YOLO26 Eğitimini Yükseltmek: Comet ile Loglama Sürecinizi Basitleştirin

Parametreler, metrikler, görüntü tahminleri ve model kontrol noktaları gibi temel eğitim ayrıntılarını kaydetmek, makine öğreniminde çok önemlidir; projenizi şeffaf, ilerlemenizi ölçülebilir ve sonuçlarınızı tekrarlanabilir kılar.

İzle: Ultralytics YOLO Model Eğitim Günlükleri ve Metrikleri için Comet Nasıl Kullanılır 🚀

Ultralytics YOLO26, Comet (eski adıyla Comet ML) ile sorunsuz bir şekilde entegre olarak, YOLO26 nesne algılama modelinizin eğitim sürecinin her yönünü verimli bir şekilde yakalar ve optimize eder. Bu kılavuzda, kurulum sürecini, Comet kurulumunu, gerçek zamanlı içgörüleri, özel günlük kaydını ve çevrimdışı kullanımı ele alacağız; böylece YOLO26 eğitiminizin kapsamlı bir şekilde belgelenmesini ve olağanüstü sonuçlar için ince ayar yapılmasını sağlayacağız.

Comet

Comet, makine öğrenimi modellerini ve deneylerini izlemek, karşılaştırmak, açıklamak ve optimize etmek için bir platformdur. Model eğitiminiz sırasında metrikleri, parametreleri, medyayı ve daha fazlasını günlüğe kaydetmenize ve deneylerinizi estetik açıdan hoş bir web arayüzü aracılığıyla izlemenize olanak tanır. Comet, veri bilimcilerinin daha hızlı yineleme yapmasına yardımcı olur, şeffaflığı ve tekrarlanabilirliği artırır ve üretim modellerinin geliştirilmesine katkıda bulunur.

YOLO26 ve Comet'in Gücünden Yararlanma

Ultralytics YOLO26'yı Comet ile birleştirerek bir dizi avantaj elde edersiniz. Bunlar arasında basitleştirilmiş deney yönetimi, hızlı ayarlamalar için gerçek zamanlı içgörüler, esnek ve özelleştirilmiş günlük kaydı seçenekleri ve internet erişimi sınırlı olduğunda deneyleri çevrimdışı kaydetme yeteneği bulunur. Bu entegrasyon, veriye dayalı kararlar almanızı, performans metriklerini analiz etmenizi ve olağanüstü sonuçlar elde etmenizi sağlar.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Comet'i Yapılandırma

Gerekli paketleri yükledikten sonra, kaydolmanız, bir Comet API Anahtarı almanız ve yapılandırmanız gerekecektir.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Ardından, Comet projenizi başlatabilirsiniz. Comet, API anahtarını otomatik olarak algılayacak ve kuruluma devam edecektir.

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

Bir Google Colab not defteri kullanıyorsanız, yukarıdaki kod başlatma için API anahtarınızı girmenizi isteyecektir.

Kullanım

Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinizden emin olun. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.

from ultralytics import YOLO

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

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Eğitim kodunu çalıştırdıktan sonra, Comet, çalışmayı otomatik olarak izlemek için Comet çalışma alanınızda bir deney oluşturacaktır. Ardından, YOLO26 modelinizin eğitim sürecinin ayrıntılı günlük kaydını görüntülemek için bir bağlantı sağlanacaktır.

Comet, ek bir yapılandırmaya gerek kalmadan aşağıdaki verileri otomatik olarak kaydeder: mAP ve kayıp gibi metrikler, hiperparametreler, model kontrol noktaları, etkileşimli karışıklık matrisi ve görüntü sınırlayıcı kutu tahminleri.

Modelinizin Performansını Comet Görselleştirmeleriyle Anlama

YOLO26 modeliniz eğitime başladığında Comet kontrol panelinde neler göreceğinize bir göz atalım. Kontrol paneli, tüm eylemlerin gerçekleştiği yerdir ve görseller ile istatistikler aracılığıyla otomatik olarak kaydedilen bir dizi bilgiyi sunar. İşte hızlı bir tur:

Deney Panelleri

Comet kontrol panelinin deney panelleri bölümü, segment maske kaybı, sınıf kaybı, kesinlik ve ortalama kesinlik gibi farklı çalıştırmaları ve metriklerini düzenler ve sunar.

Metrikler

Metrikler bölümünde, burada gösterildiği gibi özel bir bölmede görüntülenen metrikleri tablo biçiminde de inceleme seçeneğiniz vardır.

