Link to this sectionYOLO26'nın TensorBoard Entegrasyonu ile Görsel İçgörüler Kazanın#

Understanding and fine-tuning computer vision models like Ultralytics' YOLO26 becomes more straightforward when you take a closer look at their training processes. Model training visualization helps with getting insights into the model's learning patterns, performance metrics, and overall behavior. YOLO26's integration with TensorBoard makes this process of visualization and analysis easier and enables more efficient and informed adjustments to the model.

Bu kılavuz, TensorBoard'un YOLO26 ile nasıl kullanılacağını kapsar. Metrik takibinden model grafiklerini analiz etmeye kadar çeşitli görselleştirmeler hakkında bilgi edineceksin. Bu araçlar, YOLO26 modelinin performansını daha iyi anlamana yardımcı olacaktır.

Link to this sectionTensorBoard#

TensorBoard, TensorFlow's visualization toolkit, is essential for machine learning experimentation. TensorBoard features a range of visualization tools, crucial for monitoring machine learning models. These tools include tracking key metrics like loss and accuracy, visualizing model graphs, and viewing histograms of weights and biases over time. It also provides capabilities for projecting embeddings to lower-dimensional spaces and displaying multimedia data.

Link to this sectionTensorBoard ile YOLO26 Eğitimi#

YOLO26 modellerini eğitirken TensorBoard kullanmak oldukça kolaydır ve önemli avantajlar sunar.

Link to this sectionKurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26 and Tensorboard
pip install ultralytics

TensorBoard, YOLO26 ile birlikte önceden yüklenmiş olarak gelir, bu da görselleştirme amaçları için ek kurulum gereksinimini ortadan kaldırır.

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum rehberimize göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar rehberimize başvur.

Link to this sectionGoogle Colab için TensorBoard Yapılandırması#

Google Colab kullanırken, eğitim kodunu başlatmadan önce TensorBoard'u ayarlaman önemlidir:

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

Link to this sectionKullanım#

Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesine göz attığından emin ol. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olacaktır.

# 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 kod parçacığını çalıştırdığında şu çıktıyı görmeyi bekleyebilirsin:

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

Bu çıktı, TensorBoard'un YOLO26 eğitim oturumunu aktif olarak izlediğini gösterir. Gerçek zamanlı eğitim metriklerini ve model performansını görüntülemek için localhost:6006 adresindeki TensorBoard paneline erişebilirsin. Google Colab ortamında çalışan kullanıcılar için TensorBoard, TensorBoard yapılandırma komutlarını çalıştırdığın aynı hücrede görüntülenecektir.

Model eğitimi süreciyle ilgili daha fazla bilgi için YOLO26 Model Eğitimi kılavuzumuza göz atmayı unutma. Günlük kaydı (logging), kontrol noktaları (checkpoints), çizim ve dosya yönetimi hakkında daha fazla bilgi edinmek istersen, yapılandırma üzerine kullanım kılavuzumuzu oku.

Link to this sectionYOLO26 Eğitimi için TensorBoard'unu Anlamak#

Şimdi, YOLO26 eğitimi bağlamında TensorBoard'un çeşitli özelliklerini ve bileşenlerini anlamaya odaklanalım. TensorBoard'un üç ana bölümü Zaman Serileri (Time Series), Skalerler (Scalars) ve Grafiklerdir (Graphs).

Link to this sectionZaman Serileri#

TensorBoard'daki Zaman Serileri özelliği, YOLO26 modelleri için zaman içindeki çeşitli eğitim metriklerinin dinamik ve ayrıntılı bir perspektifini sunar. Eğitim dönemleri (epochs) boyunca metriklerin ilerleyişine ve eğilimlerine odaklanır. İşte görmeyi bekleyebileceğin bir örnek.

Link to this sectionTensorBoard'da Zaman Serilerinin Temel Özellikleri#

• Etiketleri Filtrele ve Kartları Sabitle: Bu işlev, kullanıcıların belirli metrikleri filtrelemesine ve hızlı karşılaştırma ile erişim için kartları sabitlemesine olanak tanır. Eğitim sürecinin belirli yönlerine odaklanmak için özellikle yararlıdır.

• Ayrıntılı Metrik Kartları: Zaman Serileri; öğrenme oranı (lr), eğitim (train) ve doğrulama (val) metrikleri gibi metrikleri, her biri ayrı kartlarla temsil edilen farklı kategorilere ayırır.

