Link to this sectionYaygın YOLO Sorunlarını Giderme#

Link to this sectionGiriş#

Bu kılavuz, Ultralytics projelerinde YOLO26 ile çalışırken karşılaşılan yaygın sorunları gidermeniz için kapsamlı bir yardımcı kaynak görevi görür. Doğru rehberlikle bu sorunların üstesinden gelmek çocuk oyuncağıdır ve projelerinizin gereksiz gecikmeler olmadan ilerlemesini sağlar.

Link to this sectionYaygın Sorunlar#

Link to this sectionKurulum Hataları#

Kurulum hataları; uyumsuz sürümler, eksik bağımlılıklar veya yanlış ortam yapılandırmaları gibi çeşitli nedenlerden dolayı ortaya çıkabilir. Öncelikle aşağıdakileri yaptığından emin ol:

• Önerildiği gibi Python 3.8 veya daha yeni bir sürümünü kullanıyorsun.
• PyTorch (1.8 veya daha yeni) sürümünün doğru bir şekilde yüklendiğinden emin ol.
• Çakışmaları önlemek için sanal ortamlar kullanmayı düşün.
• Resmi kurulum kılavuzunu adım adım takip et.

Ayrıca, kullanıcıların karşılaştığı bazı yaygın kurulum sorunlarını ve bunlara karşılık gelen çözümleri aşağıda bulabilirsin:

• İçe Aktarma Hataları veya Bağımlılık Sorunları - YOLO26'yı içe aktarırken hata alıyorsan veya bağımlılıklarla ilgili sorun yaşıyorsan, şu sorun giderme adımlarını değerlendir:

  • Temiz Kurulum: Bazen, temiz bir kuruluma başlamak beklenmedik sorunları çözebilir. Özellikle güncellemelerin dosya ağacı yapısında veya işlevlerde değişiklikler getirebileceği Ultralytics gibi kütüphanelerde bu önemlidir.

  • Düzenli Güncelleme: Kütüphanenin en son sürümünü kullandığından emin ol. Eski sürümler yakın zamandaki güncellemelerle uyumlu olmayabilir, bu da potansiyel çakışmalara veya sorunlara yol açabilir.

  • Bağımlılıkları Kontrol Et: Gerekli tüm bağımlılıkların doğru şekilde yüklendiğini ve uyumlu sürümlerde olduğunu doğrula.

  • Değişiklikleri Gözden Geçir: Eğer başlangıçta eski bir sürümü kopyaladıysan veya yüklediysen, önemli güncellemelerin kütüphane yapısını veya işlevlerini etkileyebileceğini unutma. Herhangi bir büyük değişikliği anlamak için her zaman resmi belgelere veya değişiklik günlüklerine başvur.

  • Kütüphanelerini ve bağımlılıklarını güncel tutmanın sorunsuz ve hatasız bir deneyim için kritik olduğunu unutma.

• YOLO26'yı GPU üzerinde çalıştırma - YOLO26'yı GPU üzerinde çalıştırmakta sorun yaşıyorsan, şu sorun giderme adımlarını değerlendir:

  • CUDA Uyumluluğunu ve Kurulumunu Doğrula: GPU'nun CUDA ile uyumlu olduğundan ve CUDA'nın doğru şekilde yüklendiğinden emin ol. NVIDIA GPU'nun durumunu ve CUDA sürümünü kontrol etmek için nvidia-smi komutunu kullan.

  • PyTorch ve CUDA Entegrasyonunu Kontrol Et: Bir Python terminalinde import torch; print(torch.cuda.is_available()) komutunu çalıştırarak PyTorch'un CUDA'yı kullanabildiğinden emin ol. Eğer 'True' sonucunu alırsan, PyTorch CUDA'yı kullanacak şekilde ayarlanmıştır.

  • GPU Uyumluluğunu Kontrol Et: Turing öncesi GPU mimarileri ve 7.5'ten küçük hesaplama yeteneği (SM) için destek cuDNN 9.11.0'dan beri kaldırılmıştır. Yani 1080Ti gibi eski bir GPU'n varsa, PyTorch'un daha eski bir CUDA/cuDNN sürümüyle derlenmiş bir sürümünü kullanman gerekebilir. Bunu import torch; cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0); cudnn = torch.backends.cudnn.version() or 0; ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"; print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}") kodunu çalıştırarak kontrol edebilirsin.

