Link to this sectionYOLO26 Eğitimini Yükselt: Comet ile Günlükleme Sürecini Basitleştir#

Parametreler, metrikler, görüntü tahminleri ve model kontrol noktaları gibi önemli eğitim detaylarını kaydetmek makine öğrenimi süreçlerinde vazgeçilmezdir; bu, projenin şeffaf kalmasını, ilerlemenin ölçülebilir olmasını ve sonuçların tekrarlanabilir olmasını sağlar.

Ultralytics YOLO26, Comet (eski adıyla Comet ML) ile sorunsuz bir şekilde entegre olur ve YOLO26 nesne algılama modelinin eğitim sürecinin her yönünü 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 kapsamlı bir şekilde belgelenmesini ve üstün sonuçlar için ince ayarının yapılmasını sağlayacağız.

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 kaydetmenize ve deneylerinizi estetik bir web arayüzü üzerinden izlemenize 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 avantajın kilidini açarsın. Bunlar arasında basitleştirilmiş deney yönetimi, hızlı ayarlamalar için gerçek zamanlı içgörüler, esnek ve özelleştirilmiş günlükleme seçenekleri ve internet erişimi kısıtlı olduğunda 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 yükledikten sonra kaydolman, bir Comet API Key alman ve bunu yapılandırman gerekir.

# 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")

Google Colab not defteri kullanıyorsan, yukarıdaki kod başlatma için 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, çalışmayı otomatik olarak takip etmek için Comet çalışma alanında bir deney oluşturacaktır. Daha sonra YOLO26 modelinin eğitim sürecinin ayrıntılı günlüklemesini görüntülemek için bir bağlantı sağlanacaktır.

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

Link to this sectionComet Görselleştirmeleri ile Model Performansını Anlama#

YOLO26 modelin eğitimine başladığında Comet panosunda neler göreceğine bir bakalım. Tüm aksiyonun gerçekleştiği pano, otomatik olarak kaydedilen çeşitli bilgileri görseller ve istatistikler aracılığıyla sunar. İşte kısa bir tur:

Deney Panelleri

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

Metrikler

Metrikler bölümünde, metrikleri burada gösterildiği gibi özel bir bölmede sunulan tablo formatında inceleme seçeneğin de vardır.

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 kaydeder. GPU kullanımı, GPU bellek kullanımı, CPU kullanımı ve RAM kullanımı gibi metrikleri içerir. Bunlar, model eğitimi sırasında kaynak kullanımının verimliliğini izlemek için gereklidir.

Link to this sectionComet Günlüklemesini Özelleştirme#

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

Link to this sectionGörüntü Tahminlerini Kaydetme#

Comet'in deneylerin sırasında kaydettiği görüntü tahmini sayısını kontrol edebilirsin. Comet varsayılan olarak doğrulama kümesinden 100 görüntü tahmini kaydeder. Ancak bu sayıyı ihtiyaçlarına daha uygun olacak şekilde değiştirebilirsin. Örneğin, 200 görüntü tahmini 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 için) COMET_EVAL_LOG_IMAGE_PREDICTIONS değerini "false" olarak ayarla:

import os

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

Link to this sectionGrup (Batch) Günlükleme Aralığı#

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

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 kümenizdeki karışıklık matrisini 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#

Varsayılan olarak Comet geri çağırma işlevi, YOLO project eğitim argümanını Comet'e iletir (veya argüman ayarlanmadığında None değerini 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 kaydedilen model yapısı için kaydettiği adı belirler (varsayılan Ultralytics'tir). Paylaşılan bir çalışma alanındaki model varyantlarını ayırt etmek için kullan:

import os

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

Link to this sectionGüven Skoru Ölçeklendirme#

Algılama güven skorları [0, 1] aralığında yayılır ancak Comet arayüzü varsayılan olarak bunları yüzde ölçeğinde görüntüler. Geri çağırma işlevi, günlüklemeden önce her skoru 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 YOLO26 ile entegre etme sürecinde sana rehberlik etti. Kurulumdan özelleştirmeye kadar deney yönetimini kolaylaştırmayı, gerçek zamanlı içgörüler kazanmayı ve günlüklemeyi projenin ihtiyaçlarına göre uyarlamayı öğrendin.

YOLO26 projeleri için de geçerli olan Comet'in resmi YOLOv8 entegrasyon belgelerine göz at.

Ayrıca, YOLO26'nın özellikle görüntü segmentasyonu görevleri için pratik uygulamalarına daha derinlemesine dalmak istiyorsan, Comet ile YOLO26'ya ince ayar yapma konulu bu ayrıntılı kılavuz, modelinin performansını artırmak için değerli içgörüler 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 yükle:

   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 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 bak.

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 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:

• 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"

• Kaydedilen model yapısı adını ayarla:

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

Görüntü tahmini geçişleri, güven skoru ölçeklendirmesi ve çevrimiçi/çevrimdışı mod dahil olmak üzere tam liste için Comet Günlüklemesini Özelleştirme bölümüne bak.

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

YOLO26 modelin eğitimine başladığında, Comet panosunda çok çeşitli metrik ve görselleştirmelere erişebilirsin. Temel özellikler şunlardır:

• Deney Panelleri: Segment maskesi kaybı, sınıf kaybı ve ortalama kesinlik dahil olmak üzere farklı çalışmaları ve metriklerini görüntüle.
• Metrikler: Ayrıntılı analiz için metrikleri tablo formatında incele.
• Etkileşimli Karışıklık Matrisi: Sınıflandırma doğruluğunu etkileşimli bir karışıklık matrisi ile değerlendir.
• Sistem Metrikleri: GPU ve CPU kullanımını, bellek kullanımını ve diğer sistem metriklerini izle.

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

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

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

import os

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

Deney verileri diskte saklanır ve bağlantı sağlandığında daha sonra comet upload CLI ile Comet'e yüklenebilir. Eski COMET_MODE="offline" değişkeni hala çalışır ancak bir uyarı verir. Daha fazla ayrıntı için Çevrimiçi ve Çevrimdışı Mod bölümüne bak.