Ray Tune ve YOLO26 ile Verimli Hiperparametre Ayarı

Hiperparametre ayarı, en uygun hiperparametre setini keşfederek modelin en yüksek performansa ulaşmasını sağlamak için hayati önem taşır. Bu süreç, farklı hiperparametrelerle denemeler yapmayı ve her denemenin performansını değerlendirmeyi içerir.

Ultralytics YOLO26 ve Ray Tune ile Ayarlamayı Hızlandırın

Ultralytics YOLO26, hiperparametre ayarı için Ray Tune'u bünyesinde barındırır ve YOLO26 model hiperparametrelerinin optimizasyonunu kolaylaştırır. Ray Tune ile ayarlama sürecini hızlandırmak için gelişmiş arama stratejilerinden, paralellikten ve erken durdurma özelliğinden 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 dahil olmak üzere popüler makine öğrenimi çerçeveleriyle sorunsuz bir şekilde entegre olur.

Weights & Biases ile Entegrasyon

YOLO26 ayrıca ayarlama sürecini izlemek için Weights & Biases ile isteğe bağlı entegrasyona olanak tanır.

Kurulum

Gerekli paketleri yüklemek için şunu çalıştır:

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

# Optionally install W&B for logging
pip install wandb

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() Metot Parametreleri

YOLO26'daki tune() metodu, Ray Tune ile hiperparametre ayarı için kullanımı kolay bir arayüz sağlar. Ayarlama sürecini özelleştirmeni sağlayan çeşitli argümanları kabul eder. Aşağıda her parametrenin ayrıntılı açıklaması yer almaktadır:

Bu parametreleri özelleştirerek, hiperparametre optimizasyon sürecini özel ihtiyaçlarına ve mevcut hesaplama kaynaklarına göre ince ayar yapabilirsin.

Varsayılan Arama Uzayı Açıklaması

Aşağıdaki tablo, Ray Tune ile YOLO26'da hiperparametre ayarı için varsayılan arama uzayı parametrelerini listeler. Her parametre, tune.uniform() ile tanımlanan belirli bir değer aralığına sahiptir.

Özel Arama Uzayı Örneği

Bu örnekte, Ray Tune ve YOLO26 ile hiperparametre ayarı için özel bir arama uzayının nasıl kullanılacağını gösteriyoruz. Özel bir arama uzayı 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,
)

In the code snippet above, we create a YOLO model with the "yolo26n.pt" pretrained weights. Then, we call the tune() method, specifying the dataset configuration with "coco8.yaml". We provide a custom search space for the initial learning rate lr0 using a dictionary with the key "lr0" and the value tune.uniform(1e-5, 1e-2). Finally, we pass additional training arguments, such as the number of epochs directly to the tune method as epochs=50.

Arama Algoritması Örneği

İsme göre bir Ray Tune arama stratejisi seçebilirsin. Dizge tabanlı arama algoritmaları için Ultralytics, otomatik olarak mevcut görevin varsayılan optimizasyon metriğini ve mode="max" ayarını kullanacaktır. search_alg sağlanmazsa, Ray Tune varsayılan rastgele arama stratejisi olan BasicVariantGenerator'ı 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, dizge yerine örneklenmiş bir Ray Tune arayıcı nesnesi aktar.

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 Uğrayan Hiperparametre Ayarlama Oturumuna Devam Etme

You can resume an interrupted Ray Tune session by passing resume=True. You can optionally pass the directory name used by Ray Tune under runs/{task} to resume. Otherwise, it would resume the last interrupted session. You don't need to provide the iterations and space again, but you need to provide the rest of the training arguments again including data and epochs.

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.

Bir Dizin İçinden Tune Deney Sonuçlarını Yükleme

tuner.fit() ile ayarlama deneyi çalıştırdıktan sonra, sonuçları bir dizinden yükleyebilirsin. Bu, özellikle ilk eğitim betiği kapandıktan sonra analiz yapıyorsan yararlıdır.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Temel Deney Seviyesi Analizi

Denemelerin nasıl performans gösterdiğine dair genel bir bakış elde et. Denemeler sırasında herhangi bir hata olup olmadığını hızlıca kontrol edebilirsin.

