YOLO26'nın TensorBoard Entegrasyonuyla Görsel İçgörüler Edin#

Bilgisayarlı görü modellerinin ve Ultralytics YOLO26 gibi modellerin eğitim süreçlerine yakından baktığında, bu modelleri anlamak ve ince ayar yapmak daha kolay hale gelir. Model eğitimi görselleştirmesi; modelin öğrenme örüntüleri, performans ölçütleri ve genel davranışı hakkında içgörü edinmene yardımcı olur. YOLO26'nın TensorBoard entegrasyonu, bu görselleştirme ve analiz sürecini kolaylaştırır ve modelde daha verimli, bilinçli düzenlemeler yapılmasını sağlar.

Bu kılavuzda TensorBoard'u YOLO26 ile nasıl kullanacağını öğreneceksin. Ölçütleri takip etmekten model grafiklerini incelemeye kadar çeşitli görselleştirmeler hakkında bilgi edineceksin. Bu araçlar, YOLO26 modelinin performansını daha iyi anlamana yardımcı olacak.

TensorBoard#

TensorBoard, TensorFlow'un görselleştirme araç setidir ve makine öğrenimi deneyleri için vazgeçilmezdir. TensorBoard, makine öğrenimi modellerini izlemek için kritik önem taşıyan çeşitli görselleştirme araçları sunar. Bu araçlar; kayıp ve doğruluk gibi temel ölçütleri izlemeyi, model grafiklerini görselleştirmeyi ve zaman içindeki ağırlık ve sapma histogramlarını görüntülemeyi içerir. Ayrıca gömme vektörlerini daha düşük boyutlu uzaylara yansıtma ve çoklu ortam verilerini görüntüleme özellikleri de sunar.

TensorBoard ile YOLO26 Eğitimi#

YOLO26 modellerini eğitirken TensorBoard'u kullanmak kolaydır ve önemli faydalar sağlar.

Kurulum#

Gerekli paketi yüklemek için şu komutu çalıştır:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard isteğe bağlı bir bağımlılıktır. Kurulumdan sonra geri çağırımı yolo settings tensorboard=True ile bir kez etkinleştir; ayar sonraki eğitim çalıştırmaları için de geçerli olur.

Yükleme sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum kılavuzumuza göz at. 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 ayarlaman önemlidir:

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

Kullanım#

Kullanım yönergelerine geçmeden önce Ultralytics'in sunduğu YOLO26 model çeşitlerine göz at. Bu, proje gereksinimlerine en uygun modeli seçmene yardımcı olur.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Önceden eğitilmiş bir modeli yükle
model = YOLO("yolo26n.pt")

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

Yukarıdaki kullanım kodu parçacığını çalıştırdığında aşağıdaki çıktıyı görmeyi bekleyebilirsin:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

Bu çıktı, TensorBoard'un artık YOLO26 eğitim oturumunu etkin biçimde izlediğini gösterir. Gerçek zamanlı eğitim ölçütlerini ve model performansını görüntülemek için TensorBoard panosuna localhost:6006 adresinden erişebilirsin. Google Colab kullananlar için TensorBoard, TensorBoard yapılandırma komutlarını çalıştırdığın hücrede görüntülenir.

Model eğitimi süreciyle ilgili daha fazla bilgi için YOLO26 Model Eğitimi kılavuzumuza göz at. Günlük kaydı, kontrol noktaları, çizimler ve dosya yönetimi hakkında daha fazla bilgi edinmek istiyorsan yapılandırma kullanım kılavuzumuzu oku.

YOLO26 Eğitimi için TensorBoard'u Anlama#

Şimdi, YOLO26 eğitimi bağlamında TensorBoard'un çeşitli özelliklerini ve bileşenlerini anlamaya odaklanalım. TensorBoard'un üç temel bölümü Zaman Serileri, Skalerler ve Grafikler'dir.

Zaman Serileri#

TensorBoard'daki Zaman Serileri özelliği, YOLO26 modelleri için çeşitli eğitim ölçütlerinin zaman içindeki değişimine dinamik ve ayrıntılı bir bakış sunar. Eğitim dönemleri boyunca ölçütlerin ilerleyişine ve eğilimlerine odaklanır. Görebileceklerine dair bir örnek:

TensorBoard'daki Zaman Serilerinin Temel Özellikleri#

• Etiketleri Filtreleme ve Kartları Sabitleme: Bu özellik, kullanıcıların belirli ölçütleri filtrelemesine ve hızlı karşılaştırma ve erişim için kartları sabitlemesine olanak tanır. Eğitim sürecinin belirli yönlerine odaklanmak için özellikle kullanışlıdır.

• Ayrıntılı Ölçüt Kartları: Zaman Serileri, ölçütleri öğrenme oranı (lr), eğitim (train) ve doğrulama (val) ölçütleri gibi farklı kategorilere ayırır ve her birini ayrı bir kartta gösterir.

• Grafiksel Gösterim: Zaman Serileri bölümündeki her kart, eğitim süreci boyunca belirli bir ölçütün ayrıntılı grafiğini gösterir. Bu görsel gösterim, eğitim sürecindeki eğilimleri, örüntüleri veya anormallikleri belirlemeye yardımcı olur.

• Derinlemesine Analiz: Zaman Serileri, her ölçütün derinlemesine analizini sunar. Örneğin farklı öğrenme oranı aralıkları gösterilerek öğrenme oranındaki ayarlamaların modelin öğrenme eğrisini nasıl etkilediğine dair içgörüler sağlanır.

YOLO26 Eğitiminde Zaman Serilerinin Önemi#

Zaman Serileri bölümü, YOLO26 modelinin eğitim ilerlemesini kapsamlı biçimde analiz etmek için önemlidir. Ölçütleri gerçek zamanlı olarak takip ederek sorunları hızla belirlemeni ve çözmeni sağlar. Ayrıca her ölçütün ilerleyişini ayrıntılı biçimde gösterir; bu da modele ince ayar yapmak ve performansını artırmak için kritik öneme sahiptir.

Skalerler#

TensorBoard'daki Skalerler, YOLO26 modellerinin eğitimi sırasında kayıp ve doğruluk gibi basit ölçütleri çizmek ve analiz etmek için kritik öneme sahiptir. Bu skalerler, her eğitim döneminde bu ölçütlerin nasıl değiştiğine dair net ve özlü bir görünüm sunarak modelin öğrenme etkinliği ve kararlılığı hakkında içgörü sağlar. Görebileceklerine dair bir örnek:

TensorBoard'daki Skalerlerin Temel Özellikleri#

• Öğrenme Oranı (lr) Etiketleri: Bu etiketler, öğrenme oranının farklı bölümlerdeki değişimlerini gösterir (ör. lr/pg0, lr/pg1, lr/pg2). Bu sayede öğrenme oranı ayarlamalarının eğitim sürecine etkisini anlayabilirsin.

• Metrik Etiketleri: Skalerler aşağıdakiler gibi performans göstergelerini içerir:

  • metrics/mAP50(B): %50 Kesişim Üzerine Birleşim (IoU) oranındaki Ortalama Kesinlik; nesne algılama doğruluğunu değerlendirmek için kritik öneme sahiptir.

  • metrics/mAP50-95(B): IoU eşiklerinin bir aralığında hesaplanan Ortalama Kesinlik, doğruluğun daha kapsamlı biçimde değerlendirilmesini sağlar.

  • metrics/precision(B): Doğru tahmin edilen pozitif gözlemlerin oranını belirtir ve tahmin doğruluğunu anlamak açısından önemlidir.

  • metrics/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 oku.

• Eğitim ve Doğrulama Etiketleri (train, val): Bu etiketler, özellikle eğitim ve doğrulama veri kümelerine ait metrikleri göstererek model performansını farklı veri kümeleri arasında karşılaştırmalı olarak analiz etmeni sağlar.

Skalerleri İzlemenin Önemi#

Skaler metrikleri gözlemlemek, YOLO26 modeline ince ayar yapmak için kritik öneme sahiptir. Kayıp grafiklerindeki ani yükselişler veya düzensiz örüntüler gibi metrik değişimleri; aşırı öğrenme, yetersiz öğrenme veya uygun olmayan öğrenme oranı ayarları gibi olası sorunları ortaya çıkarabilir. Bu skalerleri yakından izleyerek eğitim sürecini optimize etmek, modelin etkili biçimde öğrenmesini ve istenen performansa ulaşmasını sağlamak için bilinçli kararlar verebilirsin.

Skalerler ile Zaman Serileri Arasındaki Fark#

TensorBoard'daki Skalerler ve Zaman Serileri metrikleri izlemek için kullanılsa da biraz farklı amaçlara hizmet eder. Skalerler, kayıp ve doğruluk gibi basit metrikleri skaler değerler olarak çizelgelemeye odaklanır. Bu metriklerin her eğitim dönemiyle nasıl değiştiğine dair genel bir bakış sunarlar. TensorBoard'daki zaman serileri bölümü ise çeşitli metriklerin daha ayrıntılı bir zaman çizelgesi görünümünü sunar. Metriklerin zaman içindeki ilerlemesini ve eğilimlerini izlemek için özellikle yararlıdır ve eğitim sürecinin ayrıntılarına daha derinlemesine bakmanı sağlar.

Grafikler#

TensorBoard'un Grafikler bölümü, YOLO26 modelinin hesaplama grafiğini görselleştirerek işlemlerin ve verilerin model içinde nasıl aktığını gösterir. Model yapısını anlamak, tüm katmanların doğru biçimde bağlandığından emin olmak ve veri akışındaki olası darboğazları belirlemek için güçlü bir araçtır. Aşağıda görebileceklerine bir örnek verilmiştir.

Grafikler, özellikle YOLO26 gibi derin öğrenme modellerinde yaygın olan karmaşık mimarilerde, model hatalarını ayıklamak için oldukça yararlıdır. Katman bağlantılarını ve modelin genel tasarımını doğrulamaya yardımcı olurlar.

Özet#

Bu kılavuz, makine öğrenimi modeli eğitimini görselleştirmek ve analiz etmek için TensorBoard'u YOLO26 ile kullanmana yardımcı olmayı amaçlar. YOLO26 eğitim oturumları sırasında temel TensorBoard özelliklerinin eğitim metrikleri ve model performansı hakkında nasıl fikir verebileceğini açıklar.

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

Ultralytics'in çeşitli entegrasyonları hakkında daha fazla bilgi edinmek ister misin? Keşfedilmeyi bekleyen başka hangi heyecan verici özellikler olduğunu görmek için Ultralytics entegrasyonları kılavuzu sayfasına göz at!

Sık Sorulan Sorular#