Ultralytics YOLO ile Model Eğitimi#

Giriş#

Bir deep learning modelini eğitmek, modelin doğru tahminler yapabilmesi için ona veri beslemeyi ve parametrelerini ayarlamayı içerir. Ultralytics YOLO26 içindeki Train modu, modern donanım yeteneklerinden tam olarak yararlanarak nesne tespiti modellerinin etkili ve verimli bir şekilde eğitilmesi için tasarlanmıştır. Bu kılavuz, YOLO26'nın güçlü özellik setini kullanarak kendi modellerinizi eğitmeye başlamanız için gereken tüm ayrıntıları kapsamayı amaçlamaktadır. Henüz Ultralytics yüklemediyseniz, Quickstart guide ile başlayın.

Eğitim 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 hassas bir şekilde ayarlamak için geniş bir yelpazede özelleştirilebilir hiperparametreler. Daha derin bir kontrol için customize the trainer özelliğini kullanabilirsin.
• Bulut Eğitimi: Gerçek zamanlı metrikler ve otomatik kontrol noktası kaydı ile Ultralytics Platform üzerinden bulut GPU'larında eğit.

Eğitme Modunun Temel Özellikleri#

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

• Otomatik Veri Seti İndirme: İndirme kaynağı içeren veri seti yapılandırmaları, ilk kullanımda otomatik olarak indirilir (ör. yolo train data=coco8.yaml). Desteklenen formatlar ve veri setleri için Datasets overview sayfasına göz at.
• 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.

Kullanım Örnekleri#

COCO8 veri seti üzerinde YOLO26n modelini 640 görsel boyutunda 100 epochs boyunca eğit. Eğitim cihazı device argümanı kullanılarak belirtilebilir. Hiçbir argüman geçirilmezse, uygun olduğunda device=0 GPU kullanılacaktır; aksi takdirde device='cpu' kullanılacaktır. Eğitim argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

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)

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 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

AMD GPU eğitimi, standart device=0 veya device=cuda:0 sözdizimi ile bir PyTorch ROCm derlemesi kullanır. Kurulum ve mevcut MIGraphX, DirectML ve Ryzen AI NPU destek durumu için AMD integration guide kılavuzuna bakın.

Intel GPU eğitimi, device=xpu:0 veya XCCL sağlayan bir PyTorch derlemesi ile birden fazla XPU ID'si kullanır.

Huawei Ascend NPU Eğitimi#

Ultralytics, torch_npu üzerinden Huawei Ascend NPU'larında eğitim ve doğrulamayı destekler. Ascend Extension for PyTorch kurulum kılavuzunu takip ederek birbiriyle uyumlu CANN, PyTorch ve torch_npu sürümlerini kur, ardından Ultralytics'i başlatmadan önce CANN ortamını yükle:

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP, doğrulama, kontrol noktası oluşturma ve devam ettirme dahil olmak üzere standart eğitim özellikleri etkin NPU'yu kullanır. AutoBatch tek NPU'lu eğitim için kullanılabilirken, birden fazla NPU ID'si HCCL aracılığıyla dağıtık eğitimi başlatır. Eğitimden sonra model dışa aktarımı ve dağıtımı için Huawei Ascend integration guide kılavuzuna bakın.

Boşta 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.

Apple 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 silikon çiplerinin hesaplama gücünden yararlanırken, bu eğitim görevlerinin daha verimli işlenmesini sağlar. Daha ayrıntılı rehberlik ve gelişmiş yapılandırma seçenekleri için lütfen PyTorch MPS documentation belgesine başvurun.

Kesintiye 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 son kaydedilen modelden ağırlıkları yükler ve ayrıca optimizer durumunu, learning rate zamanlayıcısını ve epoch numarasını geri yükler. Bu, eğitim sürecine kaldığı yerden sorunsuz bir şekilde devam etmeni sağlar.

Kısmen eğitilmiş model ağırlıklarını içeren .pt dosyasının yolunu belirtip train yöntemini çağırırken resume argümanını True olarak ayarlayarak Ultralytics YOLO'da eğitimi kolayca devam ettirebilirsin.

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 ayarlayarak, train fonksiyonu 'path/zu/last.pt' dosyasında depolanan durumu kullanarak kaldığı yerden eğitime devam edecektir. resume argümanı atlanırsa veya False olarak ayarlanırsa, train fonksiyonu 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 çalışmasını devam ettirmek için en az 1 epoch tamamlamalısın.

