ile Model Eğitimi Ultralytics YOLO

Giriş

Bir derin öğrenme modelinin eğitilmesi, doğru tahminler yapabilmesi için modelin verilerle beslenmesini ve parametrelerinin ayarlanmasını içerir. Ultralytics YOLOv8 adresindeki Train modu, modern donanım özelliklerinden tam olarak yararlanarak nesne algılama modellerinin etkili ve verimli bir şekilde eğitilmesi için tasarlanmıştır. Bu kılavuz, YOLOv8'un güçlü özellik setini kullanarak kendi modellerinizi eğitmeye başlamak için ihtiyacınız olan tüm ayrıntıları kapsamayı amaçlamaktadır.

İzle: Google Colab'da Özel Veri Setinizde YOLOv8 Modelini Eğitme.

Eğitim için Neden Ultralytics YOLO adresini seçmelisiniz?

İşte YOLOv8'un Tren modunu tercih etmek için bazı zorlayıcı nedenler:

• Verimlilik: İster tek GPU'lu bir kurulumda olun ister birden fazla GPU arasında ölçeklendirme yapın, donanımınızdan en iyi şekilde yararlanın.
• Çok yönlülük: COCO, VOC ve ImageNet gibi hazır veri kümelerinin yanı sıra özel veri kümeleri üzerinde de eğitim alın.
• Kullanıcı Dostu: Basit bir eğitim deneyimi için basit ama güçlü CLI ve Python arayüzleri.
• Hiperparametre Esnekliği: Model performansına ince ayar yapmak için çok çeşitli özelleştirilebilir hiperparametreler.

Tren Modunun Temel Özellikleri

Aşağıda YOLOv8'un Tren modunun bazı önemli özellikleri yer almaktadır:

• Otomatik Veri Seti İndirme: COCO, VOC ve ImageNet gibi standart veri kümeleri ilk kullanımda otomatik olarak indirilir.
• Çoklu GPU Desteği: Süreci hızlandırmak için eğitim çalışmalarınızı birden fazla GPU'da sorunsuz bir şekilde ölçeklendirin.
• Hiperparametre Yapılandırması: Hiperparametreleri YAML yapılandırma dosyaları veya CLI argümanları aracılığıyla değiştirme seçeneği.
• Görselleştirme ve İzleme: Eğitim metriklerinin gerçek zamanlı takibi ve daha iyi içgörüler için öğrenme sürecinin görselleştirilmesi.

Kullanım Örnekleri

YOLOv8n adresini 640 görüntü boyutunda 100 epok için COCO8 veri kümesi üzerinde eğitin. Eğitim cihazı şu şekilde belirtilebilir device argüman. Herhangi bir argüman geçilmezse GPU device=0 mevcutsa kullanılacaktır, aksi takdirde device='cpu' kullanılacaktır. Eğitim argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

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 Eğitimi

Multi-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 istediğiniz GPU cihaz kimliklerini belirtin.

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 Eğitimi

Ultralytics YOLO modellerine entegre edilen Apple M1 ve M2 çip desteği sayesinde, modellerinizi güçlü Metal Performans Gölgelendiricileri (MPS) çerçevesini kullanan cihazlarda eğitmek artık mümkün. MPS, Apple'ın özel silikonunda hesaplama ve görüntü işleme görevlerini yürütmek için yüksek performanslı bir yol sunuyor.

Apple M1 ve M2 çiplerinde eğitimi etkinleştirmek için, eğitim sürecini başlatırken cihazınız olarak 'mps' belirtmelisiniz. Aşağıda bunu Python adresinde ve komut satırı üzerinden nasıl yapabileceğinize dair bir örnek verilmiştir:

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 çiplerinin hesaplama gücünden yararlanırken, eğitim görevlerinin daha verimli bir şekilde işlenmesini sağlar. Daha ayrıntılı rehberlik ve gelişmiş yapılandırma seçenekleri için lütfen PyTorch MPS belgelerine bakın.

Ara Verilen Eğitimlere Devam Edilmesi

Önceden kaydedilmiş bir durumdan eğitime devam etmek, derin öğrenme modelleriyle çalışırken çok önemli bir özelliktir. Bu, eğitim süreci beklenmedik bir şekilde kesintiye uğradığında veya bir modeli yeni verilerle veya daha fazla epokla eğitmeye devam etmek istediğinizde olduğu gibi çeşitli senaryolarda kullanışlı olabilir.

Eğitime devam edildiğinde, Ultralytics YOLO son kaydedilen modeldeki ağırlıkları yükler ve ayrıca optimize edici durumunu, öğrenme hızı zamanlayıcısını ve epok sayısını geri yükler. Bu, eğitim sürecine kaldığı yerden sorunsuz bir şekilde devam etmenizi sağlar.

