DVCLive ile Gelişmiş YOLO26 Deney Takibi
Makine öğreniminde deney takibi, model geliştirme ve değerlendirme için kritik öneme sahiptir. Çok sayıda eğitim çalışmasından çeşitli parametreleri, ölçümleri ve sonuçları kaydetmeyi ve analiz etmeyi içerir. Bu süreç, model performansını anlamak ve modelleri iyileştirip optimize etmek için veriye dayalı kararlar almak açısından önemlidir.
DVCLive'ı Ultralytics YOLO26 ile entegre etmek, önemli deney ayrıntılarını otomatik olarak günlüğe kaydeder, çalışmaları karşılaştırır ve derinlemesine analiz için verileri görselleştirir. Bu kılavuzda entegrasyonu kurma ve kullanma adımları gösterilir.
DVCLive#
DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için kullanılan açık kaynaklı bir araçtır. Git ve DVC ile birlikte çalışarak model parametreleri ve eğitim ölçümleri gibi deney verilerinin günlüğe kaydedilmesini otomatikleştirir; veri görselleştirme ve analiz araçlarıyla birden fazla çalışmayı karşılaştırıp incelemeyi kolaylaştırır.
DVCLive ile YOLO26 Eğitimi#
YOLO26 eğitim oturumları DVCLive ile izlenebilir. DVC ayrıca bu deneyleri görselleştirme araçları da sunar; bunlar arasında izlenen tüm deneylerin ölçüm grafiklerini karşılaştıran bir rapor bulunur.
Kurulum#
Gerekli paketleri yüklemek için şunu çalıştır:
# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvcliveYükleme 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 DVCLive'ın kodunla birlikte deneyleri kaydedebilmesi için proje ortamını kur.
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#
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=640Modeli, 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 iyileştirir. DVCLive yüklendikten sonra geri çağırma işlevi varsayılan olarak etkinleşir. Eğitim argümanlarını, her dönem için kayıpları, doğrulama metriklerini ve öğrenme oranlarını, eğitim ve doğrulama çizimlerini, bir karışıklık matrisini ve model yapıtı olarak best.pt değerini günlüğe kaydeder. Entegrasyonu devre dışı bırakmak için yolo settings dvc=False komutunu çalıştır. Eğitim sırasında kullanılan belirli performans metriklerini kapsamlı biçimde anlamak için performans metriklerine ilişkin ayrıntılı kılavuzumuzu incelemeyi unutma.
Sonuçları Analiz Etme#
YOLO26 eğitim oturumların tamamlandıktan sonra sonuçları analiz etmek için DVCLive'ın görselleştirme araçlarını kullanabilirsin. Entegrasyon tüm eğitim ölçümlerini günlüğe kaydettiğinden modelinin performansını farklı çalışmalar arasında değerlendirebilirsin.
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 yürütülen farklı deneyleri net bir tablo görünümünde sunar. Her satır farklı bir eğitim çalıştırmasını temsil eder; deneyin adı, epoch sayısı, görüntü boyutu (imgsz), kullanılan belirli model ve mAP50-95(B) metriği gösterilir. Bu metrik, modelin doğruluğunu değerlendirmek için kritik önemdedir; daha 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) skorları arasındaki ilişkileri görsel olarak gösteren bir grafik oluşturur ve deney verilerindeki eğilimleri ve örüntüleri fark etmeni sağlar.
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 kurulumdan deney izleme, görselleştirme ve analize kadar entegre etmeyi ele aldık.
Kullanım hakkında daha fazla bilgi için DVCLive'ın resmi belgelerini ziyaret et.
Sık Sorulan Sorular#
DVCLive'ı Ultralytics YOLO26 ile entegre etmek oldukça kolaydır. Gerekli paketleri yükleyerek başla:
Kurulumpip install ultralytics dvcliveArdından bir Git deposu başlat ve projen için DVCLive'ı yapılandır:
İlk Ortam Kurulumugit init -q git config --local user.email "your-email" git config --local user.name "Your Name" dvc init -q git commit -m "DVC init"Ayrıntılı kurulum talimatları için YOLO26 Kurulum kılavuzumuzu izle.
DVCLive'ı YOLO26 ile kullanmak aşağıdakiler gibi çeşitli avantajlar sağlar:
- Otomatik Kayıt: DVCLive, model parametreleri ve metrikler gibi önemli deney ayrıntılarını otomatik olarak kaydeder.
