DVCLive 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 işlem, model performansını anlamak ve modelleri iyileştirmek ve optimize etmek için veriye dayalı kararlar almak adına temeldir.

DVCLive'ı Ultralytics YOLO26 ile entegre etmek, deneylerin takip edilme ve yönetilme şeklini dönüştürür. Bu entegrasyon, temel deney detaylarının otomatik olarak kaydedilmesi, sonuçların farklı çalıştırmalar arasında karşılaştırılması ve derinlemesine analiz için verilerin görselleştirilmesi adına sorunsuz bir çözüm sunar. Bu kılavuzda, süreci kolaylaştırmak için DVCLive'ın nasıl kullanılabileceğini öğreneceğiz.

DVCLive

DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için yenilikçi, açık kaynaklı bir araçtır. Git ve DVC ile sorunsuz bir şekilde entegre olarak model parametreleri ve eğitim metrikleri gibi önemli deney verilerinin kaydedilmesini otomatikleştirir. Basitlik için tasarlanan DVCLive, sezgisel veri görselleştirme ve analiz araçlarıyla makine öğrenimi projelerinin verimliliğini artırarak çoklu çalıştırmaların zahmetsizce karşılaştırılmasını ve analiz edilmesini sağlar.

DVCLive ile YOLO26 Eğitimi

YOLO26 eğitim oturumları, DVCLive ile etkili bir şekilde izlenebilir. Ayrıca DVC, bu deneyleri görselleştirmek için takip edilen tüm deneylerdeki metrik grafiklerinin karşılaştırılmasını sağlayan ve eğitim sürecine kapsamlı bir bakış sunan bir rapor oluşturma dahil olmak üzere tümleşik özellikler sağlar.

Kurulum

Gerekli paketleri yüklemek 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 kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza bak.

DVCLive'ı Yapılandırma

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

Git, hem kodun hem de DVCLive yapılandırmalarının sürüm kontrolünde kritik bir rol oynadığından, bir Git deposunu başlatarak 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 kısmını Git hesabınla ilişkili e-posta adresiyle, "Your Name" kısmını ise Git hesabı kullanıcı adınla değiştirdiğinden emin ol.

Kullanım

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

DVCLive ile YOLO26 Modellerini Eğitme

YOLO26 eğitim oturumlarını çalıştırarak başla. Proje ihtiyaçlarına 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, veri, epochs ve imgsz parametrelerini özel gereksinimlerine göre ayarla. Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi kılavuzumuza bak.

DVCLive ile Deneyleri İzleme

DVCLive, temel metriklerin takibini ve görselleştirilmesini sağlayarak eğitim sürecini geliştirir. Yüklendiğinde, Ultralytics YOLO26 deney takibi için DVCLive ile otomatik olarak entegre olur ve bunları daha sonra performans içgörüleri için analiz edebilirsin. Eğitim sırasında kullanılan belirli performans metrikleri hakkında kapsamlı bilgi için performans metrikleri hakkındaki ayrıntılı kılavuzumuzu mutlaka incele.

Sonuçları Analiz Etme

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

Analize başlamak için deney verilerini DVC'nin 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 deneylerin net bir tablo görünümünü sağlar. Her satır, deneyin adını, epoch sayısını, görüntü boyutunu (imgsz), kullanılan özel modeli ve mAP50-95(B) metriğini detaylandırarak farklı bir eğitim çalıştırmasını temsil eder. Bu metrik, modelin doğruluğunu değerlendirmek için kritiktir ve daha yüksek değerler daha iyi performansa işaret eder.

Plotly ile Sonuçları Görselleştirme

Deney sonuçlarının daha etkileşimli ve görsel bir analizi 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

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

# Display the plot
fig.show()

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

DVC ile Karşılaştırmalı Görselleştirmeler Oluşturma

DVC, deneylerin için karşılaştırmalı grafikler oluşturmak amacıyla yararlı bir komut sağlar. Bu, farklı modellerin performansını çeşitli eğitim çalıştırmaları üzerinde karşılaştırmak için özellikle yardımcı olabilir.

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

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

DVC Grafiklerini Görüntüleme

Eğer 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 sunar.

Veriye Dayalı Kararlar Alma

Bu görselleştirmelerden elde ettiğin içgörüleri, model optimizasyonları, hiperparametre ayarı ve modelinin performansını artıracak diğer değişiklikler hakkında bilinçli kararlar almak için kullan.

Deneyler Üzerinde Yineleme Yapma

Analizine dayanarak deneylerin üzerinde yineleme yap. 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.

Özet

Bu kılavuz, DVCLive'ı Ultralytics YOLO26 ile entegre etme sürecinde sana rehberlik etti. Makine öğrenimi çalışmalarında ayrıntılı deney izleme, etkili görselleştirme ve içgörülü analiz için DVCLive'ın gücünden 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 diğer entegrasyonlarını ve yeteneklerini keşfet.

SSS

Deney takibi için DVCLive'ı Ultralytics YOLO26 ile nasıl entegre ederim?

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

pip install ultralytics dvclive

Ardından, bir Git deposunu başlat ve projen için 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.

YOLO26 deneylerini takip etmek için neden DVCLive kullanmalıyım?

DVCLive'ı YOLO26 ile kullanmak aşağıdakiler gibi çeşitli avantajlar sağlar:

• Otomatik Kayıt: DVCLive, model parametreleri ve metrikler gibi temel deney detaylarını otomatik olarak kaydeder.
• Kolay Karşılaştırma: Sonuçların farklı çalıştırmalar arasında karşılaştırılmasını kolaylaştırır.
• Görselleştirme Araçları: Derinlemesine analiz için DVCLive'ın sağlam veri görselleştirme yeteneklerinden yararlanır.

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

DVCLive, YOLO26 eğitim oturumları için sonuç analizimi nasıl iyileştirebilir?

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 uygulama için DVCLive ile YOLO26 Eğitimi kılavuzumuza bak.

DVCLive ve YOLO26 entegrasyonu için ortamımı yapılandırmanın adımları nelerdir?

DVCLive ve YOLO26'nın sorunsuz bir entegrasyonu için ortamını yapılandırmak üzere şu adımları takip et:

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

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

DVCLive kullanarak YOLO26 deney sonuçlarını nasıl görselleştiririm?

DVCLive, YOLO26 deneylerinin sonuçlarını görselleştirmek için güçlü araçlar sunar. İşte karşılaştırmalı grafiklerin nasıl oluşturulacağı:

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

Bu grafikleri bir Jupyter Notebook'ta görüntülemek için şunları 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 ile ilgili ayrıntılı kılavuzlarımızı kontrol et.