Ultralytics YOLO ile Model Eğitimi

Giriş

Bir derin öğrenme modelini eğitmek, ona veri beslemeyi ve doğru tahminler yapabilmesi için parametrelerini ayarlamayı içerir. Ultralytics YOLO26'daki Train 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 detayları kapsamayı amaçlamaktadır.

Neden Eğitim İçin Ultralytics YOLO'yu Seçmelisin?

İşte YOLO26'nın Train modunu tercih etmek için bazı ikna edici nedenler:

• Verimlilik: İster tek GPU'lu bir kurulumda ol, ister birden fazla GPU'da ölçekleme yapıyor ol, donanımından en iyi şekilde yararlan.
• Çok Yönlülük: COCO, VOC ve ImageNet gibi hazır veri setlerine ek olarak özel veri setlerinde de eğitim yap.
• Kullanıcı Dostu: Basit ama güçlü CLI ve Python arayüzleri ile anlaşılır bir eğitim deneyimi.
• Hiperparametre Esnekliği: Model performansını ince ayarlarla optimize etmek için geniş bir özelleştirilebilir hiperparametre yelpazesi. Daha derin bir kontrol için eğiticiyi (trainer) bizzat özelleştirebilirsin.
• Bulut Eğitimi: Gerçek zamanlı metrikler ve otomatik kontrol noktası (checkpointing) ile Ultralytics Platform üzerinden bulut GPU'larında eğitim yap.

Train Modunun Temel Özellikleri

Aşağıdakiler, YOLO26'nın Train 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: Eğitim çabalarını süreci hızlandırmak için birden fazla GPU üzerinde sorunsuz bir şekilde ölçeklendir.
• 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

YOLO26n'yi COCO8 veri setinde 640 görüntü boyutunda 100 epok boyunca eğit. Eğitim cihazı device argümanı kullanılarak belirlenebilir. Hiçbir argüman geçilmezse, mevcut olduğunda GPU device=0 kullanılacaktır; aksi takdirde device='cpu' kullanılacaktır. 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)

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) 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

Boştaki GPU Eğitimi

Boştaki 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 GPU'lara öncelik verir:

1. Mevcut kullanım yüzdeleri daha düşük olanlar
2. Daha yüksek kullanılabilir belleği (boş VRAM) olanlar
3. Sıcaklığı ve güç tüketimi daha düşük olanlar

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

Apple Silicon MPS Eğitimi

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

Apple silikon çipleri üzerinde eğitimi etkinleştirmek için, eğitim sürecini başlatırken cihazın olarak 'mps' belirtmelisin. Aşağıda bunu Python'da ve komut satırı üzerinden nasıl yapabileceğinle ilgili bir örnek yer almaktadır:

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 belgelerine başvur.

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 şekilde kesintiye uğradığı veya bir modeli yeni verilerle veya daha fazla epok için eğitmek istediğin gibi çeşitli durumlarda kullanışlı olabilir.

Eğitim devam ettirildiğinde, 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 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.

Aşağıda, kesintiye uğrayan bir eğitimin Python'da ve komut satırı üzerinden nasıl devam ettirileceğine dair bir örnek yer almaktadır:

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

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

Eğitim 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 size, öğrenme oranı, momentum ve weight decay bulunur. Ayrıca, optimize edici, kayıp fonksiyonu seçimi ve eğitim veri seti bileşimi eğitim sürecini etkileyebilir. Bu ayarlarla dikkatli bir şekilde ince ayar ve deneme yapmak, performansı optimize etmek için çok önemlidir.

MuSGD Optimize Edici

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

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

Yalnızca param.ndim >= 2 olan parametreler (evrişimsel ağırlıklar gibi) SGD ile birlikte Muon tarzı güncellemeyi alırken, batch normalization katmanları ve bias terimleri gibi daha düşük boyutlu parametreler standart SGD'de kalır.

