─░├žeri─če ge├ž

Gain Visual Insights with YOLOv8's Integration with TensorBoard

Understanding and fine-tuning computer vision models like Ultralytics' YOLOv8 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. YOLOv8's integration with TensorBoard makes this process of visualization and analysis easier and enables more efficient and informed adjustments to the model.

Bu k─▒lavuz, TensorBoard'un YOLOv8 ile nas─▒l kullan─▒laca─č─▒n─▒ kapsar. Metrikleri izlemekten model grafiklerini analiz etmeye kadar ├že┼čitli g├Ârselle┼čtirmeler hakk─▒nda bilgi edineceksiniz. Bu ara├žlar YOLOv8 modelinizin performans─▒n─▒ daha iyi anlaman─▒za yard─▒mc─▒ olacakt─▒r.

TensorBoard

Tensorboard'a Genel Bak─▒┼č

TensorFlow'un g├Ârselle┼čtirme ara├ž seti olan TensorBoard, makine ├Â─črenimi deneyleri i├žin ├žok ├Ânemlidir. TensorBoard, makine ├Â─črenimi modellerini izlemek i├žin ├žok ├Ânemli olan bir dizi g├Ârselle┼čtirme arac─▒na sahiptir. Bu ara├žlar aras─▒nda kay─▒p ve do─čruluk gibi temel metriklerin izlenmesi, model grafiklerinin g├Ârselle┼čtirilmesi ve zaman i├žinde weights and biases histogramlar─▒n─▒n g├Âr├╝nt├╝lenmesi yer al─▒r. Ayr─▒ca, kat─▒┼čt─▒rmalar─▒ daha d├╝┼č├╝k boyutlu uzaylara yans─▒tmak ve multimedya verilerini g├Âr├╝nt├╝lemek i├žin yetenekler sa─člar.

YOLOv8 TensorBoard ile E─čitim

YOLOv8 modellerini e─čitirken TensorBoard'u kullanmak basittir ve ├Ânemli avantajlar sunar.

Kurulum

Gerekli paketi y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics

TensorBoard, g├Ârselle┼čtirme amac─▒yla ek kurulum ihtiyac─▒n─▒ ortadan kald─▒ran YOLOv8 ile uygun bir ┼čekilde ├Ânceden y├╝klenmi┼čtir.

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin YOLOv8 Kurulum k─▒lavuzumuzu kontrol etti─činizden emin olun. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Google Colab i├žin TensorBoard'u Yap─▒land─▒rma

Google Colab kullan─▒rken, e─čitim kodunuza ba┼člamadan ├Ânce TensorBoard'u ayarlamak ├Ânemlidir:

Google Colab i├žin TensorBoard'u yap─▒land─▒rma

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

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, Ultralytics taraf─▒ndan sunulanYOLOv8 model yelpazesine g├Âz att─▒─č─▒n─▒zdan emin olun. Bu, proje gereksinimleriniz i├žin en uygun modeli se├žmenize yard─▒mc─▒ olacakt─▒r.

