─░├žeri─če ge├ž

ile Model E─čitimi Ultralytics YOLO

Ultralytics YOLO ekosistem ve entegrasyonlar

Giri┼č

Bir derin ├Â─črenme modelinin e─čitilmesi, do─čru tahminler yapabilmesi i├žin modelin verilerle beslenmesini ve parametrelerinin ayarlanmas─▒n─▒ i├žerir. Ultralytics YOLOv8 adresindeki Train modu, modern donan─▒m ├Âzelliklerinden tam olarak yararlanarak nesne alg─▒lama modellerinin etkili ve verimli bir ┼čekilde e─čitilmesi i├žin tasarlanm─▒┼čt─▒r. Bu k─▒lavuz, YOLOv8'un g├╝├žl├╝ ├Âzellik setini kullanarak kendi modellerinizi e─čitmeye ba┼člamak i├žin ihtiyac─▒n─▒z olan t├╝m ayr─▒nt─▒lar─▒ kapsamay─▒ ama├žlamaktad─▒r.



─░zle: Google Colab'da ├ľzel Veri Setinizde YOLOv8 Modelini E─čitme.

E─čitim i├žin Neden Ultralytics YOLO adresini se├žmelisiniz?

─░┼čte YOLOv8'un Tren modunu tercih etmek i├žin baz─▒ zorlay─▒c─▒ nedenler:

  • Verimlilik: ─░ster tek GPU'lu bir kurulumda olun ister birden fazla GPU aras─▒nda ├Âl├žeklendirme yap─▒n, donan─▒m─▒n─▒zdan en iyi ┼čekilde yararlan─▒n.
  • ├çok y├Ânl├╝l├╝k: COCO, VOC ve ImageNet gibi haz─▒r veri k├╝melerinin yan─▒ s─▒ra ├Âzel veri k├╝meleri ├╝zerinde de e─čitim al─▒n.
  • Kullan─▒c─▒ Dostu: Basit bir e─čitim deneyimi i├žin basit ama g├╝├žl├╝ CLI ve Python aray├╝zleri.
  • Hiperparametre Esnekli─či: Model performans─▒na ince ayar yapmak i├žin ├žok ├že┼čitli ├Âzelle┼čtirilebilir hiperparametreler.

Tren Modunun Temel ├ľzellikleri

A┼ča─č─▒da YOLOv8'un Tren modunun baz─▒ ├Ânemli ├Âzellikleri yer almaktad─▒r:

  • Otomatik Veri Seti ─░ndirme: COCO, VOC ve ImageNet gibi standart veri k├╝meleri ilk kullan─▒mda otomatik olarak indirilir.
  • ├çoklu GPU Deste─či: S├╝reci h─▒zland─▒rmak i├žin e─čitim ├žal─▒┼čmalar─▒n─▒z─▒ birden fazla GPU'da sorunsuz bir ┼čekilde ├Âl├žeklendirin.
  • Hiperparametre Yap─▒land─▒rmas─▒: Hiperparametreleri YAML yap─▒land─▒rma dosyalar─▒ veya CLI arg├╝manlar─▒ arac─▒l─▒─č─▒yla de─či┼čtirme se├žene─či.
  • G├Ârselle┼čtirme ve ─░zleme: E─čitim metriklerinin ger├žek zamanl─▒ takibi ve daha iyi i├žg├Âr├╝ler i├žin ├Â─črenme s├╝recinin g├Ârselle┼čtirilmesi.

─░pucu

  • YOLOv8 COCO, VOC, ImageNet ve di─čerleri gibi veri k├╝meleri ilk kullan─▒mda otomatik olarak indirilir, yani yolo train data=coco.yaml

Kullan─▒m ├ľrnekleri

YOLOv8n adresini 640 g├Âr├╝nt├╝ boyutunda 100 epok i├žin COCO8 veri k├╝mesi ├╝zerinde e─čitin. E─čitim cihaz─▒ ┼ču ┼čekilde belirtilebilir device arg├╝man. Herhangi bir arg├╝man ge├žilmezse GPU device=0 mevcutsa kullan─▒lacakt─▒r, aksi takdirde device='cpu' kullan─▒lacakt─▒r. E─čitim arg├╝manlar─▒n─▒n tam listesi i├žin a┼ča─č─▒daki Arg├╝manlar b├Âl├╝m├╝ne bak─▒n.

