YOLO26'nın TensorBoard Entegrasyonuyla Görsel İçgörüler Edin#

bilgisayarlı görü modelleri ve Ultralytics YOLO26 gibi modelleri daha yakından incelediğinde anlamak ve ince ayar yapmak daha kolay hale gelir. Model eğitimi görselleştirmesi, modelin öğrenme örüntüleri, performans metrikleri ve genel davranışı hakkında içgörüler edinmene yardımcı olur. YOLO26'nın TensorBoard entegrasyonu, bu görselleştirme ve analiz sürecini kolaylaştırarak modelde daha verimli ve bilinçli ayarlamalar yapmanı sağlar.

Bu kılavuzda TensorBoard'u YOLO26 ile nasıl kullanacağını ele alıyoruz. Metrikleri takip etmekten model grafiklerini analiz etmeye kadar çeşitli görselleştirmeler hakkında bilgi edineceksin. Bu araçlar, YOLO26 modelinin performansını daha iyi anlamana yardımcı olur.

TensorBoard#

TensorBoard, TensorFlow'un görselleştirme araç seti, makine öğrenimi deneyleri için vazgeçilmezdir. TensorBoard, makine öğrenimi modellerini izlemek için kritik öneme sahip çeşitli görselleştirme araçları sunar. Bu araçlar arasında kayıp ve doğruluk gibi temel metrikleri takip etme, model grafiklerini görselleştirme ve ağırlıklarla bias değerlerinin zaman içindeki histogramlarını görüntüleme yer alır. Ayrıca embedding'leri daha düşük boyutlu uzaylara yansıtma ve multimedya verilerini görüntüleme olanağı da sağlar.

TensorBoard ile YOLO26 Eğitimi#

YOLO26 modellerini eğitirken TensorBoard'u kullanmak kolaydır ve önemli avantajlar sunar.

Kurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard isteğe bağlı bir bağımlılıktır. Kurulumdan sonra callback'i yolo settings tensorboard=True ile bir kez etkinleştir; bu ayar sonraki eğitim çalıştırmaları için kalıcı olur.

Yükleme süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Yükleme kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Google Colab için TensorBoard'u Yapılandırma#

Google Colab kullanırken eğitim kodunu çalıştırmaya başlamadan önce TensorBoard'u ayarlamak önemlidir:

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Kullanım#

Kullanım talimatlarına geçmeden önce Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olur.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Yukarıdaki kullanım kodu parçacığını çalıştırdığında aşağıdaki çıktıyı görmeyi bekleyebilirsin:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Bu çıktı, TensorBoard'un artık YOLO26 eğitim oturumunu etkin bir şekilde izlediğini gösterir. Gerçek zamanlı eğitim metriklerini ve model performansını görüntülemek için TensorBoard panosuna localhost:6006 adresinden erişebilirsin. Google Colab üzerinde çalışan kullanıcılar için TensorBoard, TensorBoard yapılandırma komutlarını çalıştırdığın hücrede görüntülenir.

Model eğitimi süreci hakkında daha fazla bilgi için YOLO26 Model Eğitimi kılavuzumuza göz atmayı unutma. Günlük kaydı, checkpoint'ler, çizim ve dosya yönetimi hakkında daha fazla bilgi edinmek istiyorsan yapılandırma kullanım kılavuzumuzu oku.

YOLO26 Eğitimi için TensorBoard'unu Anlama#

Şimdi TensorBoard'un YOLO26 eğitimi bağlamındaki çeşitli özelliklerine ve bileşenlerine odaklanalım. TensorBoard'un üç temel bölümü Time Series, Scalars ve Graphs'tir.

Time Series#

TensorBoard'daki Time Series özelliği, YOLO26 modelleri için çeşitli eğitim metriklerinin zaman içindeki dinamik ve ayrıntılı bir görünümünü sunar. Metriklerin eğitim epoch'ları boyunca ilerleyişine ve eğilimlerine odaklanır. Aşağıda görebileceğin bir örnek yer alıyor.

TensorBoard'da Time Series'in Temel Özellikleri#

• Etiketleri Filtreleme ve Kartları Sabitleme: Bu işlev, kullanıcıların belirli metrikleri filtrelemesine ve hızlı karşılaştırma ve erişim için kartları sabitlemesine olanak tanır. Özellikle eğitim sürecinin belirli yönlerine odaklanmak için kullanışlıdır.

• Ayrıntılı Metrik Kartları: Time Series, metrikleri öğrenme oranı (lr), eğitim (train) ve doğrulama (val) metrikleri gibi farklı kategorilere ayırır ve her birini ayrı kartlarla gösterir.

• Grafiksel Görüntüleme: Time Series bölümündeki her kart, eğitim süreci boyunca belirli bir metriğin ayrıntılı grafiğini gösterir. Bu görsel gösterim, eğitim sürecindeki eğilimleri, örüntüleri veya anormallikleri belirlemeye yardımcı olur.

• Derinlemesine Analiz: Time Series her metriğin derinlemesine analizini sunar. Örneğin farklı öğrenme oranı bölümleri gösterilerek öğrenme oranındaki ayarlamaların modelin öğrenme eğrisini nasıl etkilediğine dair içgörüler sağlanır.

