YOLO26 Eğitimini Yükselt: Comet ile Günlükleme Sürecini Basitleştir#

Parametreler, metrikler, görüntü tahminleri ve model denetim noktaları gibi temel eğitim detaylarını kaydetmek machine learning projelerinde hayati önem taşır; projenin şeffaf kalmasını, ilerlemenin ölçülebilir olmasını ve sonuçların tekrarlanabilir olmasını sağlar.

Ultralytics YOLO26, Comet (eski adıyla Comet ML) ile sorunsuz bir şekilde bütünleşerek YOLO26 object detection modelinin eğitim sürecinin her yönünü verimli bir şekilde yakalar ve optimize eder. Bu kılavuzda, kurulum sürecini, Comet yapılandırmasını, gerçek zamanlı içgörüleri, özel günlüğe kaydetmeyi ve çevrimdışı kullanımı ele alarak YOLO26 eğitiminin eksiksiz bir şekilde belgelenmesini ve olağanüstü sonuçlar için ince ayar yapılmasını sağlıyoruz.

Comet#

Comet, makine öğrenimi modellerini ve deneylerini izlemek, karşılaştırmak, açıklamak ve optimize etmek için kullanılan bir platformdur. Model eğitimi sırasında metrikleri, parametreleri, medyaları ve daha fazlasını kaydetmenize ve deneylerinizi estetik açıdan hoş bir web arayüzü üzerinden izlemenize olanak tanır. Comet, veri bilimcilerin daha hızlı yineleme yapmasına yardımcı olur, şeffaflığı ve tekrarlanabilirliği artırır ve üretim modellerinin geliştirilmesini destekler.

YOLO26 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.

Kurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install YOLO26 and Comet
pip install ultralytics comet_ml

Comet'i Yapılandırma#

Gerekli paketleri yükledikten sonra kaydolman, bir Comet API Key almanız ve bunu yapılandırmanız gerekir.

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

Ardından, Comet ile kimlik doğrulaması yap. Ultralytics geri çağırma işlevi deneyi oluşturur ve Comet proje adı olarak YOLO project eğitim argümanını kullanır.

import comet_ml

comet_ml.login()

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

Kullanım#

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinden emin ol. 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, çalıştırma işlemini otomatik olarak izlemek için Comet çalışma alanınızda bir deney oluşturacaktır. Ardından, YOLO26 model's training sürecinin ayrıntılı günlük kaydını görüntülemeniz için bir bağlantı sağlanacaktır.

Comet, ek bir yapılandırma gerektirmeden şu verileri otomatik olarak kaydeder: mAP ve kayıp gibi metrikler, hiperparametreler, model denetim noktaları, interaktif karışıklık matrisi ve görüntü bounding box tahminleri.

Comet 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 çalıştırmaları ve segment maskesi kaybı, sınıf kaybı, hassasiyet ve mean average precision gibi metriklerini düzenler ve sunar.

Metrikler

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

Interaktif Confusion Matrix

Karışıklık matrisi sekmesinde bulunan karışıklık matrisi, modelin sınıflandırma accuracy değerini değerlendirmek için interaktif bir yol sunar. Doğru ve yanlış tahminleri ayrıntılı olarak vererek modelin güçlü ve zayıf yönlerini anlamanıza olanak tanır.

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.

Comet 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):

Boole geçişleri (COMET_EVAL_LOG_IMAGE_PREDICTIONS ve COMET_EVAL_LOG_CONFUSION_MATRIX) için 1, true, yes, on, y ve t değerleri True olarak ayrıştırılır (büyük/küçük harf duyarsızdır). Diğer tüm değerler False değerindedir.

Görüntü 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 günlüğünü tamamen devre dışı bırakmak için (örneğin yavaş bağlantılarda yükleme hacmini azaltmak amacıyla) COMET_EVAL_LOG_IMAGE_PREDICTIONS değerini "false" olarak ayarlayın:

import os

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

Grup (Batch) Günlükleme Aralığı#

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

import os

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

Karışıklık Matrisi Günlüklemesini Devre Dışı Bırakma#

Bazı durumlarda, her epoch sonrasında doğrulama setinizden karışıklık matrisini kaydetmek istemeyebilirsiniz. COMET_EVAL_LOG_CONFUSION_MATRIX çevre değişkenini "false" olarak ayarlayarak bu özelliği devre dışı bırakabilirsiniz. Karışıklık matrisi yalnızca eğitim tamamlandıktan sonra bir kez günlüğe kaydedilecektir.

import os

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

Çevrimiçi ve Çevrimdışı Mod#

Varsayılan olarak Comet çevrimiçi modda çalışır ve deney verilerini Comet sunucularına akış olarak aktarır. İnternet erişimi olmadan eğitim gerçekleştirmeniz gerekiyorsa, eğitim başlamadan önce COMET_START_ONLINE=0 değerini ayarlayın. 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

Proje Adı#

Varsayılan olarak Comet geri çağırma işlevi, YOLO project eğitim argümanını Comet'e iletir (veya argüman ayarlanmadığında None iletir, bu durumda Comet çalışma alanı varsayılanınızı kullanır). YOLO eğitim argümanından bağımsız olarak tüm deneyleri belirli bir Comet çalışma alanı projektine göndermek için bunu COMET_PROJECT_NAME ile geçersiz kılın:

import os

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

Model Yapısı Adı#

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

import os

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

Güven Skoru Ölçeklendirme#

Algılama güven puanları [0, 1] aralığında yayılır, ancak Comet kullanıcı arayüzü bunları varsayılan olarak bir yüzdelik ölçekte 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 ediyorsanız bunu ayarlayın:

import os

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

Özet#

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's official YOLOv8 integration documentation inceleyin.

Ayrıca, YOLO26'nın pratik uygulamalarına, özellikle de image segmentation görevlerine daha derinlemesine dalmak istiyorsanız, fine-tuning YOLO26 with Comet hakkındaki bu ayrıntılı kılavuz, modelinizin performansını artırmak için değerli içgörüler ve adım adım talimatlar sunar.

Ek olarak, Ultralytics ile diğer heyecan verici entegrasyonları keşfetmek için bol kaynak ve bilgi sunan integration guide page göz atın.

SSS#