YOLO11 Eğitimini Yükseltmek: Comet ML ile Günlük Kaydı Sürecinizi Basitleştirin

Parametreler, metrikler, görüntü tahminleri ve model kontrol noktaları gibi temel eğitim ayrıntılarını kaydetmek, makine öğreniminde çok önemlidir; projenizi şeffaf, ilerlemenizi ölçülebilir ve sonuçlarınızı tekrarlanabilir kılar.

Ultralytics YOLO11, YOLO11 nesne algılama modelinizin eğitim sürecinin her yönünü verimli bir şekilde yakalayan ve optimize eden Comet ML ile sorunsuz bir şekilde entegre olur. Bu kılavuzda, YOLO11 eğitiminizin kapsamlı bir şekilde belgelenmesini ve olağanüstü sonuçlar için ince ayar yapılmasını sağlayarak kurulum sürecini, Comet ML kurulumunu, gerçek zamanlı içgörüleri, özel günlüğü ve çevrimdışı kullanımı ele alacağız.

Comet ML

Comet ML, makine öğrenimi modellerini ve deneylerini izlemek, karşılaştırmak, açıklamak ve optimize etmek için bir platformdur. Model eğitiminiz sırasında metrikleri, parametreleri, medyayı ve daha fazlasını kaydetmenize ve deneylerinizi estetik açıdan hoş bir web arayüzü aracılığıyla izlemenize olanak tanır. Comet ML, veri bilimcilerinin daha hızlı yineleme yapmasına yardımcı olur, şeffaflığı ve tekrarlanabilirliği artırır ve üretim modellerinin geliştirilmesine yardımcı olur.

YOLO11 ve Comet ML'nin Gücünden Yararlanma

Ultralytics YOLO11'i Comet ML ile birleştirerek, bir dizi avantajın kilidini açarsınız. Bunlar arasında basitleştirilmiş deney yönetimi, hızlı ayarlamalar için gerçek zamanlı içgörüler, esnek ve özel günlük kaydı seçenekleri ve internet erişimi sınırlı olduğunda deneyleri çevrimdışı kaydetme yeteneği bulunur. Bu entegrasyon, veriye dayalı kararlar vermenizi, performans metriklerini analiz etmenizi ve olağanüstü sonuçlar elde etmenizi sağlar.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# Install the required packages for YOLO11 and Comet ML
pip install ultralytics comet_ml torch torchvision

Comet ML'yi Yapılandırma

Gerekli paketleri yükledikten sonra, kaydolmanız, bir Comet API Anahtarı almanız ve yapılandırmanız gerekecektir.

# Set your Comet Api Key
export COMET_API_KEY=YOUR_API_KEY

Ardından, Comet projenizi başlatabilirsiniz. Comet, API anahtarını otomatik olarak algılayacak ve kuruluma devam edecektir.

import comet_ml

comet_ml.login(project_name="comet-example-yolo11-coco128")

Bir Google Colab not defteri kullanıyorsanız, yukarıdaki kod başlatma için API anahtarınızı girmenizi isteyecektir.

Kullanım

Kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO11 modelleri yelpazesine göz atmayı unutmayın. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo11-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

Eğitim kodunu çalıştırdıktan sonra, Comet ML, çalıştırmayı otomatik olarak izlemek için Comet çalışma alanınızda bir deney oluşturacaktır. Daha sonra YOLO11 modelinizin eğitim sürecinin ayrıntılı günlüğünü görüntülemek için bir bağlantı sağlanacaktır.

Comet, ek bir yapılandırmaya gerek kalmadan mAP ve kayıp gibi metrikleri, hiperparametreleri, model kontrol noktalarını, etkileşimli karmaşıklık matrisini ve görüntü sınırlayıcı kutu tahminlerini otomatik olarak kaydeder.

Comet ML Görselleştirmeleri ile Modelinizin Performansını Anlama

YOLO11 modeliniz eğitime başladıktan sonra Comet ML panosunda göreceklerinize dalalım. Pano, tüm aksiyonun gerçekleştiği yerdir ve görseller ve istatistikler aracılığıyla otomatik olarak kaydedilen bir dizi bilgiyi sunar. İşte hızlı bir tur:

Deney Panelleri

Comet ML kontrol panelinin deney panelleri bölümü, farklı çalıştırmaları ve segment maskesi kaybı, sınıf kaybı, kesinlik ve ortalama ortalama kesinlik gibi metriklerini düzenler ve sunar.

Metrikler

Metrikler bölümünde, burada gösterildiği gibi özel bir bölmede görüntülenen metrikleri tablo biçiminde de inceleme seçeneğiniz vardır.

