Weights & Biases ile YOLO Deney Takibi ve Görselleştirme

Nesne algılama modelleri, Ultralytics YOLO26 gibi, birçok bilgisayar görüşü uygulamasının ayrılmaz bir parçası haline gelmiştir. Ancak, bu karmaşık modelleri eğitmek, değerlendirmek ve dağıtmak çeşitli zorlukları beraberinde getirir. Temel eğitim metriklerini takip etmek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları detect etmek önemli ölçüde enstrümantasyon ve deney yönetimi gerektirir.

İzle: Ultralytics YOLO26, Weights and Biases ile nasıl kullanılır

Bu kılavuz, gelişmiş deney takibi, model kontrol noktası oluşturma ve model performansının görselleştirilmesi için Ultralytics YOLO26'nın Weights & Biases ile entegrasyonunu sergilemektedir. Ayrıca, entegrasyonu kurma, eğitim, ince ayar yapma ve Weights & Biases'ın etkileşimli özelliklerini kullanarak sonuçları görselleştirme talimatlarını da içerir.

Weights & Biases

Weights & Biases, makine öğrenimi deneylerini izlemek, görselleştirmek ve yönetmek için tasarlanmış son teknoloji bir MLOps platformudur. Tam deney tekrarlanabilirliği için eğitim metriklerinin otomatik olarak kaydedilmesi, aerodinamik veri analizi için etkileşimli bir kullanıcı arayüzü ve çeşitli ortamlarda dağıtım için verimli model yönetim araçları içerir.

YOLO26 Weights & Biases ile Eğitimi

YOLO26 eğitim sürecinize verimlilik ve otomasyon katmak için Weights & Biases'ı kullanabilirsiniz. Entegrasyon, deneyleri takip etmenize, modelleri karşılaştırmanıza ve bilgisayar görüşü projelerinizi geliştirmek için veriye dayalı kararlar almanıza olanak tanır.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# 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 kılavuzumuza göz atmayı unutmayın. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar kılavuzumuza başvurun.

Weights & Biases'ı Yapılandırma

Gerekli paketleri kurduktan sonraki adım, Weights & Biases ortamınızı ayarlamaktır. Bu, bir Weights & Biases hesabı oluşturmayı ve geliştirme ortamınız ile W&B platformu arasında sorunsuz bir bağlantı için gerekli API anahtarını edinmeyi içerir.

Çalışma alanınızda Weights & Biases ortamını başlatarak başlayın. Bunu, aşağıdaki komutu çalıştırarak ve istenen talimatları izleyerek yapabilirsiniz.

import wandb

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

# Initialize your Weights & Biases environment
wandb login

API anahtarınızı oluşturmak ve almak için Weights & Biases yetkilendirme sayfasına gidin. Ortamınızı W&B ile kimlik doğrulaması yapmanız istendiğinde bu anahtarı kullanın.

Kullanım: YOLO26'yı Weights & Biases ile Eğitme

Weights & Biases ile YOLO26 model eğitimi kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesini incelediğinizden emin olun. Bu, proje gereksinimleriniz için en uygun modeli seçmenize 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")

# Train a YOLO26 model with Weights & Biases
yolo 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 Anlama

Yukarıdaki kullanım kodu parçacığını çalıştırdıktan sonra, aşağıdaki temel çıktıları bekleyebilirsiniz:

• Eğitim sürecinin başlangıcını gösteren benzersiz kimliği ile yeni bir çalıştırmanın kurulumu.
• Modelin katman ve parametre sayısı dahil yapısının özlü bir özeti.
• Her eğitim epoku sırasında kutu kaybı, sınıflandırma kaybı, dfl kaybı, kesinlik, duyarlılık ve mAP skorları gibi önemli metrikler hakkında düzenli güncellemeler.
• 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 ve yerel günlük dosyası konumları hakkında bilgilere bağlantılar.

Weights & Biases Panosunu Görüntüleme

Kullanım kodu parçacığını çalıştırdıktan sonra, çıktıdaki bağlantı aracılığıyla Weights & Biases (W&B) kontrol paneline erişebilirsiniz. Bu kontrol paneli, modelinizin YOLO26 ile eğitim sürecine kapsamlı bir bakış sunar.

Weights & Biases Panosunun Temel Özellikleri

• Gerçek Zamanlı Metrik İzleme: Eğitim sırasında kayıp, doğruluk ve doğrulama puanları gibi metriklerin nasıl geliştiğini gözlemleyerek model ayarlaması için anında içgörüler sunar. Weights & Biases kullanılarak deneylerin nasıl izlendiğini görün.

• Hiperparametre Optimizasyonu: Weights & Biases, öğrenme oranı, toplu iş boyutu ve daha fazlası gibi kritik parametrelerin ince ayarında yardımcı olarak YOLO26'nın performansını artırır. Bu, belirli veri kümeniz ve göreviniz için en uygun yapılandırmayı bulmanıza yardımcı olur.

