Link to this sectionWeights & Biases ile YOLO Deney İzleme ve Görselleştirme#

Nesne algılama modelleri, Ultralytics YOLO26 gibi, birçok bilgisayarlı görü uygulamasının ayrılmaz bir parçası haline gelmiştir. Ancak bu karmaşık modelleri eğitmek, değerlendirmek ve devreye almak çeşitli zorlukları beraberinde getirir. Önemli eğitim metriklerini takip etmek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları tespit etmek ciddi bir enstrümantasyon ve deney yönetimi gerektirir.

Bu rehber, gelişmiş deney takibi, model kontrol noktası oluşturma ve model performansının görselleştirilmesi için Ultralytics YOLO26'nın Weights & Biases ile entegrasyonunu sergilemektedir. Ayrıca entegrasyonun kurulması, eğitilmesi, ince ayar yapılması ve Weights & Biases'in etkileşimli özelliklerinin kullanılarak sonuçların görselleştirilmesine yönelik talimatları da içerir.

Link to this sectionWeights & Biases#

Weights & Biases is a cutting-edge MLOps platform designed for tracking, visualizing, and managing machine learning experiments. It features automatic logging of training metrics for full experiment reproducibility, an interactive UI for streamlined data analysis, and efficient model management tools for deploying across various environments.

Link to this sectionWeights & Biases ile YOLO26 Eğitimi#

YOLO26 eğitim sürecine verimlilik ve otomasyon getirmek için Weights & Biases kullanabilirsin. Bu entegrasyon, deneyleri takip etmeni, modelleri karşılaştırmanı ve bilgisayarlı görü projelerini geliştirmek için veriye dayalı kararlar almanı sağlar.

Link to this sectionKurulum#

Gerekli paketleri kurmak için şunu çalıştır:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

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 sectionWeights & Biases Yapılandırması#

Gerekli paketleri kurduktan sonra bir sonraki adım, Weights & Biases ortamını kurmaktır. Bu, bir Weights & Biases hesabı oluşturmayı ve geliştirme ortamın ile W&B platformu arasında sorunsuz bir bağlantı için gerekli API anahtarını almayı içerir.

Çalışma alanında Weights & Biases ortamını başlatarak işe başla. Bunu, aşağıdaki komutu çalıştırarak ve çıkan talimatları izleyerek yapabilirsin.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

API anahtarını oluşturmak ve almak için Weights & Biases yetkilendirme sayfasına git. Ortamını W&B ile doğrulamak için istendiğinde bu anahtarı kullan.

Link to this sectionKullanım: Weights & Biases ile YOLO26 Eğitimi#

Before diving into the usage instructions for YOLO26 model training with Weights & Biases, be sure to check out the range of YOLO26 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Link to this sectionW&B Argümanları#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this sectionÇıktıyı Anlamak#

Yukarıdaki kullanım kod parçacığını çalıştırdıktan sonra aşağıdaki temel çıktıları görmeyi bekleyebilirsin:

• Eğitim sürecinin başladığını gösteren, benzersiz kimliğine sahip yeni bir çalıştırmanın kurulumu.
• Katman sayısı ve parametreler dahil olmak üzere modelin yapısının kısa bir özeti.
• Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
• Eğitim sonunda, modelin çıkarım hızı ve genel doğruluk metrikleri dahil olmak üzere ayrıntılı metrikler görüntülenir.
• Eğitim sürecinin derinlemesine analizi ve görselleştirilmesi için Weights & Biases panosuna bağlantılar ve yerel günlük dosyası konumları hakkında bilgiler.

Link to this sectionWeights & Biases Panosunu Görüntüleme#

Kullanım kod parçacığını çalıştırdıktan sonra, çıktıda sağlanan bağlantı aracılığıyla Weights & Biases (W&B) panosuna erişebilirsin. Bu pano, YOLO26 ile modelinin eğitim sürecinin kapsamlı bir görünümünü sunar.

Link to this sectionWeights & Biases Panosunun Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi: Eğitim sırasında loss, doğruluk ve doğrulama puanları gibi metrikleri geliştikçe gözlemle ve model ayarlaması için anında içgörüler elde et. Weights & Biases kullanılarak deneylerin nasıl takip edildiğini gör.

• Hiperparametre Optimizasyonu: Weights & Biases, öğrenme oranı, yığın boyutu ve daha fazlası gibi kritik parametrelere ince ayar yapmaya yardımcı olarak YOLO26 performansını artırır. Bu, özel veri setin ve görevin için en uygun yapılandırmayı bulmana yardımcı olur.

• Karşılaştırmalı Analiz: Platform, farklı eğitim çalıştırmalarının yan yana karşılaştırılmasına olanak tanır; bu, çeşitli model yapılandırmalarının etkisini değerlendirmek ve hangi değişikliklerin performansı artırdığını anlamak için gereklidir.

• Eğitim İlerlemesinin Görselleştirilmesi: Temel metriklerin grafiksel temsilleri, modelin epoklar boyunca performansına dair sezgisel bir anlayış sağlar. Weights & Biases'in doğrulama sonuçlarını görselleştirmene nasıl yardımcı olduğunu gör.

• Kaynak İzleme: Eğitim sürecinin verimliliğini optimize etmek ve iş akışındaki potansiyel darboğazları belirlemek için CPU, GPU ve bellek kullanımını takip et.

• Model Yapıtı Yönetimi: Model kontrol noktalarına eriş ve bunları paylaş; böylece karmaşık projelerde kolayca devreye alım ve ekip üyeleriyle iş birliği yapabilirsin.

• Görüntü Katmanıyla Çıkarım Sonuçlarını Görüntüleme: Tahmin sonuçlarını Weights & Biases'teki etkileşimli katmanları kullanarak görselleştir ve gerçek dünya verilerinde model performansının net ve ayrıntılı bir görünümünü elde et. Daha ayrıntılı bilgi için Weights & Biases'in görüntü katmanı özelliklerine göz at.

Bu özellikleri kullanarak, YOLO26 modelinin eğitimini etkili bir şekilde takip edebilir, analiz edebilir ve optimize edebilir; böylece nesne algılama görevlerin için mümkün olan en iyi performansı ve verimliliği sağlayabilirsin.

Link to this sectionÖzet#

Bu rehber, Ultralytics YOLO'nun Weights & Biases ile entegrasyonunu keşfetmene yardımcı oldu. Bu entegrasyonun, model eğitimi ve tahmin sonuçlarını verimli bir şekilde izleme ve görselleştirme yeteneğini göstermektedir. W&B'nin güçlü özelliklerinden yararlanarak makine öğrenimi iş akışını kolaylaştırabilir, veriye dayalı kararlar alabilir ve modelinin performansını artırabilirsin.

Kullanım hakkında daha fazla bilgi için Weights & Biases'in resmi belgelerini ziyaret et veya YOLO VISION 2023'ten Soumik Rakshit'in bu entegrasyon hakkındaki sunumunu keşfet.

Also, be sure to check out the Ultralytics integration guide page, to learn more about different exciting integrations like MLflow and Comet ML.

Link to this sectionSSS#

Link to this sectionWeights & Biases'i Ultralytics YOLO26 ile nasıl entegre ederim?#

Weights & Biases'i Ultralytics YOLO26 ile entegre etmek için:

1. Gerekli paketleri yükle:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Weights & Biases hesabına giriş yap:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")

3. W&B günlüğü etkinleştirilmiş olarak YOLO26 modelini eğit:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Bu, metrikleri, hiperparametreleri ve model yapıtlarını otomatik olarak W&B projene kaydedecektir.

Link to this sectionWeights & Biases'in YOLO26 ile entegrasyonunun temel özellikleri nelerdir?#

Temel özellikler şunlardır:

• Eğitim sırasında gerçek zamanlı metrik takibi
• Hiperparametre optimizasyon araçları
• Farklı eğitim çalıştırmalarının karşılaştırmalı analizi
• Grafikler aracılığıyla eğitim ilerlemesinin görselleştirilmesi
• Kaynak izleme (CPU, GPU, bellek kullanımı)
• Model yapıtı yönetimi ve paylaşımı
• Görüntü katmanlarıyla çıkarım sonuçlarını görüntüleme

Bu özellikler, deneyleri takip etmeye, modelleri optimize etmeye ve YOLO26 projelerinde daha etkili bir şekilde iş birliği yapmaya yardımcı olur.

Link to this sectionYOLO26 eğitimim için Weights & Biases panosunu nasıl görüntüleyebilirim?#

Eğitim betiğini W&B entegrasyonu ile çalıştırdıktan sonra:

1. W&B panona giden bir bağlantı konsol çıktısında sağlanacaktır.
2. Bağlantıya tıkla veya wandb.ai adresine git ve hesabına giriş yap.
3. Ayrıntılı metrikleri, görselleştirmeleri ve model performans verilerini görüntülemek için projene git.

Pano, modelinin eğitim süreci hakkında içgörüler sunarak YOLO26 modellerini etkili bir şekilde analiz etmeni ve geliştirmeni sağlar.

Link to this sectionYOLO26 eğitimi için Weights & Biases günlüğünü devre dışı bırakabilir miyim?#

Evet, W&B günlüğünü şu komutu kullanarak devre dışı bırakabilirsin:

yolo settings wandb=False

Günlüğü tekrar etkinleştirmek için şunu kullan:

yolo settings wandb=True

Bu, eğitim betiklerini değiştirmeden W&B günlüğünü ne zaman kullanmak istediğini kontrol etmeni sağlar.

Link to this sectionWeights & Biases, YOLO26 modellerinin optimize edilmesine nasıl yardımcı olur?#

Weights & Biases, YOLO26 modellerini şu yollarla optimize etmeye yardımcı olur:

1. Eğitim metriklerinin ayrıntılı görselleştirmelerini sunarak
2. Farklı model sürümleri arasında kolay karşılaştırmayı mümkün kılarak
3. Hiperparametre ayarlama için araçlar sunarak
4. Model performansının iş birliğine dayalı analizine olanak tanıyarak
5. Model yapıtlarının ve sonuçlarının kolayca paylaşılmasını kolaylaştırarak

Bu özellikler, araştırmacıların ve geliştiricilerin daha hızlı yineleme yapmalarına ve YOLO26 modellerini geliştirmek için veriye dayalı kararlar almalarına yardımcı olur.