DVCLive ile Gelişmiş YOLO11 Deney Takibi

Makine öğrenmesinde deney takibi, model geliştirme ve değerlendirme için kritik öneme sahiptir. Çok sayıda eğitim çalıştırmasından çeşitli parametrelerin, metriklerin ve sonuçların kaydedilmesini ve analiz edilmesini içerir. Bu süreç, model performansını anlamak ve modelleri iyileştirmek ve optimize etmek için veriye dayalı kararlar almak için gereklidir.

DVCLive'ı Ultralytics YOLO11 ile entegre etmek, deneylerin izlenme ve yönetilme biçimini dönüştürür. Bu entegrasyon, temel deney ayrıntılarının otomatik olarak günlüğe kaydedilmesi, farklı çalıştırmalardaki sonuçların karşılaştırılması ve derinlemesine analiz için verilerin görselleştirilmesi için kusursuz bir çözüm sunar. Bu kılavuzda, DVCLive'ın süreci nasıl kolaylaştırmak için kullanılabileceğini anlayacağız.

DVCLive

DVC tarafından geliştirilen DVCLive, makine öğreniminde deney takibi için yenilikçi bir açık kaynaklı araçtır. Git ve DVC ile sorunsuz bir şekilde entegre olarak, model parametreleri ve eğitim metrikleri gibi önemli deney verilerinin günlüğe kaydedilmesini otomatikleştirir. Basitlik için tasarlanan DVCLive, sezgisel veri görselleştirme ve analiz araçlarıyla makine öğrenimi projelerinin verimliliğini artırarak birden çok çalıştırmanın zahmetsizce karşılaştırılmasını ve analiz edilmesini sağlar.

DVCLive ile YOLO11 Eğitimi

YOLO11 eğitim oturumları DVCLive ile etkili bir şekilde izlenebilir. Ek olarak, DVC, tüm izlenen deneylerdeki metrik grafiklerinin karşılaştırılmasını sağlayan ve eğitim sürecine kapsamlı bir bakış sunan bir raporun oluşturulması da dahil olmak üzere, bu deneyleri görselleştirmek için ayrılmaz özellikler sağlar.

Kurulum

Gerekli paketleri kurmak için şunu çalıştırın:

# Install the required packages for YOLO11 and DVCLive
pip install ultralytics dvclive

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO11 Kurulum kılavuzumuza göz atmayı unutmayın. YOLO11 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar kılavuzumuza başvurun.

DVCLive'ı Yapılandırma

Gerekli paketleri yükledikten sonra, bir sonraki adım ortamınızı gerekli kimlik bilgileriyle ayarlamak ve yapılandırmaktır. Bu kurulum, DVCLive'ın mevcut iş akışınıza sorunsuz bir şekilde entegre edilmesini sağlar.

Hem kodunuz hem de DVCLive yapılandırmalarınız için sürüm kontrolünde çok önemli bir rol oynadığından, bir Git deposu başlatarak başlayın.

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "you@example.com"
git config --local user.name "Your Name"

# Initialize DVCLive in your project
dvc init -q

# Commit the DVCLive setup to your Git repository
git commit -m "DVC init"

Bu komutlarda, "you@example.com" adresini Git hesabınızla ilişkili e-posta adresiyle ve "Adınız"ı Git hesabı kullanıcı adınızla değiştirdiğinizden emin olun.

Kullanım

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

DVCLive ile YOLO11 Modellerini Eğitme

YOLO11 eğitim oturumlarınızı çalıştırarak başlayın. Proje ihtiyaçlarınıza uygun farklı model yapılandırmaları ve eğitim parametreleri kullanabilirsiniz. Örneğin:

# Example training commands for YOLO11 with varying configurations
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo11n.pt data=coco8.yaml epochs=5 imgsz=640

Modeli, verileri, epoch'ları ve imgsz parametrelerini özel gereksinimlerinize göre ayarlayın. Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO11 Model Eğitimi kılavuzumuza bakın.

DVCLive ile Deneyleri İzleme

DVCLive, temel metriklerin izlenmesini ve görselleştirilmesini sağlayarak eğitim sürecini geliştirir. Yüklendiğinde, Ultralytics YOLO11, deney takibi için DVCLive ile otomatik olarak entegre olur ve daha sonra performans içgörüleri için analiz edebilirsiniz. Eğitim sırasında kullanılan belirli performans metriklerini kapsamlı bir şekilde anlamak için, performans metrikleri hakkındaki ayrıntılı kılavuzumuzu incelediğinizden emin olun.