Eğitim Ayarları#

YOLO modelleri için eğitim ayarları, eğitim sürecinde kullanılan çeşitli hiperparametreleri ve yapılandırmaları kapsar. Bu ayarlar modelin performansını, hızını ve accuracy değerini etkiler. Temel eğitim ayarları arasında batch boyutu, öğrenme hızı, momentum ve ağırlık sönümlemesi yer alır. Ek olarak, optimizer seçimi, loss function ve eğitim veri seti kompozisyonu eğitim sürecini etkileyebilir. Bu ayarlarda dikkatli bir şekilde ayarlama ve denemeler yapmak, performansı optimize etmek için çok önemlidir.

MuSGD 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 2D doğrusal ağırlıklar ve (2D'ye yeniden şekillendirilmiş) 4D evrişimli filtreler SGD ile birlikte Muon tarzı güncelleme alırken; toplu normalleştirme (batch normalization) ağırlıkları ve sapma (bias) terimleri gibi diğer tüm parametreler standart SGD'de kalır.

optimizer=auto kullanıldığında, Ultralytics daha uzun eğitim çalıştırmaları için (genellikle iterasyonlar > 10000 olduğunda) otomatik olarak MuSGD seçer. Daha kısa çalıştırmalar için eğitici AdamW değerine geri döner.

Kullanım örneği:

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

ultralytics/optim/muon.py içindeki uygulamaya ve BaseTrainer.build_optimizer içindeki optimizer otomatik seçim mantığına bakın.

Artırma Ayarları ve Hiperparametreler#

training data içine değişkenlik katarak YOLO modellerinin dayanıklılığını ve performansını artırmak ve modelin görülmeyen verilere daha iyi genelleme yapmasına yardımcı olmak için artırma teknikleri çok önemlidir. 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.

Günlükleme#

Bir YOLO26 modelini eğitirken, modelin zaman içindeki performansını takip etmek değerli olabilir. Günlüğe kaydetme (logging) burada devreye girer. Ultralytics YOLO üç tür günlük kaydediciyi destekler - Comet, ClearML ve TensorBoard.

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

Comet#

Comet, veri bilimcilerin ve geliştiricilerin deneyleri ve modelleri takip etmesini, karşılaştırmasını, açıklamasını ve optimize etmesini sağlayan 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.

ClearML#

ClearML, deneylerin takibini otomatikleştiren ve kaynakların verimli bir şekilde paylaşılmasına yardımcı olan açık kaynaklı bir platformdur. Ekiplerin ML çalışmalarını daha verimli bir şekilde yönetmesine, yürütmesine ve yeniden üretmesine 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.

TensorBoard#

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğinizi görselleştirmenize, grafiğinizin yürütülmesi hakkında nicel metrikler çizmenize ve içinden geçen görseller gibi ek verileri göstermenize olanak tanır.

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 çalıştırın ve sonuçları localhost:6006 adresinde görüntüleyin.

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.

Sırada ne var#

Gerçek dünyadaki doğruluğunu kontrol etmek için eğitilmiş modelinizi ayrılmış (held-out) verilerle Validate edin, ardından ONNX, TensorRT veya başka bir dağıtım formatına export edin. COCO8 yerine kendi verilerinizle mi eğitiyorsunuz? Önce Datasets guide ile biçimlendirin.

SSS#

Yerel GPU olmadan eğitim yapabilir miyim?#

Evet. Ultralytics Platform cloud training, başlamak için ücretsiz krediler içerir. Veri setini yükle, bir model ve GPU seç ve doğrudan tarayıcıdan eğit.

Ultralytics YOLO26 kullanarak bir object detection 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 Train Settings bölümüne başvurun.

Ultralytics 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 ihtiyaçlarınıza göre özelleştirilebilir hale getirir. Daha fazla ayrıntı için Key Features of Train Mode bölümüne bakın.

Ultralytics YOLO26'da kesintiye uğrayan bir oturumdan eğitime nasıl devam ederim?#

Kesintiye uğrayan bir oturumdan eğitime devam etmek için resume argümanını True olarak ayarlayın 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)

Daha fazla bilgi için Resuming Interrupted Trainings hakkındaki bölüme göz atın.

Dengesiz bir veri kümesinde nasıl model eğitirim?#

Sınıf dengesizliği, eğitim verilerinizdeki bazı sınıfların diğerlerine göre 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 ağırlıklandırmasını destekler.

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

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

Sınıf ağırlıkları (1.0 / class_counts) ^ cls_pw olarak hesaplanır ve ortalamaları 1.0'a eşit olacak şekilde normalleştirilir.

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)

Apple 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 Training bölümüne başvurun.

Yaygın 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 derinlemesine bir kılavuz için Train Settings bölümüne göz at.