Ultralytics YOLO ile Model Eğitimi#

Giriş#

Bir derin öğrenme modelini eğitmek, modele veri beslemeyi ve modelin doğru tahminler yapabilmesi için parametrelerini ayarlamayı içerir. Ultralytics YOLO26 içindeki Eğitim modu, nesne algılama modellerinin etkili ve verimli bir şekilde eğitilmesi için tasarlanmıştır ve modern donanım yeteneklerinden tamamen yararlanır. Bu kılavuz, YOLO26'nın güçlü özellik setini kullanarak kendi modellerini eğitmeye başlamak için ihtiyacın olan tüm detayları kapsamayı amaçlamaktadır. Eğer henüz Ultralytics yüklemediysen, Hızlı başlangıç kılavuzu ile başla.

Planlanan eğitim örnekleri için yayınlanmamış YOLO27 önizlemesine göz at.

Eğitim İçin Neden Ultralytics YOLO Seçmelisin?#

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

• Verimlilik: İster tek bir GPU kurulumunda ol ister birden fazla GPU üzerinde ölçeklendiriyor ol, donanımından en iyi şekilde yararlan.
• Çok Yönlülük: COCO, VOC ve ImageNet gibi hazır veri setlerinin yanı sıra özel veri setleri üzerinde de eğitim yap.
• Kullanıcı Dostu: Basit ama güçlü CLI ve Python arayüzleri ile anlaşılır bir eğitim deneyimi yaşa.
• Hiperparametre Esnekliği: Model performansını hassas bir şekilde ayarlamak için özelleştirilebilir geniş bir hiperparametre yelpazesi. Daha derin bir kontrol için eğiticinin kendisini özelleştirebilirsin.
• Bulut Eğitimi: Gerçek zamanlı metrikler ve otomatik kontrol noktası oluşturma özelliği ile Ultralytics Platform üzerinden bulut GPU'larında eğitim yap.

Eğitim Modunun Temel Özellikleri#

İşte YOLO26'nın Eğitim modunun dikkate değer bazı özellikleri:

• Otomatik Veri Seti İndirme: İndirme kaynağına sahip veri seti yapılandırmaları, ilk kullanımda otomatik olarak indirilir; örneğin yolo train data=coco8.yaml. Desteklenen formatlar ve veri setleri için Veri setleri genel bakış bölümüne göz at.
• Çoklu GPU Desteği: Süreci hızlandırmak için eğitim çabalarını 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 elde etmek için eğitim metriklerinin gerçek zamanlı takibi ve öğrenme sürecinin görselleştirilmesi.

Kullanım Örnekleri#

YOLO26n'yi COCO8 veri seti üzerinde 640 görsel boyutunda 100 dönem (epoch) boyunca eğit. Eğitim cihazı device argümanı kullanılarak belirtilebilir. Herhangi bir argüman iletilmezse, mevcut olduğunda device=0 GPU kullanılacak; 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 üzerinden kullanılabilir. Çoklu GPU eğitimini etkinleştirmek için kullanmak istediğin GPU cihaz kimliklerini 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 sözdizimiyle bir PyTorch ROCm derlemesi kullanır. Kurulum ve mevcut MIGraphX, DirectML ve Ryzen AI NPU destek durumu için AMD integration guide sayfasına bakın.

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

Huawei Ascend NPU Eğitimi#

Ultralytics, torch_npu aracılığıyla Huawei Ascend NPU'larda eğitimi ve doğrulamayı destekler. Ascend Extension for PyTorch installation guide kılavuzunu takip ederek birbiriyle uyumlu CANN, PyTorch ve torch_npu sürümlerini yükleyin, ardından Ultralytics'i başlatmadan önce CANN ortamını kaynak gösterin:

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 aktif NPU'yu kullanır. AutoBatch tek NPU eğitimi için kullanılabilirken, birden fazla NPU kimliği HCCL aracılığıyla dağıtık eğitimi başlatır. Eğitimden sonra model dışa aktarımı ve dağıtımı için Huawei Ascend integration guide sayfasına bakın.

Boşta Olan GPU Eğitimi#

Boşta Olan GPU Eğitimi, çoklu GPU sistemlerinde en az kullanılan GPU'ların otomatik olarak seçilmesini sağlayarak manuel GPU seçimi gerektirmeden kaynak kullanımını optimize eder. Bu özellik, kullanım metriklerine ve VRAM mevcudiyetine 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 modeller üzerinde birden fazla eğitim işi çalıştırırken özellikle değerlidir. Manuel müdahaleye gerek kalmadan optimum kaynak tahsisini garanti ederek değişen sistem koşullarına otomatik olarak uyum sağlar.

Apple Silicon MPS Eğitimi#

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

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

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 özellik eğitim görevlerinin daha verimli işlenmesini sağlar. Daha ayrıntılı rehberlik ve gelişmiş yapılandırma seçenekleri için lütfen PyTorch MPS dokümantasyonuna göz at.

