YOLO26'nın TensorBoard Entegrasyonu ile Görsel İçgörüler Kazanın#

Ultralytics' YOLO26 gibi computer vision modellerini anlamak ve ince ayar yapmak, eğitim süreçlerine daha yakından baktığında daha kolay hale gelir. Model eğitimi görselleştirmesi, modelin öğrenme kalıplarını, performans metriklerini ve genel davranışını içgörülerle anlamaya yardımcı olur. YOLO26'nın TensorBoard ile entegrasyonu, bu görselleştirme ve analiz sürecini kolaylaştırır ve modelde daha verimli ve bilinçli ayarlamalar yapmanı sağlar.

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.

TensorBoard#

TensorFlow'un görselleştirme araç seti olan TensorBoard, machine learning denemeleri için esastır. TensorBoard, machine learning modellerini izlemek için çok önemli olan bir dizi görselleştirme aracı sunar. Bu araçlar; kayıp (loss) ve doğruluk (accuracy) gibi temel metrikleri takibi, model grafiklerini görselleştirmeyi ve zaman içinde ağırlıkların (weights) ve sapmaların (biases) histogramlarını görüntülemeyi içerir. Ayrıca embeddings verilerini daha düşük boyutlu uzaylara projeksiyon yapma ve multimedya verilerini görüntüleme yetenekleri de sağlar.

TensorBoard ile YOLO26 Eğitimi#

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

Kurulum#

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 Installation guide sayfamıza göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Common Issues guide kılavuzumuza bak.

Google Colab için TensorBoard Yapılandırması#

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

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

Kullanım#

Kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinden 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 artık YOLO26 eğitim oturumunu aktif olarak izlediğini gösterir. Gerçek zamanlı eğitim metriklerini ve model performansını görüntülemek için localhost:6006 adresindeki TensorBoard kontrol paneline erişebilirsin. Google Colab içinde çalışan kullanıcılar için TensorBoard, yapılandırma komutlarını çalıştırdığın aynı hücrede görüntülenecektir.

Model eğitimi süreciyle ilgili daha fazla bilgi için YOLO26 Model Training guide kılavuzumuzu kontrol etmeyi unutma. Günlüğe kaydetme, kontrol noktaları, grafik çizimi ve dosya yönetimi hakkında daha fazla bilgi edinmekle ilgileniyorsan, usage guide on configuration kullanım kılavuzumuzu oku.

YOLO26 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).

Zaman 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.

TensorBoard'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 Serisi (Time Series), metrikleri learning rate (lr), eğitim (train) ve doğrulama (val) metrikleri gibi 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.

YOLO26 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.

Skalerler#

TensorBoard'daki skalerler, YOLO26 modellerinin eğitimi sırasında kayıp ve doğruluk gibi basit metrikleri çizebilmek ve analiz edebilmek için çok önemlidir. Bu metriklerin her bir eğitim epoch ile nasıl geliştiğine dair net ve özlü bir görünüm sunarak modelin öğrenme etkinliği ve kararlılığı hakkında içgörüler sağlarlar. İşte görmeyi bekleyebileceğin duruma dair bir örnek.

TensorBoard'da Skalerlerin Temel Özellikleri#

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

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

  • mAP50 (B): Nesne algılama doğruluğunu değerlendirmek için çok önemli olan, %50 Intersection over Union (IoU) değerindeki Ortalama Precision (Mean Average Precision).

  • mAP50-95 (B): Doğruluğun daha kapsamlı bir değerlendirmesini sunan, bir dizi IoU eşiği üzerinden hesaplanan Mean Average Precision.

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

  • Recall (B): Bir tespiti kaçırmanın önemli olduğu modeller için önemli olan bu metrik, ilgili tüm örnekleri tespit etme yeteneğini ölçer.

  • Farklı metrikler hakkında daha fazla bilgi edinmek için performance metrics kılavuzumuzu oku.

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

Skalerleri İzlemenin Önemi#

Skaler metrikleri gözlemlemek, YOLO26 modeline ince ayar yapmak için çok önemlidir. Kayıp grafiklerindeki ani yükselmeler veya düzensiz kalıplar gibi bu metriklerdeki varyasyonlar; overfitting, underfitting veya uygun olmayan öğrenme oranı ayarları gibi olası sorunları ortaya çıkarabilir. Bu skalerleri yakından izleyerek, modelin etkili bir şekilde öğrenmesini ve istenen performansa ulaşmasını sağlayarak eğitim sürecini optimize etmek için bilinçli kararlar alabilirsin.

Skalerler 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.

Grafikler#

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 deep learning modellerinde tipik olan karmaşık mimarilerde, modelde hata ayıklamak (debugging) için özellikle yararlıdır. Katman bağlantılarını ve modelin genel tasarımını doğrulamaya yardımcı olurlar.

Özet#

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 incelemesi ve etkili kullanım stratejileri için TensorFlow'un resmi TensorBoard documentation dokümantasyonuna ve GitHub repository depolarına başvurabilirsin.

Ultralytics'in çeşitli entegrasyonları hakkında daha fazla şey öğrenmek ister misin? Keşfedilmeyi bekleyen diğer heyecan verici yetenekleri görmek için Ultralytics integrations guide page sayfasına göz at!

SSS#

TensorBoard'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 guide kılavuzunu incele.

YOLO26 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 Kurun: 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 Başlatın: 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 sağlar. Eğitim yapılandırmalarına daha derinlemesine dalmak için YOLO26 Configuration guide kılavuzumuzu ziyaret et.

YOLO26 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.
• Accuracy/Precision/Recall: Tespit doğruluğunu değerlendirmek için temel performans metrikleri.
• Öğrenme Oranı: Eğitim dinamikleri üzerindeki etkisini anlamak için öğrenme oranı değişikliklerini takip et.
• mAP (mean Average Precision): Çeşitli IoU eşiklerinde object detection doğruluğunun kapsamlı bir değerlendirmesi için.

Bu görselleştirmeler, model performansını takip etmek ve gerekli optimizasyonları yapmak için çok önemlidir. Bu metrikler hakkında daha fazla bilgi için Performance Metrics guide kılavuzumuza bak.

YOLO26 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, Colab içindeki eğitim sürecini görselleştirerek kayıp ve doğruluk gibi metrikler hakkında gerçek zamanlı içgörüler sağlayacaktır. YOLO26 eğitimini yapılandırma hakkında ek ayrıntılar için ayrıntılı YOLO26 Installation guide kılavuzumuza göz at.