Ultralytics YOLO ile Model Eğitimi

Giriş

Derin öğrenme modelini eğitmek, modele veri beslemeyi ve doğru tahminler yapabilmesi için parametrelerini ayarlamayı içerir. Ultralytics YOLO11'deki Eğitim modu, modern donanım özelliklerini tam olarak kullanarak nesne algılama modellerinin etkili ve verimli bir şekilde eğitilmesi için tasarlanmıştır. Bu kılavuz, YOLO11'in güçlü özelliklerini kullanarak kendi modellerinizi eğitmeye başlamak için ihtiyacınız olan tüm ayrıntıları kapsamayı amaçlamaktadır.

İzle: Google Colab'da Özel Veri Kümeniz Üzerinde Bir YOLO Modelini Eğitme.

Eğitim için Neden Ultralytics YOLO'yu Seçmelisiniz?

İşte YOLO11'in Eğitim modunu tercih etmek için bazı önemli nedenler:

• Verimlilik: İster tek bir GPU kurulumunda olun, ister birden çok GPU'ya ölçekleniyor olun, donanımınızdan en iyi şekilde yararlanın.
• Çok Yönlülük: COCO, VOC ve ImageNet gibi hazır olanlara ek olarak özel veri kümeleri üzerinde de eğitim yapın.
• Kullanıcı Dostu: Basit ama güçlü CLI ve python arayüzleri sayesinde anlaşılır bir eğitim deneyimi.
• Hiperparametre Esnekliği: Model performansını ince ayar yapmak için geniş bir özelleştirilebilir hiperparametre yelpazesi.

Eğitim Modunun Temel Özellikleri

Aşağıdakiler, YOLO11'in Eğitim modunun bazı önemli özellikleridir:

• Otomatik Veri Kümesi İndirme: COCO, VOC ve ImageNet gibi standart veri kümeleri, ilk kullanımda otomatik olarak indirilir.
• Çoklu GPU Desteği: Eğitim çabalarınızı süreci hızlandırmak için birden fazla GPU arasında sorunsuz bir şekilde ölçeklendirin.
• Hiperparametre Yapılandırması: YAML yapılandırma dosyaları veya CLI argümanları aracılığıyla hiperparametreleri değiştirme seçeneği.
• Görselleştirme ve İzleme: Daha iyi içgörüler için eğitim metriklerinin gerçek zamanlı takibi ve öğrenme sürecinin görselleştirilmesi.

Kullanım Örnekleri

COCO8 veri kümesinde 100 için YOLO11n'i eğitin epok 640 görüntü boyutunda. Eğitim cihazı, kullanılarak belirtilebilir device argümanı. Herhangi bir argüman geçirilmezse, GPU device=0 mümkünse kullanılacaktır, aksi takdirde device='cpu' kullanılacaktır. Eğitim argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Çoklu GPU Eğitimi

Çoklu GPU eğitimi, eğitim yükünü birden fazla GPU'ya dağıtarak mevcut donanım kaynaklarının daha verimli kullanılmasını sağlar. Bu özellik hem python API'si hem de komut satırı arayüzü aracılığıyla kullanılabilir. Çoklu GPU eğitimini etkinleştirmek için, kullanmak istediğiniz GPU cihaz kimliklerini belirtin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

Boşta GPU Eğitimi

Boşta GPU Eğitimi, çoklu GPU sistemlerinde en az kullanılan GPU'ların otomatik olarak seçilmesini sağlayarak, manuel GPU seçimi olmadan kaynak kullanımını optimize eder. Bu özellik, kullanım metriklerine ve VRAM kullanılabilirliğine göre mevcut GPU'ları tanımlar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

Otomatik seçim algoritması, aşağıdaki özelliklere sahip GPU'lara öncelik verir:

1. Daha düşük akım kullanım yüzdeleri
2. Daha yüksek kullanılabilir bellek (boş VRAM)
3. Daha düşük sıcaklık ve güç tüketimi

Bu özellik, özellikle paylaşılan bilgi işlem ortamlarında veya farklı modellerde birden çok eğitim işi çalıştırırken değerlidir. Sistem koşullarının değişmesine otomatik olarak uyum sağlayarak, manuel müdahale olmadan optimum kaynak tahsisini sağlar.

Apple Silicon MPS Eğitimi

Ultralytics YOLO modellerine entegre edilmiş Apple silikon çipler için destekle, artık modellerinizi güçlü Metal Performance Shaders (MPS) çerçevesini kullanan cihazlarda eğitmek mümkün. MPS, Apple'ın özel silikonunda hesaplama ve görüntü işleme görevlerini yürütmenin yüksek performanslı bir yolunu sunar.

Apple silikon çiplerinde eğitimi etkinleştirmek için, eğitim sürecini başlatırken cihazınız olarak 'mps'yi belirtmelisiniz. Aşağıda, bunu python'da ve komut satırında nasıl yapabileceğinize dair bir örnek verilmiştir:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Apple silikon çiplerinin işlem gücünden yararlanırken, bu eğitim görevlerinin daha verimli işlenmesini sağlar. Daha ayrıntılı rehberlik ve gelişmiş yapılandırma seçenekleri için lütfen PyTorch MPS belgelerine bakın.

Kesintiye Uğramış Eğitimlere Devam Etme

Daha önce kaydedilmiş bir durumdan eğitime devam etmek, derin öğrenme modelleriyle çalışırken çok önemli bir özelliktir. Bu, eğitim sürecinin beklenmedik bir şekilde kesintiye uğradığı veya bir modeli yeni verilerle veya daha fazla epok için eğitmeye devam etmek istediğiniz gibi çeşitli senaryolarda işe yarayabilir.

Eğitime devam edildiğinde, Ultralytics YOLO, ağırlıkları son kaydedilen modelden yükler ve ayrıca optimize edici durumunu, öğrenme oranı zamanlayıcısını ve epok numarasını geri yükler. Bu, eğitim sürecine kaldığı yerden sorunsuz bir şekilde devam etmenizi sağlar.

Ultralytics YOLO'da eğitimi kolayca devam ettirebilirsiniz. resume argümanını True olarak ayarlayarak train yöntemi ve kısmen eğitilmiş model ağırlıklarını içeren dosyanın yolunu belirterek. .pt dosyasının yolunu belirterek.

Aşağıda, Python kullanarak ve komut satırı aracılığıyla kesintiye uğramış bir eğitime nasıl devam edileceğine dair bir örnek bulunmaktadır:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Ayarlanarak resume=True, 'in train fonksiyonu, 'path\/to\/last.pt' dosyasında depolanan durumu kullanarak kaldığı yerden eğitime devam edecektir. Eğer resume argümanı atlanırsa veya False, 'in train olarak ayarlanırsa, fonksiyon yeni bir eğitim oturumu başlatacaktır.

Kontrol noktalarının varsayılan olarak her epoch'un sonunda veya save_period argümanı kullanılarak sabit aralıklarla kaydedildiğini unutmayın, bu nedenle bir eğitim çalıştırmasına devam etmek için en az 1 epoch'u tamamlamanız gerekir.

Eğitim Ayarları

YOLO modelleri için eğitim ayarları, eğitim sürecinde kullanılan çeşitli hiperparametreleri ve yapılandırmaları kapsar. Bu ayarlar, modelin performansını, hızını ve doğruluğunu etkiler. Temel eğitim ayarları arasında batch boyutu, öğrenme oranı, momentum ve ağırlık azalması bulunur. Ek olarak, optimize edici seçimi, kayıp fonksiyonu ve eğitim veri kümesi kompozisyonu da eğitim sürecini etkileyebilir. Performansı optimize etmek için bu ayarların dikkatli bir şekilde ayarlanması ve deneyler yapılması çok önemlidir.

Artırma Ayarları ve Hiperparametreler

Artırma teknikleri, eğitim verilerine değişkenlik katarak YOLO modellerinin sağlamlığını ve performansını artırmak için gereklidir ve modelin görülmemiş verilere daha iyi genellemesine yardımcı olur. Aşağıdaki tablo, her bir artırma argümanının amacını ve etkisini özetlemektedir:

Bu ayarlar, veri kümesinin ve görevin özel gereksinimlerini karşılamak için ayarlanabilir. Farklı değerlerle denemeler yapmak, en iyi model performansına yol açan optimum artırma stratejisini bulmaya yardımcı olabilir.

Günlüğe Kaydetme

Bir YOLO11 modelini eğitirken, modelin zaman içindeki performansını takip etmek değerli olabilir. İşte bu noktada günlük kaydı devreye giriyor. Ultralytics YOLO, üç tür günlük kaydedici için destek sağlar: Comet, ClearML ve TensorBoard.

Bir logger kullanmak için, yukarıdaki kod parçacığında açılır menüden seçin ve çalıştırın. Seçilen logger kurulacak ve başlatılacaktır.

Comet

Comet, veri bilimcilerinin ve geliştiricilerin deneyleri ve modelleri izlemesine, karşılaştırmasına, açıklamasına ve optimize etmesine olanak tanıyan bir platformdur. Gerçek zamanlı metrikler, kod farklılıkları ve hiperparametre takibi gibi işlevler sağlar.