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

• Eğitim İlerlemesinin Görselleştirilmesi: Temel metriklerin grafiksel gösterimleri, modelin dönemler genelindeki performansı hakkında sezgisel bir anlayış sağlar. Weights & Biases'in doğrulama sonuçlarını görselleştirmenize nasıl yardımcı olduğunu görün.

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

• Model Artefaktları Yönetimi: Model kontrol noktalarına erişin ve paylaşın, bu da karmaşık projelerde ekip üyeleriyle kolay dağıtımı ve işbirliğini kolaylaştırır.

• Görüntü Katmanıyla Çıkarım Sonuçlarını Görüntüleme: Weights & Biases'daki etkileşimli katmanları kullanarak görüntüler üzerindeki tahmin sonuçlarını görselleştirin ve modelin gerçek dünya verileri üzerindeki performansının net ve ayrıntılı bir görünümünü sağlayın. Daha ayrıntılı bilgi için Weights & Biases'ın görüntü katmanı özelliklerine bakın.

Bu özellikleri kullanarak, YOLO26 modelinizin eğitimini etkili bir şekilde takip edebilir, analiz edebilir ve optimize edebilir, nesne algılama görevleriniz için mümkün olan en iyi performansı ve verimliliği sağlayabilirsiniz.

Özet

Bu kılavuz, Ultralytics YOLO'nun Weights & Biases ile entegrasyonunu keşfetmenize yardımcı oldu. Bu entegrasyonun model eğitimini ve tahmin sonuçlarını verimli bir şekilde izleme ve görselleştirme yeteneğini göstermektedir. W&B'nin güçlü özelliklerinden yararlanarak makine öğrenimi iş akışınızı kolaylaştırabilir, veriye dayalı kararlar alabilir ve modelinizin performansını artırabilirsiniz.

Kullanım hakkında daha fazla bilgi için Weights & Biases'ın resmi belgelerini ziyaret edin veya YOLO VISION 2023'teki Soumik Rakshit'in bu entegrasyonla ilgili sunumunu inceleyin.

Ayrıca, MLflow ve Comet ML gibi farklı heyecan verici entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics entegrasyon kılavuzu sayfasını incelediğinizden emin olun.

SSS

Weights & Biases'ı Ultralytics YOLO26 ile nasıl entegre ederim?

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

1. Gerekli paketleri kurun:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Weights & Biases hesabınıza giriş yapın:

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

3. W&B günlük kaydı etkinleştirilmiş olarak YOLO26 modelinizi eğitin:

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

Bu, metrikleri, hiperparametreleri ve model yapılarını otomatik olarak W&B projenize kaydedecektir.

Weights & Biases'ın YOLO26 ile entegrasyonunun temel özellikleri nelerdir?

Temel özellikler şunları içerir:

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

Bu özellikler, YOLO26 projelerinde deneyleri takip etmeye, modelleri optimize etmeye ve daha etkili işbirliği yapmaya yardımcı olur.

YOLO26 eğitimim için Weights & Biases kontrol panelini nasıl görüntüleyebilirim?

W&B entegrasyonu ile eğitim komut dosyanızı çalıştırdıktan sonra:

1. W&B kontrol panelinize bir bağlantı, konsol çıktısında sağlanacaktır.
2. Bağlantıya tıklayın veya wandb.ai adresine gidin ve hesabınıza giriş yapın.
3. Ayrıntılı metrikleri, görselleştirmeleri ve model performans verilerini görüntülemek için projenize gidin.

Kontrol paneli, modelinizin eğitim süreci hakkında içgörüler sunarak YOLO26 modellerinizi etkili bir şekilde analiz etmenize ve geliştirmenize olanak tanır.

YOLO26 eğitimi için Weights & Biases günlük kaydını devre dışı bırakabilir miyim?

Evet, aşağıdaki komutu kullanarak W&B günlüğünü devre dışı bırakabilirsiniz:

yolo settings wandb=False

Günlüğü yeniden etkinleştirmek için şunu kullanın:

yolo settings wandb=True

Bu, eğitim komut dosyalarınızı değiştirmeden W&B günlüğünü ne zaman kullanmak istediğinizi kontrol etmenizi sağlar.

Weights & Biases, YOLO26 modellerini optimize etmede nasıl yardımcı olur?

Weights & Biases, YOLO26 modellerini optimize etmeye yardımcı olur:

1. Eğitim metriklerinin ayrıntılı görselleştirmelerini sağlama
2. Farklı model versiyonları arasında kolay karşılaştırma olanağı sağlar
3. Hiperparametre ayarlama için araçlar sunma
4. Model performansının işbirlikçi analizine olanak tanıma
5. Model çıktılarını ve sonuçlarını kolayca paylaşmayı kolaylaştırma

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

📅 2 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar