─░├žeri─če ge├ž

YOLOv8 ile Deney Takibi ve G├Ârselle┼čtirmenin Geli┼čtirilmesi Weights & Biases

Nesne alg─▒lama modelleri gibi Ultralytics YOLOv8 bir├žok bilgisayarla g├Ârme uygulamas─▒n─▒n ayr─▒lmaz bir par├žas─▒ haline gelmi┼čtir. Ancak bu karma┼č─▒k modellerin e─čitilmesi, de─čerlendirilmesi ve da─č─▒t─▒lmas─▒ ├že┼čitli zorluklar─▒ beraberinde getirmektedir. Temel e─čitim metriklerinin izlenmesi, model varyantlar─▒n─▒n kar┼č─▒la┼čt─▒r─▒lmas─▒, model davran─▒┼č─▒n─▒n analiz edilmesi ve sorunlar─▒n tespit edilmesi ├Ânemli ├Âl├ž├╝de enstr├╝mantasyon ve deney y├Ânetimi gerektirir.

This guide showcases Ultralytics YOLOv8 integration with Weights & Biases' for enhanced experiment tracking, model-checkpointing, and visualization of model performance. It also includes instructions for setting up the integration, training, fine-tuning, and visualizing results using Weights & Biases' interactive features.

Weights & Biases

Weights & Biases Genel Bak─▒┼č

Weights & Biases makine ├Â─črenimi deneylerini izlemek, g├Ârselle┼čtirmek ve y├Ânetmek i├žin tasarlanm─▒┼č son teknoloji bir MLOps platformudur. Tam deney tekrarlanabilirli─či i├žin e─čitim metriklerinin otomatik olarak kaydedilmesini, kolayla┼čt─▒r─▒lm─▒┼č veri analizi i├žin etkile┼čimli bir kullan─▒c─▒ aray├╝z├╝n├╝ ve ├že┼čitli ortamlarda da─č─▒t─▒m i├žin verimli model y├Ânetim ara├žlar─▒n─▒ i├žerir.

YOLOv8 ile E─čitim Weights & Biases

YOLOv8 e─čitim s├╝recinize verimlilik ve otomasyon getirmek i├žin Weights & Biases adresini kullanabilirsiniz.

Kurulum

Gerekli paketleri y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin YOLOv8 Kurulum k─▒lavuzumuzu kontrol etti─činizden emin olun. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Yap─▒land─▒rma Weights & Biases

Gerekli paketleri y├╝kledikten sonra, bir sonraki ad─▒m Weights & Biases ortam─▒n─▒z─▒ kurmakt─▒r. Bu, bir Weights & Biases hesab─▒ olu┼čturmay─▒ ve geli┼čtirme ortam─▒n─▒z ile W&B platformu aras─▒nda sorunsuz bir ba─člant─▒ i├žin gerekli API anahtar─▒n─▒ almay─▒ i├žerir.

├çal─▒┼čma alan─▒n─▒zda Weights & Biases ortam─▒n─▒ ba┼člatarak ba┼člay─▒n. Bunu a┼ča─č─▒daki komutu ├žal─▒┼čt─▒rarak ve sorulan talimatlar─▒ izleyerek yapabilirsiniz.

─░lk SDK Kurulumu

# Initialize your Weights & Biases environment
import wandb
wandb.login()

API anahtar─▒n─▒z─▒ olu┼čturmak ve almak i├žin Weights & Biases yetkilendirme sayfas─▒na gidin. W&B ile ortam─▒n─▒z─▒n kimli─čini do─črulamak i├žin bu anahtar─▒ kullan─▒n.

Kullan─▒m: E─čitim YOLOv8 ile Weights & Biases

Weights & Biases ile YOLOv8 model e─čitimi i├žin kullan─▒m talimatlar─▒na dalmadan ├Ânce, Ultralytics taraf─▒ndan sunulanYOLOv8 modelleri yelpazesine g├Âz att─▒─č─▒n─▒zdan emin olun. Bu, proje gereksinimleriniz i├žin en uygun modeli se├žmenize yard─▒mc─▒ olacakt─▒r.

