DVCLive ile Gelişmiş YOLO26 Deney Takibi#

Makine öğreniminde deney takibi, model geliştirme ve değerlendirme açısından kritik öneme sahiptir. Çok sayıda eğitim çalışmasının çeşitli parametrelerini, metriklerini ve sonuçlarını kaydetmeyi ve analiz etmeyi kapsar. Bu süreç, model performansını anlamak ve modelleri geliştirmek ve optimize etmek için veriye dayalı kararlar almak açısından gereklidir.

DVCLive'ı Ultralytics YOLO26 ile entegre etmek, deneylerin takip ve yönetim şeklini dönüştürür. Bu entegrasyon; temel deney ayrıntılarını otomatik olarak kaydetmek, farklı çalışmaların sonuçlarını karşılaştırmak ve derinlemesine analiz için verileri görselleştirmek üzere sorunsuz bir çözüm sunar. Bu kılavuzda, DVCLive'ın süreci kolaylaştırmak için nasıl kullanılabileceğini öğreneceğiz.

DVCLive#

DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için yenilikçi bir açık kaynaklı araçtır. Git ve DVC ile sorunsuz biçimde entegre olarak model parametreleri ve eğitim metrikleri gibi kritik deney verilerinin kaydını otomatikleştirir. Basit kullanım için tasarlanan DVCLive, birden fazla çalışmanın kolayca karşılaştırılıp analiz edilmesini sağlar; sezgisel veri görselleştirme ve analiz araçlarıyla makine öğrenimi projelerinin verimliliğini artırır.

DVCLive ile YOLO26 Eğitimi#

YOLO26 eğitim oturumları DVCLive ile etkili biçimde izlenebilir. Ayrıca DVC, tüm takip edilen deneylerdeki metrik grafiklerini karşılaştırmaya olanak tanıyan bir rapor oluşturma da dahil olmak üzere, bu deneyleri görselleştirmek için temel özellikler sunar ve eğitim sürecine kapsamlı bir bakış sağlar.

Kurulum#

Gerekli paketleri yüklemek için şunu çalıştır:

# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclive

Yükleme sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

DVCLive'ı Yapılandırma#

Gerekli paketleri yükledikten sonra sonraki adım, ortamını gerekli kimlik bilgileriyle kurup yapılandırmaktır. Bu kurulum, DVCLive'ın mevcut iş akışına sorunsuz biçimde entegre olmasını sağlar.

Git, hem kodun hem de DVCLive yapılandırmalarının sürüm denetiminde önemli bir rol oynadığından, önce bir Git deposu başlatarak işe başla.

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "your-email"
git config --local user.name "Your Name"

# Initialize DVC in your project
dvc init -q

# Commit the DVC setup to your Git repository
git commit -m "DVC init"

Bu komutlarda your-email yerine Git hesabınla ilişkili e-posta adresini, "Your Name" yerine Git hesabı kullanıcı adını yaz.

Kullanım#

Kullanım yönergelerine geçmeden önce Ultralytics'in sunduğu YOLO26 model çeşitlerine göz at. Bu, proje gereksinimlerine en uygun modeli seçmene yardımcı olur.

DVCLive ile YOLO26 Modellerini Eğitme#

YOLO26 eğitim oturumlarını çalıştırarak başla. Projenin gereksinimlerine göre farklı model yapılandırmaları ve eğitim parametreleri kullanabilirsin. Örneğin:

# Example training commands for YOLO26 with varying configurations
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=640

Modeli, veriyi, epoch sayısını ve imgsz parametrelerini özel gereksinimlerine göre ayarla. Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi kılavuzumuza başvur.

DVCLive ile Deneyleri İzleme#

DVCLive, temel metriklerin izlenmesini ve görselleştirilmesini sağlayarak eğitim sürecini geliştirir. Yüklendiğinde Ultralytics YOLO26, deney takibi için DVCLive ile otomatik olarak entegre olur; performansa ilişkin içgörüler elde etmek için bu verileri daha sonra analiz edebilirsin. Eğitim sırasında kullanılan belirli performans metriklerini kapsamlı biçimde anlamak için performans metrikleri hakkındaki ayrıntılı kılavuzumuzu incelemeyi unutma.

Sonuçları Analiz Etme#

YOLO26 eğitim oturumların tamamlandıktan sonra sonuçları ayrıntılı biçimde analiz etmek için DVCLive'ın güçlü görselleştirme araçlarından yararlanabilirsin. DVCLive entegrasyonu, tüm eğitim metriklerinin sistematik olarak kaydedilmesini sağlayarak model performansının kapsamlı biçimde değerlendirilmesini kolaylaştırır.

