Link to this sectionUltralytics YOLO ile Model Eğitimi#

Link to this sectionGiriş#

Bir derin öğrenme modelini eğitmek, ona veri beslemeyi ve doğru tahminler yapabilmesi için parametrelerini ayarlamayı içerir. Ultralytics YOLO26'daki Eğitme modu, modern donanım yeteneklerinden tam olarak yararlanarak nesne algılama modellerinin etkili ve verimli bir şekilde eğitilmesi için tasarlanmıştır. Bu kılavuz, YOLO26'nın güçlü özellikler setini kullanarak kendi modellerini eğitmeye başlamak için ihtiyaç duyduğun tüm ayrıntıları kapsamayı amaçlamaktadır.

Link to this sectionEğitim için Neden Ultralytics YOLO'yu Seçmelisin?#

YOLO26'nın Eğitme modunu tercih etmen için bazı ikna edici nedenler şunlardır:

• Verimlilik: İster tek GPU'lu bir kurulumda ol, ister birden fazla GPU'ya ölçekleniyor ol, donanımından en iyi şekilde yararlan.
• Çok Yönlülük: COCO, VOC ve ImageNet gibi hazır veri setlerine ek olarak özel veri setlerinde eğitim yap.
• Kullanıcı Dostu: Basit ama güçlü CLI ve Python arayüzleri ile doğrudan bir eğitim deneyimi.
• Hiperparametre Esnekliği: Model performansını ince ayar yapmak için çok çeşitli özelleştirilebilir hiperparametreler. Daha derin bir kontrol için, eğiticiyi (trainer) bizzat özelleştirebilirsin.
• Bulut Eğitimi: Gerçek zamanlı metrikler ve otomatik kontrol noktası kaydı (checkpointing) ile Ultralytics Platform üzerinden bulut GPU'larda eğitim yap.

Link to this sectionEğitme Modunun Temel Özellikleri#

Aşağıdakiler, YOLO26'nın Eğitme modunun bazı dikkate değer özellikleridir:

• Otomatik Veri Seti İndirme: COCO, VOC ve ImageNet gibi standart veri setleri ilk kullanımda otomatik olarak indirilir.
• Çoklu GPU Desteği: Süreci hızlandırmak için eğitim çalışmalarını birden fazla GPU üzerinde sorunsuz bir şekilde ölçekle.
• 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.

Link to this sectionKullanım Örnekleri#

COCO8 veri setinde, 640 görüntü boyutunda 100 epoch boyunca YOLO26n eğit. Eğitim cihazı device argümanı kullanılarak belirlenebilir. Hiçbir argüman geçilmezse, mevcut olduğunda GPU device=0 kullanılacaktır; aksi takdirde device='cpu' kullanılacaktır. Tüm eğitim argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bak.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

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

Link to this sectionÇoklu GPU Eğitimi#

Çoklu GPU eğitimi, eğitim yükünü birden fazla GPU'ya dağıtarak mevcut donanım kaynaklarının daha verimli kullanılmasını sağlar. Bu özellik hem Python API hem de komut satırı arayüzü aracılığıyla kullanılabilir. Çoklu GPU eğitimini etkinleştirmek için kullanmak istediğin GPU cihaz kimliklerini (ID'lerini) belirt.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

Link to this sectionBoşta Olan (Idle) GPU Eğitimi#

Boşta Olan 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("yolo26n.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])

Otomatik seçim algoritması şu özelliklere sahip GPU'lara öncelik verir:

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

Bu özellik, paylaşımlı bilgi işlem ortamlarında veya farklı modellerde birden fazla eğitim işi çalıştırırken özellikle değerlidir. Değişen sistem koşullarına otomatik olarak uyum sağlayarak, manuel müdahale olmaksızın en uygun kaynak tahsisini sağlar.

Link to this sectionApple Silicon MPS Eğitimi#

Ultralytics YOLO modellerine entegre edilen Apple silicon çip desteği ile, artık güçlü Metal Performance Shaders (MPS) çerçevesini kullanan cihazlarda modellerini eğitmen mümkün. MPS, Apple'ın özel silikonu üzerinde hesaplama ve görüntü işleme görevlerini yürütmek için yüksek performanslı bir yol sunar.

Apple silicon çiplerinde eğitimi etkinleştirmek için, eğitim sürecini başlatırken cihazın olarak 'mps' belirtmelisin. Python'da ve komut satırı aracılığıyla bunu nasıl yapabileceğine dair bir örnek aşağıdadır:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.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")

Apple silicon çiplerinin hesaplama gücünden yararlanırken, bu, eğitim görevlerinin daha verimli işlenmesini sağlar. Daha ayrıntılı rehberlik ve gelişmiş yapılandırma seçenekleri için lütfen PyTorch MPS dokümantasyonuna başvur.

