Weights & Biases ile YOLO Deney İzleme ve Görselleştirme#

Object detection modelleri gibi Ultralytics YOLO26 birçok computer vision uygulamasının ayrılmaz bir parçası haline gelmiştir. Ancak bu karmaşık modelleri eğitmek, değerlendirmek ve devreye almak birkaç zorluğu beraberinde getirir. Temel eğitim metriklerini takip etmek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları tespit etmek önemli düzeyde 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.

Weights & Biases#

Weights & Biases, machine learning deneylerini takip etmek, görselleştirmek ve yönetmek için tasarlanmış son teknoloji bir MLOps platformudur. Eksiksiz deney tekrarlanabilirliği için eğitim metriklerinin otomatik günlüğe kaydedilmesini, kolaylaştırılmış veri analizi için interaktif bir kullanıcı arayüzünü ve çeşitli ortamlarda dağıtım yapmak için verimli model yönetimi araçlarını içerir.

Weights & Biases ile YOLO26 Eğitimi#

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

Kurulum#

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 Installation guide sayfamıza göz atmayı unutma. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Common Issues guide kılavuzumuza bak.

Weights & 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. Ortamının W&B ile kimlik doğrulamasını yapmak için istendiğinde bu anahtarı kullan.

Kullanım: Weights & Biases ile YOLO26 Eğitimi#

YOLO26 model eğitimi için Weights & Biases kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesine göz atmayı unutma. Bu, projenin gereksinimleri için en uygun modeli seçmene yardımcı olacaktır.

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")

W&B Argümanları#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Çıktıyı 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.
• Kutu kaybı (box loss), sınıf kaybı (cls loss), DFL kaybı (dfl loss), kesinlik, duyarlılık ve mAP skorları gibi önemli metriklerin her bir eğitim epoch süresince düzenli olarak güncellenmesi.
• Eğitimin 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.

Weights & 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.

Weights & Biases Panosunun Temel Özellikleri#

• Gerçek Zamanlı Metrik Takibi: Kayıp, doğruluk ve doğrulama skorları gibi metrikleri eğitim sırasında değiştikçe gözlemleyerek model optimizasyonu için anında içgörüler elde et. Weights & Biases kullanarak deneyimlerin nasıl takip edildiğini gör.

• Hiperparametre Optimizasyonu: Weights & Biases; öğrenme oranı, küme boyutu ve daha fazlası gibi kritik parametrelerin ince ayarının yapılmasında yardımcı olarak YOLO26 performansını artırır. Bu, özel veri setin ve görevin için en uygun yapılandırmayı bulmanı sağlar.

• 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 gösterimleri, modelin epoch'lar boyunca performansının sezgisel olarak anlaşılmasını 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 Kaplaması ile Çıkarım Sonuçlarını Görüntüleme: Weights & Biases içerisindeki etkileşimli kaplamaları kullanarak tahmin sonuçlarını görseller üzerinde görselleştir, bu sayede modelin gerçek dünya verilerindeki performansının net ve ayrıntılı bir görünümünü elde et. Daha ayrıntılı bilgi için Weights & Biases görüntü kaplama özelliklerine göz at.

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

Özet#

Bu kılavuz, Ultralytics YOLO entegrasyonunu Weights & Biases ile keşfetmene yardımcı oldu. Entegrasyonun, model eğitimi ve tahmin sonuçlarını verimli bir şekilde takip etme 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 ayrıntı için Weights & Biases resmi belgelerini ziyaret et veya bu entegrasyon hakkındaki YOLO VISION 2023 Soumik Rakshit sunumunu incele.

Ayrıca, MLflow ve Comet ML gibi heyecan verici farklı entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics integration guide page sayfasını incelediğinden emin ol.

SSS#

Weights & 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.

Weights & 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.

YOLO26 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.

YOLO26 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.

Weights & 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 ayarlaması için araçlar sunma
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.