Link to this sectionYOLO26 Eğitimini Yükseltin: Günlükleme Sürecinizi Comet ile Basitleştirin#

Parametreler, metrikler, görüntü tahminleri ve model kontrol noktaları gibi temel eğitim detaylarını günlüğe kaydetmek makine öğrenimi süreçlerinde şarttır; bu sayede projenizi şeffaf, ilerlemenizi ölçülebilir ve sonuçlarınızı tekrarlanabilir kılarsın.

Ultralytics YOLO26, Comet (eski adıyla Comet ML) ile sorunsuz bir şekilde entegre olur ve YOLO26 nesne algılama modeli eğitim sürecinin her aşamasını verimli bir şekilde yakalayıp optimize eder. Bu kılavuzda, kurulum sürecini, Comet yapılandırmasını, gerçek zamanlı içgörüleri, özel günlüklemeyi ve çevrimdışı kullanımı ele alacağız; böylece YOLO26 eğitiminin eksiksiz belgelendiğinden ve üstün sonuçlar için ince ayar yapıldığından emin olacağız.

Link to this sectionComet#

Comet, makine öğrenimi modellerini ve deneylerini takip etmek, karşılaştırmak, açıklamak ve optimize etmek için kullanılan bir platformdur. Model eğitimi sırasında metrikleri, parametreleri, medyayı ve daha fazlasını günlüğe kaydetmene ve deneylerini estetik bir web arayüzü üzerinden izlemene olanak tanır. Comet, veri bilimcilerin daha hızlı yineleme yapmalarına, şeffaflığı ve tekrarlanabilirliği artırmalarına ve üretim modelleri geliştirmelerine yardımcı olur.

Link to this sectionYOLO26 ve Comet'in Gücünden Yararlanma#

Ultralytics YOLO26'yı Comet ile birleştirerek bir dizi avantaj elde edersin. Bunlar arasında basitleştirilmiş deney yönetimi, hızlı ayarlamalar için gerçek zamanlı içgörüler, esnek ve özelleştirilmiş günlükleme seçenekleri ve internet erişimi kısıtlıyken deneyleri çevrimdışı kaydetme yeteneği yer alır. Bu entegrasyon, veriye dayalı kararlar vermeni, performans metriklerini analiz etmeni ve olağanüstü sonuçlar elde etmeni sağlar.

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

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

Link to this sectionComet'i Yapılandırma#

Gerekli paketleri kurduktan sonra kaydolman, bir Comet API Key alman ve bunu yapılandırman gerekecek.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

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

import comet_ml

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

Eğer Google Colab not defteri kullanıyorsan, yukarıdaki kod başlatma için senden API anahtarını girmeni isteyecektir.

Link to this sectionKullanım#

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene 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, çalışmanı otomatik olarak izlemek için Comet çalışma alanında bir deney oluşturacaktır. Daha sonra YOLO26 modelinin eğitim sürecinin ayrıntılı günlüklemesini görüntülemen için sana bir bağlantı sağlanacaktır.

Comet, ek yapılandırma gerektirmeden şu verileri otomatik olarak günlüğe kaydeder: mAP ve kayıp gibi metrikler, hiperparametreler, model kontrol noktaları, etkileşimli karışıklık matrisi ve görüntü sınırlayıcı kutu tahminleri.

Link to this sectionComet Görselleştirmeleri ile Modelinin Performansını Anlama#

YOLO26 modelin eğitimine başladığında Comet panosunda neler göreceğine bir göz atalım. Pano, otomatik olarak kaydedilen çeşitli bilgileri görseller ve istatistiklerle sunarak tüm aksiyonun gerçekleştiği yerdir. İşte kısa bir tur:

Deney Panelleri

Comet panosunun deney panelleri bölümü, farklı çalışmaları ve bunların segment maskesi kaybı, sınıf kaybı, kesinlik ve ortalama hassasiyet gibi metriklerini düzenler ve sunar.

Metrikler

Metrikler bölümünde, burada gösterildiği gibi özel bir bölmede görüntülenen metrikleri tablo formatında inceleme seçeneğine de sahipsin.

Etkileşimli Karışıklık Matrisi

Karışıklık Matrisi sekmesinde bulunan karışıklık matrisi, modelin sınıflandırma doğruluğunu değerlendirmek için etkileşimli bir yol sunar. Doğru ve yanlış tahminleri detaylandırarak modelin güçlü ve zayıf yönlerini anlamanı sağlar.

