Lightning AI üzerinde özel eğitimli Ultralytics YOLO modelleri

İster deneyimli bir yapay zeka geliştiricisi olun, ister görüntü işleme yapay zekasını keşfetmeye yeni başlıyor olun, Ultralytics YOLO11 gibi bilgisayar görüşü modelleriyle denemeler yapmak ve oynamak için güvenilir bir ortama sahip olmak çok önemlidir. Bir ortam, yapay zeka modellerini verimli bir şekilde tasarlamak, test etmek ve dağıtmak için gereken araçlar, kaynaklar ve altyapı anlamına gelir. 

Birçok çevrimiçi platform farklı yapay zeka araçları sunsa da, çoğu veri hazırlığından model dağıtımına kadar tüm yapay zeka yaşam döngüsü için birleşik bir ortam sağlamaz. İşte tam bu noktada, yapay zeka geliştirme için hepsi bir arada bir platform olan Lightning AI, veri hazırlığından dağıtıma kadar olan süreci kolaylaştırmak için devreye giriyor.

Yapay zeka geliştirmeyi kolaylaştırmanın önemi, Ultralytics tarafından düzenlenen ve yapay zeka ve bilgisayarlı görmedeki gelişmelere odaklanan yıllık bir karma etkinlik olan YOLO Vision 2024'te (YV24) sergilendi. Lightning AI CTO'su Luca Antiga, 'Lightning Studios'ta YOLO'ya Geçiş' başlıklı bir açılış konuşması yaptı ve Lightning AI'yı kullanarak teknik karmaşıklıklara girmeden Ultralytics YOLO modellerini hızlı, sorunsuz ve nasıl eğitebileceğinizi anlattı.

Bu makalede, Luca'nın konuşmasından elde edilen temel çıkarımlara dalacak, gerçek dünya bilgisayar görüşü uygulamalarından Lightning AI ile Ultralytics YOLO modellerini eğitme ve dağıtma üzerine canlı demolarına kadar her şeyi ele alacağız. Haydi başlayalım!

Yapay zeka geliştirmeyi basitleştirmek için Lightning AI ve Ultralytics YOLO kullanma

Luca, açılış konuşmasına, YOLO modellerinin çeşitli sektörlerdeki etkisiyle ilgili düşüncelerini ve takdirini paylaşarak başladı. YOLO modellerinin üretim ve tarım gibi sektörlerde nasıl uygulanabileceğini vurguladı. 'YOLO'nun, gerçek, pratik sorunları çözmesi gereken inşaatçılar topluluğu üzerindeki etkisini takdir ediyorum - bu bana çok yakın' dedi.

Bunu yapay zeka eğitimine olan ilginin artmasıyla ilişkilendirerek, yapay zeka modeli geliştirmeyi herkes için daha hızlı, daha basit ve daha erişilebilir hale getirmek için tasarlanmış bir platform olan Lightning AI'yı tanıttı. Özellikle yapay zekadaki yinelemeli gelişmeleri desteklemek, geliştiricilerin modelleri iyileştirmesine ve geliştirmesine yardımcı olmak için kullanışlıdır.

‍

Ayrıca Lightning AI'ın, AI modellerini eğitme sürecini basitleştiren bir framework olan PyTorch Lightning'e benzediğine dikkat çekti. Ancak, Lightning AI'ın farkı, yalnızca AI modellerini eğitmekle kalmayıp, tüm AI geliştirme süreci için daha geniş bir araç ve yetenek yelpazesi sunan daha kapsamlı bir platform olmasıdır. 

Lightning AI'nın hayati bir bileşeni, tüm iş akışını kusursuz ve verimli hale getiren AI modellerini tasarlamak, eğitmek ve dağıtmak için sezgisel bir çalışma alanı sunan Lightning Studios'dur. Lightning Studios'u, bulutta çalışan, yeniden üretilebilir bir AI geliştirme ortamı olarak düşünebilirsiniz. Örneğin, işbirliğini geliştirmeye yardımcı olmak için çoğaltılabilen ve başka bir geliştiriciyle paylaşılabilen Jupyter Notebook benzeri bir ortam sunar. 

Luca daha sonra Lightning Studios'un avantajlarını detaylandırarak, "Ortamınızı kopyalamak artık bir sorun değil. Bir CPU [Merkezi İşlem Birimi] makinesinden bir GPU [Grafik İşlem Birimi] makinesine geçmeniz veya binlerce makinede eğitim başlatmanız gerekirse, ortamınız kalıcı olacaktır" dedi.