Sonuçları Analiz Etme

YOLO11 eğitim oturumlarınız tamamlandıktan sonra, sonuçların derinlemesine analizi için DVCLive'ın güçlü görselleştirme araçlarından yararlanabilirsiniz. DVCLive entegrasyonu, tüm eğitim ölçümlerinin sistematik olarak günlüğe kaydedilmesini sağlayarak modelinizin performansının kapsamlı bir şekilde değerlendirilmesini kolaylaştırır.

Analize başlamak için, DVC'nin API'sini kullanarak deney verilerini çıkarabilir ve daha kolay işleme ve görselleştirme için Pandas ile işleyebilirsiniz:

import dvc.api
import pandas as pd

# Define the columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean the data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display the DataFrame
print(df)

Yukarıdaki kod parçasının çıktısı, YOLO11 modelleriyle yapılan farklı deneylerin net bir tablo görünümünü sunar. Her satır, deneyin adını, dönem sayısını, görüntü boyutunu (imgsz), kullanılan belirli modeli ve mAP50-95(B) metriğini detaylandıran farklı bir eğitim çalıştırmasını temsil eder. Bu metrik, modelin doğruluğunu değerlendirmek için çok önemlidir ve daha yüksek değerler daha iyi performansı gösterir.

Plotly ile Sonuçları Görselleştirme

Deney sonuçlarınızın daha etkileşimli ve görsel bir analizi için Plotly'nin paralel koordinat grafiğini kullanabilirsiniz. Bu tür bir grafik, farklı parametreler ve metrikler arasındaki ilişkileri ve ödünleşimleri anlamak için özellikle yararlıdır.

from plotly.express import parallel_coordinates

# Create a parallel coordinates plot
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# Display the plot
fig.show()

Yukarıdaki kod parçasının çıktısı, deney verilerinizdeki eğilimleri ve kalıpları belirlemenizi sağlayarak, dönemler, görüntü boyutu, model türü ve bunlara karşılık gelen mAP50-95(B) skorları arasındaki ilişkileri görsel olarak temsil edecek bir grafik oluşturur.

DVC ile Karşılaştırmalı Görselleştirmeler Oluşturma

DVC, deneyleriniz için karşılaştırmalı grafikler oluşturmak için kullanışlı bir komut sağlar. Bu, özellikle farklı modellerin performansını çeşitli eğitim çalıştırmaları üzerinden karşılaştırmak için yararlı olabilir.

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

Bu komutu çalıştırdıktan sonra, DVC farklı deneylerdeki metrikleri karşılaştıran ve HTML dosyaları olarak kaydedilen grafikler oluşturur. Aşağıda, bu işlem tarafından oluşturulan tipik grafikleri gösteren bir örnek resim bulunmaktadır. Resim, mAP, recall, precision, kayıp değerleri ve daha fazlasını temsil edenler de dahil olmak üzere çeşitli grafikleri sergileyerek, temel performans metriklerine görsel bir genel bakış sunar:

DVC Çizimlerini Görüntüleme

Eğer bir Jupyter Notebook kullanıyorsanız ve oluşturulan DVC grafiklerini görüntülemek istiyorsanız, IPython görüntüleme işlevini kullanabilirsiniz.

from IPython.display import HTML

# Display the DVC plots as HTML
HTML(filename="./dvc_plots/index.html")

Bu kod, DVC çizimlerini içeren HTML dosyasını doğrudan Jupyter Not Defterinizde oluşturarak, görselleştirilmiş deney verilerini analiz etmenin kolay ve rahat bir yolunu sunar.

Veriye Dayalı Kararlar Alma

Modelinizin performansını artırmak için bu görselleştirmelerden elde edilen içgörüleri kullanarak model optimizasyonları, hiperparametre ayarlaması ve diğer değişiklikler hakkında bilinçli kararlar alın.

Deneyler Üzerinde Yineleme

Analizinize dayanarak, deneylerinizi yineleyin. Model yapılandırmalarını, eğitim parametrelerini ve hatta veri girişlerini ayarlayın ve eğitim ve analiz sürecini tekrarlayın. Bu yinelemeli yaklaşım, modelinizi mümkün olan en iyi performans için iyileştirmenin anahtarıdır.