Kullan─▒m

```python

from ultralytics import YOLO

# ├ľnceden e─čitilmi┼č bir model y├╝kleyin model = YOLO('yolov8n.pt')

# Modeli e─čitin results = model.train(data='coco8.yaml', epochs=100, imgsz=640) ```

Yukar─▒daki kullan─▒m kodu par├žac─▒─č─▒n─▒ ├žal─▒┼čt─▒rd─▒ktan sonra a┼ča─č─▒daki ├ž─▒kt─▒y─▒ bekleyebilirsiniz:

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

Bu ├ž─▒kt─▒, TensorBoard'un ┼ču anda YOLOv8 e─čitim oturumunuzu aktif olarak izledi─čini g├Âsterir. Ger├žek zamanl─▒ e─čitim ├Âl├ž├╝mlerini ve model performans─▒n─▒ g├Âr├╝nt├╝lemek i├žin sa─članan URL'yi (http://localhost:6006/) ziyaret ederek TensorBoard panosuna eri┼čebilirsiniz. Google Colab'da ├žal─▒┼čan kullan─▒c─▒lar i├žin TensorBoard, TensorBoard yap─▒land─▒rma komutlar─▒n─▒ uygulad─▒─č─▒n─▒z h├╝crede g├Âr├╝nt├╝lenecektir.

Model e─čitimi s├╝reciyle ilgili daha fazla bilgi i├žin YOLOv8 Model E─čitimi k─▒lavuzumuza g├Âz atmay─▒ unutmay─▒n. G├╝nl├╝k kayd─▒, kontrol noktalar─▒, ├žizim ve dosya y├Ânetimi hakk─▒nda daha fazla bilgi edinmek istiyorsan─▒z, yap─▒land─▒rma ile ilgili kullan─▒m k─▒lavuzumuzu okuyun.

YOLOv8 E─čitimi i├žin TensorBoard'unuzu Anlama

Now, let's focus on understanding the various features and components of TensorBoard in the context of YOLOv8 training. The three key sections of the TensorBoard are Time Series, Scalars, and Graphs.

Zaman Serisi

TensorBoard'daki Zaman Serisi ├Âzelli─či, YOLOv8 modelleri i├žin zaman i├žinde ├že┼čitli e─čitim metriklerinin dinamik ve ayr─▒nt─▒l─▒ bir perspektifini sunar. E─čitim d├Ânemleri boyunca metriklerin ilerlemesine ve e─čilimlerine odaklan─▒r. ─░┼čte g├Ârmeyi bekleyebilece─činiz ┼čeylere bir ├Ârnek.

g├Âr├╝nt├╝

TensorBoard'da Zaman Serilerinin Temel ├ľzellikleri

  • Etiketleri ve Sabitlenmi┼č Kartlar─▒ Filtreleyin: Bu i┼člev, kullan─▒c─▒lar─▒n h─▒zl─▒ kar┼č─▒la┼čt─▒rma ve eri┼čim i├žin belirli ├Âl├ž├╝mleri filtrelemesine ve kartlar─▒ sabitlemesine olanak tan─▒r. ├ľzellikle e─čitim s├╝recinin belirli y├Ânlerine odaklanmak i├žin kullan─▒┼čl─▒d─▒r.

  • Ayr─▒nt─▒l─▒ Metrik Kartlar─▒: Time Series, metrikleri her biri ayr─▒ kartlarla temsil edilen ├Â─črenme oran─▒ (lr), e─čitim (train) ve do─črulama (val) metrikleri gibi farkl─▒ kategorilere ay─▒r─▒r.

  • Grafiksel Ekran: Zaman Serisi b├Âl├╝m├╝ndeki her kart, e─čitim s├╝resince belirli bir metri─čin ayr─▒nt─▒l─▒ bir grafi─čini g├Âsterir. Bu g├Ârsel temsil, e─čitim s├╝recindeki e─čilimlerin, kal─▒plar─▒n veya anormalliklerin belirlenmesine yard─▒mc─▒ olur.

  • Derinlemesine Analiz: Zaman Serisi, her bir metrik i├žin derinlemesine bir analiz sa─člar. ├ľrne─čin, farkl─▒ ├Â─črenme oran─▒ segmentleri g├Âsterilerek ├Â─črenme oran─▒ndaki ayarlamalar─▒n modelin ├Â─črenme e─črisini nas─▒l etkiledi─čine dair i├žg├Âr├╝ler sunulur.

YOLOv8 E─čitiminde Zaman Serilerinin ├ľnemi

The Time Series section is essential for a thorough analysis of the YOLOv8 model's training progress. It lets you track the metrics in real time to promptly identify and solve issues. It also offers a detailed view of each metrics progression, which is crucial for fine-tuning the model and enhancing its performance.

Yara izleri

TensorBoard'daki skalalar, YOLOv8 modellerinin e─čitimi s─▒ras─▒nda kay─▒p ve do─čruluk gibi basit ├Âl├ž├╝mleri ├žizmek ve analiz etmek i├žin ├žok ├Ânemlidir. Bu metriklerin her e─čitim d├Âneminde nas─▒l geli┼čti─čine dair net ve ├Âzl├╝ bir g├Âr├╝n├╝m sunarak modelin ├Â─črenme etkinli─či ve kararl─▒l─▒─č─▒ hakk─▒nda i├žg├Âr├╝ sa─člarlar. ─░┼čte g├Ârmeyi bekleyebilece─činiz ┼čeylere bir ├Ârnek.

g├Âr├╝nt├╝

TensorBoard'da Skalerlerin Temel ├ľzellikleri

  • ├ľ─črenme Oran─▒ (lr) Etiketler: Bu etiketler, farkl─▒ segmentler aras─▒nda ├Â─črenme oran─▒ndaki de─či┼čiklikleri g├Âsterir (├Ârn, pg0, pg1, pg2). Bu, ├Â─črenme oran─▒ ayarlamalar─▒n─▒n e─čitim s├╝reci ├╝zerindeki etkisini anlamam─▒za yard─▒mc─▒ olur.

