Link to this sectionDVCLive ile Gelişmiş YOLO26 Deney Takibi#

Makine öğrenimi süreçlerinde deney takibi, model geliştirme ve değerlendirme için kritiktir. Bu süreç, çok sayıda eğitim çalışmasından elde edilen çeşitli parametrelerin, metriklerin ve sonuçların kaydedilmesini ve analiz edilmesini içerir. Bu, model performansını anlamak ve modelleri iyileştirip optimize etmek adına veriye dayalı kararlar almak için gereklidir.

DVCLive'ı Ultralytics YOLO26 ile entegre etmek, deneylerin takip edilme ve yönetilme şeklini dönüştürür. Bu entegrasyon; temel deney detaylarını otomatik olarak günlüğe kaydetmek, farklı çalışmalar arasındaki sonuçları karşılaştırmak ve derinlemesine analiz için verileri görselleştirmek adına sorunsuz bir çözüm sunar. Bu kılavuzda, sürecinizi kolaylaştırmak için DVCLive'ın nasıl kullanılabileceğini öğreneceğiz.

Link to this sectionDVCLive#

DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için yenilikçi ve açık kaynaklı bir araçtır. Git ve DVC ile sorunsuz bir şekilde entegre olarak; model parametreleri ve eğitim metrikleri gibi kritik deney verilerinin kaydını otomatikleştirir. Basitlik odaklı tasarlanan DVCLive, birden fazla çalışmanın zahmetsizce karşılaştırılmasını ve analiz edilmesini sağlayarak, sezgisel veri görselleştirme ve analiz araçlarıyla makine öğrenimi projelerinin verimliliğini artırır.

Link to this sectionDVCLive ile YOLO26 Eğitimi#

YOLO26 eğitim oturumları, DVCLive ile etkili bir şekilde izlenebilir. Ayrıca DVC, eğitim sürecinin kapsamlı bir görünümünü sunan ve takip edilen tüm deneyler genelinde metrik grafiklerinin karşılaştırılmasına olanak tanıyan rapor oluşturma dahil olmak üzere, bu deneyleri görselleştirmek için bütünleşik özellikler sağlar.

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

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

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum rehberimize göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar rehberimize başvur.

Link to this sectionDVCLive Yapılandırması#

Gerekli paketleri yükledikten sonraki adım, ortamını gereken kimlik bilgileriyle kurmak ve yapılandırmaktır. Bu kurulum, DVCLive'ın mevcut iş akışına sorunsuz bir şekilde entegre olmasını sağlar.

Bir Git deposu başlatarak işe başla; zira Git, hem kodun hem de DVCLive yapılandırmaların için sürüm kontrolünde çok önemli bir rol oynar.

# 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 DVCLive in your project
dvc init -q

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

Bu komutlarda your-email kısmını Git hesabınla ilişkili e-posta adresiyle, "Your Name" kısmını ise Git hesabı kullanıcı adınla değiştirdiğinden emin ol.

Link to this sectionKullanım#

Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesine göz attığından emin ol. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olacaktır.

Link to this sectionDVCLive ile YOLO26 Modellerini Eğitme#

YOLO26 eğitim oturumlarını çalıştırarak başla. Proje ihtiyaçlarına 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

Model, veri, epochs ve imgsz parametrelerini özel gereksinimlerine göre ayarla. Model eğitimi süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi kılavuzumuza başvur.

Link to this sectionDVCLive ile Deneyleri İzleme#

DVCLive, temel metriklerin takip edilmesini ve görselleştirilmesini sağlayarak eğitim sürecini geliştirir. Yüklendiğinde Ultralytics YOLO26, deney takibi için DVCLive ile otomatik olarak entegre olur; böylece performans içgörüleri için analiz yapabilirsin. Eğitim sırasında kullanılan özel performans metriklerini kapsamlı bir şekilde anlamak için performans metrikleri hakkındaki ayrıntılı kılavuzumuzu incelediğinden emin ol.