Tek GPU ve CPU E─čitim ├ľrne─či

Cihaz otomatik olarak belirlenir. Bir GPU mevcutsa o zaman kullan─▒lacakt─▒r, aksi takdirde e─čitim CPU'da ba┼člayacakt─▒r.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from YAML
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

├çoklu GPU E─čitimi

Multi-GPU e─čitimi, e─čitim y├╝k├╝n├╝ birden fazla GPU'ya da─č─▒tarak mevcut donan─▒m kaynaklar─▒n─▒n daha verimli kullan─▒lmas─▒n─▒ sa─člar. Bu ├Âzellik hem Python API hem de komut sat─▒r─▒ aray├╝z├╝ arac─▒l─▒─č─▒yla kullan─▒labilir. ├çoklu GPU e─čitimini etkinle┼čtirmek i├žin kullanmak istedi─činiz GPU cihaz kimliklerini belirtin.

├çoklu GPU E─čitim ├ľrne─či

2 GPU, CUDA ayg─▒tlar─▒ 0 ve 1 ile e─čitim yapmak i├žin a┼ča─č─▒daki komutlar─▒ kullan─▒n. Gerekti─činde ek GPU'lara geni┼čletin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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])
# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Apple M1 ve M2 MPS E─čitimi

Ultralytics YOLO modellerine entegre edilen Apple M1 ve M2 ├žip deste─či sayesinde, modellerinizi g├╝├žl├╝ Metal Performans G├Âlgelendiricileri (MPS) ├žer├ževesini kullanan cihazlarda e─čitmek art─▒k m├╝mk├╝n. MPS, Apple'─▒n ├Âzel silikonunda hesaplama ve g├Âr├╝nt├╝ i┼čleme g├Ârevlerini y├╝r├╝tmek i├žin y├╝ksek performansl─▒ bir yol sunuyor.

Apple M1 ve M2 ├žiplerinde e─čitimi etkinle┼čtirmek i├žin, e─čitim s├╝recini ba┼člat─▒rken cihaz─▒n─▒z olarak 'mps' belirtmelisiniz. A┼ča─č─▒da bunu Python adresinde ve komut sat─▒r─▒ ├╝zerinden nas─▒l yapabilece─činize dair bir ├Ârnek verilmi┼čtir:

MPS E─čitim ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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="mps")
# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Bu, M1/M2 ├žiplerinin hesaplama g├╝c├╝nden yararlan─▒rken, e─čitim g├Ârevlerinin daha verimli bir ┼čekilde i┼členmesini sa─člar. Daha ayr─▒nt─▒l─▒ rehberlik ve geli┼čmi┼č yap─▒land─▒rma se├ženekleri i├žin l├╝tfen PyTorch MPS belgelerine bak─▒n.

Ara Verilen E─čitimlere Devam Edilmesi

├ľnceden kaydedilmi┼č bir durumdan e─čitime devam etmek, derin ├Â─črenme modelleriyle ├žal─▒┼č─▒rken ├žok ├Ânemli bir ├Âzelliktir. Bu, e─čitim s├╝reci beklenmedik bir ┼čekilde kesintiye u─črad─▒─č─▒nda veya bir modeli yeni verilerle veya daha fazla epokla e─čitmeye devam etmek istedi─činizde oldu─ču gibi ├že┼čitli senaryolarda kullan─▒┼čl─▒ olabilir.

E─čitime devam edildi─činde, Ultralytics YOLO son kaydedilen modeldeki a─č─▒rl─▒klar─▒ y├╝kler ve ayr─▒ca optimize edici durumunu, ├Â─črenme h─▒z─▒ zamanlay─▒c─▒s─▒n─▒ ve epok say─▒s─▒n─▒ geri y├╝kler. Bu, e─čitim s├╝recine kald─▒─č─▒ yerden sorunsuz bir ┼čekilde devam etmenizi sa─člar.

E─čitiminize Ultralytics YOLO adresinden kolayca devam edebilirsiniz. resume arg├╝man─▒na True ├ža─č─▒r─▒rken train metodunun yolunu belirtmek ve .pt K─▒smen e─čitilmi┼č model a─č─▒rl─▒klar─▒n─▒ i├žeren dosya.

A┼ča─č─▒da, Python adresini kullanarak ve komut sat─▒r─▒ arac─▒l─▒─č─▒yla kesintiye u─čram─▒┼č bir e─čitimin nas─▒l devam ettirilece─čine dair bir ├Ârnek yer almaktad─▒r:

├ľzge├žmi┼č E─čitim ├ľrne─či

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 an interrupted training
yolo train resume model=path/to/last.pt

Ayarlayarak resume=True, the train fonksiyonu 'path/to/last.pt' dosyas─▒nda saklanan durumu kullanarak e─čitime kald─▒─č─▒ yerden devam edecektir. E─čer resume arg├╝man─▒ atlan─▒r veya False, the train i┼člevi yeni bir e─čitim oturumuna ba┼člayacakt─▒r.

Kontrol noktalar─▒n─▒n varsay─▒lan olarak her d├Ânemin sonunda ya da sabit aral─▒klarla kaydedildi─čini unutmay─▒n. save_period arg├╝man─▒na g├Âre, bir e─čitim ├žal─▒┼čmas─▒na devam etmek i├žin en az 1 epok tamamlaman─▒z gerekir.

