Neptune ile Deney Takibi

Neptune, çok sayıda deney yürüten ekipler için oluşturulmuş bir MLOps meta veri deposudur. Tüm model oluşturma meta verilerini kaydetmen, saklaman, görüntülemen, düzenlemen, karşılaştırman ve sorgulaman için sana tek bir yer sunar.

Ultralytics YOLO26, deney takibini kolaylaştırmak için Neptune ile entegre olur. Bu entegrasyon, özel günlük kaydı kodu yazmana gerek kalmadan eğitim metriklerini otomatik olarak günlüğe kaydetmene, model tahminlerini görselleştirmene ve model çıktılarını depolamana olanak tanır.

Temel Özellikler

• Otomatik Günlük Kaydı: Kutu kaybı (box loss), sınıflandırma kaybı ve mAP gibi temel eğitim metriklerini otomatik olarak günlüğe kaydet.
• Görüntü Görselleştirme: Eğitim mozaiklerini ve doğrulama tahminlerini doğrudan Neptune panosunda görüntüle.
• Model Kontrol Noktaları: Eğitilen model ağırlıklarını (best.pt) eğitimin sonunda otomatik olarak yükle ve sürüm kontrolünü yap.
• Hiperparametre Takibi: Deneylerinin tam olarak tekrarlanabilirliğini sağlamak için tüm yapılandırma parametrelerini günlüğe kaydet.
• Etkileşimli Grafikler: Model performansını analiz etmek için karmaşıklık matrislerini ve kesinlik-duyarlılık (precision-recall) eğrilerini görselleştir.

Kurulum

To use Neptune with Ultralytics, you will need to install the neptune client package along with ultralytics.

# Install the required packages
pip install ultralytics neptune

# Enable Neptune integration in Ultralytics settings
yolo settings neptune=True

Yapılandırma

Eğitime başlamadan önce yerel ortamını Neptune projenle bağlaman gerekir. Neptune panondan API Token ve Project Name bilgilerine ihtiyacın olacak.

Kimlik Bilgilerini Al

1. Neptune.ai sitesine giriş yap.
2. Yeni bir proje oluştur (veya mevcut olanı seç).
3. Kullanıcı menüne git ve API Token değerini al.

Ortam Değişkenlerini Ayarla

The securest way to handle credentials is via environment variables. Note that the Ultralytics Neptune callback reads the YOLO project argument and does not use NEPTUNE_PROJECT. Pass the full Neptune slug (e.g., workspace/name) via project= in your training command; otherwise Neptune will try to use the literal default "Ultralytics" and the run will fail.

export NEPTUNE_API_TOKEN="your_long_api_token_here" # required

Kullanım

Yapılandırma tamamlandığında YOLO26 modellerini eğitmeye başlayabilirsin. neptune paketi yüklü olduğunda ve ayarlar kısmında entegrasyon etkinleştirildiğinde Neptune entegrasyonu otomatik olarak çalışır.

Eğitim Örneği

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
# Pass the Neptune project slug as the 'project' argument (workspace/name)
results = model.train(data="coco8.yaml", epochs=10, project="my-workspace/my-project", name="experiment-1")

Entegrasyonu Anlamak

Aşağıdaki şema, Ultralytics eğitim hattının çeşitli çıktıları ve metrikleri günlüğe kaydetmek için Neptune ile nasıl etkileşime girdiğini göstermektedir.

graph LR
    A[YOLO Training Loop] --> B{Neptune Callback}
    B -->|Log Scalars| C[Loss, mAP, LR]
    B -->|Log Images| D[Mosaics, Preds]
    B -->|Log Artifacts| E[Model Weights]
    B -->|Log Metadata| F[Hyperparameters]

    C --> G[Neptune Server]
    D --> G
    E --> G
    F --> G

    G --> H[Neptune Web Dashboard]

Neler Günlüğe Kaydedilir?

Eğitim komutunu çalıştırdığında, Neptune entegrasyonu çalıştırma sırasında otomatik olarak aşağıdaki veri yapısını yakalar:

1. Yapılandırma/Hiperparametreler: Tüm eğitim bağımsız değişkenleri (epochs, lr0, optimizer vb.) Yapılandırma bölümünün altında günlüğe kaydedilir.
2. Yapılandırma/Model: Model mimarisi ve tanımı.
3. Metrikler:
   • Train: box_loss, cls_loss, dfl_loss, lr (öğrenme oranı).
   • Metrikler: precision, recall, mAP50, mAP50-95.
4. Görüntüler:
   • Mosaic: Veri artırmayı gösteren eğitim yığınları.
   • Validation: Doğrulama verileri üzerindeki temel doğruluk etiketleri ve model tahminleri.
   • Plots: Karmaşıklık matrisleri, Kesinlik-Duyarlılık eğrileri.
5. Ağırlıklar: Nihai eğitilmiş model (best.pt), Neptune çalışmasındaki weights klasörüne yüklenir.

Gelişmiş Kullanım

Çalışmaları Düzenleme

Neptune'daki çalışmalarını düzenlemek için standart Ultralytics project ve name bağımsız değişkenlerini kullanabilirsin.

• project: Neptune proje slug değeri olan workspace/name olmalıdır; geri aramanın neptune.init_run fonksiyonuna ilettiği değer budur.
• name: Belirli çalışma için tanımlayıcı görevi görür.

Özel Günlük Kaydı

Otomatik günlük kaydının yanı sıra ek özel metrikleri kaydetmen gerekirse Neptune çalışma örneğine erişebilirsin. Ultralytics entegrasyonu çalışma yaşam döngüsünü dahili olarak yönettiğinden, belirli çalışma nesnesine erişmek için eğitici mantığını değiştirmen veya özel bir geri arama (callback) oluşturman gerektiğini unutma.

SSS

Neptune günlük kaydını nasıl devre dışı bırakırım?

neptune paketini yüklediysen ancak belirli bir oturum için veya genel olarak günlük kaydını devre dışı bırakmak istiyorsan, YOLO ayarlarını değiştirebilirsin.

# Disable Neptune integration
yolo settings neptune=False

Görüntülerim yüklenmiyor. Sorun ne olabilir?

Ağının Neptune sunucularına bağlantıya izin verdiğinden emin ol. Ayrıca, görüntü kaydı genellikle belirli aralıklarla (örneğin, epokların sonunda veya eğitimin sonunda) gerçekleşir. Ctrl+C kullanarak eğitimi erken kesersen, karmaşıklık matrisleri veya en iyi model ağırlıkları gibi bazı nihai veriler yüklenmeyebilir.

Belirli bir Neptune çalışma kimliğine (run ID) günlük kaydı yapabilir miyim?

Mevcut entegrasyon, her eğitim oturumu için otomatik olarak yeni bir çalışma oluşturur. Mevcut bir çalışmaya günlük kaydını sürdürmek için genellikle Python kodunda Neptune başlatma işlemini manuel olarak yönetmen gerekir; bu, otomatik entegrasyonun kapsamı dışındadır. Ancak Ultralytics, yerel olarak eğitimin sürdürülmesini destekler ve bu, sürdürülen epokları takip etmek için Neptune'da yeni bir çalışma oluşturacaktır.

Model ağırlıklarını Neptune'da nerede bulabilirim?

In your Neptune dashboard, navigate to the Artifacts or All Metadata section. You will find a weights folder containing your best.pt file, which you can download for deployment.