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 kılavuz, deney takibini, en iyi model yapıtlarını ve model performansının görselleştirilmesini iyileştirmek için Ultralytics YOLO26'nın Weights & Biases ile entegrasyonunu tanıtır. Ayrıca entegrasyonu kurma, model eğitme ve Weights & Biases'ın etkileşimli özelliklerini kullanarak sonuçları görselleştirme talimatlarını da içerir.

YOLO kontrol noktalarını zaten W&B'ye kaydediyor musun? Projelerini Ultralytics Platform'a aktar: Settings > Integrations > Weights & Biases.

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=True

Yükleme 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 (API anahtarı sorulur veya WANDB_API_KEY okunur)
wandb.login()

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")

Ultralytics'ın oluşturduğu run'lar, eğitim metriklerini epoch değerine göre grafikle gösterir. Eğitimden önce wandb.init() ile bir run başlatırsan Ultralytics bu run'a kayıt yapar, her satıra epoch değerini ekler ve sen bu run'a kayıt yapmaya devam edebilesin ve wandb.finish() çağrısını kendin yapabilesin diye run'ı açık bırakır. Eğitim argümanları bu run'ın yapılandırmasına eklenir ve senin veya bir W&B hiperparametre taramasının önceden ayarladığı anahtarların değerleri korunur.

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 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.
• Eğitim kayıpları, kesinlik, duyarlılık ve mAP skorları gibi önemli metrikler için her eğitim epokunda düzenli güncellemeler.
• 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 Karşılaştırması: Her çalıştırma, öğrenme oranı ve yığın boyutu gibi eğitim argümanlarını kaydeder; böylece farklı çalıştırmalardaki yapılandırmaları karşılaştırabilirsin. W&B kaydıyla otomatik arama yapmak için Ray Tune kullan.

• 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 Yapıtlarının Yönetimi: Eğitim sonunda W&B yapıtı olarak yüklenen en iyi model kontrol noktasına erişip bunu paylaşarak karmaşık projelerde dağıtımı ve ekip üyeleriyle iş birliğini kolaylaştır.

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 ile Weights & Biases entegrasyonunu keşfetmene yardımcı oldu. Kılavuz, bu entegrasyonun model eğitimi sonuçlarını verimli biçimde izleme ve görselleştirme olanağını gösteriyor. W&B'nin güçlü özelliklerinden yararlanarak makine öğrenimi iş akışını kolaylaştırabilir, veriye dayalı kararlar alabilir ve modelinin performansını iyileştirebilirsin.

Bu entegrasyon hakkında daha fazla bilgi için YOLO VISION 2023'teki 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#