YOLO26 Eğitiminde Time Series'in Önemi#

Time Series bölümü, YOLO26 modelinin eğitim ilerlemesinin kapsamlı analizi için gereklidir. Metrikleri gerçek zamanlı olarak takip ederek sorunları hızlıca belirleyip çözmeni sağlar. Ayrıca her metriğin ilerleyişini ayrıntılı biçimde gösterir; bu da modelde ince ayar yapmak ve performansını artırmak için kritik öneme sahiptir.

Scalars#

TensorBoard'daki Scalars, YOLO26 modellerinin eğitimi sırasında kayıp ve doğruluk gibi basit metrikleri çizmek ve analiz etmek için kritik öneme sahiptir. Bu metriklerin her eğitim epoch'u ile nasıl değiştiğini açık ve öz biçimde göstererek modelin öğrenme verimliliği ve kararlılığı hakkında içgörüler sunar. Aşağıda görebileceğin bir örnek yer alıyor.

TensorBoard'da Scalars'ın Temel Özellikleri#

• Öğrenme Oranı (lr) Etiketleri: Bu etiketler, farklı bölümlerdeki öğrenme oranı değişikliklerini gösterir (ör. pg0, pg1, pg2). Bu, öğrenme oranı ayarlamalarının eğitim süreci üzerindeki etkisini anlamana yardımcı olur.

• Metrik Etiketleri: Scalars, aşağıdaki gibi performans göstergelerini içerir:

  • mAP50 (B): %50 Intersection over Union (IoU) değerindeki Ortalama Ortalama Precision; nesne algılama doğruluğunu değerlendirmek için kritik bir metriktir.

  • mAP50-95 (B): IoU eşiklerinin bir aralığı üzerinden hesaplanan Ortalama Ortalama Precision; doğruluğun daha kapsamlı değerlendirilmesini sağlar.

  • Precision (B): Doğru tahmin edilen pozitif gözlemlerin oranını gösterir; tahmin doğruluğunu anlamak için önemlidir.

  • Recall (B): Bir algılamanın kaçırılmasının önemli olduğu modeller için kritik olan bu metrik, ilgili tüm örnekleri algılama becerisini ölçer.

  • Farklı metrikler hakkında daha fazla bilgi edinmek için performans metrikleri kılavuzumuzu okuyabilirsin.

• Eğitim ve Doğrulama Etiketleri (train, val): Bu etiketler özellikle eğitim ve doğrulama veri kümelerine ait metrikleri göstererek model performansının farklı veri kümeleri arasındaki karşılaştırmalı analizine olanak tanır.

Scalars'ı İzlemenin Önemi#

Skaler metrikleri gözlemlemek, YOLO26 modelinde ince ayar yapmak için kritik öneme sahiptir. Kayıp grafiklerindeki ani yükselişler veya düzensiz örüntüler gibi bu metriklerdeki değişiklikler overfitting, underfitting veya uygun olmayan öğrenme oranı ayarları gibi olası sorunları ortaya çıkarabilir. Bu skalerleri yakından izleyerek eğitim sürecini optimize etmek, modelin etkili biçimde öğrenmesini ve hedeflenen performansa ulaşmasını sağlamak için bilinçli kararlar verebilirsin.

Scalars ve Time Series Arasındaki Fark#

TensorBoard'daki Scalars ve Time Series metrikleri takip etmek için kullanılsa da amaçları biraz farklıdır. Scalars; kayıp ve doğruluk gibi basit metrikleri skaler değerler olarak çizmeye odaklanır. Bu metriklerin her eğitim epoch'unda nasıl değiştiğine dair üst düzey bir genel bakış sunar. Buna karşılık TensorBoard'un time-series bölümü, çeşitli metriklerin zaman çizelgesine dayalı daha ayrıntılı bir görünümünü sağlar. Metriklerin zaman içindeki ilerlemesini ve eğilimlerini izlemek, eğitim sürecinin ayrıntılarını daha derinlemesine incelemek için özellikle kullanışlıdır.

Graphs#

TensorBoard'un Graphs bölümü, YOLO26 modelinin hesaplama grafiğini görselleştirerek işlemlerin ve verilerin model içinde nasıl aktığını gösterir. Modelin yapısını anlamak, tüm katmanların doğru bağlandığından emin olmak ve veri akışındaki olası darboğazları belirlemek için güçlü bir araçtır. Aşağıda görebileceğin bir örnek yer alıyor.

Graphs, özellikle derin öğrenme modellerinde YOLO26'da sıkça görülen karmaşık mimariler için modelde hata ayıklamada oldukça kullanışlıdır. Katman bağlantılarını ve modelin genel tasarımını doğrulamaya yardımcı olur.

Özet#

Bu kılavuz, makine öğrenimi modeli eğitiminin görselleştirilmesi ve analizi için TensorBoard'u YOLO26 ile kullanmana yardımcı olmayı amaçlar. Temel TensorBoard özelliklerinin YOLO26 eğitim oturumları sırasında eğitim metrikleri ve model performansı hakkında nasıl içgörüler sağlayabileceğini açıklamaya odaklanır.

Bu özellikleri ve etkili kullanım stratejilerini daha ayrıntılı incelemek için TensorFlow'un resmi TensorBoard belgelerine ve GitHub deposuna başvurabilirsin.

Ultralytics'in çeşitli entegrasyonları hakkında daha fazla bilgi edinmek ister misin? Başka hangi heyecan verici özelliklerin keşfedilmeyi beklediğini görmek için Ultralytics entegrasyonları kılavuz sayfasına göz at!

SSS#