Ray Tune ve YOLO26 ile Verimli Hiperparametre Ayarlama#

Hiperparametre ayarlama, en uygun hiperparametre kümesini keşfederek model performansının en üst düzeye çıkarılmasında kritik öneme sahiptir. Bu işlem, farklı hiperparametrelerle denemeler çalıştırmayı ve her denemenin performansını değerlendirmeyi içerir.

Ultralytics YOLO26 ve Ray Tune ile Ayarlamayı Hızlandırma#

Ultralytics YOLO26, hiperparametre ayarlama için Ray Tune'u kullanarak YOLO26 model hiperparametrelerinin optimizasyonunu kolaylaştırır. Ray Tune ile gelişmiş arama stratejilerinden, paralellikten ve erken durdurmadan yararlanarak ayarlama sürecini hızlandırabilirsin.

Ray Tune#

Ray Tune, verimlilik ve esneklik için tasarlanmış bir hiperparametre ayarlama kütüphanesidir. Çeşitli arama stratejilerini, paralelliği ve erken durdurma stratejilerini destekler; ayrıca Ultralytics YOLO26 dahil popüler makine öğrenimi çerçeveleriyle sorunsuz şekilde entegre olur.

Weights & Biases ile Entegrasyon#

YOLO26, ayarlama sürecini izlemek için isteğe bağlı olarak Weights & Biases entegrasyonuna da olanak tanır.

Kurulum#

Gerekli paketleri yüklemek için şunu çalıştır:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]" optuna

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

Kullanım#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Yöntem Parametreleri#

YOLO26 içindeki tune() yöntemi, Ray Tune ile hiperparametre ayarlama için kullanımı kolay bir arayüz sunar. Ayarlama sürecini özelleştirmeni sağlayan çeşitli bağımsız değişkenleri kabul eder. Aşağıda her parametrenin ayrıntılı açıklaması verilmiştir:

Bu parametreleri özelleştirerek hiperparametre optimizasyonu sürecini özel ihtiyaçlarına ve mevcut hesaplama kaynaklarına uyacak şekilde ince ayarlayabilirsin.

Varsayılan Arama Alanı Açıklaması#

Aşağıdaki tablo, Ray Tune ile YOLO26'da hiperparametre ayarlama için varsayılan arama alanı parametrelerini listeler. Her parametrenin tune.uniform() tarafından tanımlanan belirli bir değer aralığı vardır.

Özel Arama Uzayı Örneği#

Bu örnekte, Ray Tune ve YOLO26 ile hiperparametre ayarlama için özel bir arama alanının nasıl kullanılacağını gösteriyoruz. Özel bir arama alanı sağlayarak ayarlama sürecini ilgilendiğin belirli hiperparametrelere odaklayabilirsin.

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

Yukarıdaki kod parçacığında, "yolo26n.pt" önceden eğitilmiş ağırlıklarıyla bir YOLO modeli oluşturuyoruz. Ardından veri kümesi yapılandırmasını "coco8.yaml" olarak belirterek tune() yöntemini çağırıyoruz. "lr0" anahtarını ve tune.uniform(1e-5, 1e-2) değerini içeren bir sözlük kullanarak başlangıç öğrenme oranı lr0 için özel bir arama alanı sağlıyoruz. Son olarak epoch sayısı gibi ek eğitim bağımsız değişkenlerini epochs=50 olarak doğrudan tune yöntemine iletiyoruz.

Arama Algoritması Örneği#

Ray Tune arama stratejisini adına göre seçebilirsin. Dize tabanlı arama algoritmaları için Ultralytics, mevcut görevin varsayılan optimizasyon metriğini ve mode="max" değerini otomatik olarak kullanır. search_alg sağlanmazsa Ultralytics, paralelliği dikkate alan önerilerle Optuna çok değişkenli TPE kullanır.

from ultralytics import YOLO

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

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

Arayıcının örnekleyicisini özelleştirmen veya metriğini ve optimizasyon modunu geçersiz kılman gerekiyorsa dize yerine örneklenmiş bir Ray Tune arayıcı nesnesi ilet.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

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

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Ray Tune ile Kesintiye Uğramış Bir Hiperparametre Ayarlama Oturumunu Sürdürme#

Kesintiye uğramış bir Ray Tune oturumunu resume=True ileterek sürdürebilirsin. Sürdürmek için Ray Tune tarafından runs/{task} altında kullanılan name dizinini isteğe bağlı olarak iletebilirsin. Aksi takdirde son kesintiye uğrayan oturum sürdürülür. iterations ve space değerlerini yeniden sağlaman gerekmez; ancak data ve epochs dahil olmak üzere diğer eğitim bağımsız değişkenlerini yeniden sağlaman gerekir.

from ultralytics import YOLO

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

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Ray Tune Sonuçlarını İşleme#

Ray Tune ile bir hiperparametre ayarlama deneyi çalıştırdıktan sonra elde edilen sonuçlar üzerinde çeşitli analizler yapmak isteyebilirsin. Bu kılavuz, bu sonuçları işlemek ve analiz etmek için yaygın iş akışlarında sana yol gösterecektir.

Tune Deneyi Sonuçlarını Bir Dizinden Yükleme#

model.tune(use_ray=True), bir Ray ResultGrid nesnesi döndürür ve deneyi runs/{task}/tune altında ya da geçirdiğin name altında kaydeder. O sonuçları orijinal betik sonlandıktan sonra yüklemek için, oturumu devam ettir; bu işlem kaydedilen denemeleri geri yükler ve aynı ResultGrid nesnesini döndürür:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

Temel Deney Düzeyinde Analiz#

Denemelerin nasıl performans gösterdiğine genel bir bakış elde et. Denemeler sırasında hata oluşup oluşmadığını hızlıca kontrol edebilirsin.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Temel Deneme Düzeyinde Analiz#

Tek tek denemelerin hiperparametre yapılandırmalarına ve son raporlanan metriklerine eriş.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Bir Deneme İçin Raporlanan Metriklerin Tüm Geçmişini Çizme#

Metriklerin zaman içinde nasıl değiştiğini görmek için her denemenin raporlanan metrik geçmişini çizebilirsin.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

Özet#

Bu kılavuzda, Ultralytics kullanılarak Ray Tune ile çalıştırılan deneylerin sonuçlarını analiz etmek için yaygın iş akışlarını ele aldık. Temel adımlar arasında deney sonuçlarını bir dizinden yüklemek, temel deney ve deneme düzeyinde analiz yapmak ve metrikleri çizmek yer alır.

Hiperparametre ayarlama deneylerinden en iyi şekilde yararlanmak için Ray Tune'un Sonuçları Analiz Etme dokümantasyon sayfasını inceleyerek daha fazlasını keşfet.

SSS#