Ultralytics YOLO ile Model Eğitimi#

Giriş#

Derin öğrenme modeli eğitmek, doğru tahminlerde bulunabilmesi için modele veri vermeyi ve parametrelerini ayarlamayı içerir. Ultralytics YOLO26'nın Train modu, modern donanımın yeteneklerinden tam olarak yararlanarak nesne algılama modellerini etkili ve verimli biçimde eğitmek üzere tasarlanmıştır. Bu kılavuz, YOLO26'nın güçlü özelliklerinden yararlanarak kendi modellerini eğitmeye başlaman için gereken tüm ayrıntıları açıklamayı amaçlar. Ultralytics'i henüz yüklemediysen Hızlı Başlangıç kılavuzuyla başla.

Planlanan eğitim örnekleri için yayımlanmamış YOLO27 önizlemesine göz at.

Eğitim için neden Ultralytics YOLO'yu seçmelisin?#

YOLO26'nın Train modunu tercih etmek için bazı güçlü nedenler şunlardır:

• Verimlilik: Tek GPU'lu bir kurulum kullanıyor veya birden fazla GPU arasında ölçeklendirme yapıyor ol; donanımından en iyi şekilde yararlan.
• Çok yönlülük: COCO, VOC ve ImageNet gibi kullanıma hazır veri kümelerinin yanı sıra özel veri kümeleriyle de eğitim yap.
• Kullanım kolaylığı: Sorunsuz bir eğitim deneyimi için basit ama güçlü CLI ve Python arayüzleri.
• Hiperparametre Esnekliği: Model performansını hassas biçimde ayarlamak için geniş bir özelleştirilebilir hiperparametre yelpazesi. Daha fazla kontrol için eğitim aracının kendisini özelleştirebilirsin.
• Bulut Eğitimi: Gerçek zamanlı ölçümler ve otomatik kontrol noktası kaydıyla Ultralytics Platform üzerinden bulut GPU'larında eğitim yap.

Train Modunun Temel Özellikleri#

YOLO26'nın Train modunun öne çıkan bazı özellikleri şunlardır:

• Otomatik Veri Kümesi İndirme: İndirme kaynağı belirtilmiş veri kümesi yapılandırmaları ilk kullanımda otomatik olarak indirilir; örneğin yolo train data=coco8.yaml. Desteklenen biçimler ve veri kümeleri için Veri kümelerine genel bakış sayfasına göz at.
• Çoklu GPU Desteği: Süreci hızlandırmak için eğitim çalışmalarını birden fazla GPU'ya sorunsuzca ölçeklendir.
• Hiperparametre Yapılandırması: Hiperparametreleri YAML yapılandırma dosyaları veya CLI bağımsız değişkenleri üzerinden değiştirme seçeneği.
• Görselleştirme ve İzleme: Daha iyi içgörüler elde etmek için eğitim ölçümlerini gerçek zamanlı takip et ve öğrenme sürecini görselleştir.

Kullanım Örnekleri#

COCO8 veri kümesinde YOLO26n'yi 640 görüntü boyutunda 100 epoch boyunca eğit. Eğitim aygıtını device bağımsız değişkeniyle belirtebilirsin. Herhangi bir bağımsız değişken verilmezse kullanılabilir olduğunda GPU device=0, aksi takdirde device='cpu' kullanılır. Eğitim bağımsız değişkenlerinin tam listesi için aşağıdaki Bağımsız Değişkenler bölümüne bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.yaml")  # YAML'den yeni bir model oluştur
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # YAML'den oluştur ve ağırlıkları aktar

# Modeli eğit
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 üzerinden kullanılabilir. Çoklu GPU eğitimini etkinleştirmek için kullanmak istediğin GPU aygıt kimliklerini belirt.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli 2 GPU ile eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Modeli en az meşgul olan iki GPU ile eğit
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 söz dizimiyle PyTorch ROCm derlemesini kullanır. ROCm kurulumu, çoklu GPU eğitimi, AMP notları ve dışa aktarılan modellerde MIGraphX çıkarımı hakkında bilgi için AMD entegrasyon kılavuzuna göz at.

Intel GPU eğitimi device=xpu:0 kullanır; birden fazla XPU kimliği içinse XCCL sağlayan bir PyTorch derlemesi gerekir.