Sistem Metrikleri

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

Link to this sectionComet Günlüklemesini Özelleştirme#

Comet, ortam değişkenlerini ayarlayarak günlükleme davranışını özelleştirme esnekliği sunar. Bu yapılandırmalar, Comet'i özel ihtiyaçlarına ve tercihlerine göre uyarlamana olanak tanır. Ultralytics geri çağırma işlevi, aşağıdaki ortam değişkenlerini okur (bunları eğitim başlamadan önce ayarla):

Link to this sectionGörüntü Tahminlerini Günlüğe Kaydetme#

Comet'in deneylerin sırasında kaydettiği görüntü tahmini sayısını kontrol edebilirsin. Comet varsayılan olarak doğrulama kümesinden 100 görüntü tahminini günlüğe kaydeder. Ancak, bu sayıyı gereksinimlerine daha uygun olacak şekilde değiştirebilirsin. Örneğin, 200 görüntü tahminini günlüğe kaydetmek için şu kodu kullan:

import os

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

Görüntü tahmini günlüklemesini tamamen devre dışı bırakmak için (örneğin, yavaş bağlantılarda yükleme hacmini azaltmak amacıyla), COMET_EVAL_LOG_IMAGE_PREDICTIONS değişkenini "false" olarak ayarla:

import os

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

Link to this sectionGrup Günlükleme Aralığı#

Comet, görüntü tahmini gruplarının ne sıklıkla günlüğe kaydedileceğini belirtmene olanak tanır. COMET_EVAL_BATCH_LOGGING_INTERVAL ortam değişkeni bu sıklığı kontrol eder. Varsayılan ayar 1'dir ve bu, her doğrulama grubundan tahminleri günlüğe kaydeder. Bu değeri farklı bir aralıkta günlükleme yapmak için ayarlayabilirsin. Örneğin, 4 olarak ayarlamak, her dördüncü gruptan tahminleri günlüğe kaydedecektir.

import os

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

Link to this sectionKarışıklık Matrisi Günlüklemesini Devre Dışı Bırakma#

Bazı durumlarda, her dönemden sonra doğrulama kümen için karışıklık matrisini günlüğe kaydetmek istemeyebilirsin. COMET_EVAL_LOG_CONFUSION_MATRIX ortam değişkenini "false" olarak ayarlayarak bu özelliği devre dışı bırakabilirsin. Karışıklık matrisi yalnızca eğitim tamamlandıktan sonra bir kez kaydedilecektir.

import os

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

Link to this sectionÇevrimiçi ve Çevrimdışı Mod#

Comet varsayılan olarak çevrimiçi modda çalışır ve deney verilerini Comet sunucularına aktarır. İnternet erişimi olmadan eğitim yapman gerekiyorsa, eğitim başlamadan önce COMET_START_ONLINE=0 ayarını yap. Deney verileri yerel olarak kaydedilir ve daha sonra comet upload CLI ile yüklenebilir.

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Link to this sectionProje Adı#

Comet geri çağırma işlevi, varsayılan olarak YOLO project eğitim argümanını Comet'e iletir (veya argüman ayarlanmadığında None iletir; bu durumda Comet çalışma alanı varsayılanını kullanır). Tüm deneyleri YOLO eğitim argümanından bağımsız olarak belirli bir Comet çalışma alanı projesine göndermek için bunu COMET_PROJECT_NAME ile geçersiz kıl:

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Link to this sectionModel Yapısı Adı#

COMET_MODEL_NAME, Comet'in günlüğe kaydedilen model yapısı için kaydettiği adı belirler (varsayılan Ultralytics'tir). Paylaşılan bir çalışma alanındaki model varyantlarını ayırt etmek için bunu kullan:

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Link to this sectionGüven Puanı Ölçeklendirme#

Algılama güven puanları [0, 1] aralığında yayılır, ancak Comet arayüzü varsayılan olarak bunları yüzde ölçeğinde görüntüler. Geri çağırma işlevi, günlüğe kaydetmeden önce her puanı COMET_MAX_CONFIDENCE_SCORE (varsayılan 100.0) ile çarpar. Ham olasılıkları veya farklı bir ölçeği tercih ediyorsan bunu ayarla:

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Link to this sectionÖzet#

Bu kılavuz, Comet'i Ultralytics'in YOLO26'sı ile entegre etme sürecinde sana yol gösterdi. Kurulumdan özelleştirmeye kadar, deney yönetimini kolaylaştırmayı, gerçek zamanlı içgörüler elde etmeyi ve günlüklemeyi projenin ihtiyaçlarına göre uyarlamayı öğrendin.

Ayrıca YOLO26 projeleri için de geçerli olan Comet'in resmi YOLOv8 entegrasyon belgelerini keşfet.