Tren Ayarlar─▒

YOLO modelleri i├žin e─čitim ayarlar─▒, e─čitim s├╝reci s─▒ras─▒nda kullan─▒lan ├že┼čitli hiper parametreleri ve yap─▒land─▒rmalar─▒ kapsar. Bu ayarlar modelin performans─▒n─▒, h─▒z─▒n─▒ ve do─črulu─čunu etkiler. Temel e─čitim ayarlar─▒ aras─▒nda y─▒─č─▒n boyutu, ├Â─črenme h─▒z─▒, momentum ve a─č─▒rl─▒k azalmas─▒ yer al─▒r. Ayr─▒ca optimize edici, kay─▒p fonksiyonu ve e─čitim veri k├╝mesi bile┼čimi se├žimi de e─čitim s├╝recini etkileyebilir. Bu ayarlar─▒n dikkatli bir ┼čekilde ayarlanmas─▒ ve denenmesi performans─▒ optimize etmek i├žin ├žok ├Ânemlidir.

Tart─▒┼čma Varsay─▒lan A├ž─▒klama
model None E─čitim i├žin model dosyas─▒n─▒ belirtir. Bir model dosyas─▒na giden bir yol kabul eder. .pt ├Ân e─čitimli model veya bir .yaml yap─▒land─▒rma dosyas─▒. Model yap─▒s─▒n─▒ tan─▒mlamak veya a─č─▒rl─▒klar─▒ ba┼člatmak i├žin gereklidir.
data None Veri k├╝mesi yap─▒land─▒rma dosyas─▒n─▒n yolu (├Ârn, coco8.yaml). Bu dosya, e─čitim ve do─črulama verilerine giden yollar, s─▒n─▒f adlar─▒ ve s─▒n─▒f say─▒s─▒ dahil olmak ├╝zere veri k├╝mesine ├Âzg├╝ parametreleri i├žerir.
epochs 100 Toplam e─čitim epok say─▒s─▒. Her epok, t├╝m veri k├╝mesi ├╝zerinde tam bir ge├ži┼či temsil eder. Bu de─čerin ayarlanmas─▒ e─čitim s├╝resini ve model performans─▒n─▒ etkileyebilir.
time None Saat cinsinden maksimum e─čitim s├╝resi. E─čer ayarlan─▒rsa, bu epochs arg├╝man─▒, e─čitimin belirtilen s├╝reden sonra otomatik olarak durmas─▒na izin verir. Zaman k─▒s─▒tl─▒ e─čitim senaryolar─▒ i├žin kullan─▒┼čl─▒d─▒r.
patience 100 E─čitimi erken durdurmadan ├Ânce do─črulama metriklerinde iyile┼čme olmadan beklenecek epok say─▒s─▒. Performans platolar─▒ oldu─čunda e─čitimi durdurarak a┼č─▒r─▒ uyumu ├Ânlemeye yard─▒mc─▒ olur.
batch 16 Batch size, with three modes: set as an integer (e.g., batch=16), auto mode for 60% GPU memory utilization (batch=-1), or auto mode with specified utilization fraction (batch=0.70).
imgsz 640 E─čitim i├žin hedef g├Âr├╝nt├╝ boyutu. T├╝m g├Âr├╝nt├╝ler modele girilmeden ├Ânce bu boyuta yeniden boyutland─▒r─▒l─▒r. Model do─črulu─čunu ve hesaplama karma┼č─▒kl─▒─č─▒n─▒ etkiler.
save True E─čitim kontrol noktalar─▒n─▒n ve son model a─č─▒rl─▒klar─▒n─▒n kaydedilmesini sa─člar. E─čitime veya model da─č─▒t─▒m─▒na devam etmek i├žin kullan─▒┼čl─▒d─▒r.
save_period -1 Model kontrol noktalar─▒n─▒ kaydetme s─▒kl─▒─č─▒, epok cinsinden belirtilir. -1 de─čeri bu ├Âzelli─či devre d─▒┼č─▒ b─▒rak─▒r. Uzun e─čitim oturumlar─▒ s─▒ras─▒nda ara modelleri kaydetmek i├žin kullan─▒┼čl─▒d─▒r.
cache False Veri k├╝mesi g├Âr├╝nt├╝lerinin bellekte ├Ânbelle─če al─▒nmas─▒n─▒ etkinle┼čtirir (True/ram), disk ├╝zerinde (disk) veya devre d─▒┼č─▒ b─▒rak─▒r (False). Artan bellek kullan─▒m─▒ pahas─▒na disk I/O'sunu azaltarak e─čitim h─▒z─▒n─▒ art─▒r─▒r.
device None E─čitim i├žin hesaplama cihaz(lar)─▒n─▒ belirtir: tek bir GPU (device=0), ├žoklu GPU'lar (device=0,1), CPU (device=cpu) veya Apple silikon i├žin MPS (device=mps).
workers 8 Veri y├╝kleme i├žin i┼č├ži i┼č par├žac─▒─č─▒ say─▒s─▒ (her RANK ├çoklu GPU e─čitimi ise). Veri ├Ân i┼čleme ve modele besleme h─▒z─▒n─▒ etkiler, ├Âzellikle ├žoklu GPU kurulumlar─▒nda kullan─▒┼čl─▒d─▒r.
