.
• cache='disk': Görüntüleri diskte saklar, RAM'den daha yavaştır ancak her seferinde yeni veri yüklemekten daha hızlıdır.
• cache=False: Önbelleğe almayı devre dışı bırakır, tamamen disk G/Ç'sine güvenir, bu da en yavaş seçenektir.

Link to this sectionKarma Hassasiyetli Eğitim#

Karma hassasiyetli eğitim, hem 16-bit (FP16) hem de 32-bit (FP32) kayan noktalı türleri kullanır. FP16 ve FP32'nin güçlü yönleri, daha hızlı hesaplama için FP16 ve gerektiğinde hassasiyeti korumak için FP32 kullanılarak birleştirilir. Sinir ağının işlemlerinin çoğu, daha hızlı hesaplamadan ve daha düşük bellek kullanımından yararlanmak için FP16 ile yapılır. Bununla birlikte, ağırlık güncelleme adımları sırasında doğruluğu sağlamak için modelin ağırlıklarının ana bir kopyası FP32'de tutulur. Aynı donanım kısıtlamaları dahilinde daha büyük modelleri veya daha büyük yığın boyutlarını işleyebilirsin.

To implement mixed precision training, you'll need to modify your training scripts and ensure your hardware (like GPUs) supports it. Many modern deep learning frameworks, such as PyTorch and TensorFlow, offer built-in support for mixed precision.

YOLO26 ile çalışırken karma hassasiyetli eğitim basittir. Eğitim yapılandırmanda amp bayrağını kullanabilirsin. amp=True ayarı, Otomatik Karma Hassasiyet (AMP) eğitimini etkinleştirir. Karma hassasiyetli eğitim, model eğitim sürecini optimize etmenin basit ama etkili bir yoludur.

Link to this sectionÖnceden Eğitilmiş Ağırlıklar#

Önceden eğitilmiş ağırlıkları kullanmak, modelinin eğitim sürecini hızlandırmanın akıllı bir yoludur. Önceden eğitilmiş ağırlıklar, büyük veri kümeleri üzerinde zaten eğitilmiş modellerden gelir ve modeline avantaj sağlar. Transfer öğrenimi, önceden eğitilmiş modelleri yeni, ilgili görevlere uyarlar. Önceden eğitilmiş bir modele ince ayar yapmak, bu ağırlıklarla başlamayı ve ardından kendi veri kümen üzerinde eğitime devam etmeyi içerir. Bu eğitim yöntemi, daha hızlı eğitim süreleri ve genellikle daha iyi performans sağlar çünkü model temel özellikleri sağlam bir şekilde anlayarak başlar.

pretrained parametresi, YOLO26 ile transfer öğrenimini kolaylaştırır. pretrained=True ayarı varsayılan önceden eğitilmiş ağırlıkları kullanacaktır veya özel bir önceden eğitilmiş modele giden bir yol belirtebilirsin. Önceden eğitilmiş ağırlıkları ve transfer öğrenimini etkili bir şekilde kullanmak, modelinin yeteneklerini artırır ve eğitim maliyetlerini düşürür.

Link to this sectionBüyük Bir Veri Kümesiyle Çalışırken Dikkate Alınması Gereken Diğer Teknikler#

Büyük bir veri kümesiyle çalışırken dikkate alınması gereken birkaç başka teknik daha vardır:

• Öğrenme Oranı Zamanlayıcıları: Öğrenme oranı zamanlayıcılarını uygulamak, eğitim sırasında öğrenme oranını dinamik olarak ayarlar. İyi ayarlanmış bir öğrenme oranı, modelin minimum değerleri aşmasını önleyebilir ve kararlılığı artırabilir. YOLO26 eğitirken, lrf parametresi, nihai öğrenme oranını başlangıç oranının bir fraksiyonu olarak ayarlayarak öğrenme oranı zamanlamasını yönetmeye yardımcı olur.
• Dağıtılmış Eğitim: Büyük veri kümelerini işlemek için dağıtılmış eğitim oyunun kurallarını değiştirebilir. Eğitim iş yükünü birden fazla GPU'ya veya makineye yayarak eğitim süresini kısaltabilirsin. Bu yaklaşım, önemli hesaplama kaynaklarına sahip kurumsal ölçekli projeler için özellikle değerlidir.

