─░├žeri─če ge├ž

DVCLive ile Geli┼čmi┼č YOLOv8 Deney Takibi

Makine ├Â─čreniminde deney takibi, model geli┼čtirme ve de─čerlendirme i├žin kritik ├Âneme sahiptir. ├çok say─▒da e─čitim ├žal─▒┼čmas─▒ndan elde edilen ├že┼čitli parametrelerin, metriklerin ve sonu├žlar─▒n kaydedilmesini ve analiz edilmesini i├žerir. Bu s├╝re├ž, model performans─▒n─▒ anlamak ve modelleri iyile┼čtirmek ve optimize etmek i├žin veriye dayal─▒ kararlar almak i├žin gereklidir.

DVCLive ile Entegrasyon Ultralytics YOLOv8 deneylerin takip edilme ve y├Ânetilme ┼čeklini d├Ân├╝┼čt├╝r├╝yor. Bu entegrasyon, ├Ânemli deney ayr─▒nt─▒lar─▒n─▒ otomatik olarak kaydetmek, farkl─▒ ├žal─▒┼čt─▒rmalar aras─▒nda sonu├žlar─▒ kar┼č─▒la┼čt─▒rmak ve derinlemesine analiz i├žin verileri g├Ârselle┼čtirmek i├žin sorunsuz bir ├ž├Âz├╝m sunar. Bu k─▒lavuzda, DVCLive'─▒n s├╝reci kolayla┼čt─▒rmak i├žin nas─▒l kullan─▒labilece─čini anlayaca─č─▒z.

DVCLive

DVCLive Genel Bak─▒┼č

DVC taraf─▒ndan geli┼čtirilen DVCLive, makine ├Â─čreniminde deney takibi i├žin yenilik├ži bir a├ž─▒k kaynak arac─▒d─▒r. Git ve DVC ile sorunsuz bir ┼čekilde entegre olan bu ara├ž, model parametreleri ve e─čitim ├Âl├ž├╝mleri gibi ├Ânemli deney verilerinin g├╝nl├╝─če kaydedilmesini otomatikle┼čtirir. Basitlik i├žin tasarlanan DVCLive, birden fazla ├žal─▒┼čt─▒rman─▒n zahmetsizce kar┼č─▒la┼čt─▒r─▒lmas─▒n─▒ ve analiz edilmesini sa─člayarak sezgisel veri g├Ârselle┼čtirme ve analiz ara├žlar─▒yla makine ├Â─črenimi projelerinin verimlili─čini art─▒r─▒r.

YOLOv8 DVCLive ile E─čitim

YOLOv8 e─čitim oturumlar─▒ DVCLive ile etkin bir ┼čekilde izlenebilir. Ayr─▒ca DVC, bu deneyleri g├Ârselle┼čtirmek i├žin, izlenen t├╝m deneyler aras─▒nda metrik grafiklerin kar┼č─▒la┼čt─▒r─▒lmas─▒na olanak tan─▒yan ve e─čitim s├╝recinin kapsaml─▒ bir g├Âr├╝n├╝m├╝n├╝ sunan bir raporun olu┼čturulmas─▒ da dahil olmak ├╝zere entegre ├Âzellikler sa─člar.

Kurulum

Gerekli paketleri y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required packages for YOLOv8 and DVCLive
pip install ultralytics dvclive

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin YOLOv8 Kurulum k─▒lavuzumuzu kontrol etti─činizden emin olun. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

DVCLive'─▒ Yap─▒land─▒rma

Gerekli paketleri kurduktan sonra, bir sonraki ad─▒m ortam─▒n─▒z─▒ gerekli kimlik bilgileriyle kurmak ve yap─▒land─▒rmakt─▒r. Bu kurulum, DVCLive'─▒n mevcut i┼č ak─▒┼č─▒n─▒za sorunsuz bir ┼čekilde entegre edilmesini sa─člar.

Git, hem kodunuz hem de DVCLive yap─▒land─▒rmalar─▒n─▒z i├žin s├╝r├╝m kontrol├╝nde ├žok ├Ânemli bir rol oynad─▒─č─▒ndan, bir Git deposu ba┼člatarak ba┼člay─▒n.

─░lk Ortam Kurulumu

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "you@example.com"
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, "you@example.com" yerine Git hesab─▒n─▒zla ili┼čkili e-posta adresini ve "Ad─▒n─▒z" yerine Git hesab─▒ kullan─▒c─▒ ad─▒n─▒z─▒ yazd─▒─č─▒n─▒zdan emin olun.