  • Ortam Etkinleştirme: Gerekli tüm paketlerin yüklü olduğu doğru ortamda olduğundan emin ol.

  • Paketlerini Güncelle: Güncelliğini yitirmiş paketler GPU'nla uyumlu olmayabilir. Onları güncel tut.

  • Program Yapılandırması: Programın veya kodun GPU kullanımını belirtip belirtmediğini kontrol et. YOLO26'da bu, ayarlarda veya yapılandırmada olabilir.

Link to this sectionModel Eğitimi Sorunları#

Bu bölüm, eğitim sırasında karşılaşılan yaygın sorunları, bunların açıklamalarını ve çözümlerini ele alacaktır.

Link to this sectionYapılandırma Ayarlarının Doğrulanması#

Sorun: .yaml dosyasındaki yapılandırma ayarlarının model eğitimi sırasında doğru şekilde uygulanıp uygulanmadığından emin değilsin.

Çözüm: .yaml dosyasındaki yapılandırma ayarları, model.train() işlevi kullanılırken uygulanmalıdır. Bu ayarların doğru şekilde uygulandığından emin olmak için şu adımları takip et:

• .yaml yapılandırma dosyana giden yolun doğru olduğunu onayla.

• Make sure you pass the path to your .yaml file as the data argument when calling model.train(), as shown below:

  model.train(data="/path/to/your/data.yaml", batch=4)

Link to this sectionBirden Fazla GPU ile Eğitimi Hızlandırma#

Sorun: Eğitim tek bir GPU üzerinde yavaş ilerliyor ve süreci birden fazla GPU kullanarak hızlandırmak istiyorsun.

Çözüm: Batch size değerini artırmak eğitimi hızlandırabilir, ancak GPU bellek kapasitesini göz önünde bulundurmak önemlidir. Birden fazla GPU ile eğitimi hızlandırmak için şu adımları izle:

• Birden fazla GPU'ya sahip olduğundan emin ol.

• device argümanını bir GPU dizinleri listesine ayarla, örneğin device=[0,1,2,3].

• Bellek sınırlarını aşmadan birden fazla GPU'dan tam olarak yararlanmak için batch size değerini uygun şekilde artır.

• Eğitim komutunu birden fazla GPU kullanacak şekilde değiştir:

  # Adjust the batch size and other settings as needed to optimize training speed
  model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionSürekli İzleme Parametreleri#

Sorun: Eğitim sırasında kaybın (loss) dışında hangi parametrelerin sürekli izlenmesi gerektiğini bilmek istiyorsun.

Çözüm: Kayıp, izlenmesi gereken önemli bir metrik olsa da, model performans optimizasyonu için diğer metrikleri de takip etmek önemlidir. Eğitim sırasında izlenmesi gereken bazı temel metrikler şunlardır:

• Precision
• Recall
• Mean Average Precision (mAP)

Bu metriklere eğitim günlüklerinden erişebilir veya görselleştirme için TensorBoard ya da wandb gibi araçları kullanabilirsin. Bu metrikleri temel alarak erken durdurma (early stopping) uygulamak daha iyi sonuçlar elde etmene yardımcı olabilir.

Link to this sectionEğitim İlerlemesini Takip Etme Araçları#

Sorun: Eğitim ilerlemesini takip etmek için araç önerileri arıyorsun.

Çözüm: Eğitim ilerlemesini takip etmek ve görselleştirmek için şu araçları kullanmayı değerlendirebilirsin:

• TensorBoard: TensorBoard, kayıp, accuracy ve daha fazlası dahil olmak üzere eğitim metriklerini görselleştirmek için popüler bir tercihtir. Bunu YOLO26 eğitim sürecine entegre edebilirsin.
• Comet: Comet, deney takibi ve karşılaştırması için kapsamlı bir araç seti sunar. Metrikleri, hiperparametreleri ve hatta model ağırlıklarını takip etmeni sağlar. YOLO modelleri ile entegrasyonu da oldukça kolaydır ve sana deney döngünün tam bir genel görünümünü sunar.
• Ultralytics Platform: Ultralytics Platform, YOLO modellerini takip etmek için özel bir ortam sunarak metrikleri, veri setlerini yönetmen ve hatta ekibinle iş birliği yapman için tek bir platform sağlar. YOLO odaklı olduğu için daha özelleştirilmiş takip seçenekleri sunar.