Eğitiminize Ultralytics YOLO adresinden kolayca devam edebilirsiniz. resume argümanına True çağırırken train metodunun yolunu belirtmek ve .pt Kısmen eğitilmiş model ağırlıklarını içeren dosya.

Aşağıda, Python adresini kullanarak ve komut satırı aracılığıyla kesintiye uğramış bir eğitimin 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 an interrupted training
yolo train resume model=path/to/last.pt

Ayarlayarak resume=True, the train fonksiyonu 'path/to/last.pt' dosyasında saklanan durumu kullanarak eğitime kaldığı yerden devam edecektir. Eğer resume argümanı atlanır veya False, the train işlevi yeni bir eğitim oturumuna başlayacaktır.

Kontrol noktalarının varsayılan olarak her dönemin sonunda ya da sabit aralıklarla kaydedildiğini unutmayın. save_period argümanına göre, bir eğitim çalışmasına devam etmek için en az 1 epok tamamlamanız gerekir.

Tren Ayarları

YOLO modelleri için eğitim ayarları, eğitim süreci sırasında kullanılan çeşitli hiper parametreleri ve yapılandırmaları kapsar. Bu ayarlar modelin performansını, hızını ve doğruluğunu etkiler. Temel eğitim ayarları arasında yığın boyutu, öğrenme hızı, momentum ve ağırlık azalması yer alır. Ayrıca optimize edici, kayıp fonksiyonu ve eğitim veri kümesi bileşimi seçimi de eğitim sürecini etkileyebilir. Bu ayarların dikkatli bir şekilde ayarlanması ve denenmesi performansı optimize etmek için çok önemlidir.

Büyütme Ayarları ve Hiperparametreler

Güçlendirme teknikleri, eğitim verilerine değişkenlik katarak YOLO modellerinin sağlamlığını ve performansını artırmak için gereklidir ve modelin görülmeyen verilere daha iyi genelleme yapmasına yardımcı olur. Aşağıdaki tabloda her bir güçlendirme argümanının amacı ve etkisi özetlenmektedir:

Bu ayarlar, veri kümesinin ve eldeki görevin özel gereksinimlerini karşılayacak şekilde ayarlanabilir. Farklı değerlerle denemeler yapmak, en iyi model performansını sağlayan optimum büyütme stratejisini bulmaya yardımcı olabilir.

Günlük kaydı

Bir YOLOv8 modelini eğitirken, modelin zaman içindeki performansını takip etmeyi değerli bulabilirsiniz. Günlük kaydı burada devreye girer. Ultralytics' YOLO üç tür kaydedici için destek sağlar - Comet, ClearML, ve TensorBoard.

Bir kaydediciyi kullanmak için, yukarıdaki kod parçacığındaki açılır menüden seçin ve çalıştırın. Seçilen kaydedici yüklenecek ve başlatılacaktır.

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 hiperparametrelerin izlenmesi gibi işlevler sağlar.

Comet adresini kullanmak için:

# pip install comet_ml
import comet_ml

comet_ml.init()

Web sitelerinde Comet hesabınıza giriş yapmayı ve API anahtarınızı almayı unutmayın. Deneylerinizi günlüğe kaydetmek için bunu ortam değişkenlerinize veya komut dosyanıza eklemeniz gerekecektir.

ClearML

ClearML deneylerin izlenmesini otomatikleştiren ve kaynakların verimli bir şekilde paylaşılmasına yardımcı olan açık kaynaklı bir platformdur. Ekiplerin makine öğrenimi çalışmalarını daha verimli bir şekilde yönetmelerine, yürütmelerine ve yeniden üretmelerine yardımcı olmak için tasarlanmıştır.

ClearML adresini kullanmak için:

# pip install clearml
import clearml

clearml.browser_login()

Bu betiği çalıştırdıktan sonra, tarayıcıda ClearML hesabınızda oturum açmanız ve oturumunuzu doğrulamanız gerekecektir.

TensorBoard

TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğinizi görselleştirmenize, grafiğinizin yürütülmesiyle ilgili nicel ölçümleri çizmenize ve içinden geçen görüntüler gibi ek verileri göstermenize olanak tanır.

TensorBoard'u Google Colab'da kullanmak için:

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

TensorBoard'u yerel olarak kullanmak için aşağıdaki komutu çalıştırın ve sonuçları http://localhost:6006/ adresinde görüntüleyin.

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

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

Logger'ınızı kurduktan sonra model eğitiminize devam edebilirsiniz. Tüm eğitim ölçümleri seçtiğiniz platformda otomatik olarak kaydedilir ve modelinizin zaman içindeki performansını izlemek, farklı modelleri karşılaştırmak ve iyileştirme alanlarını belirlemek için bu günlüklere erişebilirsiniz.

Yorumlar