  • Metrik Etiketleri: Skalalar a┼ča─č─▒daki gibi performans g├Âstergelerini i├žerir:

    • mAP50 (B): Nesne alg─▒lama do─črulu─čunu de─čerlendirmek i├žin ├žok ├Ânemli olan %50 Kesi┼čimde Ortalama Ortalama Hassasiyet (IoU).

    • mAP50-95 (B): Bir dizi IoU e┼či─či ├╝zerinden hesaplanan Ortalama Ortalama Hassasiyet, daha kapsaml─▒ bir do─čruluk de─čerlendirmesi sunar.

    • Precision (B): Do─čru tahmin edilen pozitif g├Âzlemlerin oran─▒n─▒ g├Âsterir, tahmin do─črulu─čunu anlaman─▒n anahtar─▒d─▒r.

    • Recall (B): Eksik tespitin ├Ânemli oldu─ču modeller i├žin ├Ânemli olan bu metrik, ilgili t├╝m ├Ârnekleri tespit etme yetene─čini ├Âl├žer.

    • Farkl─▒ metrikler hakk─▒nda daha fazla bilgi edinmek i├žin performans metrikleri k─▒lavuzumuzu okuyun.

  • E─čitim ve Do─črulama Etiketleri (train, val): Bu etiketler, ├Âzellikle e─čitim ve do─črulama veri setleri i├žin metrikleri g├Âstererek farkl─▒ veri setleri aras─▒nda model performans─▒n─▒n kar┼č─▒la┼čt─▒rmal─▒ analizine olanak tan─▒r.

Skalerlerin ─░zlenmesinin ├ľnemi

Skaler metriklerin g├Âzlemlenmesi, YOLOv8 modeline ince ayar yapmak i├žin ├žok ├Ânemlidir. Kay─▒p grafiklerindeki sivri u├žlar veya d├╝zensiz desenler gibi bu metriklerdeki de─či┼čimler, a┼č─▒r─▒ uyum, yetersiz uyum veya uygun olmayan ├Â─črenme oran─▒ ayarlar─▒ gibi potansiyel sorunlar─▒ vurgulayabilir. Bu skalalar─▒ yak─▒ndan izleyerek, e─čitim s├╝recini optimize etmek i├žin bilin├žli kararlar verebilir, modelin etkili bir ┼čekilde ├Â─črenmesini ve istenen performans─▒ elde etmesini sa─člayabilirsiniz.

Skaler ve Zaman Serisi Aras─▒ndaki Fark

TensorBoard'da hem Skaler hem de Zaman Serisi metrikleri izlemek i├žin kullan─▒lsa da, biraz farkl─▒ ama├žlara hizmet ederler. Skaler de─čerler, kay─▒p ve do─čruluk gibi basit metriklerin skaler de─čerler olarak ├žizilmesine odaklan─▒r. Bu metriklerin her e─čitim d├Âneminde nas─▒l de─či┼čti─čine dair ├╝st d├╝zey bir genel bak─▒┼č sa─člarlar. TensorBoard'un zaman serisi b├Âl├╝m├╝ ise ├že┼čitli metriklerin daha ayr─▒nt─▒l─▒ bir zaman ├žizelgesi g├Âr├╝n├╝m├╝n├╝ sunar. ├ľzellikle metriklerin zaman i├žindeki ilerlemesini ve e─čilimlerini izlemek i├žin kullan─▒┼čl─▒d─▒r ve e─čitim s├╝recinin ├Âzelliklerine daha derin bir bak─▒┼č sa─člar.

Grafikler

TensorBoard'un Grafikler b├Âl├╝m├╝, YOLOv8 modelinin hesaplama grafi─čini g├Ârselle┼čtirerek i┼člemlerin ve verilerin model i├žinde nas─▒l akt─▒─č─▒n─▒ g├Âsterir. Modelin yap─▒s─▒n─▒ anlamak, t├╝m katmanlar─▒n do─čru ┼čekilde ba─čland─▒─č─▒ndan emin olmak ve veri ak─▒┼č─▒ndaki olas─▒ darbo─čazlar─▒ belirlemek i├žin g├╝├žl├╝ bir ara├žt─▒r. ─░┼čte g├Ârmeyi bekleyebilece─činiz ┼čeylere bir ├Ârnek.

g├Âr├╝nt├╝

Grafikler, ├Âzellikle YOLOv8 gibi derin ├Â─črenme modellerinde tipik olan karma┼č─▒k mimarilerde modelde hata ay─▒klama i├žin ├Âzellikle yararl─▒d─▒r. Katman ba─člant─▒lar─▒n─▒n ve modelin genel tasar─▒m─▒n─▒n do─črulanmas─▒na yard─▒mc─▒ olurlar.

├ľzet

Bu k─▒lavuz, makine ├Â─črenimi modeli e─čitiminin g├Ârselle┼čtirilmesi ve analizi i├žin TensorBoard'u YOLOv8 ile kullanman─▒za yard─▒mc─▒ olmay─▒ ama├žlamaktad─▒r. Temel TensorBoard ├Âzelliklerinin YOLOv8 e─čitim oturumlar─▒ s─▒ras─▒nda e─čitim metrikleri ve model performans─▒ hakk─▒nda nas─▒l i├žg├Âr├╝ sa─člayabilece─čini a├ž─▒klamaya odaklanmaktad─▒r.

For a more detailed exploration of these features and effective utilization strategies, you can refer to TensorFlow's official TensorBoard documentation and their GitHub repository.

Ultralytics'un ├že┼čitli entegrasyonlar─▒ hakk─▒nda daha fazla bilgi edinmek ister misiniz? Ke┼čfedilmeyi bekleyen di─čer heyecan verici yetenekleri g├Ârmek i├žin Ultralytics entegrasyonlar k─▒lavuzu sayfas─▒na g├Âz at─▒n!



Created 2024-01-01, Updated 2024-06-02
Authors: glenn-jocher (5), abirami-vina (1)

Yorumlar