Başla

YOLO26'nın TensorBoard Entegrasyonuyla Görsel İçgörüler Edin

Bilgisayarlı görü modellerini, örneğin Ultralytics YOLO26 modellerini anlamak ve ince ayar yapmak, eğitim süreçlerine daha yakından bakıldığında kolaylaşır. Model eğitiminin görselleştirilmesi; modelin öğrenme kalıpları, performans ölçümleri ve genel davranışı hakkında içgörü edinmeye yardımcı olur. YOLO26'nın TensorBoard ile entegrasyonu, görselleştirme ve analiz sürecini kolaylaştırarak modelde daha verimli ve bilinçli ayarlamalar 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#

TensorFlow'un görselleştirme araç takımı olan TensorBoard, makine öğrenimi deneylerinde yaygın olarak kullanılır. TensorBoard, makine öğrenimi modellerini izlemek için çeşitli görselleştirme araçları sunar. Bu araçlar; kayıp ve doğruluk gibi temel ölçümlerin takibini, model grafiklerinin görselleştirilmesini ve ağırlıkların ve bias değerlerinin zaman içindeki histogramlarının görüntülenmesini içerir. Ayrıca gömme vektörlerini daha düşük boyutlu uzaylara yansıtma ve çoklu ortam verilerini görüntüleme olanakları da sunar.

TensorBoard ile YOLO26 Eğitimi#

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

Kurulum#

Gerekli paketi yüklemek için şu komutu çalıştır:

Kurulum
# 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 kur:

Google Colab için TensorBoard'u Yapılandır
%load_ext tensorboard
%tensorboard --logdir path/to/runs

Kullanım#

TensorBoard'u Etkinleştir veya Devre Dışı Bırak

TensorBoard günlük kaydı varsayılan olarak devre dışıdır. Günlük kaydını yolo settings komutunu kullanarak etkinleştirebilir veya devre dışı bırakabilirsin.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False
Kullanım
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 ölçümlerini ve model performansını görüntülemek için TensorBoard panosuna localhost:6006 adresinden erişebilirsin. Google Colab'da çalışan kullanıcılar 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#

Bu bölümde, YOLO26 eğitimi bağlamında TensorBoard'un temel özellikleri ve bileşenleri açıklanır. TensorBoard'un üç temel bölümü Zaman Serileri, Skalerler ve Grafikler'dir.

Zaman Serileri#

TensorBoard'daki Zaman Serileri özelliği, YOLO26 modelleri için çeşitli eğitim ölçümlerini zaman içinde dinamik ve ayrıntılı bir şekilde görmeni sağlar. Eğitim dönemleri boyunca ölçümlerin ilerleyişine ve eğilimlerine odaklanır. Aşağıda görebileceklerine dair bir örnek verilmiştir.

TensorBoard zaman serisi eğitim ölçütleri görselleştirmesi

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 ölçümleri çizmek ve analiz etmek için kullanılır. Bu özellik, her eğitim döneminde bu ölçümlerin nasıl değiştiğini açık ve öz biçimde göstererek modelin öğrenme verimliliği ve kararlılığı hakkında içgörü sağlar. Aşağıda görebileceklerine dair bir örnek verilmiştir.

YOLO eğitim metriklerini gösteren TensorBoard skalerler panosu

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 süreci üzerindeki etkisini anlayabilirsin.

  • Metrik Etiketleri: Skalerler aşağıdakiler gibi performans göstergelerini içerir:

    • metrics/mAP50(B): Nesne algılama doğruluğunu değerlendirmek için kritik olan, %50 Kesişim-Birleşim (IoU) eşiğindeki Ortalama Kesinlik.

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

    • metrics/precision(B): Algılamaların kesinliği, yani doğru olan pozitif tahminlerin oranı.

    • metrics/recall(B): Bir algılamayı kaçırmanın maliyetli olduğu modeller için önemli olan duyarlılık, 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 model içindeki işlemlerin ve veri akışının nasıl ilerlediğini gösterir. Modelin yapısını anlamaya, tüm katmanların doğru bağlandığını denetlemeye ve veri akışındaki olası darboğazları belirlemeye yardımcı olur. Aşağıda görebileceklerine dair bir örnek verilmiştir.