Link to this sectionKesintiye Uğrayan Eğitimlerin Devam Ettirilmesi#

Derin öğrenme modelleriyle çalışırken, daha önce kaydedilmiş bir durumdan eğitimi devam ettirmek çok önemli bir özelliktir. Bu, eğitim sürecinin beklenmedik bir şekilde kesintiye uğradığı durumlarda veya bir modeli yeni verilerle ya da daha fazla epoch boyunca eğitmek istediğinde çeşitli senaryolarda kullanışlı olabilir.

Eğitim devam ettirildiğinde, Ultralytics YOLO ağırlıkları son kaydedilen modelden yükler ve ayrıca optimize edici durumunu, öğrenme oranı zamanlayıcısını ve epoch numarasını geri yükler. Bu, eğitim sürecine kaldığı yerden sorunsuz bir şekilde devam etmeni sağlar.

You can easily resume training in Ultralytics YOLO by setting the resume argument to True when calling the train method, and specifying the path to the .pt file containing the partially trained model weights.

Python'da ve komut satırı üzerinden kesintiye uğrayan bir eğitimin nasıl devam ettirileceğine dair bir örnek aşağıdadır:

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=True olarak ayarladığında, train işlevi 'path/to/last.pt' dosyasında saklanan durumu kullanarak eğitime kaldığı yerden devam edecektir. Eğer resume argümanı atlanırsa veya False olarak ayarlanırsa, train işlevi yeni bir eğitim oturumu başlatacaktır.

Kontrol noktalarının varsayılan olarak her epoch'un sonunda veya save_period argümanı kullanılarak sabit aralıklarla kaydedildiğini unutma, bu nedenle bir eğitim çalışmasını devam ettirmek için en az 1 epoch tamamlaman gerekir.

Link to this sectionEğitim Ayarları#

YOLO modelleri için eğitim ayarları, eğitim süreci sırasında 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 çürümesi (weight decay) bulunur. Ek olarak, optimize edici, kayıp işlevi ve eğitim veri seti bileşimi seçimi, eğitim sürecini etkileyebilir. Bu ayarlarla dikkatli bir şekilde ince ayar yapmak ve denemeler yapmak, performansı optimize etmek için çok önemlidir.

Link to this sectionMuSGD Optimize Edici#

YOLO26'da, MuSGD, standart SGD güncellemelerini Muon tarzı ortogonalize edilmiş güncellemelerle birleştiren hibrit bir optimize edicidir.

Ortogonalize edilmiş Muon güncellemelerinin optimizasyonu stabilize etmeye yardımcı olabileceği daha uzun YOLO26 eğitimleri ve daha büyük veri setleri için önerilir.

Yalnızca param.ndim >= 2 olan parametreler (evrişim ağırlıkları gibi) SGD ile birlikte Muon tarzı güncellemeyi alırken, toplu normalleştirme katmanları ve yanlılık terimleri gibi daha düşük boyutlu parametreler standart SGD'de kalır.

optimizer=auto kullanıldığında, Ultralytics daha uzun eğitim süreçleri için (genellikle iterasyonlar > 10000 olduğunda) otomatik olarak MuSGD'yi seçer. Daha kısa süreçler için eğitici AdamW'ye geri döner.

Kullanım örneği:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

ultralytics/optim/muon.py dosyasındaki uygulamaya ve BaseTrainer.build_optimizer dosyasındaki optimize edici otomatik seçim mantığına bak.

Link to this sectionArtırma Ayarları ve Hiperparametreler#

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

Bu ayarlar, veri kümesinin ve mevcut görevin özel gereksinimlerini karşılayacak şekilde ayarlanabilir. Farklı değerlerle denemeler yapmak, en iyi model performansını sağlayan en uygun artırma stratejisini bulmaya yardımcı olabilir.

Link to this sectionGünlükleme#

Bir YOLO26 modeli eğitirken, modelin zaman içindeki performansını takip etmeyi değerli bulabilirsin. Günlükleme burada devreye girer. Ultralytics YOLO, üç tür günlükleyiciye destek sağlar: Comet, ClearML ve TensorBoard.

Bir günlükleyici kullanmak için, yukarıdaki kod parçacığındaki açılır menüden onu seç ve çalıştır. Seçilen günlükleyici kurulacak ve başlatılacaktır.

Link to this sectionComet#

Comet, veri bilimcilerin ve geliştiricilerin deneyleri ve modelleri izlemelerine, karşılaştırmalarına, açıklamalarına ve optimize etmelerine olanak tanıyan bir platformdur. Gerçek zamanlı metrikler, kod farkları ve hiperparametre takibi gibi işlevler sunar.

Comet'i kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.init()

Web sitelerinde Comet hesabına giriş yapmayı ve API anahtarını almayı unutma. Deneylerini günlüklemek için bunu ortam değişkenlerine veya betiğine eklemen gerekecek.