Huawei Ascend NPU Eğitimi#

Ultralytics, Huawei Ascend NPU'larda eğitim ve doğrulamayı torch_npu üzerinden destekler. PyTorch için Ascend Extension kurulum kılavuzunu izleyerek CANN, PyTorch ve torch_npu sürümlerinin birbiriyle uyumlu olanlarını yükle; ardından Ultralytics'i başlatmadan önce CANN ortamını kaynakla:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Tek Ascend NPU'da eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# HCCL ile iki Ascend NPU'da eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP, doğrulama, kontrol noktası kaydı ve sürdürme dahil standart eğitim özellikleri etkin NPU'yu kullanır. AutoBatch tek NPU ile eğitimde kullanılabilirken birden fazla NPU kimliği HCCL üzerinden dağıtılmış eğitimi başlatır. Eğitim sonrasında model dışa aktarma ve dağıtım hakkında bilgi için Huawei Ascend entegrasyon kılavuzuna bak.

Boştaki GPU ile Eğitim#

Boştaki GPU ile Eğitim, çoklu GPU sistemlerinde kullanımı en düşük GPU'ların otomatik olarak seçilmesini sağlayarak elle GPU seçmeye gerek kalmadan kaynak kullanımını iyileştirir. Bu özellik, kullanım ölçümlerine ve VRAM kullanılabilirliğine göre uygun GPU'ları belirler.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# En az meşgul tek GPU'yu kullanarak eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# En az meşgul iki GPU'yu kullanarak eğitim yap
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 fazla kullanılabilir bellek (boş VRAM)

Bu özellik, paylaşımlı bilgi işlem ortamlarında veya farklı modellerde birden fazla eğitim işi çalıştırırken özellikle değerlidir. Değişen sistem koşullarına otomatik olarak uyum sağlayarak elle müdahale gerektirmeden kaynakların en uygun şekilde tahsis edilmesini sağlar.

Apple Silicon MPS Eğitimi#

Apple silicon çiplerinin Ultralytics YOLO modellerine entegre edilen desteği sayesinde artık modellerini güçlü Metal Performance Shaders (MPS) çerçevesini kullanan aygıtlarda eğitebilirsin. MPS, Apple'ın özel silicon çiplerinde hesaplama ve görüntü işleme görevlerini yürütmek için yüksek performanslı bir yöntem sunar.

Apple silicon çiplerinde eğitimi etkinleştirmek için eğitim sürecini başlatırken aygıt olarak 'mps' belirtmelisin. Aşağıda bunu Python ile ve komut satırı üzerinden yapmaya yönelik bir örnek bulabilirsin:

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli MPS ile eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Apple silicon çiplerinin işlem gücünden yararlanmak, eğitim görevlerinin daha verimli işlenmesini sağlar. Daha ayrıntılı yönergeler ve gelişmiş yapılandırma seçenekleri için PyTorch MPS belgelerine başvur.

Kesintiye Uğrayan Eğitimleri Sürdürme#

Derin öğrenme modelleriyle çalışırken eğitimi daha önce kaydedilmiş bir durumdan sürdürmek kritik bir özelliktir. Eğitim sürecinin beklenmedik şekilde kesintiye uğraması veya modeli yeni verilerle ya da daha fazla epoch boyunca eğitmeye devam etmek istemen gibi çeşitli durumlarda bu özellik işine yarayabilir.

Eğitim sürdürüldüğünde Ultralytics YOLO, ağırlıkları son kaydedilen modelden yükler; ayrıca optimizer durumunu, öğrenme hızı zamanlayıcısını, epoch numarasını ve veri kümesini geri yükler. Böylece eğitim sürecine kesildiği yerden sorunsuzca devam edebilirsin. Checkpoint'tekinden farklı bir veri kümesiyle devam etmek için resume ile birlikte açıkça bir data= ilet.

Kısmen eğitilmiş model ağırlıklarını içeren .pt dosyasının yolunu belirterek ve train yöntemini çağırırken resume bağımsız değişkenini True olarak ayarlayarak Ultralytics YOLO'da eğitime kolayca devam edebilirsin.

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("path/to/last.pt")  # kısmen eğitilmiş bir modeli yükle

# Eğitime devam et
results = model.train(resume=True)

resume=True ayarlandığında train işlevi, 'path/to/last.pt' dosyasında saklanan durumu kullanarak eğitime kaldığı yerden devam eder. resume bağımsız değişkeni belirtilmezse veya False olarak ayarlanırsa train işlevi yeni bir eğitim oturumu başlatır.

Checkpoint'lerin varsayılan olarak her epoch sonunda veya save_period bağımsız değişkeni kullanılarak belirli aralıklarla kaydedildiğini unutma; bu nedenle bir eğitim çalışmasına devam edebilmek için en az 1 epoch'u tamamlaman gerekir.

Eğitim Ayarları#

YOLO modellerinin 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 hızı, momentum ve ağırlık çürümesi bulunur. Ayrıca optimizer seçimi, kayıp işlevi ve eğitim veri kümesinin bileşimi de eğitim sürecini etkileyebilir. Performansı en iyi hâle getirmek için bu ayarları dikkatlice ayarlamak ve denemeler yapmak kritik önem taşır.

