Weights & Biases ile YOLO deney takibi ve görselleştirme#
Nesne algılama modelleri, örneğin Ultralytics YOLO26, birçok bilgisayarlı görü uygulamasının ayrılmaz bir parçası hâline gelmiştir. Ancak bu karmaşık modelleri eğitmek, değerlendirmek ve dağıtmak çeşitli zorlukları beraberinde getirir. Temel eğitim metriklerini izlemek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları tespit etmek kapsamlı enstrümantasyon ve deney yönetimi gerektirir.
Watch: How to use Ultralytics YOLO26 with Weights and Biases
Bu kılavuz, gelişmiş deney takibi, model kontrol noktası yönetimi ve model performansının görselleştirilmesi için Ultralytics YOLO26 ile Weights & Biases entegrasyonunu gösterir. Ayrıca Weights & Biases'in etkileşimli özelliklerini kullanarak entegrasyonu kurma, eğitim gerçekleştirme ve sonuçları görselleştirme talimatlarını içerir.
Weights & Biases#
Weights & Biases, makine öğrenimi deneylerini izlemek, görselleştirmek ve yönetmek için tasarlanmış son teknoloji bir MLOps platformudur. Eksiksiz deney tekrarlanabilirliği için eğitim metriklerini otomatik olarak günlüğe kaydetme, kolaylaştırılmış veri analizi için etkileşimli bir kullanıcı arayüzü 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'i kullanabilirsin. Bu entegrasyon, deneyleri izlemene, modelleri karşılaştırmana ve bilgisayarlı görü projelerini geliştirmek 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 süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Yükleme kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.
Weights & Biases'i yapılandırma#
Gerekli paketleri yükledikten sonra sıradaki adım Weights & Biases ortamını kurmaktır. Buna bir Weights & Biases hesabı oluşturmak ve geliştirme ortamın ile W&B platformu arasında sorunsuz bir bağlantı kurmak için gerekli API anahtarını edinmek dâhildir.
Çalışma alanında Weights & Biases ortamını başlatarak işe başla. Bunu, aşağıdaki komutu çalıştırıp ekrandaki 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 kimliğini W&B ile doğrulaman istendiğinde bu anahtarı kullan.
Kullanım: Weights & Biases ile YOLO26 eğitimi#
Weights & Biases ile YOLO26 model eğitiminin kullanım talimatlarına geçmeden önce Ultralytics tarafından sunulan YOLO26 modellerine göz atmayı unutma. Bu, proje gereksinimlerin için en uygun modeli seçmene yardımcı olur.
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 bağımsız değişkenleri#
| Bağımsız değişken | Varsayılan | Açıklama |
|---|---|---|
| project | None | Yerel olarak ve W&B'de günlüğe kaydedilen projenin adını belirtir. Böylece birden fazla çalıştırmayı birlikte gruplayabilirsin. |
| name | None | Eğitim çalıştırmasının adıdır. Bu değer, alt klasörlerin oluşturulmasında ve W&B günlüklerinde kullanılacak adı belirler. |
| save | True | En iyi kontrol noktasının W&B model artefaktı olarak yüklenip yüklenmeyeceğini belirler. |
Ultralytics'te Weights & Biases günlüklerini etkinleştirmek veya devre dışı bırakmak istiyorsan yolo settings komutunu kullanabilirsin. Varsayılan olarak Weights & Biases günlükleri devre dışıdır.
# Enable Weights & Biases logging
yolo settings wandb=True
# Disable Weights & Biases logging
yolo settings wandb=FalseÇıktıyı Anlama#
Yukarıdaki kullanım kod parçacığını çalıştırdığında aşağıdaki temel çıktıları görmeyi bekleyebilirsin:
- Eğitim sürecinin başlangıcını gösteren, benzersiz kimliğe sahip yeni bir çalıştırmanın kurulumu.
- Katman ve parametre sayısı dâhil olmak üzere model yapısının kısa bir özeti.
- Her eğitim epoch'u sırasında kutu kaybı, cls kaybı, kutu uzaklığı kaybı, kesinlik, duyarlılık ve mAP skorları gibi önemli metriklerde düzenli güncellemeler.
- Eğitimin sonunda modelin çıkarım hızı ve genel doğruluk metrikleri dâhil olmak üzere ayrıntılı metrikler görüntülenir.
- Eğitim sürecinin derinlemesine analizi ve görselleştirilmesi için Weights & Biases panosuna bağlantıların yanı sıra yerel günlük dosyalarının konumlarına ilişkin bilgiler.
Weights & Biases panosunu görüntüleme#
Kullanım kod 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: Eğitim sırasında kayıp, doğruluk ve doğrulama skorları gibi metriklerin değişimini gözlemleyerek model ayarlama için anında içgörüler elde et. Weights & Biases kullanılarak deneylerin nasıl izlendiğini gör.
