Lightning AI üzerinde özel Ultralytics YOLO modelleri eğitimi

İster deneyimli bir yapay zeka geliştiricisi ol ister vision AI dünyasını keşfetmeye yeni başlıyor ol, Ultralytics YOLO11 gibi bilgisayarla görü modellerini test etmek ve denemeler yapmak için güvenilir bir ortama sahip olmak çok önemlidir. Bir ortam; yapay zeka modellerini verimli bir şekilde tasarlamak, test etmek ve dağıtmak için gereken araçları, kaynakları ve altyapıyı ifade eder.

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 yapay zeka geliştirme için hepsi bir arada bir platform olan Lightning AI, veri hazırlığından dağıtıma kadar olan süreci kolaylaştırmak için tam da burada devreye giriyor.

Yapay zeka geliştirmeyi kolaylaştırmanın önemi, Ultralytics tarafından düzenlenen ve yapay zeka ile bilgisayarla görü alanındaki gelişmelere odaklanan yıllık hibrit etkinlik YOLO Vision 2024 (YV24) sırasında sergilendi. Lightning AI CTO'su Luca Antiga, 'Going YOLO on Lightning Studios' başlıklı bir açılış konuşması yaptı ve bu konuşmada, Lightning AI kullanarak Ultralytics YOLO modellerinin teknik karmaşıklıklara takılmadan nasıl hızlı ve sorunsuz bir şekilde eğitilebileceğini açıkladı.

Bu makalede, gerçek dünyadaki bilgisayarlı görü uygulamalarından Lightning AI ile Ultralytics YOLO modellerini eğitme ve dağıtmaya yönelik canlı demolara kadar her şeyi kapsayan Luca’nın konuşmasından önemli çıkarımlara göz atacağız. Hadi başlayalım!

Yapay zeka geliştirmeyi basitleştirmek için Lightning AI ve Ultralytics YOLO kullanımı#

Luca, konuşmasına YOLO modellerinin çeşitli endüstriler üzerindeki etkisine dair düşüncelerini ve takdirini paylaşarak başladı. YOLO modellerinin üretim ve tarım gibi sektörlerde nasıl uygulanabileceğini vurguladı. 'YOLO'nun geliştiriciler topluluğu üzerindeki etkisini takdir ediyorum - gerçek, pratik sorunları çözmesi gereken insanlar - 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'ı tanıttı. Özellikle yapay zekadaki yinelemeli gelişmeleri desteklemek, geliştiricilerin modelleri iyileştirmesine ve geliştirmesine yardımcı olmak için oldukça kullanışlı.

Fig 1. Luca Antiga, YV24'te uzaktan Lightning Studios hakkında sunum yapıyor.

Ayrıca Lightning AI'ın, yapay zeka modellerini eğitme sürecini basitleştiren bir çerçeve olan PyTorch Lightning'e benzer olduğuna dikkat çekti. Ancak aralarındaki fark, Lightning AI'ın yalnızca model eğitimini değil, tüm yapay zeka geliştirme süreci için daha geniş bir araç ve yetenek seti sunan daha kapsamlı bir platform olmasıdır.

Lightning AI'ın hayati bir bileşeni de; yapay zeka modellerini tasarlamak, eğitmek ve dağıtmak için sezgisel bir çalışma alanı sunarak tüm iş akışını kusursuz ve verimli hale getiren Lightning Studios'tur. Lightning Studios'u, bulutta çalışan ve yapay zeka için yeniden üretilebilir bir geliştirme ortamı olarak düşünebilirsin. Örneğin, çoğaltılabilen ve başka bir geliştiriciyle paylaşılebilen, iş birliğini geliştirmeye yardımcı olan Jupyter Notebook benzeri bir ortam sunar.

Luca daha sonra Lightning Studios'un avantajlarını şöyle detaylandırdı: “Ortamını çoğaltmak artık bir sorun değil. Bir CPU [Central Processing Unit] makinesinden bir GPU [Graphics Processing Unit] makinesine geçmeniz veya binlerce makinede eğitim başlatmanız gerekirse, ortamınız kalıcı olacaktır.”