MuSGD Optimizer#

YOLO26'da MuSGD, standart SGD güncellemelerini Muon tarzı ortogonalleştirilmiş güncellemelerle birleştiren hibrit bir optimizer'dır.

Ortogonalleştirilmiş Muon güncellemelerinin optimizasyonu kararlı hâle getirmeye yardımcı olabileceği daha uzun YOLO26 eğitim çalışmaları ve daha büyük veri kümeleri için önerilir.

Yalnızca 2B doğrusal ağırlıklar ve 2B biçiminde yeniden şekillendirilmiş 4B evrişim filtreleri, SGD ile birlikte Muon tarzı güncellemeyi alır; batch normalizasyon ağırlıkları ve bias terimleri gibi diğer tüm parametreler standart SGD'de kalır.

optimizer=auto kullanıldığında Ultralytics, daha uzun eğitim çalışmaları için (genellikle iterations > 10000 olduğunda) MuSGD'yi otomatik olarak seçer. Daha kısa çalışmalar için trainer, AdamW'ye geri döner. auto modunda trainer öğrenme hızını da seçer; bu nedenle kullanıcı tarafından sağlanan lr0 yok sayılır. Bu ayarları elle denetlemek için açıkça bir optimizer seç; örneğin optimizer=AdamW lr0=0.001.

Kullanım örneği:

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

Uygulamayı ultralytics/optim/muon.py içinde, optimizer'ın otomatik seçim mantığını ise BaseTrainer.build_optimizer içinde görebilirsin.

Veri Artırma Ayarları ve Hiperparametreler#

Veri artırma teknikleri, eğitim verisine çeşitlilik kazandırarak YOLO modellerinin sağlamlığını ve performansını iyileştirmek, modelin daha önce görmediği verilere daha iyi genelleme yapmasına yardımcı olmak için gereklidir. Aşağıdaki tabloda her veri artırma bağımsız değişkeninin amacı ve etkisi açıklanmaktadır:

Bu ayarlar, veri kümesinin ve görevin özel gereksinimlerini karşılayacak şekilde düzenlenebilir. Farklı değerlerle denemeler yapmak, en iyi model performansını sağlayan ideal veri artırma stratejisini bulmana yardımcı olabilir.

Günlük Kaydı#

Eğitim metrikleri, grafikler ve checkpoint'ler her zaman çalıştırma dizinine yazılır. Ultralytics bunları ayrıca yükleyip etkinleştirdiğin tüm deney izleyicilerine aktarır: Comet, ClearML, TensorBoard, MLflow, Weights & Biases ve DVCLive. Her günlükçü, örneğin yolo settings tensorboard=True ile Ultralytics ayarları üzerinden etkinleştirilip devre dışı bırakılır. En yaygın üç yapılandırma aşağıda gösterilmiştir.

Comet#

Comet, veri bilimcilerin 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 sunar.

Comet'i kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.login()

Comet hesabında oturum açıp API anahtarını web sitelerinden almayı unutma. Deneylerini kaydetmek için bu anahtarı ortam değişkenlerine veya betiğine eklemen gerekir.

ClearML#

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

ClearML'yi kullanmak için:

# pip install clearml
import clearml

clearml.browser_login()

Bu betiği çalıştırdıktan sonra tarayıcıda ClearML hesabında oturum açman ve oturumunu doğrulaman gerekir.

TensorBoard#

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğini görselleştirmene, grafiğin çalışmasına ilişkin nicel metrikleri çizdirmene ve grafikten geçen görüntüler gibi ek verileri görüntülemene olanak tanır.

Google Colab ortamında TensorBoard'u 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 konumunda görüntüle.

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

Bu işlem TensorBoard'u yükler ve eğitim günlüklerinin kaydedildiği dizine yönlendirir.

Günlükçünü ayarladıktan sonra model eğitimine başlayabilirsin. Tüm eğitim metrikleri seçtiğin platformda otomatik olarak günlüğe kaydedilir. Modelinin zaman içindeki performansını izlemek, farklı modelleri karşılaştırmak ve iyileştirme alanlarını belirlemek için bu günlükleri inceleyebilirsin.

Sırada ne var?#

Gerçek dünya doğruluğunu kontrol etmek için eğittiğin modeli eğitimde kullanılmamış verilerle doğrula, ardından ONNX, TensorRT veya başka bir dağıtım biçimine aktar. COCO8 yerine kendi verilerinle mi eğitim yapıyorsun? Önce Veri Kümeleri kılavuzuyla biçimlendir.

Sık Sorulan Sorular#