Weights & Biases ile YOLO Deney Takibi ve Görselleştirme

Object detection models like Ultralytics YOLO26 have become integral to many computer vision applications. However, training, evaluating, and deploying these complex models introduce several challenges. Tracking key training metrics, comparing model variants, analyzing model behavior, and detecting issues require significant instrumentation and experiment management.

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

Weights & Biases

Weights & Biases is a cutting-edge MLOps platform designed for tracking, visualizing, and managing machine learning experiments. It features automatic logging of training metrics for full experiment reproducibility, an interactive UI for streamlined data analysis, and efficient model management tools for deploying across various environments.

Weights & Biases ile YOLO26 Eğitimi

YOLO26 eğitim sürecine verimlilik ve otomasyon getirmek için Weights & Biases kullanabilirsin. Entegrasyon, deneyleri takip etmeni, modelleri karşılaştırmanı ve bilgisayarlı görü projelerini geliştirmek için veriye dayalı kararlar almanı sağlar.

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

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO26 Kurulum kılavuzumuza göz atmayı unutma. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza bak.

Weights & Biases Yapılandırması

Gerekli paketleri yükledikten sonraki adım, Weights & Biases ortamını kurmaktır. Bu, bir Weights & Biases hesabı oluşturmayı ve geliştirme ortamın ile W&B platformu arasında sorunsuz bir bağlantı için gereken API anahtarını almayı içerir.

Çalışma alanında Weights & Biases ortamını başlatarak işe başla. Bunu, aşağıdaki komutu çalıştırıp yönlendirilen talimatları takip ederek 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. Ortamını W&B ile doğrulamak için istendiğinde bu anahtarı kullan.

Kullanım: Weights & Biases ile YOLO26 Eğitimi

Weights & Biases ile YOLO26 model eğitimi için kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulan YOLO26 modelleri yelpazesine göz attığından emin ol. 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 Anlama

Yukarıdaki kullanım kod parçacığını çalıştırdıktan sonra şu temel çıktıları bekleyebilirsin:

• Eğitim sürecinin başladığını gösteren, benzersiz kimliğine sahip yeni bir çalışmanın kurulumu.
• Katman sayısı ve parametreler dahil olmak üzere modelin yapısının kısa bir özeti.
• Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
• 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 ayrıca yerel günlük dosyası konumları hakkında bilgiler.

Weights & Biases Panosunu Görüntüleme

Kullanım kod parçacığını çalıştırdıktan sonra, çıktıdaki 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: Eğitim sırasında loss, doğruluk ve doğrulama skorları gibi metrikleri geliştikçe gözlemle; bu, model ayarı için anında içgörü sağlar. Deneylerin Weights & Biases kullanılarak nasıl takip edildiğini gör.

• Hiperparametre Optimizasyonu: Weights & Biases; öğrenme oranı, yığın boyutu ve daha fazlası gibi kritik parametrelere ince ayar yapmaya yardımcı olarak YOLO26'nın performansını artırır. Bu, özel veri setin ve görevin için en uygun yapılandırmayı bulmana yardımcı olur.

• Karşılaştırmalı Analiz: Platform, farklı eğitim çalışmalarının 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 performansının epoklar boyunca sezgisel bir şekilde 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 Artifacts Yönetimi: Model kontrol noktalarına eriş ve bunları paylaş; böylece karmaşık projelerde ekip üyeleriyle kolay dağıtım ve iş birliğini kolaylaştır.

• Görüntü Katmanı ile Çıkarım Sonuçlarını Görüntüleme: Weights & Biases'te etkileşimli katmanlar kullanarak görüntüler üzerindeki tahmin sonuçlarını görselleştir; bu, modelin gerçek dünya verileri üzerindeki performansına dair net ve ayrıntılı bir görünüm sağlar. Daha ayrıntılı bilgi için Weights & Biases'in görüntü katmanı yeteneklerine bak.

Bu özellikleri kullanarak, YOLO26 modelinin eğitimini etkili bir şekilde takip edebilir, analiz edebilir ve optimize edebilir, 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. Bu 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.

Kullanımla ilgili daha fazla ayrıntı için Weights & Biases'in resmi belgelerini ziyaret et veya bu entegrasyon hakkındaki YOLO VISION 2023'ten Soumik Rakshit'in sunumunu keşfet.

Also, be sure to check out the Ultralytics integration guide page, to learn more about different exciting integrations like MLflow and Comet ML.

SSS

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

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

1. Gerekli paketleri kur:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Weights & Biases hesabına giriş yap:

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

3. YOLO26 modelini W&B günlüğü etkinleştirilmiş şekilde 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 artifactlerini otomatik olarak W&B projene günlüğe kaydedecektir.

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

Temel özellikler şunlardır:

• Eğitim sırasında gerçek zamanlı metrik takibi
• Hiperparametre optimizasyon araçları
• Farklı eğitim çalışmalarının karşılaştırmalı analizi
• Grafikler aracılığıyla eğitim ilerlemesinin görselleştirilmesi
• Kaynak izleme (CPU, GPU, bellek kullanımı)
• Model artifactlerinin yönetimi ve paylaşımı
• Görüntü katmanları ile 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 etmene ve geliştirmene olanak tanır.

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 modellerini optimize etmeye nasıl yardımcı olur?

Weights & Biases, YOLO26 modellerini şu yollarla optimize etmeye yardımcı olur:

1. Eğitim metriklerinin ayrıntılı görselleştirmelerini sağlayarak
2. Farklı model sürümleri arasında kolay karşılaştırma yapılmasını sağlayarak
3. Hiperparametre ayarlama için araçlar sunarak
4. Model performansının iş birlikçi analizine olanak tanıyarak
5. Model artifactlerinin ve sonuçlarının kolay paylaşımını kolaylaştırarak

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