Link to this sectionEğitim İçin Gereken Dönem Sayısı#

Bir model eğitilirken, dönem tüm eğitim veri kümesi üzerinden bir tam geçişi ifade eder. Bir dönem sırasında model, eğitim kümesindeki her örneği bir kez işler ve öğrenme algoritmasına göre parametrelerini günceller. Modelin zamanla öğrenmesini ve parametrelerini iyileştirmesini sağlamak için genellikle birden fazla dönem gerekir.

Ortaya çıkan yaygın bir soru, modelin kaç dönem eğitileceğinin nasıl belirleneceğidir. İyi bir başlangıç noktası 300 dönemdir. Model erken aşırı öğrenirse (overfit), dönem sayısını azaltabilirsin. 300 dönemden sonra aşırı öğrenme gerçekleşmezse, eğitimi 600, 1200 veya daha fazla döneme uzatabilirsin.

Bununla birlikte, ideal dönem sayısı veri kümenin boyutuna ve proje hedeflerine göre değişebilir. Daha büyük veri kümeleri modelin etkili bir şekilde öğrenmesi için daha fazla dönem gerektirebilirken, daha küçük veri kümeleri aşırı öğrenmeyi önlemek için daha az döneme ihtiyaç duyabilir. YOLO26 ile ilgili olarak, eğitim betiğindeki epochs parametresini ayarlayabilirsin.

Link to this sectionErken Durdurma#

Erken durdurma, model eğitimini optimize etmek için değerli bir tekniktir. Doğrulama performansını izleyerek, model gelişmeyi durdurduğunda eğitimi durdurabilirsin. Hesaplama kaynaklarından tasarruf edebilir ve aşırı öğrenmeyi önleyebilirsin.

Süreç, eğitimi durdurmadan önce doğrulama metriklerinde bir iyileşme için kaç dönem bekleneceğini belirleyen bir sabır (patience) parametresi ayarlamayı içerir. Modelin performansı bu dönemler içinde iyileşmezse, zaman ve kaynak israfını önlemek için eğitim durdurulur.

YOLO26 için, eğitim yapılandırmanda sabır parametresini ayarlayarak erken durdurmayı etkinleştirebilirsin. Örneğin, patience=5, doğrulama metriklerinde 5 ardışık dönem boyunca iyileşme olmazsa eğitimin duracağı anlamına gelir. Bu yöntemi kullanmak, eğitim sürecinin verimli kalmasını ve aşırı hesaplama olmadan optimum performansa ulaşmasını sağlar.

Link to this sectionBulut ve Yerel Eğitim Arasında Seçim Yapma#

Modelini eğitmek için iki seçenek vardır: bulut eğitimi ve yerel eğitim.

Bulut eğitimi ölçeklenebilirlik ve güçlü donanım sunar, büyük veri kümeleri ve karmaşık modelleri işlemek için idealdir. Google Cloud, AWS ve Azure gibi platformlar, yüksek performanslı GPU'lara ve TPU'lara isteğe bağlı erişim sağlayarak eğitim sürelerini hızlandırır ve daha büyük modellerle denemeler yapılmasına olanak tanır. Ancak, özellikle uzun süreler için bulut eğitimi pahalı olabilir ve veri aktarımı maliyetlere ve gecikmeye neden olabilir.

Yerel eğitim daha fazla kontrol ve özelleştirme sağlar, ortamını özel ihtiyaçlara göre uyarlamana ve devam eden bulut maliyetlerinden kaçınmana olanak tanır. Uzun vadeli projeler için daha ekonomik olabilir ve verilerin kurum içinde kaldığı için daha güvenlidir. Ancak yerel donanımın kaynak sınırlamaları olabilir ve bakım gerektirebilir, bu da büyük modeller için daha uzun eğitim sürelerine yol açabilir.

Link to this sectionBir İyileştirici Seçme#

İyileştirici (optimizer), modelin ne kadar iyi performans gösterdiğini ölçen kayıp fonksiyonunu en aza indirmek için sinir ağının ağırlıklarını ayarlayan bir algoritmadır. Daha basit bir ifadeyle, iyileştirici hataları azaltmak için parametrelerine ince ayar yaparak modelin öğrenmesine yardımcı olur. Doğru iyileştiriciyi seçmek, modelin ne kadar hızlı ve doğru öğrendiğini doğrudan etkiler.

