Ultralytics YOLO11 ve DVC ile deney takibi

Makinelerin görsel verileri yorumlamak ve anlamak üzere eğitildiği bilgisayarlı görü deneylerinin izlenmesi ve denetlenmesi, Ultralytics YOLO11 gibi Vision AI modellerini geliştirmenin ve ince ayar yapmanın önemli bir parçasıdır. Bu deneyler genellikle farklı anahtar parametreleri test etmeyi ve birden fazla model eğitiminden elde edilen metrikleri ve sonuçları kaydetmeyi içerir. Bunu yapmak, model performansını analiz etmeye ve modele veri odaklı iyileştirmeler yapmaya yardımcı olabilir. 

İyi tanımlanmış bir deney izleme sistemi olmadan, sonuçları karşılaştırmak ve modellerde değişiklik yapmak karmaşık hale gelebilir ve hatalara yol açabilir. Aslında, bu süreci otomatikleştirmek, daha iyi tutarlılık sağlayabilecek harika bir seçenektir.

Ultralytics tarafından desteklenen DVCLive entegrasyonu tam olarak bunu yapmayı amaçlamaktadır. DVCLive, deney ayrıntılarını otomatik olarak kaydetmek, sonuçları görselleştirmek ve model performans takibini tek bir iş akışı içinde yönetmek için basitleştirilmiş bir yol sunar.

Bu makalede, Ultralytics YOLO11'i eğitirken DVCLive entegrasyonunun nasıl kullanılacağını tartışacağız. Ayrıca, faydalarına ve daha iyi Görüntü İşleme AI modeli geliştirmesi için deney takibini nasıl kolaylaştırdığına da göz atacağız.

DVCLive nedir?

DVC (Veri Sürüm Kontrolü) tarafından oluşturulan DVCLive, makine öğrenimi deneylerini izlemek için tasarlanmış güvenilir bir açık kaynaklı araçtır. DVCLive Python kütüphanesi, yapay zeka geliştiricilerinin ve araştırmacılarının deneylerinin metriklerini ve parametrelerini izlemesini mümkün kılan gerçek zamanlı bir deney kaydedicisi sağlar. 

Örneğin, temel model performans metriklerini otomatik olarak kaydedebilir, eğitim çalıştırmaları genelinde sonuçları karşılaştırabilir ve model performansını görselleştirebilir. Bu özellikler, DVCLive'ın yapılandırılmış ve tekrarlanabilir bir makine öğrenimi iş akışı sürdürmenize yardımcı olmasını sağlar.

‍

DVCLive'ın temel özellikleri

DVCLive entegrasyonunun kullanımı kolaydır ve anlaşılır veri görselleştirmeleri ve analiz araçları sağlayarak bilgisayarlı görü projelerinizi geliştirebilir. İşte DVCLive'ın diğer bazı temel özellikleri:

• Çeşitli çerçeveleri destekler: DVCLive, diğer popüler makine öğrenimi çerçeveleriyle birlikte kullanılabilir. Bu, onu mevcut iş akışlarına dahil etmeyi ve deney izleme yeteneklerini geliştirmeyi kolaylaştırır.

• İnteraktif grafikler: Verilerden otomatik olarak interaktif grafikler oluşturmak için kullanılabilir ve zaman içindeki performans metriklerinin görsel temsillerini sağlar. 

• Hafif tasarım: DVCLive, farklı projelerde ve ortamlarda kullanılabildiğinden hafif, esnek ve erişilebilir bir kütüphanedir.

Neden DVCLive entegrasyonunu kullanmalısınız?

Ultralytics belgelerini incelerken ve mevcut entegrasyonları keşfederken, kendinize şunu sorabilirsiniz: DVCLive entegrasyonunu diğerlerinden ayıran nedir ve iş akışım için neden onu seçmeliyim?

Metrikleri izlemek ve sonuçları görselleştirmek için araçlar sağlayan TensorBoard ve MLflow gibi entegrasyonlarla, bu entegrasyonu öne çıkaran benzersiz nitelikleri anlamak önemlidir. 

İşte DVCLive'ın Ultralytics YOLO projeleriniz için neden ideal bir seçim olabileceği:

• Minimum ek yük: DVCLive, herhangi bir ek hesaplama veya depolama yükü eklemeden deney metriklerini kaydetmek için harika bir araçtır. Günlükleri düz metin veya JSON dosyaları olarak kaydeder, bu da harici hizmetlere veya veri tabanlarına güvenmeden mevcut iş akışlarına entegre etmeyi kolaylaştırır.

• DVC ile yerel entegrasyon: DVC'nin arkasındaki ekip tarafından oluşturulan DVCLive, DVC'nin veri ve model versiyonlama sistemiyle sorunsuz çalışır. Ayrıca kullanıcıların veri kümesi sürümlerini, model kontrol noktalarını ve ardışık düzen değişikliklerini izlemesine olanak tanıyarak, makine öğrenimi tekrarlanabilirliği için zaten DVC kullanan ekipler için idealdir.

• Git uyumlu: DVCLive, Git ile entegre olarak değişiklikleri izlemeyi, modelleri karşılaştırmayı ve önceki sürümlere geri dönmeyi kolaylaştırırken, deney verilerini düzenli ve sürüm kontrollü tutar.

DVCLive ile Başlangıç 

Ultralytics YOLO11 model eğitimini DVCLive ile izlemek düşündüğünüzden daha basittir. Gerekli kütüphaneler kurulup yapılandırıldıktan sonra, YOLO11 modelinizi hızlı bir şekilde özel olarak eğitmeye başlayabilirsiniz.