Eğitim ve geliştirme için Lightning Studios'u kurma#

Ardından Luca, Lightning Studios ile ne kadar hızlı başlanabileceğini gösterdi. Sadece birkaç tıklamayla yeni bir stüdyo açabilir ve kodlama için tamamen hazır hale getirilmiş Jupyter Notebooks ve VS Code gibi araçlara ve ortamlara erişebilirsin. Farklı makineler arasında geçiş yapmanın ne kadar kolay olduğunu gösterdi. Üzerinde çalıştığın görev daha fazla güç gerektiriyorsa, bir CPU'dan daha güçlü bir GPU'ya kolayca geçiş yapabilirsin. GPU yalnızca kullanımdayken aktif kalacak, aksi takdirde uyku moduna geçerek kredilerini tasarruf edecektir.

Luca ayrıca Studio Templates kullanmanın avantajlarından bahsetti. Bunlar, topluluk tarafından önceden hazırlanmış yapay zeka kodlama ortamlarıdır ve hiçbir şey ayarlamak zorunda kalmadan bunları kullanabilirsin. Yapay zeka projeleri için ortam kurmak zaman alıcı olabilir ve Studio Templates üretkenliği artırmaya yardımcı olabilir. Bu ortamlar, yüklü bağımlılıklar, model ağırlıkları, veriler, kod vb. gibi yapay zeka projeleri için gereken her şeyle önceden yüklenmiş olarak gelir.

Fig 2. Luca, Studio Templates'in ne olduğunu açıklıyor.

Lightning Studios üzerinde Ultralytics YOLO modellerini eğitme#

Luca daha sonra canlı demo aşamasına geçerek Lightning Studio'yu kullanarak Ultralytics YOLO modellerini nasıl eğitebileceğini gösterdi. Tüm bağımlılıkları halihazırda kurulu olan bir Studio Template açtı ve eğitim sürecini hızlandırmak için dört GPU'lu bir makine başlattı. Verilerle ilgili olarak, verileri doğrudan makinede depolamayı veya buluttan akış yoluyla almayı seçebileceğini, bunun da eğitim sürecini daha hızlı ve verimli hale getirdiğini belirtti.

Birkaç saniye içinde makine hazır oldu ve Luca hızlıca eğitim oturumunu 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 iş akışlarını nasıl pürüzsüz tuttuğunu belirtti.

Demoya devam ederek, makine öğrenimi metriklerini gerçek zamanlı olarak görselleştirmek için kullanılan bir araç olan TensorBoard kullanarak eğitim ilerlemesinin ne kadar kolay izlenebileceğini gösterdi. Lightning Studio, senin veya aynı çalışma alanındaki ekip arkadaşlarının ekstra bir kurulum yapmadan TensorBoard görünümlerine erişmesini sağlayan URL'leri otomatik olarak oluşturarak bunu daha da basit hale getiriyor. Bu, iş birliğini kolaylaştırır ve herkesin aynı sayfada kalmasını sağlar.

Şekil 3. Lightning Studios üzerinde Ultralytics YOLO modellerini eğitmeye ilişkin bir akış şeması. Görsel: Yazar.

LitServe ile Ultralytics YOLO modellerini dağıtma#

Demodan sonra Luca, konuşmanın odak noktasını 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 basitleştiriyor ve karmaşık dağıtım hatlarına olan ihtiyacı ortadan kaldırıyor. Modeli paketlemekten minimum çabayla dağıtmaya kadar her şeyi halletmek için tasarlanmıştır.

Bunu gerçek zamanlı olarak göstermek için Luca, önceden eğitilmiş bir Ultralytics YOLOv8 modeli kullanarak izleyicilere kısa bir demo sundu. Gelen istekleri işlemek ve birkaç saniye içinde görüntü tahminleri döndürmek için basit bir API oluşturmayı başardı. Bu, herkesin bu API'ye bir görüntülü istek gönderip nesne tespiti gibi bilgisayarla görü görevleri için sonuçları neredeyse anında alabileceği anlamına gelir. Arka planda, Ultralytics YOLOv8 modeli bir servis olarak dağıtılır; istekleri verimli bir şekilde yönetir, görüntüleri işler ve minimum gecikmeyle tahminler sunar.