Kullan─▒m: E─čitim YOLOv8 ile Weights & Biases

import wandb
from wandb.integration.ultralytics import add_wandb_callback

from ultralytics import YOLO

# Step 1: Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Step 2: Define the YOLOv8 Model and Dataset
model_name = "yolov8n"
dataset_name = "coco8.yaml"
model = YOLO(f"{model_name}.pt")

# Step 3: Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Step 4: Train and Fine-Tune the Model
model.train(project="ultralytics", data=dataset_name, epochs=5, imgsz=640)

# Step 5: Validate the Model
model.val()

# Step 6: Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Step 7: Finalize the W&B Run
wandb.finish()

Kodu Anlamak

Let's understand the steps showcased in the usage code snippet above.

  • Ad─▒m 1: Bir Weights & Biases ├çal─▒┼čt─▒rmas─▒n─▒ Ba┼člat─▒n: Proje ad─▒n─▒ ve i┼č t├╝r├╝n├╝ belirterek bir Weights & Biases ├žal─▒┼čt─▒rmas─▒ ba┼člatarak ba┼člay─▒n. Bu ├žal─▒┼čt─▒rma, modelinizin e─čitim ve do─črulama s├╝re├žlerini izleyecek ve y├Ânetecektir.

  • Ad─▒m 2: YOLOv8 Modelini ve Veri Setini Tan─▒mlay─▒n: Kullanmak istedi─činiz model varyant─▒n─▒ ve veri setini belirtin. Daha sonra YOLO modeli belirtilen model dosyas─▒ ile ba┼člat─▒l─▒r.

  • Ad─▒m 3: Ultralytics i├žin Weights & Biases Geri ├ça─čr─▒s─▒n─▒ ekleyin: Bu ad─▒m, e─čitim metriklerinin ve do─črulama sonu├žlar─▒n─▒n Weights & Biases adresine otomatik olarak kaydedilmesini sa─člayarak modelin performans─▒n─▒n ayr─▒nt─▒l─▒ bir g├Âr├╝n├╝m├╝n├╝ sundu─ču i├žin ├žok ├Ânemlidir.

  • Ad─▒m 4: Modeli E─čitin ve ─░nce Ayar─▒n─▒ Yap─▒n: Modeli belirtilen veri k├╝mesi, epok say─▒s─▒ ve g├Âr├╝nt├╝ boyutu ile e─čitmeye ba┼člay─▒n. E─čitim s├╝reci, her d├Ânemin sonunda metriklerin ve tahminlerin kaydedilmesini i├žerir ve modelin ├Â─črenme ilerlemesinin kapsaml─▒ bir g├Âr├╝n├╝m├╝n├╝ sunar.

  • Ad─▒m 5: Modeli Do─črulay─▒n: E─čitimden sonra model do─črulan─▒r. Bu ad─▒m, modelin g├Âr├╝nmeyen veriler ├╝zerindeki performans─▒n─▒ de─čerlendirmek ve genellenebilirli─čini sa─člamak i├žin ├žok ├Ânemlidir.

  • Ad─▒m 6: ├ç─▒kar─▒m Yap─▒n ve Sonu├žlar─▒ G├╝nl├╝─če Kaydedin: Model, belirtilen g├Âr├╝nt├╝ler ├╝zerinde tahminler ger├žekle┼čtirir. Bu tahminler, g├Ârsel bindirmeler ve i├žg├Âr├╝lerle birlikte, etkile┼čimli ke┼čif i├žin otomatik olarak bir W&B Tablosuna kaydedilir.

  • Ad─▒m 7: W&B ├çal─▒┼čt─▒rmas─▒n─▒ Sonland─▒r─▒n: Bu ad─▒m, veri kayd─▒n─▒n sonunu i┼čaret eder ve modelinizin e─čitim ve do─črulama s├╝recinin son durumunu W&B panosuna kaydeder.

Çıktıyı Anlama

Yukar─▒daki kullan─▒m kodu par├žac─▒─č─▒n─▒ ├žal─▒┼čt─▒rd─▒ktan sonra, a┼ča─č─▒daki temel ├ž─▒kt─▒lar─▒ bekleyebilirsiniz:

