Ray Tune ve YOLO26 ile Verimli Hiperparametre Ayarı#

Hiperparametre ayarı, en uygun hiperparametre kümesini keşfederek model performansını en üst düzeye çıkarmada kritik öneme sahiptir. Bu süreç, farklı hiperparametrelerle denemeler yürütmeyi ve her denemenin performansını değerlendirmeyi içerir.

Ultralytics YOLO26 ve Ray Tune ile Ayarı Hızlandır#

Ultralytics YOLO26, hiperparametre ayarı için Ray Tune'u kullanarak YOLO26 modelinin hiperparametrelerini optimize etme sürecini kolaylaştırır. Ray Tune ile ayar sürecini hızlandırmak için gelişmiş arama stratejilerinden, paralellikten ve erken durdurmadan yararlanabilirsin.

Ray Tune#

Ray Tune, verimlilik ve esneklik için tasarlanmış bir hiperparametre ayarlama kütüphanesidir. Çeşitli arama stratejilerini, paralelliği ve erken durdurma stratejilerini destekler ve Ultralytics YOLO26 dâhil olmak üzere popüler makine öğrenimi çerçeveleriyle sorunsuz bir şekilde bütünleşir.

Weights & Biases ile Entegrasyon#

YOLO26, ayar 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

# Bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# COCO8 veri kümesinde YOLO26n eğitimi için hiperparametreleri ayarlamaya başla
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Yönteminin Parametreleri#

YOLO26'daki tune() yöntemi, Ray Tune ile hiperparametre ayarı için kullanımı kolay bir arayüz sağlar. Ayar sürecini özelleştirmene olanak tanıyan çeşitli bağımsız değişkenleri kabul eder. Aşağıda her parametrenin ayrıntılı açıklaması yer alıyor:

Bu parametreleri özelleştirerek hiperparametre optimizasyonu sürecini kendi ihtiyaçlarına ve mevcut hesaplama kaynaklarına göre ince ayarlayabilirsin.

Varsayılan Arama Alanı Açıklaması#

Aşağıdaki tabloda, Ray Tune ile YOLO26'da hiperparametre ayarı için varsayılan arama uzayı parametreleri listelenmektedir. Her parametrenin belirli bir değer aralığı tune.uniform() tarafından tanımlanır; close_mosaic ise tune.randint() kullanır.

Özel Arama Alanı Örneği#

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

from ray import tune

from ultralytics import YOLO

# Bir YOLO modeli tanımla
model = YOLO("yolo26n.pt")

# Modelde Ray Tune'u çalıştır
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 ağırlıklarını kullanan bir YOLO modeli oluşturuyoruz. Ardından veri kümesi yapılandırmasını "coco8.yaml" olarak belirterek tune() yöntemini çağırıyoruz. Sözlükte anahtar olarak "lr0", değer olarak tune.uniform(1e-5, 1e-2) kullanıp lr0 başlangıç öğrenme oranı için özel bir arama alanı sağlıyoruz. Son olarak, epoch sayısı gibi ek eğitim bağımsız değişkenlerini epochs=50 olarak doğrudan ayarlama yöntemine iletiyoruz.

Arama Algoritması Örneği#

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

from ultralytics import YOLO

# Bir YOLO modeli tanımla
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

# Bir YOLO modeli tanımla
model = YOLO("yolo26n.pt")

# Bir arayıcı tanımla
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 Uğrayan Hiperparametre Ayarı Oturumunu Sürdürme#

resume=True ileterek kesintiye uğramış bir Ray Tune oturumunu sürdürebilirsin. Oturumu sürdürmek için Ray Tune'un runs/{task} altında kullandığı name dizinini isteğe bağlı olarak iletebilirsin. Aksi takdirde, en son kesintiye uğramış oturum sürdürülür. iterations ve space değerlerini yeniden sağlaman gerekmez; ancak data ve epochs dâhil olmak üzere diğer eğitim bağımsız değişkenlerini yeniden sağlaman gerekir.

from ultralytics import YOLO

# Bir YOLO modeli tanımla
model = YOLO("yolo26n.pt")

# Önceki çalıştırmayı sürdür
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# 'tune_exp_2' adlı Ray Tune çalışmasını sürdür
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 ayarı deneyi yürüttükten sonra elde edilen sonuçlar üzerinde çeşitli analizler yapmak isteyebilirsin. Bu kılavuz, bu sonuçları işleme ve analiz etmeye yönelik yaygın iş akışlarında sana yol gösterecek.

Tune Deneyi Sonuçlarını Bir Dizinden Yükleme#

model.tune(use_ray=True), bir Ray ResultGrid döndürür ve deneyi runs/{task}/tune altında ya da ilettiğin name konumunda kaydeder. Özgün betik kapandıktan sonra bu sonuçları yüklemek için oturumu sürdür; böylece kaydedilen denemeler geri yüklenir ve aynı ResultGrid döndürülür:

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 edin. 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#

Denemelere ait hiperparametre yapılandırmalarına ve son bildirilen metriklere eriş.

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

Bir Denemenin Bildirilen Metriklerinin Tüm Geçmişini Çizme#

Metriklerin zaman içinde nasıl değiştiğini görmek için her denemede bildirilen metriklerin 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 yürütülen deneylerin sonuçlarını analiz etmeye yönelik yaygın iş akışlarını ele aldık. Temel adımlar; deney sonuçlarını bir dizinden yüklemeyi, deney ve deneme düzeyinde temel analiz yapmayı ve metrikleri çizmeyi içerir.

Hiperparametre ayarı deneylerinden en iyi şekilde yararlanmak için Ray Tune'un Sonuçları Analiz Etme dokümantasyon sayfasına göz at.

Sık Sorulan Sorular#