Fig 4. Luca, YV24 sırasında Lightning AI'ın LitServe özelliğini sergiliyor.

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

Luca daha sonra 'Bunu dış dünyaya açmak istersem ne yapmalıyım?' diye sordu. API Builder eklentisinin, modelini canlı, üretime hazır bir hizmete dönüştürmeyi nasıl basit hale getirdiğini anlattı. Özel alan adları, ek güvenlik ve sorunsuz entegrasyon gibi özelliklerle modelini herkes için kolayca erişilebilir hale getirebilirsin.

Lightning Studios kullanmanın temel avantajları#

Konuşmasını sonlandırırken Luca, yapay zeka geliştirmesi için Lightning Studio'nun ölçeklenebilirliğine ve esnekliğine değindi. Platformun, herhangi bir kesintiden sonra otomatik olarak devam eden hata toleranslı eğitim ile 10.000 düğüme kadar ölçeklenerek birden fazla makinede modelleri nasıl eğitebileceğinden bahsetti.

Örneğin, bir GPU kümesindeki bir eğitim işi donanım sorunu veya sunucu yeniden başlatılması nedeniyle kesintiye uğrarsa, Lightning Studios işlemin tam kaldığı yerden devam etmesini sağlar. Bu durum, derin öğrenme modellerini ImageNet veya COCO gibi devasa veri setleri üzerinde eğitmek gibi büyük ölçekli yapay zeka projeleri için ideal hale getirir.

İşte Luca'nın bahsettiği Lightning Studios'un diğer önemli avantajlarından bazıları:

• Ücretsiz aylık GPU kredileri: Kullanıcılara her ay otomatik olarak yenilenen 15 ücretsiz GPU kredisi sağlanır, böylece ekstra maliyet olmadan deney yapabilir ve geliştirebilirsin.
• Gelişmiş iş birliği: Lightning Studio'nun paylaşılan ekip alanları ve tekrarlanabilir ortamları, ekip üyelerinin sorunsuz bir şekilde birlikte çalışmasını sağlayarak projeler genelinde tutarlılık ve verimlilik sağlar.
• Esnek örnek seçenekleri: Kesintiye uğrayabilir ve kesintiye uğrayamaz örnekler arasında seçim yapma esnekliği sağlar, bu da kullanıcıların kesintiye uğrayabilir seçeneklerle GPU makinelerinde maliyetten tasarruf etmelerine olanak tanır.
• Mevcut araçlarla entegrasyon: Platform, SSH (Secure Socket Shell) ve VS Code gibi uzaktan geliştirme araçlarıyla entegre olarak yerel olarak veya bulutta çalışma esnekliği sağlar.

Öne çıkanlar#

Luca'nın YV24'teki konuşması, Ultralytics YOLO modelleri ve Lightning AI gibi araçlarla birleştirilen yapay zekanın gerçek dünyadaki sorunları çözme biçimimizi nasıl değiştirdiğini vurguladı. Geliştiricilerin, çeşitli endüstrilerdeki belirli sorunları ele almak için tasarlanmış modelleri eğitmesini ve dağıtmasını kolaylaştırıyorlar.

Lightning Studios'un tüm geliştirme sürecini nasıl daha hızlı ve erişilebilir hale getirdiğini, geliştiricilerin güçlü çözümleri kolayca oluşturmasına nasıl olanak tanıdığını gösterdi. Lightning AI gibi son teknoloji platformların merkezinde, bilgisayarlı görü modelleri yapay zeka çözümlerinin zorlukları nasıl ele aldığını dönüştürüyor. Özellikle en son Ultralytics YOLO11 modeliyle geliştiriciler, anlamlı bir etki yaratan çözümler inşa edebilirler.

Yapay zeka ve pratik kullanım alanları hakkında güncel kalmak için topluluğumuza katıl. Otonom sürüş araçlarında yapay zeka AI in self-driving ve sağlık sektöründe bilgisayarla görü computer vision in healthcare gibi alanlardaki yenilikleri keşfetmek için GitHub depomuza göz at.