Ayrıca model performansını artırmak için iyileştirici parametrelerine ince ayar yapabilirsin. Öğrenme oranını ayarlamak, parametreleri güncellerken adımların boyutunu belirler. Kararlılık için, orta düzeyde bir öğrenme oranıyla başlayıp uzun vadeli öğrenmeyi iyileştirmek için zamanla kademeli olarak azaltabilirsin. Ayrıca, momentumu ayarlamak, geçmiş güncellemelerin mevcut güncellemeler üzerinde ne kadar etkili olacağını belirler. Momentum için yaygın bir değer yaklaşık 0,9'dur. Genellikle iyi bir denge sağlar.

Link to this sectionYaygın İyileştiriciler#

Farklı iyileştiricilerin çeşitli güçlü ve zayıf yönleri vardır. Şimdi birkaç yaygın iyileştiriciye göz atalım.

• SGD (Stokastik Gradyan İnişi):

  • Model parametrelerini, kayıp fonksiyonunun parametrelere göre gradyanını kullanarak günceller.
  • Basit ve verimlidir ancak yakınsaması yavaş olabilir ve yerel minimumlarda takılıp kalabilir.

• Adam (Uyarlanabilir Moment Tahmini):

  • Hem momentumlu SGD'nin hem de RMSProp'un faydalarını birleştirir.
  • Gradyanların ilk ve ikinci moment tahminlerine dayanarak her parametre için öğrenme oranını ayarlar.
  • Gürültülü veriler ve seyrek gradyanlar için çok uygundur.
  • Verimlidir ve genellikle daha az ayar gerektirir, bu da onu YOLO26 için önerilen bir iyileştirici yapar.

• RMSProp (Kök Ortalama Kare Yayılımı):

  • Gradyanı, son gradyanların büyüklüklerinin hareketli ortalamasına bölerek her parametre için öğrenme oranını ayarlar.
  • Kaybolan gradyan problemini ele almaya yardımcı olur ve yinelemeli sinir ağları için etkilidir.

• MuSGD (Muon + SGD hibriti):

  • Büyük ölçekli eğitimde gelişmiş kararlılık için SGD tarzı güncellemeleri Muon esintili davranışla birleştirir.
  • SGD benzeri bir genelleme istediğinde ancak standart SGD'den daha pürüzsüz bir yakınsamaya ihtiyaç duyduğunda iyi bir seçimdir.
  • Özellikle YOLO26 eğitim tarifleri için uygundur; emin değilsen optimizer=auto ile başla ve veri kümen üzerinde MuSGD ile karşılaştır.

YOLO26 için optimizer parametresi, SGD, MuSGD, Adam, AdamW, NAdam, RAdam ve RMSProp dahil olmak üzere çeşitli iyileştiriciler arasından seçim yapmanı sağlar veya model yapılandırmasına göre otomatik seçim için auto olarak ayarlayabilirsin.

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Link to this sectionToplulukla Bağlantı Kurma#

Bilgisayarlı görü meraklılarından oluşan bir topluluğun parçası olmak, sorunları çözmene ve daha hızlı öğrenmene yardımcı olabilir. İşte bağlantı kurmanın, yardım almanın ve fikir paylaşmanın bazı yolları.

Link to this sectionTopluluk Kaynakları#

• GitHub Sorunları: YOLO26 GitHub deposunu ziyaret et ve sorular sormak, hataları bildirmek ve yeni özellikler önermek için Issues (Sorunlar) sekmesini kullan. Topluluk ve sürdürücüler oldukça aktiftir ve yardıma hazırdır.
• Ultralytics Discord Sunucusu: Diğer kullanıcılar ve geliştiricilerle sohbet etmek, destek almak ve deneyimlerini paylaşmak için Ultralytics Discord sunucusuna katıl.

Link to this sectionResmi Belgeler#

• Ultralytics YOLO26 Belgeleri: Çeşitli bilgisayarlı görü projeleriyle ilgili ayrıntılı kılavuzlar ve faydalı ipuçları için resmi YOLO26 belgelerine göz at.

Bu kaynakları kullanmak, zorlukları çözmene ve bilgisayarlı görü topluluğundaki en son trendler ve uygulamalarla güncel kalmana yardımcı olacaktır.