Özet

Bu kılavuz, DVCLive'ın Ultralytics'in YOLO11'i ile entegre edilmesi sürecinde size yol göstermiştir. Makine öğrenimi çalışmalarınızda ayrıntılı deney izleme, etkili görselleştirme ve anlayışlı analiz için DVCLive'ın gücünden nasıl yararlanacağınızı öğrendiniz.

Kullanım hakkında daha fazla bilgi için DVCLive'ın resmi dokümantasyonunu ziyaret edin.

Ek olarak, harika kaynaklar ve içgörüler koleksiyonu olan Ultralytics entegrasyon kılavuzu sayfasını ziyaret ederek Ultralytics'in daha fazla entegrasyonunu ve yeteneklerini keşfedin.

SSS

Deney takibi için DVCLive'ı Ultralytics YOLO11 ile nasıl entegre ederim?

DVCLive'ı Ultralytics YOLO11 ile entegre etmek basittir. Gerekli paketleri yükleyerek başlayın:

pip install ultralytics dvclive

Ardından, bir Git deposu başlatın ve projenizde DVCLive'ı yapılandırın:

git init -q
git config --local user.email "you@example.com"
git config --local user.name "Your Name"
dvc init -q
git commit -m "DVC init"

Ayrıntılı kurulum talimatları için YOLO11 Kurulum kılavuzumuzu takip edin.

YOLO11 deneylerini izlemek için neden DVCLive'ı kullanmalıyım?

DVCLive'ı YOLO11 ile kullanmak çeşitli avantajlar sağlar, örneğin:

• Otomatik Günlükleme: DVCLive, model parametreleri ve metrikler gibi temel deney ayrıntılarını otomatik olarak kaydeder.
• Kolay Karşılaştırma: Farklı çalıştırmalardaki sonuçların karşılaştırılmasını kolaylaştırır.
• Görselleştirme Araçları: Derinlemesine analiz için DVCLive'ın güçlü veri görselleştirme özelliklerinden yararlanır.

Deney izleme verimliliğinizi en üst düzeye çıkarmak için YOLO11 Model Eğitimi ve YOLO Performans Metrikleri kılavuzumuza bakın.

DVCLive, YOLO11 eğitim oturumları için sonuç analizimi nasıl iyileştirebilir?

YOLO11 eğitim oturumlarınızı tamamladıktan sonra, DVCLive sonuçları etkin bir şekilde görselleştirmeye ve analiz etmeye yardımcı olur. Deney verilerini yüklemek ve görüntülemek için örnek kod:

import dvc.api
import pandas as pd

# Define columns of interest
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# Retrieve experiment data
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# Clean data
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# Display DataFrame
print(df)

Sonuçları etkileşimli olarak görselleştirmek için Plotly'nin paralel koordinat grafiğini kullanın:

from plotly.express import parallel_coordinates

fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")
fig.show()

Daha fazla örnek ve en iyi uygulamalar için DVCLive ile YOLO11 Eğitimi kılavuzumuza bakın.

DVCLive ve YOLO11 entegrasyonu için ortamımı yapılandırma adımları nelerdir?

DVCLive ve YOLO11'in sorunsuz entegrasyonu için ortamınızı yapılandırmak için şu adımları izleyin:

1. Gerekli Paketleri Yükle: Kullanın pip install ultralytics dvclive.
2. Git Deposu başlat: Çalıştır git init -q.
3. DVCLive Kurulumu: Çalıştır dvc init -q.
4. Git'e İşleme: Kullanın git commit -m "DVC init".

Bu adımlar, deney takibi için uygun sürüm kontrolü ve kurulum sağlar. Ayrıntılı yapılandırma bilgileri için Yapılandırma kılavuzumuzu ziyaret edin.

DVCLive kullanarak YOLO11 deney sonuçlarını nasıl görselleştiririm?

DVCLive, YOLO11 deneylerinin sonuçlarını görselleştirmek için güçlü araçlar sunar. İşte karşılaştırmalı grafikler oluşturabileceğiniz yöntem:

dvc plots diff $(dvc exp list --names-only)

Bu grafikleri bir Jupyter Notebook'ta görüntülemek için şunu kullanın:

from IPython.display import HTML

# Display plots as HTML
HTML(filename="./dvc_plots/index.html")

Bu görselleştirmeler, eğilimleri belirlemeye ve model performansını optimize etmeye yardımcı olur. Kapsamlı adımlar ve örnekler için YOLO11 Deney Analizi hakkındaki ayrıntılı kılavuzlarımıza göz atın.

📅 1 yıl önce oluşturuldu ✏️ 9 ay önce güncellendi

Yorumlar