Link to this sectionSonuçları Analiz Etme#

YOLO26 eğitim oturumların tamamlandıktan sonra, sonuçların derinlemesine analizi için DVCLive'ın güçlü görselleştirme araçlarından yararlanabilirsin. DVCLive entegrasyonu, tüm eğitim metriklerinin sistematik olarak günlüğe kaydedilmesini sağlayarak model performansının kapsamlı bir değerlendirmesini kolaylaştırır.

Analizi başlatmak için deney verilerini DVC'nin API'sini kullanarak çıkarabilir ve daha kolay kullanım ve görselleştirme için Pandas ile işleyebilirsin:

import dvc.api
import pandas as pd

# Define the columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean the data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display the DataFrame
print(df)

Yukarıdaki kod bloğunun çıktısı, YOLO26 modelleriyle gerçekleştirilen farklı deneylerin net bir tablo görünümünü sağlar. Her satır farklı bir eğitim çalışmasını temsil eder; deneyin adını, epoch sayısını, görüntü boyutunu (imgsz), kullanılan özel modeli ve mAP50-95(B) metriğini detaylandırır. Bu metrik, modelin doğruluğunu değerlendirmek için kritiktir; daha yüksek değerler daha iyi performans anlamına gelir.

Link to this sectionPlotly ile Sonuçları Görselleştirme#

Deney sonuçlarının daha etkileşimli ve görsel bir analizi için Plotly'nin paralel koordinatlar grafiğini kullanabilirsin. Bu tür bir grafik, farklı parametreler ve metrikler arasındaki ilişkileri ve ödünleşimleri anlamak için özellikle yararlıdır.

from plotly.express import parallel_coordinates

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

Yukarıdaki kod bloğunun çıktısı, epochlar, görüntü boyutu, model türü ve bunlara karşılık gelen mAP50-95(B) puanları arasındaki ilişkileri görsel olarak temsil eden bir grafik oluşturur; böylece deney verilerindeki eğilimleri ve kalıpları fark edebilirsin.

Link to this sectionDVC ile Karşılaştırmalı Görselleştirmeler Oluşturma#

DVC, deneylerin için karşılaştırmalı grafikler oluşturmanı sağlayan yararlı bir komut sunar. Bu, farklı modellerin çeşitli eğitim süreçlerindeki performansını karşılaştırmak için özellikle yardımcı olabilir.

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

Bu komutu çalıştırdıktan sonra DVC, farklı deneyler arasındaki metrikleri karşılaştıran ve HTML dosyaları olarak kaydedilen grafikler oluşturur. Aşağıda, bu süreç tarafından oluşturulan tipik grafikleri gösteren örnek bir resim bulunmaktadır. Resim; mAP, hatırlama, kesinlik, kayıp değerleri ve daha fazlasını temsil edenler dahil olmak üzere çeşitli grafikleri sergileyerek temel performans metriklerine dair görsel bir genel bakış sunar:

Link to this sectionDVC Grafiklerini Görüntüleme#

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

from IPython.display import HTML

# Display the DVC plots as HTML
HTML(filename="./dvc_plots/index.html")

Bu kod, DVC grafiklerini içeren HTML dosyasını doğrudan Jupyter Notebook içinde işleyerek görselleştirilmiş deney verilerini analiz etmek için kolay ve kullanışlı bir yol sağlar.

Link to this sectionVeriye Dayalı Kararlar Alma#

Bu görselleştirmelerden elde edilen içgörüleri; model optimizasyonları, hiperparametre ayarlama ve modelinin performansını artırmaya yönelik diğer değişiklikler hakkında bilinçli kararlar almak için kullan.

Link to this sectionDeneyleri Yineleme#

Analizine dayanarak deneylerini yinele. Model yapılandırmalarını, eğitim parametrelerini veya hatta veri girişlerini ayarla ve eğitim ile analiz sürecini tekrarla. Bu yinelemeli yaklaşım, modelini mümkün olan en iyi performans için hassaslaştırmanın anahtarıdır.