Bu araçların her birinin kendi avantajları vardır, bu nedenle seçim yaparken projenin özel ihtiyaçlarını göz önünde bulundurmak isteyebilirsin.

Link to this sectionEğitimin GPU üzerinde gerçekleşip gerçekleşmediğini nasıl kontrol edersin#

Sorun: Eğitim günlüklerindeki 'device' değeri 'null' ve eğitimin GPU üzerinde gerçekleşip gerçekleşmediğinden emin değilsin.

Çözüm: 'device' değerinin 'null' olması, genellikle eğitim sürecinin varsayılan davranış olan mevcut bir GPU'yu otomatik olarak kullanacak şekilde ayarlandığı anlamına gelir. Belirli bir GPU üzerinde eğitimin gerçekleştiğinden emin olmak için, .yaml yapılandırma dosyanızda 'device' değerini manuel olarak GPU dizinine (örneğin ilk GPU için '0') ayarlayabilirsin:

device: 0

Bu, eğitim sürecini açıkça belirtilen GPU'ya atayacaktır. Eğer CPU üzerinde eğitmek istersen, 'device' değerini 'cpu' yap.

Eğitim ilerlemesini etkili bir şekilde izlemek için günlükleri ve metrikleri 'runs' klasöründen takip et.

Link to this sectionEtkili Model Eğitimi İçin Temel Hususlar#

Model eğitimiyle ilgili sorunlar yaşıyorsan aklında bulundurman gereken bazı noktalar şunlardır.

Veri Seti Biçimi ve Etiketler

• Önemi: Herhangi bir machine learning modelinin temeli, eğitildiği verilerin kalitesi ve biçiminde yatar.
• Öneri: Özel veri setinin ve ilişkili etiketlerinin beklenen biçime uygun olduğundan emin ol. Açıklamaların doğru ve yüksek kaliteli olduğunu doğrulamak çok önemlidir. Yanlış veya düşük kaliteli açıklamalar, modelin öğrenme sürecini rayından çıkararak öngörülemez sonuçlara yol açabilir.

Model Yakınsaması (Convergence)

• Önemi: Model yakınsamasına ulaşmak, modelin training data üzerinden yeterince öğrendiğinden emin olmanı sağlar.
• Öneri: Bir modeli 'sıfırdan' eğitirken, modelin tatmin edici bir yakınsama seviyesine ulaştığından emin olmak hayati önem taşır. Bu, mevcut bir modeli ince ayarlarken (fine-tuning) olduğundan daha fazla epochs ile daha uzun bir eğitim süresi gerektirebilir.

Learning Rate ve Batch Size

• Önemi: Bu hiperparametreler, modelin eğitim sırasında ağırlıklarını nasıl güncelleyeceğini belirlemede çok önemli bir rol oynar.
• Öneri: Seçilen öğrenme oranının (learning rate) ve batch size'ın kendi özel veri setin için optimal olup olmadığını düzenli olarak değerlendir. Veri setinin özellikleriyle uyumlu olmayan parametreler modelin performansını engelleyebilir.

Sınıf Dağılımı

• Önemi: Veri setindeki sınıfların dağılımı, modelin tahmin eğilimlerini etkileyebilir.
• Öneri: Veri setindeki sınıfların dağılımını düzenli olarak değerlendir. Eğer bir sınıf dengesizliği varsa, modelin daha yaygın olan sınıfa karşı bir önyargı geliştirme riski vardır. Bu önyargı, modelin çoğunlukla baskın sınıfı tahmin edebileceği karışıklık matrisinde (confusion matrix) açıkça görülebilir.

Önceden Eğitilmiş Ağırlıklarla Çapraz Kontrol

• Önemi: Önceden eğitilmiş ağırlıklardan yararlanmak, özellikle veri sınırlı olduğunda model eğitimi için sağlam bir başlangıç noktası sağlayabilir.
• Öneri: Bir tanılama adımı olarak, modelini aynı verileri kullanarak ancak önceden eğitilmiş ağırlıklarla başlatarak eğitmeyi düşün. Bu yaklaşım iyi biçimlendirilmiş bir karışıklık matrisi veriyorsa, 'sıfırdan' eğitilen modelin daha fazla eğitime veya ayarlamaya ihtiyaç duyabileceğini gösterebilir.