project None E─čitim ├ž─▒kt─▒lar─▒n─▒n kaydedildi─či proje dizininin ad─▒. Farkl─▒ deneylerin d├╝zenli bir ┼čekilde saklanmas─▒n─▒ sa─člar.
name None E─čitim ├žal─▒┼čmas─▒n─▒n ad─▒. Proje klas├Âr├╝ i├žinde e─čitim g├╝nl├╝klerinin ve ├ž─▒kt─▒lar─▒n─▒n sakland─▒─č─▒ bir alt dizin olu┼čturmak i├žin kullan─▒l─▒r.
exist_ok False True ise, mevcut bir proje/isim dizininin ├╝zerine yaz─▒lmas─▒na izin verir. ├ľnceki ├ž─▒kt─▒lar─▒ manuel olarak temizlemeye gerek kalmadan yinelemeli denemeler i├žin kullan─▒┼čl─▒d─▒r.
pretrained True E─čitime ├Ânceden e─čitilmi┼č bir modelden ba┼član─▒p ba┼članmayaca─č─▒n─▒ belirler. Boolean bir de─čer veya a─č─▒rl─▒klar─▒n y├╝klenece─či belirli bir modele giden bir dize yolu olabilir. E─čitim verimlili─čini ve model performans─▒n─▒ art─▒r─▒r.
optimizer 'auto' E─čitim i├žin optimize edici se├žimi. Se├ženekler ┼čunlar─▒ i├žerir SGD, Adam, AdamW, NAdam, RAdam, RMSProp vb. veya auto model yap─▒land─▒rmas─▒na dayal─▒ otomatik se├žim i├žin. Yak─▒nsama h─▒z─▒n─▒ ve kararl─▒l─▒─č─▒ etkiler.
verbose False E─čitim s─▒ras─▒nda ayr─▒nt─▒l─▒ ├ž─▒kt─▒lar─▒ etkinle┼čtirerek ayr─▒nt─▒l─▒ g├╝nl├╝kler ve ilerleme g├╝ncellemeleri sa─člar. Hata ay─▒klama ve e─čitim s├╝recini yak─▒ndan izlemek i├žin kullan─▒┼čl─▒d─▒r.
seed 0 E─čitim i├žin rastgele tohumu ayarlar ve ayn─▒ konfig├╝rasyonlara sahip ├žal─▒┼čt─▒rmalar aras─▒nda sonu├žlar─▒n tekrarlanabilirli─čini sa─člar.
deterministic True Deterministik algoritma kullan─▒m─▒n─▒ zorlayarak tekrarlanabilirli─či sa─člar, ancak deterministik olmayan algoritmalar ├╝zerindeki k─▒s─▒tlama nedeniyle performans─▒ ve h─▒z─▒ etkileyebilir.
single_cls False E─čitim s─▒ras─▒nda ├žok s─▒n─▒fl─▒ veri k├╝melerindeki t├╝m s─▒n─▒flar─▒ tek bir s─▒n─▒f olarak ele al─▒r. ─░kili s─▒n─▒fland─▒rma g├Ârevleri i├žin veya s─▒n─▒fland─▒rmadan ziyade nesne varl─▒─č─▒na odaklan─▒rken kullan─▒┼čl─▒d─▒r.
rect False Minimum dolgu i├žin y─▒─č─▒n kompozisyonunu optimize ederek dikd├Ârtgen e─čitim sa─člar. Verimlili─či ve h─▒z─▒ art─▒rabilir ancak model do─črulu─čunu etkileyebilir.
cos_lr False Epoklar boyunca bir kosin├╝s e─črisini takip ederek ├Â─črenme oran─▒n─▒ ayarlayan bir kosin├╝s ├Â─črenme oran─▒ zamanlay─▒c─▒s─▒ kullan─▒r. Daha iyi yak─▒nsama i├žin ├Â─črenme oran─▒n─▒ y├Ânetmeye yard─▒mc─▒ olur.
close_mosaic 10 Tamamlanmadan ├Ânce e─čitimi stabilize etmek i├žin son N epokta mozaik veri art─▒r─▒m─▒n─▒ devre d─▒┼č─▒ b─▒rak─▒r. 0 olarak ayarlanmas─▒ bu ├Âzelli─či devre d─▒┼č─▒ b─▒rak─▒r.
resume False Son kaydedilen kontrol noktas─▒ndan e─čitime devam eder. Model a─č─▒rl─▒klar─▒n─▒, optimizer durumunu ve epok say─▒s─▒n─▒ otomatik olarak y├╝kleyerek e─čitime sorunsuz bir ┼čekilde devam eder.
amp True Otomatik Karma Hassasiyet (AMP) e─čitimini etkinle┼čtirerek bellek kullan─▒m─▒n─▒ azalt─▒r ve muhtemelen do─čruluk ├╝zerinde minimum etkiyle e─čitimi h─▒zland─▒r─▒r.
fraction 1.0 Veri k├╝mesinin e─čitim i├žin kullan─▒lacak k─▒sm─▒n─▒ belirtir. Tam veri k├╝mesinin bir alt k├╝mesi ├╝zerinde e─čitime izin verir, deneyler i├žin veya kaynaklar s─▒n─▒rl─▒ oldu─čunda kullan─▒┼čl─▒d─▒r.
profile False E─čitim s─▒ras─▒nda ONNX ve TensorRT h─▒zlar─▒n─▒n profilinin ├ž─▒kar─▒lmas─▒n─▒ sa─člar, model da─č─▒t─▒m─▒n─▒ optimize etmek i├žin kullan─▒┼čl─▒d─▒r.