İnteraktif Karışıklık Matrisi

Karışıklık matrisi, Karışıklık Matrisi sekmesinde bulunur ve modelin sınıflandırma doğruluğunu değerlendirmek için etkileşimli bir yol sağlar. Doğru ve yanlış tahminleri detaylandırarak modelin güçlü ve zayıf yönlerini anlamanıza olanak tanır.

Sistem Metrikleri

Comet, eğitim sürecindeki darboğazları belirlemeye yardımcı olmak için sistem metriklerini günlüğe kaydeder. GPU kullanımı, GPU bellek kullanımı, CPU kullanımı ve RAM kullanımı gibi metrikleri içerir. Bunlar, model eğitimi sırasında kaynak kullanımının verimliliğini izlemek için çok önemlidir.

Comet Günlüğe Kaydetmeyi Özelleştirme

Comet, ortam değişkenleri ayarlayarak günlüğe kaydetme davranışını özelleştirme esnekliği sunar. Bu yapılandırmalar, Comet'i özel ihtiyaçlarınıza ve tercihlerinize göre uyarlamanıza olanak tanır. İşte bazı faydalı özelleştirme seçenekleri:

Görüntü Tahminlerini Kaydetme

Deneyleriniz sırasında Comet'in günlüğe kaydettiği görüntü tahminlerinin sayısını kontrol edebilirsiniz. Varsayılan olarak, Comet doğrulama setinden 100 görüntü tahmini günlüğe kaydeder. Ancak, bu sayıyı gereksinimlerinize daha iyi uyacak şekilde değiştirebilirsiniz. Örneğin, 200 görüntü tahmini günlüğe kaydetmek için aşağıdaki kodu kullanın:

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

Yığın Günlüğü Aralığı

Comet, görüntü tahminlerinin toplu işlerinin ne sıklıkta günlüğe kaydedileceğini belirtmenize olanak tanır. COMET_EVAL_BATCH_LOGGING_INTERVAL ortam değişkeni bu sıklığı kontrol eder. Varsayılan ayar, her doğrulama grubundan tahminleri günlüğe kaydeden 1'dir. Bu değeri, tahminleri farklı bir aralıkta günlüğe kaydetmek için ayarlayabilirsiniz. Örneğin, 4'e ayarlamak, her dördüncü gruptan tahminleri günlüğe kaydeder.

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

Karışıklık Matrisi Günlüğünü Devre Dışı Bırakma

Bazı durumlarda, her birinden sonra doğrulama kümenizden elde edilen karmaşıklık matrisini günlüğe kaydetmek istemeyebilirsiniz. epokŞunu ayarlayarak bu özelliği devre dışı bırakabilirsiniz: COMET_EVAL_LOG_CONFUSION_MATRIX ortam değişkenini "false" olarak ayarlayın. Karışıklık matrisi yalnızca bir kez, eğitim tamamlandıktan sonra günlüğe kaydedilecektir.

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

Çevrimdışı Kayıt

İnternet erişiminin sınırlı olduğu bir durumda bulunursanız, Comet çevrimdışı günlüğe kaydetme seçeneği sunar. Şunu ayarlayabilirsiniz: COMET_MODE ortam değişkenini bu özelliği etkinleştirmek için "offline" olarak ayarlayabilirsiniz. Deney verileriniz, daha sonra internet bağlantısı mevcut olduğunda Comet'e yükleyebileceğiniz bir dizine yerel olarak kaydedilecektir.

import os

os.environ["COMET_MODE"] = "offline"

Özet

Bu kılavuz, Comet'i Ultralytics'in YOLO26'sı ile entegre etme sürecinde size yol gösterdi. Kurulumdan özelleştirmeye kadar, deney yönetimini kolaylaştırmayı, gerçek zamanlı içgörüler elde etmeyi ve günlük kaydını projenizin ihtiyaçlarına göre uyarlamayı öğrendiniz.

Comet'in resmi YOLOv8 entegrasyon belgelerini keşfedin; bu belgeler YOLO26 projeleri için de geçerlidir.

Ayrıca, YOLO26'nın pratik uygulamalarına, özellikle görüntü segmentasyon görevlerine daha derinlemesine dalmak istiyorsanız, YOLO26'yı Comet ile ince ayar yapma konulu bu ayrıntılı kılavuz, modelinizin performansını artırmak için değerli içgörüler ve adım adım talimatlar sunar.