Kesintiye Uğrayan Eğitimlere Devam Etme#

Eğitime önceden kaydedilmiş bir durumdan devam etmek, derin öğrenme modelleriyle çalışırken çok önemli bir özelliktir. Bu, eğitim sürecinin beklenmedik bir şekilde kesintiye uğraması veya bir modeli yeni verilerle ya da daha fazla dönem boyunca eğitmeye devam etmek istediğin durumlar gibi çeşitli senaryolarda işe yarayabilir.

Eğitim devam ettirildiğinde Ultralytics YOLO, ağırlıkları son kaydedilen modelden yükler ve ayrıca optimizasyon durumunu, öğrenme hızı zamanlayıcısını, epoch numarasını ve veri setini geri yükler. Bu, eğitim sürecine kaldığı yerden sorunsuz bir şekilde devam etmeni sağlar. Kontrol noktasının veri seti yerine farklı bir veri setinde devam etmek için resume ile birlikte açık bir data= geçir.

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

Aşağıda Python kullanarak ve komut satırı üzerinden 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=True ayarlanarak, train fonksiyonu 'path/to/last.pt' dosyasında saklanan durumu kullanarak kaldığı yerden eğitime devam edecektir. Eğer resume argümanı atlanırsa veya False olarak ayarlanırsa, train fonksiyonu yeni bir eğitim oturumu başlatacaktır.

Kontrol noktalarının varsayılan olarak her dönemin sonunda veya save_period argümanı kullanılarak sabit aralıklarla kaydedildiğini unutma, bu nedenle bir eğitim çalışmasına devam etmek için en az 1 dönemi tamamlamalısın.

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 parti boyutu (batch size), öğrenme oranı, momentum ve ağırlık sönümlemesi yer alır. Ek olarak, optimizatör tercihi, kayıp fonksiyonu ve eğitim veri seti bileşimi eğitim sürecini etkileyebilir. Bu ayarlar üzerinde dikkatli bir şekilde ince ayar yapmak ve denemeler yapmak, performansı optimize etmek için çok önemlidir.

MuSGD Optimize Edicisi#

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

Ortogonalleştirilmiş Muon güncellemelerinin optimizasyonu dengelemeye yardımcı olabileceği daha uzun YOLO26 eğitim çalışmaları ve daha büyük veri setleri için önerilir.

Toplu normalleştirme ağırlıkları ve sapma (bias) terimleri gibi diğer tüm parametreler standart SGD üzerinde kalırken, yalnızca 2D doğrusal ağırlıklar ve 4D evrişimli filtreler (2D'ye yeniden şekillendirilmiş) SGD ile birlikte Muon tarzı güncellemeyi alır.

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

Örnek kullanım:

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

Implementasyonu ultralytics/optim/muon.py içinde ve optimizatör otomatik seçim mantığını BaseTrainer.build_optimizer içinde incele.

Artırma (Augmentation) Ayarları ve Hiperparametreler#

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

Bu ayarlar, veri setinin ve eldeki görevin özel gereksinimlerini karşılayacak şekilde ayarlanabilir. Farklı değerler denemek, en iyi model performansını sağlayan optimum artırma stratejisini bulmaya yardımcı olabilir.

Günlük Kaydı#

Eğitim metrikleri, grafikleri ve kontrol noktaları her zaman çalıştırma dizinine yazılır ve Ultralytics bunları ayrıca yükleyip etkinleştirdiğiniz herhangi bir deney izleyicisine yayınlar: Comet, ClearML, TensorBoard, MLflow, Weights & Biases ve DVCLive. Her günlükçü Ultralytics settings aracılığıyla, örneğin yolo settings tensorboard=True ile açılıp kapatılır. En yaygın üç kurulum aşağıda gösterilmiştir.

Comet#

Comet, veri bilimcilerinin ve geliştiricilerin denemeleri ve modelleri takip etmesini, karşılaştırmasını, açıklamasını ve optimize etmesini sağlayan bir platformdur. Gerçek zamanlı metrikler, kod farkları (diffs) ve hiperparametre takibi gibi işlevler sunar.

Comet'i kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.init()

Web sitelerindeki Comet hesabına giriş yapmayı ve API anahtarını almayı unutma. Denemelerini günlüğe kaydetmek için bunu ortam değişkenlerine veya betiğine eklemen gerekecektir.

ClearML#

ClearML, denemelerin 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 gerekecektir.

TensorBoard#

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğini görselleştirmeni, grafiğinin yürütülmesi hakkında nicel metrikler çizmeni ve içinden geçen görseller 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 eğitim loglarının kaydedildiği dizine yönlendirecektir.

Günlüğe kaydedicini ayarladıktan sonra, model eğitimine devam edebilirsin. Tüm eğitim metrikleri seçtiğin platformda otomatik olarak günlüğe kaydedilecek ve modelinin zaman içindeki performansını izlemek, farklı modelleri karşılaştırmak ve iyileştirme alanlarını belirlemek için bu loglara erişebilirsin.

Sırada Ne Var?#

Gerçek dünyadaki doğruluğunu kontrol etmek için eğitilmiş modelini ayrılmış verilerle doğrula, ardından ONNX, TensorRT veya başka bir dağıtım formatına aktar. COCO8 yerine kendi verilerin üzerinde mi eğitiyorsun? Önce Veri setleri kılavuzu ile verilerini biçimlendir.

SSS#