YOLO modelinin TensorBoard hesaplama grafiği görselleştirmesi

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.

Sık Sorulan Sorular#

  • TensorBoard'u YOLO26 ile kullanmak, verimli model eğitimi için gerekli çeşitli görselleştirme araçlarını sunar:

    • Metrikleri Gerçek Zamanlı İzleme: Kayıp, doğruluk, kesinlik ve duyarlılık gibi temel metrikleri canlı olarak izle.
    • Model Grafiğini Görselleştirme: Hesaplama grafiklerini görselleştirerek model mimarisini anla ve hatalarını ayıkla.

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

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

    1. TensorBoard ve YOLO26'yı yükle: pip install ultralytics tensorboard komutunu çalıştır.
    2. TensorBoard Günlük Kaydını Etkinleştir: yolo settings tensorboard=True komutunu çalıştır. Eğitim sırasında YOLO26, metrikleri çalıştırma dizinine yazar.
    3. TensorBoard'u Başlat: TensorBoard'u tensorboard --logdir path/to/runs ile başlat ve eğitim çalıştırma dizinini göster (ör. runs/detect/train).

    localhost:6006 adresinden erişilebilen TensorBoard panosu, çeşitli eğitim metrikleri hakkında gerçek zamanlı içgörüler sunar. Eğitim yapılandırmalarını daha ayrıntılı incelemek için YOLO26 Yapılandırma kılavuzumuzu ziyaret et.

  • YOLO26 modellerini eğitirken TensorBoard, aşağıdakiler gibi çeşitli önemli metrikleri görselleştirmeni sağlar:

    • Kayıp (Eğitim ve Doğrulama): Modelin eğitim ve doğrulama sırasında ne kadar iyi performans gösterdiğini belirtir.
    • Doğruluk/Kesinlik/Duyarlılık: Algılama doğruluğunu değerlendirmek için kullanılan temel performans ölçümleri.
    • Öğrenme Oranı: Eğitim dinamikleri üzerindeki etkisini anlamak için öğrenme oranındaki değişimleri izle.
    • mAP (Ortalama Kesinlik): Farklı IoU eşiklerinde nesne algılama doğruluğunu kapsamlı biçimde değerlendirmek için kullanılır.

    Bu görselleştirmeler, model performansını izlemek ve gerekli optimizasyonları yapmak için kritik öneme sahiptir. Bu metrikler hakkında daha fazla bilgi için Performans Metrikleri kılavuzumuza başvur.

  • Evet, YOLO26 modellerini eğitmek için Google Colab ortamında TensorBoard kullanabilirsin. Hızlı kurulum adımları şöyle:

    Google Colab için TensorBoard'u Yapılandır
    %load_ext tensorboard
    %tensorboard --logdir path/to/runs

    Ardından YOLO26 eğitim betiğini çalıştır:

    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)

    TensorBoard, Colab içinde eğitim ilerlemesini görselleştirerek kayıp ve doğruluk gibi ölçümlere ilişkin gerçek zamanlı içgörüler sunar.

Yorumlar6

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. HoseinHashemiGitHub

    I found enabling tensorboard from within the YOLO training script more comfortable reducing CLI commands.

    from ultralytics import settings
    settings.update({"tensorboard": True})
    1. Glenn JocherUltralytics

      Yes, that’s supported—settings.update({"tensorboard": True}) is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later with settings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).

    1. Glenn JocherUltralytics(düzenlendi)

      @ruslanraupoff to forward TensorBoard from Docker, map the port using -p 6006:6006 when running your container and start TensorBoard with tensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once with yolo settings tensorboard=True and the logs are saved in the run directory under runs/ for TensorBoard visualization. See our Docker Quickstart for setup details.

      1
    1. Glenn JocherUltralytics(düzenlendi)

      @lauravchrobak hi there!

      Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:

      yolo settings tensorboard=True
      from ultralytics import YOLO
      
      # Load a pre-trained model
      model = YOLO("yolo26n.pt")
      
      # Train the model
      results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

      After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:

      tensorboard --logdir runs/detect/train

      You can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.

      For more detailed guidance, you can visit our TensorBoard integration documentation.

      If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.

      Happy training! 🚀