ile Görsel İçgörüler Elde Edin YOLOv8'nin TensorBoard ile Entegrasyonu

rom ultralytics import YOLO

 Load a pre-trained model
odel = YOLO('yolov8n.pt')

 Train the model
esults = model.train(data='coco8.yaml', epochs=100, imgsz=640)
``

ning the usage code snippet above, you can expect the following output:

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

işareti, TensorBoard'un artık YOLOv8 eğitim oturumunuzu aktif olarak izlediğini gösterir. Gerçek zamanlı eğitim ölçümlerini ve model performansını görüntülemek için sağlanan URL'yi (http://localhost:6006/) ziyaret ederek TensorBoard panosuna erişebilirsiniz. Google Colab'da çalışan kullanıcılar için TensorBoard, TensorBoard yapılandırma komutlarını uyguladığınız hücrede görüntülenecektir.

Model eğitimi süreciyle ilgili bilgi için YOLOv8 Model Eğitimi kılavuzumuza göz atmayı unutmayın. Günlük kaydı, kontrol noktaları, çizim ve dosya yönetimi hakkında daha fazla bilgi edinmek istiyorsanız, yapılandırma ile ilgili kullanım kılavuzumuzu okuyun.

YOLOv8 Eğitimi için TensorBoard'unuzu ayakta tutma

'in YOLOv8 eğitimi bağlamında TensorBoard'un çeşitli özelliklerini ve bileşenlerini anlamaya odaklanmaktadır. TensorBoard'un üç temel bölümü Zaman Serileri, Skalalar ve Grafiklerdir.

Seri

TensorBoard'daki Series özelliği, YOLOv8 modelleri için zaman içinde çeşitli eğitim metriklerinin dinamik ve ayrıntılı bir perspektifini sunar. Eğitim dönemleri boyunca metriklerin ilerlemesine ve eğilimlerine odaklanır. İşte görmeyi bekleyebileceğiniz şeylere bir örnek.

(https://github.com/ultralytics/ultralytics/assets/25847604/20b3e038-0356-465e-a37e-1ea232c68354)

TensorBoard'da Zaman Serilerinin Özellikleri

er Etiketler ve Sabitlenmiş Kartlar**: Bu işlev, kullanıcıların belirli ölçümleri filtrelemesine ve hızlı karşılaştırma ve erişim için kartları sabitlemesine olanak tanır. Özellikle eğitim sürecinin belirli yönlerine odaklanmak için kullanışlıdır.

iled Metrik Kartları**: Zaman Serisi, metrikleri her biri ayrı kartlarla temsil edilen öğrenme oranı (lr), eğitim (train) ve doğrulama (val) metrikleri gibi farklı kategorilere ayırır.

hical Display**: Zaman Serisi bölümündeki her kart, eğitim süresince belirli bir metriğin ayrıntılı bir grafiğini gösterir. Bu görsel temsil, eğitim sürecindeki eğilimleri, kalıpları veya anormallikleri tanımlamaya yardımcı olur.

epth Analizi**: Zaman Serisi, her bir metrik için derinlemesine bir analiz sağlar. Örneğin, farklı öğrenme oranı segmentleri gösterilerek öğrenme oranındaki ayarlamaların modelin öğrenme eğrisini nasıl etkilediğine dair içgörüler sunulur.

YOLOv8 Eğitiminde Zaman Serilerinin Önemi

Seri bölümü, YOLOv8 modelinin eğitim ilerlemesinin kapsamlı bir analizi için gereklidir. Sorunları anında tespit etmek ve çözmek için metrikleri gerçek zamanlı olarak izlemenizi sağlar. Ayrıca, modele ince ayar yapmak ve performansını artırmak için çok önemli olan her bir metrik ilerlemesinin ayrıntılı bir görünümünü sunar.

ars

TensorBoard'da YOLOv8 modellerinin eğitimi sırasında kayıp ve doğruluk gibi basit ölçümleri çizmek ve analiz etmek için çok önemlidir. Bu metriklerin her eğitim döneminde nasıl geliştiğine dair net ve özlü bir görünüm sunarak modelin öğrenme etkinliği ve kararlılığı hakkında içgörüler sağlarlar. İşte görmeyi bekleyebileceğiniz şeylere bir örnek.

(https://github.com/ultralytics/ultralytics/assets/25847604/f9228193-13e9-4768-9edf-8fa15ecd24fa)

TensorBoard'da Skalerlerin Özellikleri

ning Rate (lr) Etiketleri**: Bu etiketler, farklı segmentler arasında öğrenme oranındaki değişiklikleri gösterir (örn, pg0, pg1, pg2). Bu, öğrenme oranı ayarlamalarının eğitim süreci üzerindeki etkisini anlamamıza yardımcı olur.

ics Etiketler**: Skalalar aşağıdaki gibi performans göstergelerini içerir:

AP50 (B)`: Nesne algılama doğruluğunu değerlendirmek için çok önemli olan Birlik (IoU) üzerinde %50 Kesişimde Ortalama Ortalama Hassasiyet.