freeze None Modelin ilk N katman─▒n─▒ veya indekse g├Âre belirtilen katmanlar─▒ dondurarak e─čitilebilir parametrelerin say─▒s─▒n─▒ azalt─▒r. ─░nce ayar veya aktar─▒ml─▒ ├Â─črenme i├žin kullan─▒┼čl─▒d─▒r.
lr0 0.01 ─░lk ├Â─črenme oran─▒ (├Ârn. SGD=1E-2, Adam=1E-3) . Bu de─čerin ayarlanmas─▒ optimizasyon s├╝reci i├žin ├žok ├Ânemlidir ve model a─č─▒rl─▒klar─▒n─▒n ne kadar h─▒zl─▒ g├╝ncellenece─čini etkiler.
lrf 0.01 Ba┼člang─▒├ž oran─▒n─▒n bir kesri olarak nihai ├Â─črenme oran─▒ = (lr0 * lrf), zaman i├žinde ├Â─črenme oran─▒n─▒ ayarlamak i├žin zamanlay─▒c─▒larla birlikte kullan─▒l─▒r.
momentum 0.937 SGD i├žin momentum fakt├Âr├╝ veya Adam optimize edicileri i├žin beta1, ge├žmi┼č gradyanlar─▒n mevcut g├╝ncellemeye dahil edilmesini etkiler.
weight_decay 0.0005 L2 d├╝zenleme terimi, a┼č─▒r─▒ uyumu ├Ânlemek i├žin b├╝y├╝k a─č─▒rl─▒klar─▒ cezaland─▒r─▒r.
warmup_epochs 3.0 ├ľ─črenme h─▒z─▒ ─▒s─▒nmas─▒ i├žin epok say─▒s─▒, e─čitimi erkenden stabilize etmek i├žin ├Â─črenme h─▒z─▒n─▒ d├╝┼č├╝k bir de─čerden ba┼člang─▒├ž ├Â─črenme h─▒z─▒na kademeli olarak art─▒r─▒r.
warmup_momentum 0.8 Is─▒nma a┼čamas─▒ i├žin ba┼člang─▒├ž momentumu, ─▒s─▒nma s├╝resi boyunca kademeli olarak ayarlanan momentuma ayarlan─▒r.
warmup_bias_lr 0.1 Is─▒nma a┼čamas─▒nda ├Ânyarg─▒ parametreleri i├žin ├Â─črenme oran─▒, ilk epoklarda model e─čitiminin dengelenmesine yard─▒mc─▒ olur.
box 7.5 Kay─▒p fonksiyonundaki kutu kayb─▒ bile┼čeninin a─č─▒rl─▒─č─▒, s─▒n─▒rlay─▒c─▒ kutu koordinatlar─▒n─▒n do─čru tahmin edilmesine ne kadar ├Ânem verildi─čini etkiler.
cls 0.5 S─▒n─▒fland─▒rma kayb─▒n─▒n toplam kay─▒p fonksiyonundaki a─č─▒rl─▒─č─▒, do─čru s─▒n─▒f tahmininin di─čer bile┼čenlere g├Âre ├Ânemini etkiler.
dfl 1.5 Belirli YOLO s├╝r├╝mlerinde ince taneli s─▒n─▒fland─▒rma i├žin kullan─▒lan da─č─▒t─▒m odak kayb─▒n─▒n a─č─▒rl─▒─č─▒.
pose 12.0 Poz tahmini i├žin e─čitilen modellerde poz kayb─▒n─▒n a─č─▒rl─▒─č─▒, poz anahtar noktalar─▒n─▒ do─čru bir ┼čekilde tahmin etme vurgusunu etkiler.
kobj 2.0 Poz tahmin modellerinde anahtar nokta nesnellik kayb─▒n─▒n a─č─▒rl─▒─č─▒, alg─▒lama g├╝venini poz do─črulu─ču ile dengeler.
label_smoothing 0.0 Etiket yumu┼čatma uygular, sert etiketleri hedef etiketin bir kar─▒┼č─▒m─▒na ve etiketler ├╝zerinde tek tip bir da─č─▒l─▒ma yumu┼čat─▒r, genelle┼čtirmeyi iyile┼čtirebilir.
nbs 64 Kayb─▒n normalle┼čtirilmesi i├žin nominal parti b├╝y├╝kl├╝─č├╝.
overlap_mask True Segmentasyon maskelerinin e─čitim s─▒ras─▒nda ├╝st ├╝ste gelip gelmeyece─čini belirler, ├Ârnek segmentasyon g├Ârevlerinde uygulanabilir.
mask_ratio 4 Segmentasyon maskeleri i├žin a┼ča─č─▒ ├Ârnekleme oran─▒, e─čitim s─▒ras─▒nda kullan─▒lan maskelerin ├ž├Âz├╝n├╝rl├╝─č├╝n├╝ etkiler.
dropout 0.0 S─▒n─▒fland─▒rma g├Ârevlerinde d├╝zenli hale getirme i├žin b─▒rakma oran─▒, e─čitim s─▒ras─▒nda birimleri rastgele atlayarak a┼č─▒r─▒ uyumu ├Ânler.
val True E─čitim s─▒ras─▒nda do─črulamay─▒ etkinle┼čtirerek model performans─▒n─▒n ayr─▒ bir veri k├╝mesi ├╝zerinde periyodik olarak de─čerlendirilmesine olanak tan─▒r.
plots False E─čitim ve do─črulama ├Âl├ž├╝mlerinin yan─▒ s─▒ra tahmin ├Ârneklerinin grafiklerini olu┼čturur ve kaydeder, model performans─▒ ve ├Â─črenme ilerlemesi hakk─▒nda g├Ârsel bilgiler sa─člar.