• Grafiksel Görüntüleme: Zaman Serileri bölümündeki her kart, eğitim süresince belirli bir metriğin ayrıntılı bir grafiğini gösterir. Bu görsel temsil, eğitim sürecindeki eğilimleri, modelleri veya anormallikleri tanımlamaya yardımcı olur.

• Derinlemesine Analiz: Zaman Serileri, her metriğin derinlemesine analizini sağlar. Örneğin, farklı öğrenme oranı segmentleri gösterilerek, öğrenme oranındaki ayarlamaların modelin öğrenme eğrisini nasıl etkilediğine dair içgörüler sunulur.

Link to this sectionYOLO26 Eğitiminde Zaman Serilerinin Önemi#

Zaman Serileri bölümü, YOLO26 modelinin eğitim ilerleyişinin kapsamlı bir analizi için gereklidir. Metrikleri gerçek zamanlı olarak izlemeni sağlayarak sorunları anında tanımlamana ve çözmene olanak tanır. Ayrıca, modeli ince ayar yapmak ve performansını artırmak için kritik olan her metriğin ilerleyişinin ayrıntılı bir görünümünü sunar.

Link to this sectionSkalerler#

TensorBoard'daki Skalerler, YOLO26 modellerinin eğitimi sırasında kayıp (loss) ve doğruluk (accuracy) gibi basit metrikleri çizmek ve analiz etmek için çok önemlidir. Bu metriklerin her bir eğitim döneminde nasıl değiştiğine dair net ve öz bir görünüm sunarak, modelin öğrenme etkinliği ve kararlılığı hakkında içgörüler sağlar. İşte görmeyi bekleyebileceğin bir örnek.

Link to this sectionTensorBoard'da Skalerlerin Temel Özellikleri#

• Öğrenme Oranı (lr) Etiketleri: Bu etiketler, öğrenme oranındaki farklı segmentlerdeki (ör. pg0, pg1, pg2) değişimleri gösterir. Bu, öğrenme oranı ayarlamalarının eğitim süreci üzerindeki etkisini anlamamıza yardımcı olur.

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

  • mAP50 (B): Mean Average Precision at 50% Intersection over Union (IoU), crucial for assessing object detection accuracy.

  • mAP50-95 (B): Daha kapsamlı bir doğruluk değerlendirmesi sunan, çeşitli IoU eşikleri üzerinde hesaplanan Ortalama Ortalama Hassasiyet.

  • Precision (B): Doğru tahmin edilen pozitif gözlemlerin oranını belirtir, tahmin doğruluğunu anlamak için anahtardır.

  • Recall (B): Bir algılamayı kaçırmanın önemli olduğu modeller için önemlidir, bu metrik ilgili tüm örnekleri algılama yeteneğini ölçer.

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

• Eğitim ve Doğrulama Etiketleri (train, val): Bu etiketler, eğitim ve doğrulama veri kümeleri için metrikleri özel olarak görüntüler ve model performansının farklı veri kümeleri genelinde karşılaştırmalı bir analizine olanak tanır.

Link to this sectionSkalerleri İzlemenin Önemi#

Skaler metrikleri gözlemlemek, YOLO26 modeline ince ayar yapmak için çok önemlidir. Kayıp grafiklerindeki ani yükselmeler veya düzensiz modeller gibi bu metriklerdeki değişimler; aşırı öğrenme, yetersiz öğrenme veya uygun olmayan öğrenme oranı ayarları gibi olası sorunları vurgulayabilir. Bu skalerleri yakından izleyerek, eğitim sürecini optimize etmek için bilinçli kararlar verebilir, modelin etkili bir şekilde öğrenmesini ve istenen performansa ulaşmasını sağlayabilirsin.

Link to this sectionSkalerler ve Zaman Serileri Arasındaki Fark#

TensorBoard'daki hem Skalerler hem de Zaman Serileri metrikleri izlemek için kullanılırken, biraz farklı amaçlara hizmet ederler. Skalerler, kayıp ve doğruluk gibi basit metrikleri skaler değerler olarak çizmeye odaklanır. Bu metriklerin her eğitim döneminde nasıl değiştiğine dair üst düzey bir genel bakış sağlarlar. Bu arada, TensorBoard'un zaman serisi bölümü, çeşitli metriklerin daha ayrıntılı bir zaman çizelgesi görünümünü sunar. Eğitim sürecinin ayrıntılarına daha derin bir dalış yaparak, metriklerin zaman içindeki ilerleyişini ve eğilimlerini izlemek için özellikle yararlıdır.

