Link to this sectionRay 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.

Link to this sectionUltralytics YOLO26 ve Ray Tune ile Ayarlamayı Hızlandırın#

Ultralytics YOLO26, hiperparametre ayarlama için Ray Tune'u bünyesinde barındırarak YOLO26 model hiperparametrelerinin optimizasyonunu kolaylaştırır. Ray Tune ile ayarlama sürecini hızlandırmak için gelişmiş arama stratejilerinden, paralelleştirmeden ve erken durdurmadan faydalanabilirsin.

Link to this sectionRay Tune#

Ray Tune, verimlilik ve esneklik için tasarlanmış bir hiperparametre ayarlama kütüphanesidir. Çeşitli arama stratejilerini, paralelleştirmeyi ve erken durdurma stratejilerini destekler ve Ultralytics YOLO26 dahil olmak üzere popüler machine learning çerçeveleriyle sorunsuz bir şekilde entegre olur.

Link to this sectionWeights & Biases ile Entegrasyon#

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

Link to this sectionKurulum#

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

Link to this sectionKullanım#

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)

Link to this sectiontune() Metot Parametreleri#

YOLO26 içindeki tune() metodu, Ray Tune ile hiperparametre ayarlama için kullanımı kolay bir arayüz sağlar. Ayarlama sürecini özelleştirmeni sağlayan çeşitli argümanları kabul eder. Aşağıda her bir parametrenin detaylı açıklaması bulunmaktadır:

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

Link to this sectionVarsayılan Arama Uzayı Açıklaması#

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

Link to this sectionÖzel 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,
)

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.

Link to this sectionArama Algoritması Örneği#

Bir Ray Tune arama stratejisini ismine göre seçebilirsin. Dize tabanlı arama algoritmaları için Ultralytics otomatik olarak mevcut görevin varsayılan optimizasyon metriğini ve mode="max" ayarını kullanacaktır. Eğer 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, 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,
)

Link to this sectionRay Tune ile Kesintiye Uğrayan Hiperparametre Ayarlama Oturumunu Sürdürme#

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)

Link to this sectionRay 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.

Link to this sectionBir Dizinden Tune Deney Sonuçlarını Yükleme#

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

Link to this sectionTemel 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!")

Link to this sectionTemel 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}")

Link to this sectionBir 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()

Link to this sectionÖzet#

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 ayarlama deneylerinden en iyi şekilde yararlanmak için Ray Tune'un Analyze Results doküman sayfasına göz atarak daha fazlasını keşfet.

Link to this sectionSSS#

Link to this sectionYOLO26 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 stratejilerinden ve paralellikten yararlanır. Daha fazla bilgi için Ray Tune belgelerine göz at.

Link to this sectionRay 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 başvur.

Link to this sectionWeights & 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.

Link to this sectionNeden YOLO26 ile hiperparametre optimizasyonu için Ray Tune kullanmalıyım?#

Ray Tune, hiperparametre optimizasyonu için birçok avantaj sunar:

• Gelişmiş Arama Stratejileri: Verimli parametre araması için Bayesian Optimization ve HyperOpt gibi algoritmalar 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 entegre olur ve hiperparametreleri etkili bir şekilde ayarlamak için kullanımı kolay bir arayüz sağlar. Başlamak için Hiperparametre Ayarlama kılavuzuna göz at.

Link to this sectionYOLO26 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 süreci sırasında keşfedilecek başlangıç öğrenme oranı ve momentum gibi hiperparametrelerin aralığını özelleştirir. Gelişmiş yapılandırmalar için Özel Arama Alanı Örneği bölümüne başvur.