- Kolay Karşılaştırma: Farklı çalıştırmaların sonuçlarını karşılaştırmayı kolaylaştırır.
- Görselleştirme Araçları: Derinlemesine analiz için DVCLive'ın veri görselleştirme özelliklerini kullanır.
Deney takibi verimliliğini en üst düzeye çıkarmak için YOLO26 Model Eğitimi ve YOLO Performans Metrikleri hakkındaki kılavuzlarımıza bak.
YOLO26 eğitim oturumlarını tamamladıktan sonra DVCLive, sonuçları etkili biçimde görselleştirip analiz etmene yardımcı olur. Deney verilerini yükleyip görüntülemek için örnek kod:
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)Sonuçları etkileşimli olarak görselleştirmek için Plotly'nin paralel koordinatlar grafiğini kullan:
from plotly.express import parallel_coordinates fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)") fig.show()Daha fazla örnek ve en iyi uygulama için DVCLive ile YOLO26 Eğitimi hakkındaki kılavuzumuza bak.
DVCLive ve YOLO26'nın sorunsuz entegrasyonu için ortamını yapılandırırken şu adımları izle:
- Gerekli Paketleri Yükle:
pip install ultralytics dvclivekullan. - Git Deposunu Başlat:
git init -qkomutunu çalıştır. - DVC'yi Başlat:
dvc init -qkomutunu çalıştır. - Git'e Kaydet:
git commit -m "DVC init"kullan.
Bu adımlar, deney takibi için doğru sürüm denetimi ve kurulum yapılmasını sağlar.
- Gerekli Paketleri Yükle:
DVCLive, YOLO26 deneylerinin sonuçlarını görselleştirmek için araçlar sunar. Karşılaştırmalı grafikler oluşturma adımları şöyle:
Karşılaştırmalı Grafikler Oluşturdvc plots diff $(dvc exp list --names-only)Bu grafikleri Jupyter Notebook'ta görüntülemek için şunu kullan:
from IPython.display import HTML # Grafikleri HTML olarak görüntüle HTML(filename="./dvc_plots/index.html")Bu görselleştirmeler eğilimleri belirlemeye ve model performansını optimize etmeye yardımcı olur.
Yorumlar5
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
UltralyticsAssistantUltralytics
👋 Hello, thank you for bringing this up and for your interest in Ultralytics 🚀!
We recommend starting with the Ultralytics Documentation, where you can explore various features, including helpful integrations like DVC, to improve your ML workflows. The linked Chinese documentation will also be very helpful: 多功能集成:DVCLive!
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us further investigate the issue.
If this is a custom training ❓ Question, include as much detail as possible, such as your use case, dataset details, any training logs, and ensure you're leveraging the relevant model training tips to get the best results.
Here are a few recommendations to ensure you're up to date and ready to experiment with integrations like DVCLive:
Upgrade
Make sure you're using the latest version of the
ultralyticspackage by upgrading in your setup:pip install -U ultralyticsThe latest version ensures compatibility with integrations like DVCLive and other features.
Supported Environments
You can work seamlessly with YOLO and its integrations in the following environments:
- Notebooks with free GPU:
- Cloud Platforms like Google Cloud, AWS, or with a Docker setup
.
For real-time assistance, join the Ultralytics Discord 🎧, or for longer discussions, participate in our Discourse. You can also connect with others in our Subreddit for knowledge sharing.
An Ultralytics engineer will review your post soon and assist further. Thanks again for contributing to the Ultralytics community! ✨
liggr
Command line input command ”dvc plots diff $(dvc exp list --names-only)“,prompt ”No plots were loaded, visualization file will not be created.“, do I need to do any configuration?
Glenn JocherUltralytics@liggr to resolve the "No plots were loaded" message, ensure you've completed at least two YOLO training experiments with DVCLive logging enabled. The DVC integration requires tracked experiments to compare. Verify your experiments exist with
dvc exp list --names-onlyafter training. For setup details, refer to the DVCLive integration guide.
- Notebooks with free GPU:
liggr
Can this DVC be integrated with the YOLOV8 model?
Glenn JocherUltralyticsYes, DVC can be integrated with YOLOv8 for experiment tracking. The process is similar to the YOLO11 integration shown in our documentation. For YOLOv8-specific implementation details, see our guide at https://docs.ultralytics.com/integrations/dvc/ which applies to all YOLO versions.