DVCLive ile Gelişmiş YOLO26 Deney Takibi#

machine learning alanında deney takibi, model geliştirme ve değerlendirme için kritik önem taşır. Çok sayıda eğitim çalışmasından elde edilen çeşitli parametrelerin, metriklerin ve sonuçların kaydedilmesini ve analiz edilmesini içerir. Bu süreç, model performansını anlamak ve modelleri iyileştirmek ve optimize etmek için veriye dayalı kararlar almak açısından esastır.

DVCLive'ı Ultralytics YOLO26 ile entegre etmek, deneylerin takip edilme ve yönetilme biçimini dönüştürür. Bu entegrasyon; temel deney detaylarını otomatik olarak kaydetmek, farklı çalışmalar arasındaki sonuçları karşılaştırmak ve derinlemesine analiz için verileri görselleştirmek amacıyla kusursuz bir çözüm sunar. Bu kılavuzda, sürecini kolaylaştırmak için DVCLive'ın nasıl kullanılabileceğini anlayacağız.

DVCLive#

DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için yenilikçi bir açık kaynaklı araçtır. Git ve DVC ile sorunsuz bir şekilde entegre olarak model parametreleri ve eğitim metrikleri gibi kritik deney verilerinin günlüğe kaydedilmesini otomatikleştirir. Basitlik için tasarlanan DVCLive, sezgisel data visualization ve analiz araçlarıyla birden fazla çalışmanın zahmetsizce 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, 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.

Kurulum#

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 Installation guide sayfamıza göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Common Issues guide kılavuzumuza bak.

DVCLive 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 ifadesini Git hesabınızla ilişkili e-posta adresiyle ve "Your Name" ifadesini ise Git hesap kullanıcı adınızla değiştirdiğinizden emin olun.

Kullanım#

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinden emin ol. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olacaktır.

DVCLive 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 kendi özel gereksinimlerinize göre ayarlayın. Model eğitimi sürecini ve en iyi uygulamaları ayrıntılı bir şekilde anlamak için YOLO26 Model Training guide kılavuzumuza göz atın.

DVCLive 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 daha sonra analiz edebilirsiniz. Eğitim sırasında kullanılan belirli performans metriklerini kapsamlı bir şekilde anlamak için our detailed guide on performance metrics kılavuzumuzu incelemeyi unutmayın.

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 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 parçasının çıktısı, YOLO26 modelleriyle gerçekleştirilen farklı deneylerin net bir tablo görünümünü sağlar. Her bir 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 accuracy değerini değerlendirmek için çok önemlidir ve daha yüksek değerler daha iyi performansı gösterir.

Plotly 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.

DVC 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 görüntü bulunmaktadır. Görüntü; mAP, recall, precision, kayıp değerleri ve daha fazlasını temsil edenler dahil olmak üzere çeşitli grafikleri sergileyerek temel performans metriklerine görsel bir genel bakış sunar:

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 içinde işleyerek görselleştirilmiş deney verilerini analiz etmek için kolay ve kullanışlı bir yol sağlar.

Veriye Dayalı Kararlar Alma#

Modelinizin performansını artırmak amacıyla model optimizasyonları, hyperparameter tuning ve diğer değişiklikler hakkında bilinçli kararlar almak için bu görselleştirmelerden elde ettiğiniz içgörüleri kullanın.

Deneyleri 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.

Özet#

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.

Kullanım hakkında daha fazla detay için DVCLive's official documentation adresini ziyaret edin.

Ayrıca, harika kaynaklar ve içgörüler koleksiyonu olan Ultralytics integration guide page sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneğini keşfedin.

SSS#