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

Örnek kullanım:

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

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

Artırma Ayarları ve Hiperparametreler

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

Bu ayarlar, veri kümesinin ve eldeki görevin özel gereksinimlerini karşılamak için ayarlanabilir. Farklı değerlerle denemeler yapmak, en iyi model performansını sağlayan optimal artırma stratejisini bulmaya yardımcı olabilir.

Günlüğe Kaydetme (Logging)

Bir YOLO26 modeli eğitirken, modelin performansını zaman içinde takip etmeyi değerli bulabilirsin. Günlüğe kaydetme (logging) burada devreye girer. Ultralytics YOLO üç tür günlük kaydedici (logger) için destek sunar - Comet, ClearML ve TensorBoard.

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

Comet

Comet, veri bilimcilerin ve geliştiricilerin deneyleri ve modelleri takip etmelerini, karşılaştırmalarını, açıklamalarını ve optimize etmelerini sağlayan bir platformdur. Gerçek zamanlı metrikler, kod farkları (diffs) ve hiperparametre takibi gibi işlevler sunar.

Comet kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.init()

Web sitelerinden Comet hesabına giriş yapmayı ve API anahtarını almayı unutma. Deneylerini günlüğe kaydetmek 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 yönetmelerine, yürütmelerine ve yeniden üretmelerine yardımcı olmak için tasarlanmıştır.

ClearML kullanmak için:

# pip install clearml
import clearml

clearml.browser_login()

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

TensorBoard

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 adresinden görüntüle.

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

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

Günlük kaydedicini ayarladıktan sonra model eğitimine devam edebilirsin. Tüm eğitim metrikleri seçtiğin platforma otomatik olarak kaydedilecek ve modelinin performansını zaman içinde izlemek, farklı modelleri karşılaştırmak ve iyileştirme alanlarını belirlemek için bu günlüklere erişebilirsin.

SSS

Yerel bir 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 tarayıcı üzerinden eğitim yap. Ayrıntılar için bulut eğitimi kılavuzuna bak.

Ultralytics YOLO26 kullanarak nasıl bir nesne algılama modeli eğitebilirim?

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

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.

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 üzerinde ölçeklendirir.
• Hiperparametre Yapılandırması: Hiperparametreleri YAML dosyaları veya CLI argümanları aracılığıyla özelleştir.
• Görselleştirme ve İzleme: Daha iyi içgörüler için eğitim metriklerinin gerçek zamanlı takibi.

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

Ultralytics YOLO26'da yarıda kesilmiş bir oturumdan eğitimi nasıl devam ettirebilirim?

Yarıda kesilmiş bir oturumdan eğitime devam etmek için resume argümanını True olarak ayarla ve son kaydedilen kontrol noktasının (checkpoint) 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 Yarıda Kesilen Eğitimlerin Devam Ettirilmesi bölümüne göz at.

Dengesiz bir veri kümesinde nasıl model eğitebilirim?

Sınıf dengesizliği, eğitim verilerinde bazı sınıfların diğerlerine göre önemli ölçüde daha az örneğe sahip olduğunda ortaya çıkar. Bu, modelin nadir sınıflarda düşük performans göstermesine neden olabilir. Ultralytics YOLO, bu sorunu çözmek için cls_pw argümanı aracılığıyla sınıf ağırlıklandırmasını destekler.

cls_pw argümanı, sınıf ağırlıklandırma gücünü ters sınıf frekansına göre 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 düzeyde 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)

Apple silikon çiplerinde YOLO26 modellerini eğitebilir miyim?

Evet, Ultralytics YOLO26, Metal Performance Shaders (MPS) çerçevesinden yararlanarak Apple silikon çiplerinde 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.

Yaygın eğitim ayarları nelerdir ve bunları nasıl yapılandırabilirim?

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

Eğitim ayarlarıyla ilgili derinlemesine bir kılavuz için Eğitim Ayarları bölümüne bak.