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, Ultralytics taraf─▒ndan sunulanYOLOv8 model yelpazesine g├Âz att─▒─č─▒n─▒zdan emin olun. Bu, proje gereksinimleriniz i├žin en uygun modeli se├žmenize yard─▒mc─▒ olacakt─▒r.

DVCLive ile YOLOv8 Modellerinin E─čitimi

YOLOv8 e─čitim oturumlar─▒n─▒z─▒ ├žal─▒┼čt─▒rarak ba┼člay─▒n. Proje ihtiya├žlar─▒n─▒za uygun farkl─▒ model konfig├╝rasyonlar─▒ ve e─čitim parametreleri kullanabilirsiniz. ├ľrne─čin:

# Example training commands for YOLOv8 with varying configurations
yolo train model=yolov8n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolov8n.pt data=coco8.yaml epochs=5 imgsz=640

Modeli, verileri, epoklar─▒ ve imgsz parametrelerini ├Âzel gereksinimlerinize g├Âre ayarlay─▒n. Model e─čitimi s├╝reci ve en iyi uygulamalar hakk─▒nda ayr─▒nt─▒l─▒ bilgi i├žin YOLOv8 Model E─čitimi k─▒lavuzumuza bak─▒n.

DVCLive ile Deneyleri ─░zleme

DVCLive, temel metriklerin izlenmesini ve g├Ârselle┼čtirilmesini sa─člayarak e─čitim s├╝recini geli┼čtirir. Kuruldu─čunda, Ultralytics YOLOv8 daha sonra performans i├žg├Âr├╝leri i├žin analiz edebilece─činiz deney takibi i├žin DVCLive ile otomatik olarak entegre olur. E─čitim s─▒ras─▒nda kullan─▒lan belirli performans metriklerini kapsaml─▒ bir ┼čekilde anlamak i├žin, performans metrikleri hakk─▒ndaki ayr─▒nt─▒l─▒ k─▒lavuzumuzu inceledi─činizden emin olun.

Sonu├žlar─▒ Analiz Etme

YOLOv8 e─čitim oturumlar─▒n─▒z tamamland─▒ktan sonra, sonu├žlar─▒n derinlemesine analizi i├žin DVCLive'─▒n g├╝├žl├╝ g├Ârselle┼čtirme ara├žlar─▒ndan yararlanabilirsiniz. DVCLive'─▒n entegrasyonu, t├╝m e─čitim metriklerinin sistematik olarak kaydedilmesini sa─člayarak modelinizin performans─▒n─▒n kapsaml─▒ bir ┼čekilde de─čerlendirilmesini kolayla┼čt─▒r─▒r.

Analize ba┼člamak i├žin, DVC'nin API'sini kullanarak deney verilerini ├ž─▒karabilir ve daha kolay kullan─▒m ve g├Ârselle┼čtirme i├žin Pandas ile i┼čleyebilirsiniz:

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)

Yukar─▒daki kod par├žac─▒─č─▒n─▒n ├ž─▒kt─▒s─▒, YOLOv8 modelleriyle ger├žekle┼čtirilen farkl─▒ deneylerin net bir tablo g├Âr├╝n├╝m├╝n├╝ sa─člar. Her sat─▒r, deneyin ad─▒n─▒, epok say─▒s─▒n─▒, g├Âr├╝nt├╝ boyutunu (imgsz), kullan─▒lan belirli modeli ve mAP50-95(B) metri─čini detayland─▒ran farkl─▒ bir e─čitim ├žal─▒┼čmas─▒n─▒ temsil eder. Bu metrik, modelin do─črulu─čunu de─čerlendirmek i├žin ├žok ├Ânemlidir ve daha y├╝ksek de─čerler daha iyi performansa i┼čaret eder.

Plotly ile Sonu├žlar─▒ G├Ârselle┼čtirme

Deney sonu├žlar─▒n─▒z─▒n daha etkile┼čimli ve g├Ârsel bir analizi i├žin Plotly'nin paralel koordinatlar grafi─čini kullanabilirsiniz. Bu t├╝r bir ├žizim, farkl─▒ parametreler ve ├Âl├ž├╝mler aras─▒ndaki ili┼čkileri ve ├Âd├╝nle┼čimleri anlamak i├žin ├Âzellikle yararl─▒d─▒r.