Ek olarak, Ultralytics ile diğer heyecan verici entegrasyonları keşfetmek için, zengin kaynak ve bilgi sunan entegrasyon kılavuzu sayfasına göz atın.

SSS

Eğitim için Comet'i Ultralytics YOLO26 ile nasıl entegre ederim?

Comet'i Ultralytics YOLO26 ile entegre etmek için şu adımları izleyin:

1. Gerekli paketleri yükleyin:

   pip install ultralytics comet_ml torch torchvision
   

2. Comet API Anahtarınızı ayarlayın:

   export COMET_API_KEY=YOUR_API_KEY
   

3. Comet projenizi python kodunuzda başlatın:

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo26-coco128")
   

4. YOLO26 modelinizi eğitin ve metrikleri kaydedin:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo26-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

Daha ayrıntılı talimatlar için Comet yapılandırma bölümüne bakın.

YOLO26 ile Comet kullanmanın faydaları nelerdir?

Ultralytics YOLO26'yı Comet ile entegre ederek şunları yapabilirsiniz:

• Gerçek zamanlı içgörüleri izleyin: Eğitim sonuçlarınız hakkında anında geri bildirim alın ve hızlı ayarlamalar yapın.
• Kapsamlı metrikleri kaydetme: mAP, kayıp, hiperparametreler ve model kontrol noktaları gibi temel metrikleri otomatik olarak yakalayın.
• Deneyleri çevrimdışı izleyin: İnternet erişimi olmadığında eğitim çalıştırmalarınızı yerel olarak günlüğe kaydedin.
• Farklı eğitim çalışmalarını karşılaştırın: Etkileşimli Comet kontrol panelini kullanarak birden fazla deneyi analiz edin ve karşılaştırın.

Bu özelliklerden yararlanarak makine öğrenimi iş akışlarınızı daha iyi performans ve tekrarlanabilirlik için optimize edebilirsiniz. Daha fazla bilgi için Comet entegrasyon kılavuzunu ziyaret edin.

YOLO26 eğitimi sırasında Comet'in loglama davranışını nasıl özelleştirebilirim?

Comet, ortam değişkenlerini kullanarak günlükleme davranışının kapsamlı bir şekilde özelleştirilmesine olanak tanır:

• Kaydedilen görüntü tahminlerinin sayısını değiştirin:

  import os
  
  os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
  

• Toplu iş günlüğü aralığını ayarla:

  import os
  
  os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
  

• Karışıklık matrisi günlüğünü devre dışı bırak:

  import os
  
  os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
  

Daha fazla özelleştirme seçeneği için Comet Günlüğünü Özelleştirme bölümüne bakın.

Comet üzerinde YOLO26 eğitimimin ayrıntılı metriklerini ve görselleştirmelerini nasıl görüntüleyebilirim?

YOLO26 modeliniz eğitime başladığında, Comet kontrol panelinde geniş bir metrik ve görselleştirme yelpazesine erişebilirsiniz. Temel özellikler şunları içerir:

• Deney Panelleri: Segment maskesi kaybı, sınıf kaybı ve ortalama kesinlik dahil olmak üzere farklı çalıştırmaları ve metriklerini görüntüleyin.
• Metrikler: Ayrıntılı analiz için metrikleri tablo formatında inceleyin.
• Etkileşimli Karışıklık Matrisi: Etkileşimli bir karışıklık matrisi ile sınıflandırma doğruluğunu değerlendirin.
• Sistem Metrikleri: GPU ve CPU kullanımını, bellek kullanımını ve diğer sistem metriklerini izleyin.

Bu özelliklere ilişkin ayrıntılı bir genel bakış için Comet Görselleştirmeleriyle Modelinizin Performansını Anlama bölümünü ziyaret edin.

YOLO26 modellerini eğitirken Comet'i çevrimdışı loglama için kullanabilir miyim?

Evet, Comet'te çevrimdışı günlüklemeyi ayarlayarak etkinleştirebilirsiniz. COMET_MODE ortam değişkenini "offline" olarak ayarlayın:

import os

os.environ["COMET_MODE"] = "offline"

Bu özellik, deney verilerinizi yerel olarak kaydetmenize olanak tanır ve internet bağlantısı olduğunda daha sonra Comet'e yüklenebilir. Bu, sınırlı internet erişimi olan ortamlarda çalışırken özellikle kullanışlıdır. Daha fazla ayrıntı için Çevrimdışı Günlükleme bölümüne bakın.

📅 2 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar