Weights & Biases ile YOLO Deneyi Takibi ve Görselleştirme#
Nesne algılama modelleri, örneğin Ultralytics YOLO26, birçok bilgisayarlı görü uygulamasının ayrılmaz bir parçası hâline geldi. Ancak bu karmaşık modelleri eğitmek, değerlendirmek ve dağıtıma almak çeşitli zorluklar doğurur. Önemli eğitim metriklerini izlemek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları tespit etmek kapsamlı enstrümantasyon ve deney yönetimi gerektirir.
İzle: Ultralytics YOLO26, Weights and Biases ile nasıl kullanılır
Bu kılavuzda, deney takibini, model kontrol noktalarının kaydedilmesini ve model performansının görselleştirilmesini iyileştirmek için Ultralytics YOLO26'nın Weights & Biases ile entegrasyonu tanıtılıyor. Ayrıca entegrasyonu kurma, eğitim yapma ve Weights & Biases'in etkileşimli özelliklerini kullanarak sonuçları görselleştirme talimatları da yer alıyor.
Weights & Biases#
Weights & Biases, makine öğrenimi deneylerini izlemek, görselleştirmek ve yönetmek için tasarlanmış, son teknoloji bir MLOps platformudur. Deneylerin tamamen yeniden üretilebilir olması için eğitim metriklerini otomatik olarak kaydetme, veri analizini kolaylaştıran etkileşimli bir arayüz ve çeşitli ortamlara dağıtım için verimli model yönetimi araçları sunar.
Weights & Biases ile YOLO26 Eğitimi#
YOLO26 eğitim sürecine verimlilik ve otomasyon kazandırmak için Weights & Biases kullanabilirsin. Entegrasyon; deneyleri takip etmene, modelleri karşılaştırmana ve bilgisayarlı görü projelerini iyileştirmek için veriye dayalı kararlar almana olanak tanır.
Kurulum#
Gerekli paketleri yüklemek 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=TrueYükleme 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.
Weights & Biases'i Yapılandırma#
Gerekli paketleri yükledikten sonraki adım, Weights & Biases ortamını kurmaktır. Bunun için bir Weights & Biases hesabı oluşturman ve geliştirme ortamınla W&B platformu arasında sorunsuz bağlantı kurmak üzere gerekli API anahtarını edinmen gerekir.
Çalışma alanında Weights & Biases ortamını başlatarak işe başla. Aşağıdaki komutu çalıştırıp ekrandaki talimatları izleyerek bunu yapabilirsin.
import wandb
# Weights & Biases ortamını başlat
wandb.login(key="YOUR_API_KEY")API anahtarını oluşturup almak için Weights & Biases yetkilendirme sayfasına git. Ortamının W&B ile kimlik doğrulamasını yapmak istendiğinde bu anahtarı kullan.
Kullanım: Weights & Biases ile YOLO26 Eğitimi#
Weights & Biases ile YOLO26 model eğitimi kullanım talimatlarına geçmeden önce, Ultralytics'in sunduğu YOLO26 modellerine göz at. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olur.
from ultralytics import YOLO
# Bir YOLO modeli yükle
model = YOLO("yolo26n.pt")
# Modeli Eğit ve İnce Ayar Yap
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")W&B Argümanları#
| Bağımsız değişken | Varsayılan | Açıklama |
|---|---|---|
| project | None | Yerel olarak ve W&B'de kaydedilen projenin adını belirtir ve birden fazla çalıştırmayı aynı grupta toplar. Ayarlanmazsa W&B çalıştırmaları Ultralytics projesine kaydedilir. |
| name | None | Eğitim çalıştırmasının adı. Alt klasörleri oluşturmak ve W&B günlük kaydı için kullanılacak adı belirler. |
| save | True | En iyi kontrol noktasının W&B model yapısı olarak yüklenip yüklenmeyeceğini belirler. |
Ultralytics'te Weights & Biases günlük kaydını etkinleştirmek veya devre dışı bırakmak istiyorsan yolo settings komutunu kullanabilirsin. Weights & Biases günlük kaydı varsayılan olarak devre dışıdır.
# Enable Weights & Biases logging
yolo settings wandb=True
# Disable Weights & Biases logging
yolo settings wandb=FalseÇıktıyı Anlama#
Yukarıdaki kullanım kodu parçacığını çalıştırdığında aşağıdaki önemli çıktıları görebilirsin:
- Eğitim sürecinin başladığını gösteren, benzersiz kimliğe sahip yeni bir çalıştırmanın başlatılması.
- Katman ve parametre sayıları dâhil, model yapısının kısa bir özeti.
- Her eğitim döneminde kutu kaybı, sınıf kaybı, kutu mesafesi kaybı, kesinlik, duyarlılık ve mAP puanları gibi önemli metriklerin düzenli güncellemeleri.
- Eğitimin sonunda modelin çıkarım hızı ve genel doğruluk metrikleri dâhil ayrıntılı metrikler görüntülenir.
- Eğitim sürecinin derinlemesine analizi ve görselleştirilmesi için Weights & Biases panosuna bağlantılar ve yerel günlük dosyalarının konumlarına ilişkin bilgiler.
Weights & Biases Panosunu Görüntüleme#
Kullanım kodu parçacığını çalıştırdıktan sonra çıktıda verilen bağlantı üzerinden Weights & Biases (W&B) panosuna erişebilirsin. Bu pano, YOLO26 ile modelinin eğitim sürecine kapsamlı bir bakış sunar.
Weights & Biases Panosunun Temel Özellikleri#
-
Gerçek Zamanlı Metrik Takibi: Model ayarlama konusunda anında içgörü sunan bu özellik sayesinde eğitim sırasında kayıp, doğruluk ve doğrulama puanları gibi metriklerin nasıl değiştiğini gözlemle. Weights & Biases kullanılarak deneylerin nasıl takip edildiğini gör.
-
Hiperparametre Optimizasyonu: Weights & Biases, YOLO26 performansını artırarak öğrenme oranı, yığın boyutu ve diğer önemli parametrelerde ince ayar yapmana yardımcı olur. Böylece belirli veri kümen ve görevin için en uygun yapılandırmayı bulabilirsin.
-
Karşılaştırmalı Analiz: Platform, farklı eğitim çalıştırmalarını yan yana karşılaştırmana olanak tanır. Bu, çeşitli model yapılandırmalarının etkisini değerlendirmek ve hangi değişikliklerin performansı artırdığını anlamak için önemlidir.
-
Eğitim İlerlemesinin Görselleştirilmesi: Önemli metriklerin grafik gösterimleri, model performansını dönemler boyunca sezgisel biçimde anlamanı sağlar. Weights & Biases'in doğrulama sonuçlarını görselleştirmene nasıl yardımcı olduğunu gör.
-
Kaynak İzleme: Eğitim sürecinin verimliliğini optimize etmek ve iş akışındaki olası darboğazları belirlemek için CPU, GPU ve bellek kullanımını takip et.
-
Model Yapılarının Yönetimi: Model kontrol noktalarına erişip bunları paylaşarak karmaşık projelerde kolay dağıtım ve ekip üyeleriyle iş birliği olanağı elde et.
Bu özellikleri kullanarak YOLO26 modelinin eğitimini etkili bir şekilde takip edebilir, analiz edebilir ve optimize edebilirsin; böylece nesne algılama görevlerinde mümkün olan en iyi performans ve verimliliği elde edersin.
Özet#
Bu kılavuz, Ultralytics YOLO'nun Weights & Biases ile entegrasyonunu incelemene yardımcı oldu. Entegrasyonun model eğitimi ve tahmin sonuçlarını verimli bir şekilde izleyip görselleştirebildiğini gösteriyor. W&B'nin güçlü özelliklerinden yararlanarak makine öğrenimi iş akışını kolaylaştırabilir, veriye dayalı kararlar alabilir ve model performansını artırabilirsin.
Kullanım hakkında daha fazla bilgi için Weights & Biases'in resmî belgelerini ziyaret et veya YOLO VISION 2023'te bu entegrasyon üzerine Soumik Rakshit'in sunumunu incele.
Ayrıca farklı heyecan verici entegrasyonlar, örneğin MLflow ve Comet ML, hakkında daha fazla bilgi edinmek için Ultralytics entegrasyon kılavuzu sayfasına göz at.
Sık Sorulan Sorular#
Weights & Biases'i Ultralytics YOLO26 ile entegre etmek için:
-
Gerekli paketleri yükle:
pip install -U ultralytics wandb yolo settings wandb=True -
Weights & Biases hesabında oturum aç:
import wandb wandb.login(key="YOUR_API_KEY") -
YOLO26 modelini W&B günlük kaydı etkin olacak şekilde eğit:
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")
Bu işlem; metrikleri, hiperparametreleri ve model yapılarını W&B projenize otomatik olarak kaydeder.
-
Temel özellikler şunlardır:
- Eğitim sırasında metriklerin gerçek zamanlı takibi
- Hiperparametre optimizasyonu araçları
- Farklı eğitim çalıştırmalarının karşılaştırmalı analizi
- Eğitim ilerlemesinin grafiklerle görselleştirilmesi
- Kaynak izleme (CPU, GPU, bellek kullanımı)
- Model yapılarının yönetimi ve paylaşımı
Bu özellikler YOLO26 projelerinde deneyleri takip etmene, modelleri optimize etmene ve daha etkili iş birliği yapmana yardımcı olur.
Eğitim betiğini W&B entegrasyonuyla çalıştırdıktan sonra:
- Konsol çıktısında W&B panona bir bağlantı verilir.
- Bağlantıya tıkla veya wandb.ai adresine git ve hesabında oturum aç.
- Ayrıntılı metrikleri, görselleştirmeleri ve model performans verilerini görüntülemek için projenin sayfasına git.
Pano, modelinin eğitim sürecine ilişkin içgörüler sunarak YOLO26 modellerini etkili bir şekilde analiz edip iyileştirmene olanak tanır.
Evet, aşağıdaki komutu kullanarak W&B günlük kaydını devre dışı bırakabilirsin:
yolo settings wandb=FalseGünlük kaydını yeniden etkinleştirmek için şunu kullan:
yolo settings wandb=TrueBu sayede eğitim betiklerini değiştirmeden W&B günlük kaydını ne zaman kullanacağını kontrol edebilirsin.
Weights & Biases, YOLO26 modellerini şu yollarla optimize etmeye yardımcı olur:
- Eğitim metriklerinin ayrıntılı görselleştirmelerini sunar
- Farklı model sürümlerini kolayca karşılaştırmanı sağlar
- Hiperparametre ayarlama araçları sunar
- Model performansının iş birliğine dayalı analizini mümkün kılar
- Model yapılarını ve sonuçlarını kolayca paylaşmayı sağlar
Bu özellikler, araştırmacıların ve geliştiricilerin daha hızlı yineleme yapmasına ve YOLO26 modellerini geliştirmek için veriye dayalı kararlar almasına yardımcı olur.