Eğitim ve geliştirme için Lightning Studios'u kurma

Ardından Luca, Lightning Studios'a ne kadar hızlı bir şekilde başlayabileceğinizi gösterdi. Sadece birkaç tıklama ile yeni bir stüdyo açabilir ve Jupyter Notebooks ve VS Code gibi araçlara ve ortamlara erişebilirsiniz; hepsi ayarlanmış ve kodlamaya hazır. Farklı makineler arasında geçiş yapmanın ne kadar kolay olduğunu gösterdi. Üzerinde çalıştığınız görev daha fazla güç gerektiriyorsa, bir CPU'dan daha güçlü bir GPU'ya kolayca geçebilirsiniz. GPU, yalnızca kullanımdayken etkin kalır; aksi takdirde uyku moduna geçerek kredilerinizi korur.

Luca ayrıca Studio Şablonlarını kullanmanın faydalarından da bahsetti. Bunlar, topluluk tarafından önceden hazırlanmış yapay zeka kodlama ortamlarıdır ve herhangi bir kurulum yapmanıza gerek kalmadan bunları kullanabilirsiniz. Yapay zeka projeleri için bir ortam kurmak zaman alıcı olabilir ve Studio Şablonları üretkenliği artırmaya yardımcı olabilir. Bu ortamlar, kurulu bağımlılıklar, model ağırlıkları, veriler, kod vb. gibi yapay zeka projeleri için gereken her şeyle önceden yüklenmiş olarak gelir.

‍

Lightning Studios'ta Ultralytics YOLO modellerini eğitme

Luca daha sonra canlı demoya geçti ve Ultralytics YOLO modellerini eğitmek için Lightning Studio'yu nasıl kullanabileceğinizi vurguladı. Zaten tüm bağımlılıkların yüklü olduğu bir Studio Şablonu açtı ve eğitim sürecini hızlandırmak için dört GPU'lu bir makine çalıştırdı. Verilerle ilgili olarak, verileri doğrudan makinede depolamayı veya buluttan aktarmayı seçebileceğinizi, bunun da eğitim sürecini daha hızlı ve daha verimli hale getirdiğini söyledi.

Makine birkaç saniye içinde hazırdı ve Luca eğitim oturumunu hızla başlattı. Demo sırasında, küçük bir sorun makinenin beklenmedik bir şekilde durmasına neden oldu, ancak Lightning Studios kaldığı yerden sorunsuz bir şekilde devam ederek hiçbir ilerlemenin kaybolmamasını sağladı. Luca, bu güvenilirliğin beklenmedik kesintiler karşısında bile sorunsuz iş akışlarını nasıl desteklediğine dikkat çekti.

Demoya devam ederken, makine öğrenimi metriklerini gerçek zamanlı olarak görselleştirmek için bir araç olan TensorBoard kullanılarak eğitim ilerlemesinin ne kadar kolay izlenebileceğini gösterdi. Lightning Studio, aynı çalışma alanındaki sizin veya takım arkadaşlarınızın herhangi bir ek kurulum yapmadan TensorBoard görünümlerine erişmesini sağlayan URL'leri otomatik olarak oluşturarak bunu daha da basitleştirir. Bu, işbirliğini kolaylaştırır ve herkesi aynı sayfada tutar. 

‍

Ultralytics YOLO Modellerini Lit Serve ile Dağıtmak

Demodan sonra Luca, konuşmasının odağını Lightning AI tarafından yakın zamanda başlatılan yeni bir proje olan LitServe'e kaydırdı. LitServe, eğitilmiş bir modeli alıp başkalarının kullanabileceği ölçeklenebilir bir hizmete dönüştürme sürecini basitleştirerek karmaşık dağıtım hatlarına olan ihtiyacı ortadan kaldırır. Modeli paketlemekten, minimum çabayla dağıtmaya kadar her şeyi halletmek için tasarlanmıştır.

Bunu gerçek zamanlı olarak göstermek için Luca, izleyicilere önceden eğitilmiş bir Ultralytics YOLOv8 modeli kullanarak hızlı bir demo verdi. Gelen istekleri işlemek ve görüntü tahminlerini birkaç saniye içinde döndürmek için basit bir API oluşturabildi. Bu, herkesin bu API'ye bir görüntü gönderebileceği ve nesne algılama gibi bilgisayarlı görü görevleri için neredeyse anında sonuç alabileceği anlamına gelir. Arka planda, Ultralytics YOLOv8 modeli bir hizmet olarak dağıtılır, istekleri verimli bir şekilde işler, görüntüleri işler ve minimum gecikmeyle tahminler sunar.

