Ray Tune ve YOLO26 ile Verimli Hiperparametre Ayarlama#

Hiperparametre ayarlama, optimal hiperparametre kümesini keşfederek en yüksek model performansına ulaşmak için hayati önem taşır. Bu süreç, farklı hiperparametrelerle denemeler çalıştırmayı ve her bir denemenin performansını değerlendirmeyi içerir.

Ultralytics YOLO26 ve Ray Tune ile Ayarlamayı Hızlandırın#

Ultralytics YOLO26, YOLO26 model hiperparametrelerinin optimizasyonunu basitleştirerek hiperparametre ayarı için Ray Tune'u içerir. Ray Tune ile ayar sürecini hızlandırmak için gelişmiş arama stratejilerini, paralelliği ve erken durdurmayı kullanabilirsin.

Ray Tune#

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

Weights & Biases ile Entegrasyon#

YOLO26 ayrıca ayar sürecini izlemek için Weights & Biases ile isteğe bağlı entegrasyona izin verir.

Kurulum#

Gerekli paketleri kurmak 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() Yöntem Parametreleri#

YOLO26'daki tune() yöntemi, Ray Tune ile hiperparametre ayarı için kullanımı kolay bir arayüz sağlar. Ayar sürecini özelleştirmene olanak tanıyan çeşitli argümanlar kabul eder. Her parametrenin ayrıntılı açıklaması aşağıdadır:

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

Varsayılan Arama Uzayı Açıklaması#

Aşağıdaki tablo, Ray Tune ile YOLO26'da hiperparametre ayarı 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 uzayının nasıl kullanılacağını gösteriyoruz. Özel bir arama uzayı sağlayarak, ayarlama sürecini belirli hiperparametreler üzerinde yoğunlaştırabilirsin.

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,
)

"yolo26n.pt" ön eğitilmiş ağırlıklarıyla bir YOLO modeli oluştururuz. Ardından, "coco8.yaml" ile veri kümesi yapılandırmasını belirterek tune() yöntemini çağırırız. "lr0" anahtarına ve tune.uniform(1e-5, 1e-2) değerine sahip bir sözlük kullanarak başlangıç öğrenme hızı lr0 için özel bir arama alanı sağlarız. Son olarak, epoch sayısı gibi ek eğitim argümanlarını doğrudan epochs=50 olarak tune yöntemine geçiririz.

Arama Algoritması Örneği#

Bir Ray Tune arama stratejisini ada göre seçebilirsin. Dize tabanlı arama algoritmaları için Ultralytics, mevcut görevin varsayılan optimizasyon metriğini ve mode="max" değerini otomatik olarak kullanacaktır. search_alg sağlanmazsa, Ray Tune varsayılan rastgele arama stratejisi olan BasicVariantGenerator değerini 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 örneklendirilmiş bir Ray Tune arayıcı nesnesi geçir.

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 Oturumunu Sürdürme#

resume=True değerini geçirerek kesintiye uğrayan bir Ray Tune oturumunu devam ettirebilirsin. Devam etmek için isteğe bağlı olarak Ray Tune tarafından runs/{task} altında kullanılan name dizinini geçirebilirsin. Aksi takdirde, son kesintiye uğrayan oturumu devam ettirir. iterations ve space değerlerini tekrar sağlaman gerekmez, ancak data ve epochs dahil olmak üzere eğitim argümanlarının geri kalanını tekrar 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 akışları boyunca sana rehberlik edecektir.

Bir Dizinden Tune Deney Sonuçlarını Yükleme#

tuner.fit() ile ayar denemesini çalıştırdıktan sonra, sonuçları bir dizinden yükleyebilirsin. Bu, özellikle ilk eğitim betiği bittikten 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 Düzeyinde Analiz#

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 Düzeyinde Analiz#

Bireysel deneme hiperparametre yapılandırmalarına ve son bildirilen metriklerine 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 yürütülen deneylerin sonuçlarını analiz etmek için kullanılan yaygın iş akışlarını ele aldık. Temel adımlar arasında deney sonuçlarını bir dizinden yükleme, temel deney ve deneme düzeyinde analiz yapma ve metrikleri çizdirme yer alır.

Hiperparametre ayarı denemelerinden en iyi şekilde yararlanmak için Ray Tune'un Sonuçları Analiz Etme dokümantasyon sayfasına göz atarak daha fazlasını keşfet.

SSS#

YOLO26 modelimin hiperparametrelerini Ray Tune kullanarak nasıl ayarlayabilirim?#

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

1. Gerekli paketleri yükle:

   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 dokümantasyonuna 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. Eksiksiz bir liste ve daha fazla ayrıntı için Hiperparametre Ayarı kılavuzuna bak.

Weights & Biases'ı YOLO26 model ayarlamama nasıl entegre edebilirim?#

Weights & Biases (W&B) çözümünü Ultralytics YOLO26 ayarlama sürecine entegre etmek için:

1. W&B 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.

Neden YOLO26 ile hiperparametre optimizasyonu için Ray Tune kullanmalıyım?#

Ray Tune, hiperparametre optimizasyonu için birçok avantaj sunar:

• Gelişmiş Arama Stratejileri: Verimli parametre araması için Bayes Optimizasyonu ve HyperOpt gibi algoritmaları kullanır.
• Paralellik: Birden fazla denemenin paralel yürütülmesini destekler ve ayarlama sürecini önemli ölçüde hızlandırır.
• Erken Durdurma: Düşük performans gösteren denemeleri erkenden sonlandırmak için ASHA gibi stratejiler kullanır ve böylece hesaplama kaynaklarından tasarruf sağlar.

Ray Tune, Ultralytics YOLO26 ile sorunsuz bir şekilde bütünleşerek hiperparametreleri etkili bir şekilde ayarlamak için kullanımı kolay bir arayüz sağlar. Başlamak için Hiperparametre Ayarı 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, ayar süreci boyunca keşfedilecek başlangıç öğrenme oranı ve momentum gibi hiperparametrelerin aralığını özelleştirir. Gelişmiş yapılandırmalar için Özel Arama Alanı Örneği bölümüne bak.