İnteraktif Karışıklık Matrisi

Karışıklık matrisi, Karışıklık Matrisi sekmesinde bulunur ve modelin sınıflandırma doğruluğunu değerlendirmek için etkileşimli bir yol sağlar. Doğru ve yanlış tahminleri detaylandırarak modelin güçlü ve zayıf yönlerini anlamanıza olanak tanır.

Sistem Metrikleri

Comet ML, eğitim sürecindeki herhangi bir darboğazı belirlemeye yardımcı olmak için sistem metriklerini kaydeder. GPU kullanımı, GPU bellek kullanımı, CPU kullanımı ve RAM kullanımı gibi metrikleri içerir. Bunlar, model eğitimi sırasında kaynak kullanımının verimliliğini izlemek için gereklidir.

Comet ML Kaydını Özelleştirme

Comet ML, ortam değişkenleri ayarlayarak kayıt davranışını özelleştirme esnekliği sunar. Bu yapılandırmalar, Comet ML'yi özel ihtiyaçlarınıza ve tercihlerinize göre uyarlamanıza olanak tanır. İşte bazı yararlı özelleştirme seçenekleri:

Görüntü Tahminlerini Kaydetme

Comet ML'nin deneyleriniz sırasında kaydettiği görüntü tahminlerinin sayısını kontrol edebilirsiniz. Varsayılan olarak, Comet ML doğrulama kümesinden 100 görüntü tahmini kaydeder. Ancak, bu sayıyı gereksinimlerinize daha uygun hale getirmek için değiştirebilirsiniz. Örneğin, 200 görüntü tahmini kaydetmek için aşağıdaki kodu kullanın:

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

Yığın Günlüğü Aralığı

Comet ML, görüntü tahmin kümelerinin ne sıklıkta kaydedileceğini belirtmenize olanak tanır. Şunun COMET_EVAL_BATCH_LOGGING_INTERVAL ortam değişkeni bu sıklığı kontrol eder. Varsayılan ayar, her doğrulama grubundan tahminleri günlüğe kaydeden 1'dir. Bu değeri, tahminleri farklı bir aralıkta günlüğe kaydetmek için ayarlayabilirsiniz. Örneğin, 4'e ayarlamak, her dördüncü gruptan tahminleri günlüğe kaydeder.

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

Karışıklık Matrisi Günlüğünü Devre Dışı Bırakma

Bazı durumlarda, her birinden sonra doğrulama kümenizden elde edilen karmaşıklık matrisini günlüğe kaydetmek istemeyebilirsiniz. epokŞunu ayarlayarak bu özelliği devre dışı bırakabilirsiniz: COMET_EVAL_LOG_CONFUSION_MATRIX ortam değişkenini "false" olarak ayarlayın. Karışıklık matrisi yalnızca bir kez, eğitim tamamlandıktan sonra günlüğe kaydedilecektir.

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

Çevrimdışı Kayıt

İnternet erişiminin sınırlı olduğu bir durumda bulursanız, Comet ML çevrimdışı günlük kaydı seçeneği sunar. Şunu ayarlayabilirsiniz: COMET_MODE ortam değişkenini "offline" olarak ayarlayarak bu özelliği etkinleştirin. Deney verileriniz, internet bağlantısı olduğunda daha sonra Comet ML'ye yükleyebileceğiniz bir dizinde yerel olarak kaydedilecektir.

import os

os.environ["COMET_MODE"] = "offline"

Özet

Bu kılavuz, Comet ML'nin Ultralytics'in YOLO11'i ile entegre edilmesi sürecinde size yol göstermiştir. Kurulumdan özelleştirmeye kadar, deney yönetimini nasıl kolaylaştıracağınızı, gerçek zamanlı içgörüler elde edeceğinizi ve günlük kaydını projenizin ihtiyaçlarına göre nasıl uyarlayacağınızı öğrendiniz.

YOLO11 ile entegrasyon hakkında daha fazla bilgi edinmek için Comet ML'nin resmi belgelerini inceleyin.

Ayrıca, özellikle görüntü segmentasyonu görevleri için YOLO11'in pratik uygulamalarına daha derinlemesine dalmak istiyorsanız, Comet ML ile YOLO11'i ince ayar yapma konusundaki bu ayrıntılı kılavuz, modelinizin performansını artırmak için değerli bilgiler ve adım adım talimatlar sunar.

Ek olarak, Ultralytics ile diğer heyecan verici entegrasyonları keşfetmek için, zengin kaynak ve bilgi sunan entegrasyon kılavuzu sayfasına göz atın.

SSS

Eğitim için Comet ML'i Ultralytics YOLO11 ile nasıl entegre ederim?

Comet ML'yi Ultralytics YOLO11 ile entegre etmek için şu adımları izleyin:

1. Gerekli paketleri yükleyin:

   pip install ultralytics comet_ml torch torchvision
   

2. Comet API Anahtarınızı ayarlayın:

   export COMET_API_KEY=YOUR_API_KEY
   

3. Comet projenizi python kodunuzda başlatın:

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo11-coco128")
   

4. YOLO11 modelinizi eğitin ve metrikleri günlüğe kaydedin:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo11-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )
   

Daha ayrıntılı talimatlar için Comet ML yapılandırma bölümüne bakın.

YOLO11 ile Comet ML kullanmanın faydaları nelerdir?

Ultralytics YOLO11'i Comet ML ile entegre ederek şunları yapabilirsiniz:

• Gerçek zamanlı içgörüleri izleyin: Eğitim sonuçlarınız hakkında anında geri bildirim alın ve hızlı ayarlamalar yapın.
• Kapsamlı metrikleri günlüğe kaydet: mAP, kayıp, hiperparametreler ve model kontrol noktaları gibi temel metrikleri otomatik olarak yakalayın.
• Deneyleri çevrimdışı izleyin: İnternet erişimi olmadığında eğitim çalıştırmalarınızı yerel olarak günlüğe kaydedin.
• Farklı eğitim çalıştırmalarını karşılaştırın: Birden çok deneyi analiz etmek ve karşılaştırmak için etkileşimli Comet ML kontrol panelini kullanın.

Bu özellikleri kullanarak, daha iyi performans ve tekrarlanabilirlik için makine öğrenimi iş akışlarınızı optimize edebilirsiniz. Daha fazla bilgi için Comet ML entegrasyon kılavuzunu ziyaret edin.

YOLO11 eğitimi sırasında Comet ML'nin günlük kaydı davranışını nasıl özelleştiririm?

Comet ML, ortam değişkenlerini kullanarak kayıt davranışının kapsamlı bir şekilde özelleştirilmesine olanak tanır:

• Kaydedilen görüntü tahminlerinin sayısını değiştirin:

  import os
  
  os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"
  

• Toplu iş günlüğü aralığını ayarla:

  import os
  
  os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"
  

• Karışıklık matrisi günlüğünü devre dışı bırak:

  import os
  
  os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"
  

Daha fazla özelleştirme seçeneği için Comet ML Kaydını Özelleştirme bölümüne bakın.

Comet ML üzerinde YOLO11 eğitimimin ayrıntılı metriklerini ve görselleştirmelerini nasıl görüntülerim?

YOLO11 modeliniz eğitime başladıktan sonra, Comet ML panosunda çok çeşitli metrik ve görselleştirmelere erişebilirsiniz. Temel özellikler şunlardır:

• Deney Panelleri: Segment maskesi kaybı, sınıf kaybı ve ortalama ortalama kesinlik dahil olmak üzere farklı çalıştırmaları ve metriklerini görüntüleyin.
• Metrikler: Ayrıntılı analiz için metrikleri tablo formatında inceleyin.
• Etkileşimli Karışıklık Matrisi: Etkileşimli bir karışıklık matrisi ile sınıflandırma doğruluğunu değerlendirin.
• Sistem Metrikleri: GPU ve CPU kullanımını, bellek kullanımını ve diğer sistem metriklerini izleyin.

Bu özelliklere ayrıntılı bir genel bakış için Comet ML Görselleştirmeleri ile Modelinizin Performansını Anlama bölümünü ziyaret edin.

YOLO11 modellerini eğitirken çevrimdışı günlük kaydı için Comet ML kullanabilir miyim?

Evet, COMET_MODE ortam değişkenini ayarlayarak Comet ML'de çevrimdışı günlüğü etkinleştirebilirsiniz. COMET_MODE ortam değişkenini "offline" olarak ayarlayın:

import os

os.environ["COMET_MODE"] = "offline"

Bu özellik, deney verilerinizi yerel olarak kaydetmenize olanak tanır; bu veriler daha sonra internet bağlantısı kullanılabilir olduğunda Comet ML'ye yüklenebilir. Bu, özellikle sınırlı internet erişimi olan ortamlarda çalışırken kullanışlıdır. Daha fazla ayrıntı için Çevrimdışı Günlüğe Kaydetme bölümüne bakın.

📅 1 yıl önce oluşturuldu ✏️ 3 ay önce güncellendi

Yorumlar