‍

Bir pizza görüntüsü üzerinde çıkarım (inference) çalıştırdı ve Ultralytics YOLOv8, pizza, kaşık ve yemek masası gibi nesneleri başarıyla tanımladı. İlk isteğin 'soğuk başlangıç' nedeniyle biraz daha uzun sürdüğünü, ancak sistem ısındıktan sonra sonraki isteklerin çok daha hızlı olduğunu açıkladı.

Luca daha sonra, 'Peki ya bunu dış dünyaya açmak istersem?' diye sordu. API Oluşturucu eklentisinin, modelinizi canlı, üretime hazır bir hizmete dönüştürmeyi nasıl kolaylaştırdığını özetledi. Özel alan adları, ek güvenlik ve sorunsuz entegrasyon gibi özelliklerle, modelinizi herkesin erişimine kolayca açabilirsiniz.

Lightning Studios'u kullanmanın temel avantajları

Luca konuşmasını tamamlarken, Lightning Studio'nun yapay zeka geliştirmedeki ölçeklenebilirliğine ve esnekliğine değindi. Platformun, herhangi bir kesintiden sonra otomatik olarak devam eden hataya dayanıklı eğitimle, 10.000 düğüme kadar ölçeklenerek, modelleri birden fazla makinede nasıl eğitebileceğini belirtti. 

Örneğin, bir GPU kümesindeki bir eğitim işi, bir donanım sorunu veya sunucu yeniden başlatması nedeniyle kesintiye uğrarsa, Lightning Studios işlemin tam olarak kaldığı yerden devam etmesini sağlar. Bu, ImageNet veya COCO gibi büyük veri kümeleri üzerinde derin öğrenme modelleri eğitmek gibi büyük ölçekli YZ projeleri için idealdir.

İşte Luca'nın bahsettiği Lightning Studios'un diğer temel faydalarından bazıları:

• Ücretsiz aylık GPU kredileri: Kullanıcılara her ay otomatik olarak yenilenen 15 ücretsiz GPU kredisi sağlanır, bu da ek maliyetler olmadan deneme yapabilmenizi ve geliştirebilmenizi sağlar.
  ‍
• Gelişmiş işbirliği: Lightning Studio'nun paylaşılan ekip alanları ve yeniden üretilebilir ortamları, ekip üyelerinin sorunsuz bir şekilde birlikte çalışmasını sağlayarak projeler genelinde tutarlılık ve verimlilik sağlar.
  ‍
• Esnek örnek seçenekleri: Kesintiye uğrayabilen ve kesintiye uğramayan örnekler arasında seçim yapma esnekliği sunarak, kullanıcıların kesintiye uğrayabilen seçeneklerle GPU makinelerinde maliyet tasarrufu yapmalarını sağlar.
  ‍
• Mevcut araçlarla entegrasyon: Platform, SSH (Güvenli Kabuk) ve VS Code gibi uzaktan geliştirme araçlarıyla entegre olarak yerel veya bulutta çalışma esnekliği sağlar.

Önemli çıkarımlar

Luca'nın YV24'teki açılış konuşması, yapay zekanın Ultralytics YOLO modelleri ve Lightning AI gibi araçlarla birleştiğinde, gerçek dünya sorunlarını çözme şeklimizi nasıl değiştirdiğini vurguladı. Geliştiricilerin, çeşitli sektörlerdeki belirli sorunları ele almak için tasarlanmış modelleri eğitmesini ve dağıtmasını kolaylaştırıyorlar.

Lightning Studios'un tüm geliştirme sürecini nasıl daha hızlı ve daha erişilebilir hale getirdiğini ve geliştiricilerin kolayca güçlü çözümler oluşturmasına olanak sağladığını gösterdi. Lightning AI gibi en son teknoloji platformların merkezinde, bilgisayarlı görü modelleri, AI çözümlerinin zorlukların üstesinden gelme biçimini dönüştürüyor. Özellikle, en son Ultralytics YOLO11 modeliyle, geliştiriciler anlamlı bir etki yaratan çözümler oluşturabilir.

Yapay zeka ve pratik kullanımları hakkında güncel kalmak için topluluğumuza katılın. Otonom sürüşlü araçlarda yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi sektörlerdeki yenilikleri keşfetmek için GitHub depomuzu inceleyin.