Comet'i kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.init()

Comet hesabınıza web sitelerinde giriş yapmayı ve API anahtarınızı almayı unutmayın. Deneylerinizi kaydetmek için bunu ortam değişkenlerinize veya komut dosyanıza eklemeniz gerekecektir.

ClearML

ClearML, deneylerin takibini otomatikleştiren ve kaynakların verimli bir şekilde paylaşılmasına yardımcı olan açık kaynaklı bir platformdur. Ekiplerin ML çalışmalarını daha verimli bir şekilde yönetmelerine, yürütmelerine ve yeniden üretmelerine yardımcı olmak için tasarlanmıştır.

ClearML'yi kullanmak için:

# pip install clearml
import clearml

clearml.browser_login()

Bu komut dosyasını çalıştırdıktan sonra, tarayıcıda ClearML hesabınızda oturum açmanız ve oturumunuzu doğrulamanız gerekecektir.

TensorBoard

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğinizi görselleştirmenize, grafiğinizin yürütülmesiyle ilgili nicel metrikleri çizmenize ve içinden geçen resimler gibi ek verileri göstermenize olanak tanır.

Google Colab'de TensorBoard'u kullanmak için:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

TensorBoard'u yerel olarak kullanmak için aşağıdaki komutu çalıştırın ve sonuçları şu adreste görüntüleyin: http://localhost:6006/.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Bu, TensorBoard'u yükleyecek ve eğitim günlüklerinizin kaydedildiği dizine yönlendirecektir.

Günlüğünüzü kurduktan sonra, model eğitimine devam edebilirsiniz. Tüm eğitim ölçümleri, seçtiğiniz platformda otomatik olarak günlüğe kaydedilecek ve modelinizin zaman içindeki performansını izlemek, farklı modelleri karşılaştırmak ve iyileştirme alanlarını belirlemek için bu günlüklere erişebilirsiniz.

SSS

Ultralytics YOLO11 kullanarak bir nesne algılama modeli nasıl eğitirim?

Ultralytics YOLO11 kullanarak bir nesne algılama modelini eğitmek için Python API'sini veya CLI'yı kullanabilirsiniz. Aşağıda her ikisi için de bir örnek bulunmaktadır:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Daha fazla ayrıntı için Eğitim Ayarları bölümüne bakın.

Ultralytics YOLO11'in Eğitim modunun temel özellikleri nelerdir?

Ultralytics YOLO11'in Eğitim modunun temel özellikleri şunlardır:

• Otomatik Veri Kümesi İndirme: COCO, VOC ve ImageNet gibi standart veri kümelerini otomatik olarak indirir.
• Çoklu GPU Desteği: Daha hızlı işleme için eğitimi birden çok GPU'ya ölçeklendirin.
• Hiperparametre Yapılandırması: YAML dosyaları veya CLI argümanları aracılığıyla hiperparametreleri özelleştirin.
• Görselleştirme ve İzleme: Daha iyi içgörüler için eğitim metriklerinin gerçek zamanlı takibi.

Bu özellikler, eğitimi ihtiyaçlarınıza göre verimli ve özelleştirilebilir hale getirir. Daha fazla ayrıntı için Eğitim Modunun Temel Özellikleri bölümüne bakın.

Ultralytics YOLO11'de kesintiye uğramış bir oturumdan eğitime nasıl devam ederim?

Kesintiye uğramış bir oturumdan eğitime devam etmek için şunu ayarlayın: resume argümanını True ve son kaydedilen kontrol noktasının yolunu belirtin.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

Daha fazla bilgi için Kesintiye Uğramış Eğitimlere Devam Etme bölümüne bakın.

YOLO11 modellerini Apple silikon çiplerinde eğitebilir miyim?

Evet, Ultralytics YOLO11, Metal Performance Shaders (MPS) çerçevesini kullanarak Apple silikon çiplerinde eğitimi destekler. Eğitim cihazınız olarak 'mps'yi belirtin.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Daha fazla ayrıntı için Apple Silicon MPS Eğitimi bölümüne bakın.

Yaygın eğitim ayarları nelerdir ve bunları nasıl yapılandırırım?

Ultralytics YOLO11, yığın boyutu, öğrenme oranı, epok sayısı ve daha fazlası gibi çeşitli eğitim ayarlarını argümanlar aracılığıyla yapılandırmanıza olanak tanır. İşte kısa bir genel bakış:

Eğitim ayarları hakkında derinlemesine bir kılavuz için Eğitim Ayarları bölümüne bakın.

📅 2 yıl önce oluşturuldu ✏️ 5 gün önce güncellendi

Yorumlar