-
Hiperparametre optimizasyonu: Weights & Biases, YOLO26'nın performansını artırmak için öğrenme oranı, toplu iş boyutu ve diğer kritik parametrelerde ince ayar yapmana yardımcı olur. Bu, belirli veri kümen ve görevin için en uygun yapılandırmayı bulmana yardımcı olur.
-
Karşılaştırmalı analiz: Platform, farklı eğitim çalıştırmalarını yan yana karşılaştırmana olanak tanır; bu, çeşitli model yapılandırmalarının etkisini değerlendirmek ve hangi değişikliklerin performansı iyileştirdiğini anlamak için gereklidir.
-
Eğitim ilerlemesinin görselleştirilmesi: Temel metriklerin grafiksel gösterimleri, modelin epoch'lar boyunca performansını sezgisel olarak anlamanı sağlar. Weights & Biases'in doğrulama sonuçlarını görselleştirmene nasıl yardımcı olduğunu gör.
-
Kaynak izleme: Eğitim sürecinin verimliliğini optimize etmek ve iş akışındaki olası darboğazları tespit etmek için CPU, GPU ve bellek kullanımını takip et.
-
Model artefaktı yönetimi: Model kontrol noktalarına eriş ve bunları paylaş; böylece karmaşık projelerde kolay dağıtım ve ekip üyeleriyle iş birliği sağla.
Bu özellikleri kullanarak YOLO26 modelinin eğitimini etkili bir şekilde izleyebilir, analiz edebilir ve optimize edebilirsin; böylece nesne algılama görevlerin için mümkün olan en iyi performansı ve verimliliği sağlayabilirsin.
Özet#
Bu kılavuz, Ultralytics YOLO'nun Weights & Biases ile entegrasyonunu keşfetmene yardımcı oldu. Entegrasyonun model eğitimi ve tahmin sonuçlarını verimli bir şekilde izleme ve görselleştirme becerisini gösterir. W&B'nin güçlü özelliklerinden yararlanarak makine öğrenimi iş akışını kolaylaştırabilir, veriye dayalı kararlar alabilir ve modelinin performansını iyileştirebilirsin.
Kullanım hakkında daha fazla bilgi için Weights & Biases'in resmi belgelerini ziyaret et veya bu entegrasyonla ilgili YOLO VISION 2023 kapsamındaki Soumik Rakshit sunumunu incele.
Ayrıca, MLflow ve Comet ML gibi farklı ve ilgi çekici entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics entegrasyon kılavuzu sayfasına göz atmayı unutma.
SSS#
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 günlükleri 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 artefaktlarını W&B projenize otomatik olarak kaydeder.
-
Temel özellikler şunlardır:
- Eğitim sırasında gerçek zamanlı metrik takibi
- Hiperparametre optimizasyonu araçları
- Farklı eğitim çalıştırmalarının karşılaştırmalı analizi
- Eğitim ilerlemesinin grafiklerle görselleştirilmesi
- Kaynak izleme (CPU, GPU, bellek kullanımı)
- Model artefaktlarının yönetimi ve paylaşılması
Bu özellikler deneyleri izlemene, modelleri optimize etmene ve YOLO26 projelerinde daha etkili iş birliği yapmana yardımcı olur.
Eğitim komut dosyanı W&B entegrasyonuyla çalıştırdıktan sonra:
- W&B panona ait bir bağlantı konsol çıktısında sağlanır.
- Bağlantıya tıkla veya wandb.ai adresine gidip hesabında oturum aç.
- Ayrıntılı metrikleri, görselleştirmeleri ve model performansı verilerini görüntülemek için projenize git.
Pano, modelinin eğitim sürecine ilişkin içgörüler sunarak YOLO26 modellerini etkili bir şekilde analiz etmene ve geliştirmenize olanak tanır.
Evet, W&B günlüklerini aşağıdaki komutu kullanarak devre dışı bırakabilirsin:
yolo settings wandb=FalseGünlükleri yeniden etkinleştirmek için şunu kullan:
yolo settings wandb=TrueBu, eğitim komut dosyalarını değiştirmeden W&B günlüklerini ne zaman kullanmak istediğini kontrol etmeni sağlar.
Weights & Biases, YOLO26 modellerini şu yollarla optimize etmeye yardımcı olur:
- Eğitim metriklerinin ayrıntılı görselleştirmelerini sunma
- Farklı model sürümlerini kolayca karşılaştırma olanağı sağlama
- Hiperparametre ayarı için araçlar sunma
- Model performansının ortaklaşa analiz edilmesine olanak tanıma
- Model artefaktlarının ve sonuçların kolayca paylaşılmasını sağlama
Bu özellikler, araştırmacıların ve geliştiricilerin daha hızlı yineleme yapmasına ve YOLO26 modellerini geliştirmek için veriye dayalı kararlar almasına yardımcı olur.