Link to this sectionGrafikler#

TensorBoard'un Grafikler 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. İşte görmeyi bekleyebileceğin bir örnek.

Grafikler, özellikle YOLO26 gibi derin öğrenme modellerinde tipik olan karmaşık mimarilerde modelde hata ayıklamak için çok yararlıdır. Katman bağlantılarını ve modelin genel tasarımını doğrulamaya yardımcı olurlar.

Link to this sectionÖzet#

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

Bu özelliklerin daha ayrıntılı bir keşfi ve etkili kullanım stratejileri için, TensorFlow'un resmi TensorBoard belgelerine ve GitHub depolarına başvurabilirsin.

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

Link to this sectionSSS#

Link to this sectionTensorBoard'u YOLO26 ile kullanmak hangi avantajları sunar?#

TensorBoard'u YOLO26 ile kullanmak, verimli model eğitimi için gerekli olan çeşitli görselleştirme araçları sağlar:

• Gerçek Zamanlı Metrik Takibi: Kayıp, doğruluk, hassasiyet ve geri çağırma (recall) gibi anahtar metrikleri canlı olarak takip et.
• Model Grafiği Görselleştirme: Hesaplama grafiklerini görselleştirerek model mimarisini anla ve hata ayıklaması yap.
• Gömülü Görselleştirme: Daha iyi içgörü için gömülüleri daha düşük boyutlu uzaylara yansıt.

Bu araçlar, YOLO26 modelinin performansını artırmak için bilinçli ayarlamalar yapmanı sağlar. TensorBoard özellikleri hakkında daha fazla ayrıntı için TensorFlow TensorBoard kılavuzuna göz at.

Link to this sectionYOLO26 modelini eğitirken TensorBoard kullanarak eğitim metriklerini nasıl izleyebilirim?#

TensorBoard ile bir YOLO26 modelini eğitirken eğitim metriklerini izlemek için şu adımları izle:

1. TensorBoard ve YOLO26'yı Yükle: TensorBoard'u içeren pip install ultralytics komutunu çalıştır.
2. TensorBoard Günlüğünü Yapılandır: Eğitim süreci sırasında YOLO26, metrikleri belirtilen bir günlük dizinine kaydeder.
3. TensorBoard'u Başlat: tensorboard --logdir path/to/your/tensorboard/logs komutunu kullanarak TensorBoard'u başlat.

localhost:6006 adresinden erişilebilen TensorBoard paneli, çeşitli eğitim metrikleri hakkında gerçek zamanlı içgörüler sunar. Eğitim yapılandırmalarına daha derin bir dalış yapmak için YOLO26 Yapılandırma kılavuzumuzu ziyaret et.

Link to this sectionYOLO26 modellerini eğitirken TensorBoard ile ne tür metrikleri görselleştirebilirim?#

YOLO26 modellerini eğitirken, TensorBoard aşağıdakiler dahil olmak üzere bir dizi önemli metriği görselleştirmeni sağlar:

• Kayıp (Eğitim ve Doğrulama): Modelin eğitim ve doğrulama sırasında ne kadar iyi performans gösterdiğini belirtir.
• Doğruluk/Hassasiyet/Geri Çağırma: Algılama doğruluğunu değerlendirmek için anahtar performans metrikleri.
• Öğrenme Oranı: Eğitim dinamikleri üzerindeki etkisini anlamak için öğrenme oranı değişikliklerini takip et.
• mAP (Ortalama Ortalama Hassasiyet): Çeşitli IoU eşiklerinde nesne algılama doğruluğunun kapsamlı bir değerlendirmesi için.

Bu görselleştirmeler, model performansını takip etmek ve gerekli optimizasyonları yapmak için gereklidir. Bu metrikler hakkında daha fazla bilgi için Performans Metrikleri kılavuzumuza başvur.

Link to this sectionYOLO26 eğitimi için Google Colab ortamında TensorBoard kullanabilir miyim?#

Evet, YOLO26 modellerini eğitmek için Google Colab ortamında TensorBoard kullanabilirsin. İşte hızlı bir kurulum:

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

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)

TensorBoard, kayıp ve doğruluk gibi metrikler hakkında gerçek zamanlı içgörüler sağlayarak eğitim ilerleyişini Colab içinde görselleştirecektir. YOLO26 eğitimini yapılandırma hakkında ek ayrıntılar için ayrıntılı YOLO26 Kurulum kılavuzumuza bak.