Note on Batch-size Settings

Bu batch argument can be configured in three ways:

  • Fixed Batch Size: Set an integer value (e.g., batch=16), specifying the number of images per batch directly.
  • Auto Mode (60% GPU Memory): Use batch=-1 to automatically adjust batch size for approximately 60% CUDA memory utilization.
  • Auto Mode with Utilization Fraction: Set a fraction value (e.g., batch=0.70) to adjust batch size based on the specified fraction of GPU memory usage.

B├╝y├╝tme Ayarlar─▒ ve Hiperparametreler

G├╝├žlendirme teknikleri, e─čitim verilerine de─či┼čkenlik katarak YOLO modellerinin sa─člaml─▒─č─▒n─▒ ve performans─▒n─▒ art─▒rmak i├žin gereklidir ve modelin g├Âr├╝lmeyen verilere daha iyi genelleme yapmas─▒na yard─▒mc─▒ olur. A┼ča─č─▒daki tabloda her bir g├╝├žlendirme arg├╝man─▒n─▒n amac─▒ ve etkisi ├Âzetlenmektedir:

Tart─▒┼čma Tip Varsay─▒lan Menzil A├ž─▒klama
hsv_h float 0.015 0.0 - 1.0 G├Âr├╝nt├╝n├╝n tonunu renk tekerle─činin bir k─▒sm─▒na g├Âre ayarlayarak renk de─či┼čkenli─či sa─člar. Modelin farkl─▒ ayd─▒nlatma ko┼čullar─▒nda genelle┼čtirilmesine yard─▒mc─▒ olur.
hsv_s float 0.7 0.0 - 1.0 G├Âr├╝nt├╝n├╝n doygunlu─čunu bir miktar de─či┼čtirerek renklerin yo─čunlu─čunu etkiler. Farkl─▒ ├ževre ko┼čullar─▒n─▒ sim├╝le etmek i├žin kullan─▒┼čl─▒d─▒r.
hsv_v float 0.4 0.0 - 1.0 G├Âr├╝nt├╝n├╝n de─čerini (parlakl─▒─č─▒n─▒) belli bir oranda de─či┼čtirerek modelin ├že┼čitli ayd─▒nlatma ko┼čullar─▒nda iyi performans g├Âstermesine yard─▒mc─▒ olur.
degrees float 0.0 -180 - +180 G├Âr├╝nt├╝y├╝ belirtilen derece aral─▒─č─▒nda rastgele d├Ând├╝rerek modelin ├že┼čitli y├Ânlerdeki nesneleri tan─▒ma yetene─čini geli┼čtirir.
translate float 0.1 0.0 - 1.0 G├Âr├╝nt├╝y├╝ yatay ve dikey olarak g├Âr├╝nt├╝ boyutunun bir k─▒sm─▒ kadar ├ževirerek k─▒smen g├Âr├╝lebilen nesneleri tespit etmeyi ├Â─črenmeye yard─▒mc─▒ olur.
scale float 0.5 >=0.0 G├Âr├╝nt├╝y├╝ bir kazan├ž fakt├Âr├╝ ile ├Âl├žeklendirerek kameradan farkl─▒ mesafelerdeki nesneleri sim├╝le eder.
shear float 0.0 -180 - +180 G├Âr├╝nt├╝y├╝ belirli bir dereceye kadar keserek, farkl─▒ a├ž─▒lardan g├Âr├╝nt├╝lenen nesnelerin etkisini taklit eder.