Link to this sectionÖzet#

Bu kılavuz, DVCLive'ı Ultralytics YOLO26 ile entegre etme sürecinde sana rehberlik etti. DVCLive'ın gücünden ayrıntılı deney izleme, etkili görselleştirme ve makine öğrenimi çalışmalarındaki içgörü dolu analizler için nasıl yararlanacağını öğrendin.

Kullanımla ilgili daha fazla ayrıntı için DVCLive'ın resmi belgelerini ziyaret et.

Ayrıca, harika kaynaklar ve içgörüler koleksiyonu olan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfet.

Link to this sectionSSS#

Link to this sectionDVCLive'ı deney takibi için Ultralytics YOLO26 ile nasıl entegre edebilirim?#

DVCLive'ı Ultralytics YOLO26 ile entegre etmek basittir. Gerekli paketleri yükleyerek başla:

pip install ultralytics dvclive

Ardından, bir Git deposu başlat ve projende DVCLive'ı yapılandır:

git 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 takip et.

Link to this sectionYOLO26 deneylerini takip etmek için neden DVCLive kullanmalıyım?#

DVCLive'ı YOLO26 ile kullanmak, aşağıdakiler gibi birçok avantaj sağlar:

• Otomatik Günlüğe Kaydetme: DVCLive, model parametreleri ve metrikler gibi temel deney detaylarını otomatik olarak kaydeder.
• Kolay Karşılaştırma: Farklı çalışmalar arasındaki sonuçların karşılaştırılmasını kolaylaştırır.
• Görselleştirme Araçları: Derinlemesine analiz için DVCLive'ın sağlam veri görselleştirme yeteneklerinden yararlanır.

Daha fazla ayrıntı için, deney takibi verimliliğini en üst düzeye çıkarmak adına YOLO26 Model Eğitimi ve YOLO Performans Metrikleri hakkındaki kılavuzumuza başvur.

Link to this sectionDVCLive, YOLO26 eğitim oturumlarım için sonuç analizini nasıl geliştirebilir?#

YOLO26 eğitim oturumlarını tamamladıktan sonra DVCLive, sonuçları etkili bir şekilde görselleştirmeye ve analiz etmeye yardımcı olur. Deney verilerini yüklemek ve görüntülemek için örnek kod:

import dvc.api
import pandas as pd

# Define columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display DataFrame
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 uygulamalar için DVCLive ile YOLO26 Eğitimi kılavuzumuza başvur.

Link to this sectionDVCLive ve YOLO26 entegrasyonu için ortamımı yapılandırma adımları nelerdir?#

DVCLive ve YOLO26'nın sorunsuz bir entegrasyonu için ortamını yapılandırmak adına şu adımları izle:

1. Gerekli Paketleri Yükle: pip install ultralytics dvclive kullan.
2. Git Deposunu Başlat: git init -q çalıştır.
3. DVCLive'ı Kur: dvc init -q yürüt.
4. Git'e Commitle: git commit -m "DVC init" kullan.

Bu adımlar, deney takibi için uygun sürüm kontrolü ve kurulum sağlar. Derinlemesine yapılandırma ayrıntıları için Yapılandırma kılavuzumuzu ziyaret et.

Link to this sectionDVCLive kullanarak YOLO26 deney sonuçlarını nasıl görselleştirebilirim?#

DVCLive, YOLO26 deneylerinin sonuçlarını görselleştirmek için güçlü araçlar sunar. Karşılaştırmalı grafikleri şu şekilde oluşturabilirsin:

dvc plots diff $(dvc exp list --names-only)

Bu grafikleri Jupyter Notebook'ta görüntülemek için şunu kullan:

from IPython.display import HTML

# Display plots as HTML
HTML(filename="./dvc_plots/index.html")

Bu görselleştirmeler, eğilimleri belirlemeye ve model performansını optimize etmeye yardımcı olur. Kapsamlı adımlar ve örnekler için YOLO26 Deney Analizi hakkındaki ayrıntılı kılavuzlarımıza göz at.