Link to this sectionModel Tahminleriyle İlgili Sorunlar#

Bu bölüm, model tahmini sırasında karşılaşılan yaygın sorunları ele alacaktır.

Link to this sectionYOLO26 Özel Modelinle Sınırlayıcı Kutu (BBox) Tahminleri Alma#

Sorun: Özel bir YOLO26 modeliyle tahminler yaparken, sınırlayıcı kutu koordinatlarının biçimi ve görselleştirilmesiyle ilgili zorluklar yaşanıyor.

Çözüm:

• Koordinat Biçimi: YOLO26, sınırlayıcı kutu koordinatlarını mutlak piksel değerleri olarak sağlar. Bunları göreceli koordinatlara (0 ile 1 arasında değişen) dönüştürmek için görüntü boyutlarına bölmen gerekir. Örneğin, görüntü boyutunun 640x640 olduğunu varsayalım. O zaman şunları yapmalısın:

  # Convert absolute coordinates to relative coordinates
  x1 = x1 / 640  # Divide x-coordinates by image width
  x2 = x2 / 640
  y1 = y1 / 640  # Divide y-coordinates by image height
  y2 = y2 / 640

• Dosya Adı: Tahmin yaptığın görüntünün dosya adını almak için, tahmin döngün içerisindeki sonuç nesnesinden görüntü dosya yoluna doğrudan eriş.

Link to this sectionYOLO26 Tahminlerinde Nesneleri Filtreleme#

Sorun: Ultralytics kütüphanesini kullanarak YOLO26 çalıştırırken, tahmin sonuçlarında yalnızca belirli nesneleri nasıl filtreleyip görüntüleyeceğinle ilgili sorunlar yaşanıyor.

Çözüm: Belirli sınıfları tespit etmek için çıktıya dahil etmek istediğin sınıfları belirtmek üzere classes argümanını kullan. Örneğin, sadece arabaları tespit etmek için (arabaların sınıf dizininin 2 olduğunu varsayarak):

yolo task=segment mode=predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

Link to this sectionYOLO26'da Hassasiyet (Precision) Metriklerini Anlama#

Sorun: YOLO26'daki kutu hassasiyeti, maske hassasiyeti ve confusion matrix hassasiyeti arasındaki farkla ilgili kafa karışıklığı.

Çözüm: Kutu hassasiyeti, metrik olarak IoU (Intersection over Union) kullanarak tahmin edilen sınırlayıcı kutuların gerçek sınırlayıcı kutulara göre doğruluğunu ölçer. Maske hassasiyeti, tahmin edilen segmentasyon maskeleri ile gerçek maskeler arasındaki uyumu piksel bazında nesne sınıflandırmasında değerlendirir. Öte yandan karışıklık matrisi hassasiyeti, tüm sınıflar genelinde genel sınıflandırma doğruluğuna odaklanır ve tahminlerin geometrik doğruluğunu dikkate almaz. Sınıf tahmini yanlış olsa bile bir bounding box geometrik olarak doğru (gerçek pozitif) olabileceğini ve bunun kutu hassasiyeti ile karışıklık matrisi hassasiyeti arasında farklara yol açtığını unutmamak önemlidir. Bu metrikler, modelin performansının farklı yönlerini değerlendirir ve çeşitli görevlerde farklı değerlendirme metriklerine duyulan ihtiyacı yansıtır.

Link to this sectionYOLO26'da Nesne Boyutlarını Çıkarma#

Sorun: YOLO26'da tespit edilen nesnelerin uzunluğunu ve yüksekliğini alırken, özellikle bir görüntüde birden fazla nesne tespit edildiğinde yaşanan zorluk.