perspective float 0.0 0.0 - 0.001 G├Âr├╝nt├╝ye rastgele bir perspektif d├Ân├╝┼č├╝m├╝ uygulayarak modelin 3D uzaydaki nesneleri anlama yetene─čini geli┼čtirir.
flipud float 0.0 0.0 - 1.0 G├Âr├╝nt├╝y├╝ belirtilen olas─▒l─▒kla ters ├ževirerek nesnenin ├Âzelliklerini etkilemeden veri de─či┼čkenli─čini art─▒r─▒r.
fliplr float 0.5 0.0 - 1.0 G├Âr├╝nt├╝y├╝ belirtilen olas─▒l─▒kla soldan sa─ča ├ževirir, simetrik nesneleri ├Â─črenmek ve veri k├╝mesi ├že┼čitlili─čini art─▒rmak i├žin kullan─▒┼čl─▒d─▒r.
bgr float 0.0 0.0 - 1.0 G├Âr├╝nt├╝ kanallar─▒n─▒ belirtilen olas─▒l─▒kla RGB'den BGR'ye ├ževirir, yanl─▒┼č kanal s─▒ralamas─▒na kar┼č─▒ sa─člaml─▒─č─▒ art─▒rmak i├žin kullan─▒┼čl─▒d─▒r.
mosaic float 1.0 0.0 - 1.0 D├Ârt e─čitim g├Âr├╝nt├╝s├╝n├╝ tek bir g├Âr├╝nt├╝de birle┼čtirerek farkl─▒ sahne kompozisyonlar─▒n─▒ ve nesne etkile┼čimlerini sim├╝le eder. Karma┼č─▒k sahneleri anlamak i├žin son derece etkilidir.
mixup float 0.0 0.0 - 1.0 ─░ki g├Âr├╝nt├╝y├╝ ve etiketlerini harmanlayarak bile┼čik bir g├Âr├╝nt├╝ olu┼čturur. Etiket g├╝r├╝lt├╝s├╝ ve g├Ârsel de─či┼čkenlik ekleyerek modelin genelleme yetene─čini geli┼čtirir.
copy_paste float 0.0 0.0 - 1.0 Nesneleri bir g├Âr├╝nt├╝den kopyalar ve ba┼čka bir g├Âr├╝nt├╝ye yap─▒┼čt─▒r─▒r, nesne ├Ârneklerini art─▒rmak ve nesne t─▒kan─▒kl─▒─č─▒n─▒ ├Â─črenmek i├žin kullan─▒┼čl─▒d─▒r.
auto_augment str randaugment - ├ľnceden tan─▒mlanm─▒┼č bir b├╝y├╝tme politikas─▒n─▒ otomatik olarak uygular (randaugment, autoaugment, augmix), g├Ârsel ├Âzellikleri ├že┼čitlendirerek s─▒n─▒fland─▒rma g├Ârevleri i├žin optimize eder.
erasing float 0.4 0.0 - 0.9 S─▒n─▒fland─▒rma e─čitimi s─▒ras─▒nda g├Âr├╝nt├╝n├╝n bir k─▒sm─▒n─▒ rastgele silerek modeli tan─▒ma i├žin daha az belirgin ├Âzelliklere odaklanmaya te┼čvik eder.
crop_fraction float 1.0 0.1 - 1.0 Merkezi ├Âzellikleri vurgulamak ve nesne ├Âl├žeklerine uyum sa─člamak i├žin s─▒n─▒fland─▒rma g├Âr├╝nt├╝s├╝n├╝ boyutunun bir k─▒sm─▒na k─▒rparak arka plandaki dikkat da─č─▒t─▒c─▒ unsurlar─▒ azalt─▒r.