Dahası, özellikle görüntü segmentasyonu görevleri için YOLO26'nın pratik uygulamalarına daha derinlemesine dalmak istiyorsan, YOLO26'ya Comet ile ince ayar yapma hakkındaki bu ayrıntılı kılavuz, modelinin performansını artırman için değerli bilgiler ve adım adım talimatlar sunar.

Ek olarak, Ultralytics ile diğer heyecan verici entegrasyonları keşfetmek için zengin kaynaklar ve bilgiler sunan entegrasyon kılavuzu sayfasına göz at.

Link to this sectionSSS#

Link to this sectionComet'i eğitim için Ultralytics YOLO26 ile nasıl entegre ederim?#

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

1. Gerekli paketleri kur:

   pip install ultralytics comet_ml torch torchvision

2. Comet API Anahtarını ayarla:

   export COMET_API_KEY=YOUR_API_KEY

3. Python kodunda Comet projenizi başlat:

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

4. YOLO26 modelini eğit ve metrikleri günlüğe kaydet:

   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 başvur.

Link to this sectionComet'i YOLO26 ile kullanmanın faydaları nelerdir?#

Ultralytics YOLO26'yı Comet ile entegre ederek şunları yapabilirsin:

• Gerçek zamanlı içgörüleri izle: Eğitim sonuçların hakkında anında geri bildirim alarak hızlı ayarlamalar yapabilirsin.
• Kapsamlı metrikleri günlüğe kaydet: mAP, kayıp, hiperparametreler ve model kontrol noktaları gibi temel metrikleri otomatik olarak yakalayabilirsin.
• Deneyleri çevrimdışı takip et: İnternet erişimi olmadığında eğitim çalışmalarını yerel olarak kaydedebilirsin.
• Farklı eğitim çalışmalarını karşılaştır: Birden fazla deneyi analiz etmek ve karşılaştırmak için etkileşimli Comet panosunu kullanabilirsin.

Bu özelliklerden yararlanarak, makine öğrenimi iş akışlarını daha iyi performans ve tekrarlanabilirlik için optimize edebilirsin. Daha fazla bilgi için Comet entegrasyon kılavuzunu ziyaret et.

Link to this sectionYOLO26 eğitimi sırasında Comet'in günlükleme davranışını nasıl özelleştirebilirim?#

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

• Günlüğe kaydedilen görüntü tahmini sayısını değiştir:

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

• Grup günlükleme aralığını ayarla:

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

• Karışıklık matrisi günlüklemesini devre dışı bırak:

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

• Comet proje adını ayarla:

  import os
  
  os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

• Günlüğe kaydedilen model yapıtı adını ayarla:

  import os
  
  os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Görüntü tahmin geçişleri, güven puanı ölçeklendirme ve çevrimiçi/çevrimdışı mod dahil olmak üzere tam liste için Comet Günlüğünü Özelleştirme bölümüne bak.

Link to this sectionYOLO26 eğitimimin ayrıntılı metriklerini ve görselleştirmelerini Comet üzerinde nasıl görüntüleyebilirim?#

YOLO26 modelin eğitime başladığında, Comet panosu üzerinde çok çeşitli metrik ve görselleştirmelere erişebilirsin. Temel özellikler şunlardır:

• Deney Panelleri: Segment maske kaybı, sınıf kaybı ve ortalama hassasiyet dahil olmak üzere farklı çalıştırmaları ve bunların metriklerini görüntüle.
• Metrikler: Ayrıntılı analiz için metrikleri tablo biçiminde incele.
• Etkileşimli Karmaşıklık Matrisi: Sınıflandırma doğruluğunu etkileşimli bir karmaşıklık matrisi ile değerlendir.
• Sistem Metrikleri: GPU ve CPU kullanımı, bellek kullanımı ve diğer sistem metriklerini izle.

Bu özelliklere dair ayrıntılı bir genel bakış için Comet Görselleştirmeleri ile Modelinin Performansını Anlama bölümünü ziyaret et.

Link to this sectionYOLO26 modellerini eğitirken çevrimdışı günlük kaydı için Comet kullanabilir miyim?#

Evet. Yerel olarak günlüğe kaydetmek için eğitim başlamadan önce COMET_START_ONLINE=0 ayarını yap:

import os

os.environ["COMET_START_ONLINE"] = "0"

Deney verileri diske kaydedilir ve bağlantı sağlandığında comet upload CLI ile daha sonra Comet'e yüklenebilir. Daha önceki COMET_MODE="offline" değişkeni hala çalışır ancak kullanım dışı bırakma uyarısı verir. Daha fazla ayrıntı için Çevrimiçi ve Çevrimdışı Mod bölümüne bak.