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

Temel Deneme Seviyesi Analizi

Bireysel deneme hiperparametre yapılandırmalarına ve en son bildirilen metriklere eriş.

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

Bir Deneme İçin Bildirilen Metriklerin Tüm Geçmişini Çizdirme

Metriklerin zaman içinde nasıl geliştiğini görmek için her deneme için 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["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Özet

Bu kılavuzda, Ultralytics kullanarak Ray Tune ile çalıştırılan deneylerin sonuçlarını analiz etmek için yaygın iş akışlarını ele aldık. Temel adımlar arasında deney sonuçlarını bir dizinden yükleme, temel deney seviyesi ve deneme seviyesi analizi yapma ve metrikleri çizdirme yer alır.

Hiperparametre ayarlama deneylerinden en iyi şekilde yararlanmak için Ray Tune'un Sonuçları Analiz Et belgeleri sayfasına göz atarak daha fazlasını keşfet.

SSS

YOLO26 modelimin hiperparametrelerini Ray Tune kullanarak nasıl ayarlarım?

Ultralytics YOLO26 modelinin hiperparametrelerini Ray Tune kullanarak ayarlamak için şu adımları izle:

1. Gerekli paketleri kur:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging

2. YOLO26 modelini yükle ve ayarlamaya başla:

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Bu, modelinin hiperparametrelerini verimli bir şekilde optimize etmek için Ray Tune'un gelişmiş arama stratejilerini ve paralelliğini kullanır. Daha fazla bilgi için Ray Tune belgelerine göz at.

Ray Tune ile YOLO26 ayarlaması için varsayılan hiperparametreler nelerdir?

Ultralytics YOLO26, Ray Tune ile ayarlama için şu varsayılan hiperparametreleri kullanır:

Bu hiperparametreler, özel ihtiyaçlarına uyacak şekilde özelleştirilebilir. Tam liste ve daha fazla detay için Hiperparametre Ayarlama kılavuzuna göz at.

Weights & Biases'i YOLO26 model ayarlamama nasıl entegre edebilirim?

Weights & Biases (W&B) aracını Ultralytics YOLO26 ayarlama sürecinle entegre etmek için:

1. W&B'yi yükle:

   pip install wandb

2. Ayarlama betiğini değiştir:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Bu kurulum, ayarlama sürecini izlemeni, hiperparametre yapılandırmalarını takip etmeni ve sonuçları W&B içinde görselleştirmeni sağlayacaktır.

YOLO26 ile hiperparametre optimizasyonu için neden Ray Tune kullanmalıyım?

Ray Tune, hiperparametre optimizasyonu için sayısız avantaj sunar:

• Gelişmiş Arama Stratejileri: Verimli parametre arayışı için Bayesian Optimization ve HyperOpt gibi algoritmalar kullanır.
• Paralellik: Birden fazla denemenin paralel yürütülmesini destekleyerek ayarlama sürecini önemli ölçüde hızlandırır.
• Erken Durdurma: Düşük performans gösteren denemeleri erkenden sonlandırmak için ASHA gibi stratejiler kullanarak hesaplama kaynaklarından tasarruf sağlar.

Ray Tune, Ultralytics YOLO26 ile sorunsuz bir şekilde entegre olur ve hiperparametreleri etkili bir şekilde ayarlamak için kullanımı kolay bir arayüz sağlar. Başlamak için Hiperparametre Ayarlama kılavuzuna göz at.

YOLO26 hiperparametre ayarlaması için nasıl özel bir arama alanı tanımlayabilirim?

Ray Tune ile YOLO26 hiperparametre ayarlaman için özel bir arama alanı tanımlamak için:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Bu, ayarlama sürecinde keşfedilecek başlangıç öğrenme oranı ve momentum gibi hiperparametrelerin aralığını özelleştirir. Gelişmiş yapılandırmalar için Özel Arama Alanı Örneği bölümüne bak.