DVCLive ile Gelişmiş YOLO26 Deneme Takibi#

Makine öğreniminde deneme takibi, model geliştirme ve değerlendirme için kritik öneme sahiptir. Çok sayıda eğitim çalıştırmasından elde edilen çeşitli parametrelerin, metriklerin ve sonuçların kaydedilmesini ve analiz edilmesini kapsar. Bu süreç, model performansını anlamak ve modelleri iyileştirmek ve optimize etmek için veriye dayalı kararlar almak açısından gereklidir.

DVCLive'ı Ultralytics YOLO26 ile entegre etmek, denemelerin izlenme ve yönetilme biçimini dönüştürür. Bu entegrasyon; önemli deneme ayrıntılarını otomatik olarak günlüğe kaydetmek, farklı çalıştırmaların sonuçlarını karşılaştırmak ve derinlemesine analiz için verileri görselleştirmek üzere sorunsuz bir çözüm sunar. Bu kılavuzda DVCLive'ın süreci nasıl kolaylaştırabileceğini öğreneceksin.

DVCLive#

DVC tarafından geliştirilen DVCLive, makine öğreniminde deneme takibi için yenilikçi, açık kaynaklı bir araçtır. Git ve DVC ile sorunsuz biçimde entegre olan bu araç, model parametreleri ve eğitim metrikleri gibi kritik deneme verilerinin günlüğe kaydedilmesini otomatikleştirir. Basitlik göz önünde bulundurularak tasarlanan DVCLive, sezgisel veri görselleştirme ve analiz araçlarıyla birden çok çalıştırmanın kolayca karşılaştırılmasını ve analiz edilmesini sağlayarak makine öğrenimi projelerinin verimliliğini artırır.

DVCLive ile YOLO26 Eğitimi#

YOLO26 eğitim oturumları DVCLive ile etkili bir şekilde izlenebilir. Ayrıca DVC, tüm izlenen denemelerdeki metrik grafiklerini karşılaştırmanı sağlayan bir rapor oluşturmak da dahil olmak üzere bu denemeleri görselleştirmek için kapsamlı özellikler sunar ve eğitim sürecine bütünsel bir bakış sağlar.

Kurulum#

Gerekli paketleri yüklemek için şunu çalıştır:

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

Yükleme süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Yükleme kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

DVCLive'ı Yapılandırma#

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

Kodun ve DVCLive yapılandırmalarının sürüm denetiminde Git kritik bir rol oynadığından, 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 DVCLive in your project
dvc init -q

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

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

Kullanım#

Kullanım talimatlarına geçmeden önce Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olur.

DVCLive ile YOLO26 Modellerini Eğitme#

YOLO26 eğitim oturumlarını çalıştırarak başla. Projenin gereksinimlerine uygun 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, data, epochs ve imgsz parametrelerini özel gereksinimlerine göre ayarla. Model eğitim sürecini ve en iyi uygulamaları ayrıntılı şekilde anlamak için YOLO26 Model Eğitimi kılavuzumuza başvur.

DVCLive ile Denemeleri İzleme#

DVCLive, temel metriklerin izlenmesini ve görselleştirilmesini sağlayarak eğitim sürecini iyileştirir. Kurulduğunda Ultralytics YOLO26, deneme takibi için DVCLive ile otomatik olarak entegre olur; bu denemeleri daha sonra performans içgörüleri elde etmek için analiz edebilirsin. Eğitim sırasında kullanılan belirli performans metriklerini kapsamlı şekilde anlamak için performans metrikleriyle ilgili ayrıntılı kılavuzumuza göz at.

Sonuçları Analiz Etme#

YOLO26 eğitim oturumların tamamlandıktan sonra sonuçları derinlemesine analiz etmek için DVCLive'ın güçlü görselleştirme araçlarından yararlanabilirsin. DVCLive entegrasyonu, tüm eğitim metriklerinin sistematik olarak günlüğe kaydedilmesini sağlayarak model performansının kapsamlı biçimde değerlendirilmesine olanak tanır.

Analize başlamak için deneme verilerini DVC API'sini kullanarak çıkarabilir ve daha kolay işleme 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 parçacığının çıktısı, YOLO26 modelleriyle gerçekleştirilen farklı denemelerin net bir tablo görünümünü sunar. Her satır farklı bir eğitim çalıştırmasını temsil eder ve denemenin adını, epochs sayısını, görüntü boyutunu (imgsz), kullanılan belirli modeli ve mAP50-95(B) metriğini ayrıntılarıyla gösterir. Bu metrik, modelin doğruluğunu değerlendirmek için kritik öneme sahiptir; daha yüksek değerler daha iyi performansa işaret eder.

Plotly ile Sonuçları Görselleştirme#

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

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 parçacığının çıktısı; epochs, görüntü boyutu, model türü ve bunlara karşılık gelen mAP50-95(B) skorları arasındaki ilişkileri görsel olarak temsil eden bir grafik oluşturur ve deneme verilerindeki eğilimleri ve örüntüleri fark etmeni sağlar.

DVC ile Karşılaştırmalı Görselleştirmeler Oluşturma#

DVC, denemelerin için karşılaştırmalı grafikler oluşturmaya yarayan kullanışlı bir komut sunar. Bu özellik, farklı eğitim çalıştırmaları boyunca farklı modellerin performansını karşılaştırmak için özellikle yararlı olabilir.

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

Bu komut yürütüldükten sonra DVC, farklı denemelerdeki metrikleri karşılaştıran ve HTML dosyaları olarak kaydedilen grafikler oluşturur. Aşağıda, bu işlemle oluşturulan tipik grafikleri gösteren örnek bir görsel yer almaktadır. Görselde mAP, recall, precision, kayıp değerleri ve daha fazlasını temsil eden çeşitli grafikler bulunur ve temel performans metriklerine görsel bir genel bakış sunulur:

DVC 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'unda işler ve görselleştirilen deneme verilerini analiz etmek için kolay ve pratik bir yol sunar.

Veriye Dayalı Kararlar Alma#

Model optimizasyonları, hiperparametre ayarlama ve modelinin performansını artıracak diğer değişiklikler hakkında bilinçli kararlar almak için bu görselleştirmelerden elde ettiğin içgörüleri kullan.

Denemeleri Yineleme#

Analizine dayanarak denemelerini yinele. Model yapılandırmalarını, eğitim parametrelerini ve hatta veri girdilerini ayarla, ardından eğitim ve analiz sürecini tekrarla. Bu yinelemeli yaklaşım, modelini mümkün olan en iyi performans için geliştirmek açısından kritik öneme sahiptir.

Özet#

Bu kılavuz, DVCLive'ı Ultralytics'in YOLO26'sı ile entegre etme sürecinde sana yol gösterdi. Makine öğrenimi çalışmalarında ayrıntılı deneme izleme, 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 içgörülerden oluşan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfet.

SSS#