Link to this sectionÖnemli Çıkarımlar#

Bilgisayarlı görü modelleri eğitmek, iyi uygulamaları takip etmeyi, stratejilerini optimize etmeyi ve ortaya çıkan sorunları çözmeyi içerir. Yığın boyutlarını ayarlama, karma hassasiyetli eğitim ve önceden eğitilmiş ağırlıklarla başlama gibi teknikler, modellerinin daha iyi çalışmasını ve daha hızlı eğitilmesini sağlayabilir. Alt küme eğitimi ve erken durdurma gibi yöntemler zaman ve kaynak tasarrufu yapmana yardımcı olur. Toplulukla bağlantıda kalmak ve yeni trendleri takip etmek, model eğitim becerilerini geliştirmeye devam etmene yardımcı olacaktır.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO ile büyük bir veri kümesi eğitirken GPU kullanımını nasıl iyileştirebilirim?#

GPU kullanımını iyileştirmek için eğitim yapılandırmandaki batch parametresini GPU'nun desteklediği maksimum boyuta ayarla. Bu, GPU'nun yeteneklerinden tam olarak yararlanmanı sağlar ve eğitim süresini kısaltır. Bellek hatalarıyla karşılaşırsan, eğitim sorunsuz çalışana kadar batch boyutunu kademeli olarak azalt. YOLO26 için eğitim betiğinde batch=-1 ayarını yapmak, verimli işleme için en uygun batch boyutunu otomatik olarak belirleyecektir. Daha fazla bilgi için training configuration kısmına bakabilirsin.

Link to this sectionKarma hassasiyetli eğitim nedir ve bunu YOLO26'da nasıl etkinleştiririm?#

Karma hassasiyetli eğitim, hesaplama hızı ve hassasiyeti dengelemek için hem 16-bit (FP16) hem de 32-bit (FP32) kayan noktalı türleri kullanır. Bu yaklaşım, model doğruluğundan ödün vermeden eğitimi hızlandırır ve bellek kullanımını azaltır. YOLO26'da karma hassasiyetli eğitimi etkinleştirmek için, eğitim yapılandırmanda amp parametresini True olarak ayarla. Bu, Otomatik Karma Hassasiyet (AMP) eğitimini aktive eder. Bu optimizasyon tekniği hakkında daha fazla ayrıntı için eğitim yapılandırmasına bak.

Link to this sectionÇok ölçekli eğitim, YOLO26 model performansını nasıl artırır?#

Çok ölçekli eğitim, farklı boyutlardaki görüntüler üzerinde eğitim yaparak modelin farklı ölçekler ve mesafeler arasında daha iyi genelleme yapmasını sağlar ve model performansını artırır. YOLO26'da, eğitim yapılandırmasında scale parametresini ayarlayarak çok ölçekli eğitimi etkinleştirebilirsin. Örneğin, scale=0.5 0,5 ile 1,5 arasında bir yakınlaştırma faktörü örnekler ve ardından tekrar imgsz boyutuna doldurur/kırpar. Bu teknik, farklı mesafelerdeki nesneleri simüle ederek modelin çeşitli senaryolarda daha dayanıklı olmasını sağlar. Ayarlar ve daha fazla ayrıntı için eğitim yapılandırmasına göz at.

Link to this sectionYOLO26'da eğitimi hızlandırmak için önceden eğitilmiş ağırlıkları nasıl kullanabilirim?#

Önceden eğitilmiş ağırlıkları kullanmak, temel görsel özelliklere zaten aşina olan bir modelden yararlanarak eğitimi büyük ölçüde hızlandırabilir ve model doğruluğunu artırabilir. YOLO26'da, eğitim yapılandırmasında pretrained parametresini True olarak ayarla veya özel önceden eğitilmiş ağırlıklarına giden yolu sağla. Transfer öğrenimi adı verilen bu yöntem, büyük veri kümeleri üzerinde eğitilmiş modellerin özel uygulamana etkili bir şekilde uyarlanmasına olanak tanır. Önceden eğitilmiş ağırlıkların nasıl kullanılacağı ve faydaları hakkında eğitim yapılandırma kılavuzundan daha fazla bilgi edin.

Link to this sectionBir model eğitmek için önerilen dönem sayısı nedir ve bunu YOLO26'da nasıl ayarlarım?#

Dönem sayısı, model eğitimi sırasında eğitim veri kümesinden yapılan tam geçişleri ifade eder. Tipik bir başlangıç noktası 300 dönemdir. Modelin erken aşırı öğrenirse, sayıyı azaltabilirsin. Alternatif olarak, aşırı öğrenme gözlemlenmezse, eğitimi 600, 1200 veya daha fazla döneme uzatabilirsin. Bunu YOLO26'da ayarlamak için eğitim betiğindeki epochs parametresini kullan. İdeal dönem sayısını belirleme konusunda ek tavsiye için dönem sayısı bölümüne başvur.