Çözüm: Sınırlayıcı kutu boyutlarını almak için, öncelikle bir görüntüdeki nesneleri tahmin etmek için Ultralytics YOLO26 modelini kullan. Ardından, tahmin sonuçlarından sınırlayıcı kutuların genişlik ve yükseklik bilgilerini çıkar.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Link to this sectionDağıtım (Deployment) Zorlukları#

Link to this sectionGPU Dağıtım Sorunları#

Sorun: Modelleri çoklu GPU ortamında dağıtmak bazen beklenmedik bellek kullanımı, GPU'lar arasında tutarsız sonuçlar vb. gibi beklenmedik davranışlara yol açabilir.

Çözüm: Varsayılan GPU başlatmasını kontrol et. PyTorch gibi bazı çerçeveler, belirlenen GPU'lara geçmeden önce CUDA işlemlerini varsayılan bir GPU üzerinde başlatabilir. Beklenmedik varsayılan başlatmaları atlatmak için, dağıtım ve tahmin sırasında GPU'yu doğrudan belirt. Ardından, gerçek zamanlı anomalileri tespit etmek için GPU kullanımını ve bellek tüketimini izleyen araçları kullan. Ayrıca, çerçevenin veya kütüphanenin en son sürümünü kullandığından emin ol.

Link to this sectionModel Dönüştürme/Dışa Aktarma Sorunları#

Sorun: Makine öğrenimi modellerini farklı biçimlere veya platformlara dönüştürme veya dışa aktarma sürecinde kullanıcılar hatalarla veya beklenmedik davranışlarla karşılaşabilir.

Çözüm:

• Uyumluluk Kontrolü: Birbiriyle uyumlu kütüphane ve çerçeve sürümleri kullandığından emin ol. Uyumsuz sürümler dönüştürme sırasında beklenmedik hatalara yol açabilir.
• Ortamı Sıfırlama: Jupyter veya Colab gibi etkileşimli bir ortam kullanıyorsan, önemli değişiklikler veya kurulumlar yaptıktan sonra ortamını yeniden başlatmayı değerlendir. Temiz bir başlangıç bazen altta yatan sorunları çözebilir.
• Resmi Dokümantasyon: Dönüştürme için kullandığın aracın veya kütüphanenin resmi belgelerine her zaman başvur. Genellikle model dışa aktarma için özel kılavuzlar ve en iyi uygulamaları içerir.
• Topluluk Desteği: Kütüphanenin veya çerçevenin resmi deposunda diğer kullanıcılar tarafından bildirilen benzer sorunları kontrol et. Bakımcılar veya topluluk, tartışma başlıklarında çözümler veya geçici yollar sağlamış olabilir.
• Düzenli Güncelleme: Aracın veya kütüphanenin en son sürümünü kullandığından emin ol. Geliştiriciler, bilinen hataları düzelten veya işlevselliği geliştiren güncellemeleri sık sık yayınlar.
• Aşamalı Test Et: Tam bir dönüştürme işlemi gerçekleştirmeden önce, potansiyel sorunları erken aşamada tespit etmek için süreci daha küçük bir model veya veri setiyle test et.

Link to this sectionTopluluk ve Destek#

Benzer düşünen bir toplulukla etkileşimde bulunmak, YOLO26 ile çalışma konusundaki deneyimini ve başarını önemli ölçüde artırabilir. Aşağıda faydalı bulabileceğin bazı kanallar ve kaynaklar yer almaktadır.

Link to this sectionYardım Almak İçin Forumlar ve Kanallar#

GitHub Issues: GitHub üzerindeki YOLO26 deposu, soru sorabileceğin, hata bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesine sahiptir. Topluluk ve geliştiriciler burada oldukça aktiftir; bu, belirli sorunlarla ilgili yardım almak için harika bir yerdir.

Ultralytics Discord Sunucusu: Ultralytics'in diğer kullanıcılar ve geliştiricilerle etkileşime geçebileceğin bir Discord sunucusu bulunur.

Link to this sectionResmi Belgeler ve Kaynaklar#

Ultralytics YOLO26 Dokümanları: Resmi dokümantasyon, kurulum, kullanım ve sorun giderme kılavuzlarıyla birlikte YOLO26'ya dair kapsamlı bir genel bakış sunar.

Bu kaynaklar, YOLO26 projelerinde sorun giderme ve iyileştirme yapman, ayrıca YOLO26 topluluğundaki diğer kişilerle bağlantı kurman için sağlam bir temel oluşturmalıdır.