Bu ayarlar, veri k├╝mesinin ve eldeki g├Ârevin ├Âzel gereksinimlerini kar┼č─▒layacak ┼čekilde ayarlanabilir. Farkl─▒ de─čerlerle denemeler yapmak, en iyi model performans─▒n─▒ sa─člayan optimum b├╝y├╝tme stratejisini bulmaya yard─▒mc─▒ olabilir.

Bilgi

E─čitim art─▒rma operasyonlar─▒ hakk─▒nda daha fazla bilgi i├žin referans b├Âl├╝m├╝ne bak─▒n.

G├╝nl├╝k kayd─▒

Bir YOLOv8 modelini e─čitirken, modelin zaman i├žindeki performans─▒n─▒ takip etmeyi de─čerli bulabilirsiniz. G├╝nl├╝k kayd─▒ burada devreye girer. Ultralytics' YOLO ├╝├ž t├╝r kaydedici i├žin destek sa─člar - Comet, ClearML, ve TensorBoard.

Bir kaydediciyi kullanmak i├žin, yukar─▒daki kod par├žac─▒─č─▒ndaki a├ž─▒l─▒r men├╝den se├žin ve ├žal─▒┼čt─▒r─▒n. Se├žilen kaydedici y├╝klenecek ve ba┼člat─▒lacakt─▒r.

Comet

Comet veri bilimcilerin ve geli┼čtiricilerin deneyleri ve modelleri izlemesine, kar┼č─▒la┼čt─▒rmas─▒na, a├ž─▒klamas─▒na ve optimize etmesine olanak tan─▒yan bir platformdur. Ger├žek zamanl─▒ metrikler, kod farkl─▒l─▒klar─▒ ve hiperparametrelerin izlenmesi gibi i┼člevler sa─člar.

Comet adresini kullanmak i├žin:

├ľrnek

# pip install comet_ml
import comet_ml

comet_ml.init()

Web sitelerinde Comet hesab─▒n─▒za giri┼č yapmay─▒ ve API anahtar─▒n─▒z─▒ almay─▒ unutmay─▒n. Deneylerinizi g├╝nl├╝─če kaydetmek i├žin bunu ortam de─či┼čkenlerinize veya komut dosyan─▒za eklemeniz gerekecektir.

ClearML

ClearML deneylerin izlenmesini otomatikle┼čtiren ve kaynaklar─▒n verimli bir ┼čekilde payla┼č─▒lmas─▒na yard─▒mc─▒ olan a├ž─▒k kaynakl─▒ bir platformdur. Ekiplerin makine ├Â─črenimi ├žal─▒┼čmalar─▒n─▒ daha verimli bir ┼čekilde y├Ânetmelerine, y├╝r├╝tmelerine ve yeniden ├╝retmelerine yard─▒mc─▒ olmak i├žin tasarlanm─▒┼čt─▒r.

ClearML adresini kullanmak i├žin:

├ľrnek

# pip install clearml
import clearml

clearml.browser_login()

Bu beti─či ├žal─▒┼čt─▒rd─▒ktan sonra, taray─▒c─▒da ClearML hesab─▒n─▒zda oturum a├žman─▒z ve oturumunuzu do─črulaman─▒z gerekecektir.

TensorBoard

TensorBoard, TensorFlow i├žin bir g├Ârselle┼čtirme ara├ž setidir. TensorFlow grafi─činizi g├Ârselle┼čtirmenize, grafi─činizin y├╝r├╝t├╝lmesiyle ilgili nicel ├Âl├ž├╝mleri ├žizmenize ve i├žinden ge├žen g├Âr├╝nt├╝ler gibi ek verileri g├Âstermenize olanak tan─▒r.

TensorBoard'u Google Colab'da kullanmak i├žin:

├ľrnek

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

TensorBoard'u yerel olarak kullanmak i├žin a┼ča─č─▒daki komutu ├žal─▒┼čt─▒r─▒n ve sonu├žlar─▒ http://localhost:6006/ adresinde g├Âr├╝nt├╝leyin.

├ľrnek

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

Bu, TensorBoard'u y├╝kleyecek ve e─čitim g├╝nl├╝klerinizin kaydedildi─či dizine y├Ânlendirecektir.

Logger'─▒n─▒z─▒ kurduktan sonra model e─čitiminize devam edebilirsiniz. T├╝m e─čitim ├Âl├ž├╝mleri se├žti─činiz platformda otomatik olarak kaydedilir ve modelinizin zaman i├žindeki performans─▒n─▒ izlemek, farkl─▒ modelleri kar┼č─▒la┼čt─▒rmak ve iyile┼čtirme alanlar─▒n─▒ belirlemek i├žin bu g├╝nl├╝klere eri┼čebilirsiniz.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (14), dependabot (1), fcakyon (1), Laughing-q (2), Burhan-Q (1)

Yorumlar