Analize başlamak için DVC'nin API'sini kullanarak deney verilerini alabilir, ardından daha kolay işleme ve görselleştirme için Pandas ile işleyebilirsin:

import dvc.api
import pandas as pd

# İlgilenilen sütunları tanımla
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Deney verilerini al
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Verileri temizle
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# DataFrame'i görüntüle
print(df)

Yukarıdaki kod parçacığının çıktısı, YOLO26 modelleriyle gerçekleştirilen farklı deneylerin anlaşılır, tablo biçiminde bir görünümünü sunar. Her satır farklı bir eğitim çalıştırmasını temsil eder ve deneyin adını, epoch sayısını, görüntü boyutunu (imgsz), kullanılan modeli ve mAP50-95(B) metriğini ayrıntılarıyla gösterir. Bu metrik, modelin doğruluğunu değerlendirmek için önemlidir; yüksek değerler daha iyi performansa işaret eder.

Plotly ile Sonuçları Görselleştirme#

Deney sonuçlarını daha etkileşimli ve görsel bir biçimde analiz etmek için Plotly'nin paralel koordinatlar grafiğini kullanabilirsin. Bu grafik türü, farklı parametreler ve metrikler arasındaki ilişkileri ve ödünleşimleri anlamak için özellikle yararlıdır.

from plotly.express import parallel_coordinates

# Paralel koordinatlar grafiği oluştur
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Grafiği görüntüle
fig.show()

Yukarıdaki kod parçacığının çıktısı; epoch sayısı, görüntü boyutu, model türü ve bunlara karşılık gelen mAP50-95(B) puanları arasındaki ilişkileri görsel olarak gösteren bir grafik oluşturur. Böylece deney verilerindeki eğilimleri ve örüntüleri fark edebilirsin.

DVC ile Karşılaştırmalı Görselleştirmeler Oluşturma#

DVC, deneylerin için karşılaştırmalı grafikler oluşturmanı sağlayan kullanışlı bir komut sunar. Bu komut, farklı modellerin çeşitli eğitim çalıştırmalarındaki performansını karşılaştırırken özellikle yardımcı olabilir.

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

Bu komutu çalıştırdıktan sonra DVC, farklı deneylerdeki metrikleri karşılaştıran grafikleri HTML dosyaları olarak oluşturur. Aşağıda, bu işlemle oluşturulan tipik grafikleri gösteren örnek bir görsel yer alıyor. Görselde mAP, duyarlılık, kesinlik, kayıp değerleri ve daha fazlasını gösteren çeşitli grafikler bulunur; bu grafikler temel performans metriklerine görsel bir genel bakış sunar:

DVC Grafiklerini Görüntüleme#

Jupyter Notebook kullanıyorsan ve oluşturulan DVC grafiklerini görüntülemek istiyorsan IPython'ın görüntüleme işlevini kullanabilirsin.

from IPython.display import HTML

# DVC grafiklerini HTML olarak görüntüle
HTML(filename="./dvc_plots/index.html")

Bu kod, DVC grafiklerini içeren HTML dosyasını doğrudan Jupyter Notebook'unda görüntüler ve görselleştirilmiş deney verilerini analiz etmeni kolaylaştırır.

Veriye Dayalı Kararlar Alma#

Modelinin performansını artırmak için model optimizasyonları, hiperparametre ayarı ve diğer değişiklikler hakkında bilinçli kararlar almak üzere bu görselleştirmelerden elde ettiğin içgörüleri kullan.

Deneyleri Yineleme#

Analizine göre deneylerini yinele. Model yapılandırmalarını, eğitim parametrelerini ve hatta veri girdilerini ayarla; ardından eğitim ve analiz sürecini tekrarla. Bu yinelemeli yaklaşım, modelini olabilecek en iyi performansa ulaşacak şekilde iyileştirmenin temelidir.

Özet#

Bu kılavuzda, DVCLive'ı Ultralytics YOLO26 ile entegre etme sürecini adım adım ele aldık. Makine öğrenimi çalışmalarında ayrıntılı deney takibi, etkili görselleştirme ve anlamlı analiz için DVCLive'ın gücünden nasıl yararlanacağını öğrendin.

Kullanım hakkında daha fazla bilgi için DVCLive'ın resmi belgelerini ziyaret et.

Ayrıca, harika kaynaklar ve içgörüler içeren Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in diğer entegrasyonlarını ve özelliklerini keşfet.

Sık Sorulan Sorular#