  • E─čitim s├╝recinin ba┼člang─▒c─▒n─▒ g├Âsteren benzersiz kimli─či ile yeni bir ├žal─▒┼čt─▒rma kurulumu.
  • A concise summary of the model's structure, including the number of layers and parameters.
  • Her e─čitim d├Ânemi s─▒ras─▒nda kutu kayb─▒, cls kayb─▒, dfl kayb─▒, hassasiyet, geri ├ža─č─▒rma ve mAP puanlar─▒ gibi ├Ânemli metrikler hakk─▒nda d├╝zenli g├╝ncellemeler.
  • E─čitimin sonunda, modelin ├ž─▒kar─▒m h─▒z─▒ ve genel do─čruluk metrikleri dahil olmak ├╝zere ayr─▒nt─▒l─▒ metrikler g├Âr├╝nt├╝lenir.
  • E─čitim s├╝recinin derinlemesine analizi ve g├Ârselle┼čtirilmesi i├žin Weights & Biases kontrol paneline ba─člant─▒lar ve yerel g├╝nl├╝k dosyas─▒ konumlar─▒ hakk─▒nda bilgiler.

Weights & Biases G├Âsterge Tablosunun G├Âr├╝nt├╝lenmesi

Kullan─▒m kodu par├žac─▒─č─▒n─▒ ├žal─▒┼čt─▒rd─▒ktan sonra, ├ž─▒kt─▒da verilen ba─člant─▒ arac─▒l─▒─č─▒yla Weights & Biases (W&B) panosuna eri┼čebilirsiniz. Bu pano, YOLOv8 ile modelinizin e─čitim s├╝recinin kapsaml─▒ bir g├Âr├╝n├╝m├╝n├╝ sunar.

Weights & Biases G├Âsterge Tablosunun Temel ├ľzellikleri

  • Real-Time Metrics Tracking: Observe metrics like loss, accuracy, and validation scores as they evolve during the training, offering immediate insights for model tuning. See how experiments are tracked using Weights & Biases.

  • Hiperparametre Optimizasyonu: Weights & Biases ├Â─črenme oran─▒, y─▒─č─▒n boyutu ve daha fazlas─▒ gibi kritik parametrelerin ince ayar─▒n─▒n yap─▒lmas─▒na yard─▒mc─▒ olarak YOLOv8'un performans─▒n─▒ art─▒r─▒r.

  • Kar┼č─▒la┼čt─▒rmal─▒ Analiz: Platform, ├že┼čitli model konfig├╝rasyonlar─▒n─▒n etkisini de─čerlendirmek i├žin gerekli olan farkl─▒ e─čitim ├žal─▒┼čmalar─▒n─▒n yan yana kar┼č─▒la┼čt─▒r─▒lmas─▒na olanak tan─▒r.

  • Visualization of Training Progress: Graphical representations of key metrics provide an intuitive understanding of the model's performance across epochs. See how Weights & Biases helps you visualize validation results.

  • Kaynak ─░zleme: E─čitim s├╝recinin verimlili─čini optimize etmek i├žin CPU, GPU ve bellek kullan─▒m─▒n─▒ takip edin.

  • Model Yap─▒tlar─▒ Y├Ânetimi: Model kontrol noktalar─▒na eri┼čin ve payla┼č─▒n, kolay da─č─▒t─▒m ve i┼čbirli─čini kolayla┼čt─▒r─▒n.

  • Viewing Inference Results with Image Overlay: Visualize the prediction results on images using interactive overlays in Weights & Biases, providing a clear and detailed view of model performance on real-world data. For more detailed information on Weights & Biases' image overlay capabilities, check out this link. See how Weights & Biases' image overlays helps visualize model inferences.

Bu ├Âzellikleri kullanarak YOLOv8 modelinizin e─čitimini etkili bir ┼čekilde izleyebilir, analiz edebilir ve optimize ederek m├╝mk├╝n olan en iyi performans─▒ ve verimlili─či sa─člayabilirsiniz.

├ľzet

This guide helped you explore Ultralytics' YOLOv8 integration with Weights & Biases. It illustrates the ability of this integration to efficiently track and visualize model training and prediction results.

Kullan─▒m hakk─▒nda daha fazla bilgi i├žin Weights & Biases' resmi belgelerini ziyaret edin.

Ayr─▒ca, farkl─▒ heyecan verici entegrasyonlar hakk─▒nda daha fazla bilgi edinmek i├žin Ultralytics entegrasyon k─▒lavuzu sayfas─▒na g├Âz atmay─▒ unutmay─▒n.



Created 2023-12-28, Updated 2024-06-20
Authors: ambitious-octopus (1), glenn-jocher (8), IvorZhu331 (1), abirami-vina (1)

Yorumlar