Link to this sectionSonuç#

Sorun giderme, herhangi bir geliştirme sürecinin ayrılmaz bir parçasıdır ve doğru bilgiyle donanmış olmak, sorunları çözmek için harcanan zamanı ve çabayı önemli ölçüde azaltabilir. Bu kılavuz, Ultralytics ekosistemindeki YOLO26 modeli kullanıcılarının karşılaştığı en yaygın zorlukları ele almayı amaçlamıştır. Bu yaygın sorunları anlayıp çözerek, proje ilerlemenin daha sorunsuz olmasını sağlayabilir ve bilgisayarlı görü görevlerinde daha iyi sonuçlar elde edebilirsin.

Unutma, Ultralytics topluluğu değerli bir kaynaktır. Diğer geliştiriciler ve uzmanlarla etkileşime geçmek, standart dokümantasyonda yer almayan ek içgörüler ve çözümler sağlayabilir. Topluluğun ortak bilgi birikimine katkıda bulunmak için öğrenmeye, denemeler yapmaya ve deneyimlerini paylaşmaya her zaman devam et.

Link to this sectionSSS#

Link to this sectionYOLO26 ile kurulum hatalarını nasıl çözebilirim?#

Kurulum hataları genellikle uyumluluk sorunlarından veya eksik bağımlılıklardan kaynaklanabilir. Python 3.8 veya üzerini kullandığından ve PyTorch 1.8 veya üzerinin yüklü olduğundan emin ol. Çakışmaları önlemek için sanal ortamlar kullanman faydalıdır. Adım adım kurulum kılavuzu için resmi kurulum kılavuzumuzu takip et. Eğer içe aktarma (import) hatalarıyla karşılaşırsan, temiz bir kurulum yapmayı veya kütüphaneyi en son sürüme güncellemeyi dene.

Link to this sectionYOLO26 model eğitimim neden tek bir GPU üzerinde yavaş çalışıyor?#

Tek bir GPU'da eğitim, büyük yığın boyutları (batch size) veya yetersiz bellek nedeniyle yavaş olabilir. Eğitimi hızlandırmak için birden fazla GPU kullan. Sisteminde birden fazla GPU olduğundan emin ol ve device bağımsız değişkenini ayarla, örneğin: device=[0,1,2,3]. GPU'ları bellek sınırlarını aşmadan tam olarak kullanmak için yığın boyutunu buna göre artır. Örnek komut:

model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionYOLO26 modelimin GPU üzerinde eğitildiğinden nasıl emin olabilirim?#

Eğitim günlüklerinde 'device' değeri 'null' olarak görünüyorsa, bu genellikle eğitim sürecinin otomatik olarak kullanılabilir bir GPU'yu kullanacak şekilde ayarlandığı anlamına gelir. Belirli bir GPU'yu açıkça atamak için, .yaml yapılandırma dosyanızda 'device' değerini ayarla. Örneğin:

device: 0

Bu işlem, eğitim sürecini ilk GPU'ya ayarlar. CUDA kurulumunu doğrulamak için nvidia-smi komutuna başvur.

Link to this sectionYOLO26 model eğitim sürecimi nasıl izleyebilir ve takip edebilirim?#

TensorBoard, Comet ve Ultralytics Platform gibi araçlar aracılığıyla eğitim ilerlemesini takip etmek ve görselleştirmek verimli bir şekilde yönetilebilir. Bu araçlar; kayıp (loss), kesinlik, duyarlılık ve mAP gibi metrikleri günlüğe kaydetmene ve görselleştirmene olanak tanır. Bu metrikleri temel alarak erken durdurma (early stopping) uygulamak, daha iyi eğitim sonuçları elde etmene de yardımcı olabilir.

Link to this sectionYOLO26 veri kümesi formatımı tanımazsa ne yapmalıyım?#

Veri kümenin ve etiketlerinin beklenen formata uygun olduğundan emin ol. Ek açıklamaların (annotations) doğru ve yüksek kalitede olduğunu doğrula. Herhangi bir sorunla karşılaşırsan, en iyi uygulamalar için Veri Toplama ve Etiketleme kılavuzuna başvur. Veri kümesine özel daha fazla rehberlik için dokümantasyondaki Datasets bölümüne göz at.