Link to this sectionClearML#

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 çoğaltmalarına yardımcı olmak için tasarlanmıştır.

ClearML'i kullanmak için:

# pip install clearml
import clearml

clearml.browser_login()

Bu betiği çalıştırdıktan sonra, tarayıcıda ClearML hesabına giriş yapman ve oturumunu doğrulaman gerekecek.

Link to this sectionTensorBoard#

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğini görselleştirmeni, grafiğinin yürütülmesiyle ilgili nicel metrikleri çizmeni ve içinden geçen görüntüler gibi ek verileri göstermeni sağlar.

Google Colab içinde TensorBoard kullanmak için:

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

TensorBoard'u yerel olarak kullanmak için aşağıdaki komutu çalıştır ve sonuçları localhost:6006 adresinde görüntüle.

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

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

Günlükleyicini kurduktan sonra model eğitimine devam edebilirsin. Tüm eğitim metrikleri seçtiğin platformda otomatik olarak günlüklenecek ve modelinin performansını zaman içinde izlemek, farklı modelleri karşılaştırmak ve iyileştirilmesi gereken alanları belirlemek için bu günlüklere erişebilirsin.

Link to this sectionSSS#

Link to this sectionYerel GPU olmadan eğitim yapabilir miyim?#

Evet. Ultralytics Platform, başlaman için ücretsiz kredilerle bulut eğitimini destekler. Veri kümeni yükle, bir model ve GPU seç ve doğrudan tarayıcıdan eğit. Ayrıntılar için bulut eğitimi kılavuzuna bak.

Link to this sectionUltralytics YOLO26 kullanarak bir nesne algılama modelini nasıl eğitirim?#

Ultralytics YOLO26 kullanarak bir nesne algılama modeli eğitmek için Python API'sini veya CLI'yı kullanabilirsin. Aşağıda her ikisi için bir örnek bulunmaktadır:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Daha fazla ayrıntı için Eğitim Ayarları bölümüne bak.

Link to this sectionUltralytics YOLO26'nın Eğitim modunun temel özellikleri nelerdir?#

Ultralytics YOLO26'nın 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 işlem için eğitimi birden fazla GPU'ya ölçeklendirir.
• Hiperparametre Yapılandırması: Hiperparametreleri YAML dosyaları veya CLI argümanları aracılığıyla özelleştirir.
• Görselleştirme ve İzleme: Daha iyi içgörüler için eğitim metriklerinin gerçek zamanlı takibi.

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

Link to this sectionUltralytics YOLO26'da kesintiye uğrayan bir oturumdan eğitime nasıl devam ederim?#

Kesintiye uğrayan bir oturumdan eğitime devam etmek için resume argümanını True olarak ayarla ve son kaydedilen kontrol noktasının yolunu belirt.

from ultralytics import YOLO

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

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

Daha fazla bilgi için Kesintiye Uğrayan Eğitimlere Devam Etme bölümüne göz at.

Link to this sectionDengesiz bir veri kümesinde nasıl model eğitirim?#

Sınıf dengesizliği, eğitim verilerinde bazı sınıfların diğerlerinden önemli ölçüde daha az örneğe sahip olması durumunda ortaya çıkar. Bu, modelin nadir sınıflarda zayıf performans göstermesine neden olabilir. Ultralytics YOLO, bu sorunu çözmek için cls_pw argümanı aracılığıyla sınıf ağırlıklandırmayı destekler.

cls_pw argümanı, ters sınıf frekansına dayalı sınıf ağırlıklandırma gücünü kontrol eder:

• cls_pw=0.0 (varsayılan): Sınıf ağırlıklandırmayı devre dışı bırakır
• cls_pw=1.0: Tam ters frekans ağırlıklandırması uygular
• 0.0 ile 1.0 arasındaki değerler: Orta dereceli dengesizlik için kısmi ağırlıklandırma sağlar

The class weights are computed as (1.0 / class_counts) ^ cls_pw and normalized so their mean equals 1.0.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Link to this sectionApple silikon çiplerde YOLO26 modellerini eğitebilir miyim?#

Evet, Ultralytics YOLO26, Metal Performance Shaders (MPS) çerçevesinden yararlanarak Apple silikon çiplerde eğitimi destekler. Eğitim cihazın olarak 'mps' belirt.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

Daha fazla ayrıntı için Apple Silicon MPS Eğitimi bölümüne bak.

Link to this sectionYaygın eğitim ayarları nelerdir ve bunları nasıl yapılandırırım?#

Ultralytics YOLO26, toplu iş boyutu (batch size), öğrenme oranı, dönem sayısı (epochs) ve daha fazlası gibi çeşitli eğitim ayarlarını argümanlar aracılığıyla yapılandırmana olanak tanır. İşte kısa bir özet:

Eğitim ayarları hakkında ayrıntılı bir kılavuz için Eğitim Ayarları bölümüne bak.