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()

Yukar─▒daki kod par├žac─▒─č─▒n─▒n ├ž─▒kt─▒s─▒, epoklar, g├Âr├╝nt├╝ boyutu, model t├╝r├╝ ve bunlara kar┼č─▒l─▒k gelen mAP50-95(B) puanlar─▒ aras─▒ndaki ili┼čkileri g├Ârsel olarak temsil edecek bir ├žizim olu┼čturarak deney verilerinizdeki e─čilimleri ve kal─▒plar─▒ tespit etmenizi sa─člar.

DVC ile Kar┼č─▒la┼čt─▒rmal─▒ G├Ârselle┼čtirmeler Olu┼čturma

DVC, deneyleriniz i├žin kar┼č─▒la┼čt─▒rmal─▒ grafikler olu┼čturmak i├žin kullan─▒┼čl─▒ bir komut sa─člar. Bu, ├Âzellikle farkl─▒ modellerin ├že┼čitli e─čitim ├žal─▒┼čmalar─▒ ├╝zerindeki performans─▒n─▒ kar┼č─▒la┼čt─▒rmak i├žin yararl─▒ olabilir.

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

Bu komutu ├žal─▒┼čt─▒rd─▒ktan sonra, DVC farkl─▒ deneylerdeki ├Âl├ž├╝mleri kar┼č─▒la┼čt─▒ran grafikler olu┼čturur ve bunlar HTML dosyalar─▒ olarak kaydedilir. A┼ča─č─▒da, bu i┼člem taraf─▒ndan olu┼čturulan tipik grafikleri g├Âsteren ├Ârnek bir g├Âr├╝nt├╝ yer almaktad─▒r. G├Âr├╝nt├╝, mAP, geri ├ža─č─▒rma, kesinlik, kay─▒p de─čerleri ve daha fazlas─▒n─▒ temsil edenler de dahil olmak ├╝zere ├že┼čitli grafikleri sergiler ve temel performans ├Âl├ž├╝mlerine g├Ârsel bir genel bak─▒┼č sa─člar:

DVCLive Arsalar─▒

DVC Arazilerini G├Âr├╝nt├╝leme

Bir Jupyter Notebook kullan─▒yorsan─▒z ve olu┼čturulan DVC grafiklerini g├Âr├╝nt├╝lemek istiyorsan─▒z, IPython g├Âr├╝nt├╝leme i┼člevini kullanabilirsiniz.

from IPython.display import HTML

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

Bu kod, DVC grafiklerini i├žeren HTML dosyas─▒n─▒ do─črudan Jupyter Notebook'unuzda olu┼čturacak ve g├Ârselle┼čtirilmi┼č deney verilerini analiz etmek i├žin kolay ve kullan─▒┼čl─▒ bir yol sa─člayacakt─▒r.

Veriye Dayal─▒ Kararlar Alma

Model optimizasyonlar─▒, hiperparametre ayar─▒ ve modelinizin performans─▒n─▒ art─▒racak di─čer de─či┼čiklikler hakk─▒nda bilin├žli kararlar vermek i├žin bu g├Ârselle┼čtirmelerden elde edilen i├žg├Âr├╝leri kullan─▒n.

Deneyler ├ťzerinde Yineleme

Analizinize dayanarak deneylerinizi yineleyin. Model konfig├╝rasyonlar─▒n─▒, e─čitim parametrelerini ve hatta veri girdilerini ayarlay─▒n ve e─čitim ve analiz s├╝recini tekrarlay─▒n. Bu yinelemeli yakla┼č─▒m, m├╝mk├╝n olan en iyi performans i├žin modelinizi iyile┼čtirmenin anahtar─▒d─▒r.

├ľzet

Bu k─▒lavuz, DVCLive'─▒ Ultralytics' YOLOv8 ile entegre etme s├╝recinde size yol g├Âstermi┼čtir. Makine ├Â─črenimi ├žal─▒┼čmalar─▒n─▒zda ayr─▒nt─▒l─▒ deney izleme, etkili g├Ârselle┼čtirme ve anlay─▒┼čl─▒ analiz i├žin DVCLive'─▒n g├╝c├╝nden nas─▒l yararlanaca─č─▒n─▒z─▒ ├Â─črendiniz.

For further details on usage, visit DVCLive's official documentation.

Ayr─▒ca, harika kaynaklar ve i├žg├Âr├╝lerin bir koleksiyonu olan Ultralytics entegrasyon k─▒lavuzu sayfas─▒n─▒ ziyaret ederek Ultralytics 'un daha fazla entegrasyonunu ve yeteneklerini ke┼čfedin.



Created 2023-11-30, Updated 2024-06-21
Authors: glenn-jocher (4), abirami-vina (1)

Yorumlar