AP50-95 (B)`: Bir dizi IoU eşiği üzerinden hesaplanan Ortalama Ortalama Hassasiyet, daha kapsamlı bir doğruluk değerlendirmesi sunar.

recision (B)`: Doğru tahmin edilen pozitif gözlemlerin oranını gösterir, tahmin doğruluğunu anlamanın anahtarıdır.

ecall (B)`: Eksik tespitin önemli olduğu modeller için önemli olan bu metrik, ilgili tüm örnekleri tespit etme yeteneğini ölçer.

Farklı metrikler hakkında daha fazla bilgi edinmek için performans metrikleri kılavuzumuzu okuyun.

ning ve Doğrulama Etiketleri (train, val)**: Bu etiketler, özellikle eğitim ve doğrulama veri setleri için metrikleri göstererek farklı veri setleri arasında model performansının karşılaştırmalı analizine olanak tanır.

İzleme Skalalarının Önemi

g skaler metrikleri YOLOv8 modeline ince ayar yapmak için çok önemlidir. Kayıp grafiklerindeki ani artışlar veya düzensiz desenler gibi bu metriklerdeki değişimler, aşırı uyum, yetersiz uyum veya uygun olmayan öğrenme oranı ayarları gibi potansiyel sorunları vurgulayabilir. Bu skalaları yakından izleyerek, eğitim sürecini optimize etmek için bilinçli kararlar verebilir, modelin etkili bir şekilde öğrenmesini ve istenen performansı elde etmesini sağlayabilirsiniz.

Skalalar ve Zaman Serileri Arasındaki Fark

TensorBoard'daki Skaler ve Zaman Serileri metrikleri izlemek için kullanılır, biraz farklı amaçlara hizmet ederler. Skaler değerler, kayıp ve doğruluk gibi basit metriklerin skaler değerler olarak çizilmesine odaklanır. Bu metriklerin her eğitim döneminde nasıl değiştiğine dair üst düzey bir genel bakış sağlarlar. TensorBoard'un zaman serisi bölümü ise çeşitli metriklerin daha ayrıntılı bir zaman çizelgesi görünümünü sunar. Özellikle metriklerin zaman içindeki ilerlemesini ve eğilimlerini izlemek için kullanışlıdır ve eğitim sürecinin özelliklerine daha derin bir bakış sağlar.

hs

TensorBoard'un hs bölümü, YOLOv8 modelinin hesaplama grafiğini görselleştirerek işlemlerin ve verilerin model içinde nasıl aktığını gösterir. Modelin yapısını anlamak, tüm katmanların doğru şekilde bağlandığından emin olmak ve veri akışındaki olası darboğazları belirlemek için güçlü bir araçtır. İşte görmeyi bekleyebileceğiniz şeylere bir örnek.

(https://github.com/ultralytics/ultralytics/assets/25847604/039028e0-4ab3-4170-bfa8-f93ce483f615)

özellikle YOLOv8 gibi derin öğrenme modellerinde tipik olan karmaşık mimarilerde modelde hata ayıklama için özellikle yararlıdır. Katman bağlantılarının ve modelin genel tasarımının doğrulanmasına yardımcı olurlar.

ry

de, makine öğrenimi modeli eğitiminin görselleştirilmesi ve analizi için TensorBoard'u YOLOv8 ile kullanmanıza yardımcı olmayı amaçlamaktadır. Temel TensorBoard özelliklerinin YOLOv8 eğitim oturumları sırasında eğitim metrikleri ve model performansı hakkında nasıl içgörü sağlayabileceğini açıklamaya odaklanmaktadır.

Bu özelliklerin ve etkili kullanım stratejilerinin ayrıntılı incelemesi için TensorFlow'un resmi TensorBoard belgelerine ve GitHub depolarına başvurabilirsiniz.

Ultralytics'un çeşitli entegrasyonları hakkında daha fazla bilgi edinmek ister misiniz? Keşfedilmeyi bekleyen diğer heyecan verici yetenekleri görmek için Ultralytics entegrasyonlar kılavuzu sayfasına göz atın!

SSS

Gerçek zamanlı görselleştirme için YOLOv8 adresini TensorBoard ile entegre edebilir miyim?

TensorBoard ile YOLOv8 adresini kullanmak, model eğitimi sırasında gerçek zamanlı görsel içgörüler sağlar. Öncelikle gerekli paketi yükleyin:

ple "Kurulum"

"CLI"

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