Eğitimden sonra, doğruluğu artırmak için epoklar (modelin tüm veri kümesini kaç kez geçtiği), sabır (iyileşme olmazsa durmadan önce ne kadar bekleneceği) ve hedef görüntü boyutu (eğitim için kullanılan görüntülerin çözünürlüğü) gibi temel ayarları ayarlayabilirsiniz. Ardından, modelinizin farklı versiyonlarını karşılaştırmak ve performanslarını analiz etmek için DVCLive'ın görselleştirme aracını kullanabilirsiniz.

Model eğitim süreci ve en iyi uygulamalar hakkında daha ayrıntılı bilgi için, Ultralytics YOLO modellerini özel olarak eğitme hakkındaki belgelerimize göz atın.

Şimdi de YOLO11'i özel olarak eğitirken DVCLive entegrasyonunun nasıl kurulacağını ve kullanılacağını inceleyelim.

Gereksinimlerin yüklenmesi

YOLO11'i eğitmeye başlamadan önce, hem Ultralytics Python paketini hem de DVCLive'ı kurmanız gerekecek. Bu entegrasyon, her iki kütüphanenin de varsayılan olarak sorunsuz bir şekilde birlikte çalışmasını sağlayacak şekilde tasarlanmıştır, bu nedenle karmaşık konfigürasyonlar hakkında endişelenmenize gerek yoktur.

Aşağıdaki resimde gösterildiği gibi, tüm kurulum işlemi, Python kütüphanelerini yüklemek için bir paket yönetim aracı olan tek bir Pip komutuyla sadece birkaç dakika içinde tamamlanabilir. 

‍

Paketleri yükledikten sonra, ortamınızı ayarlayabilir ve DVCLive'ın sorunsuz çalışmasını sağlamak için gerekli kimlik bilgilerini ekleyebilirsiniz. Bir Git deposu kurmak da kodunuzu ve DVCLive ayarlarınızdaki değişiklikleri takip etmek için faydalıdır. 

Ayrıntılı adım adım talimatlar ve diğer faydalı ipuçları için Kurulum Kılavuzumuza göz atın. Gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsanız, Sık Karşılaşılan Sorunlar Kılavuzumuzda size yardımcı olacak çözümler ve kaynaklar bulunmaktadır.

DVCLive kullanılarak deney eğitimi 

YOLO11 model eğitim oturumunuz tamamlandıktan sonra, sonuçları derinlemesine analiz etmek için görselleştirme araçlarını kullanabilirsiniz. Özellikle, verileri çıkarmak ve daha kolay işleme ve görselleştirme için Pandas ile (verilerle çalışmayı kolaylaştıran bir Python kitaplığı, örneğin analiz ve karşılaştırma için tablolar halinde düzenleme) işlemek için DVC'nin API'sini kullanabilirsiniz. 

Sonuçlarınızı keşfetmek için daha etkileşimli ve görsel bir yol için, Plotly'nin paralel koordinat grafiğini (farklı model parametrelerinin ve performans sonuçlarının nasıl bağlantılı olduğunu gösteren bir grafik türü) kullanmayı da deneyebilirsiniz. 

Sonuç olarak, modelinizi optimize etme, hiperparametre ayarlama veya genel performansını artırmak için diğer değişiklikleri yapma konusunda daha iyi kararlar almak için bu görselleştirmelerden elde edilen bilgileri kullanabilirsiniz. 

YOLO11 ve DVCLive entegrasyonunun uygulamaları

Artık DVCLive entegrasyonunu kullanarak YOLO11 eğitim sonuçlarını nasıl kuracağımızı ve görselleştireceğimizi öğrendiğimize göre, bu entegrasyonun geliştirebileceği bazı uygulamaları keşfedelim.

Tarım ve hassas tarım

Tarım ve gıda için ürün hasadı söz konusu olduğunda, hassasiyet büyük bir fark yaratabilir. Örneğin, çiftçiler potansiyel ürün hastalıklarını belirlemek, hayvanları takip etmek ve zararlı böcek istilalarını tespit etmek için YOLO11'in nesne algılama ve örnek segmentasyonu desteğini kullanabilir. 

Özellikle, YOLO11, dronlardan veya kameralardan gelen görüntüleri analiz ederek bitki hastalıklarının, zararlı böceklerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür Görüntü Yapay Zekası sistemleri, çiftçilerin sorunların yayılmasını durdurmak için hızla harekete geçmelerini sağlayarak zamandan tasarruf sağlar ve kayıpları azaltır.

‍

Çiftlik koşulları hava ve mevsimlerle sürekli değiştiğinden, modellerin farklı durumlarda iyi performans gösterdiğinden emin olmak için çeşitli görüntüler üzerinde test etmek önemlidir. Tarımsal uygulamalar için özel eğitimli YOLO11 için DVCLive entegrasyonunu kullanmak, özellikle çeşitli veri kümeleriyle performansını takip etmenin harika bir yoludur. 

Perakende sektöründe müşteri davranış analizi

Perakende mağazaları, müşteri davranışını anlamak ve alışveriş deneyimini geliştirmek için iyileştirmeler yapmak amacıyla yapay zeka ve bilgisayarlı görü kullanabilir. 

YOLO11, güvenlik kameralarından gelen videoları analiz ederek, insanların mağazada nasıl hareket ettiğini, hangi alanların en çok ziyaret edildiğini ve müşterilerin ürünlerle nasıl etkileşim kurduğunu takip edebilir. Bu veriler daha sonra, hangi rafların en çok dikkat çektiğini, müşterilerin farklı koridorlarda ne kadar zaman geçirdiğini ve reklam ekranlarının fark edilip edilmediğini göstermek için ısı haritaları oluşturmak için kullanılabilir. 

Bu iş zekası ile mağaza sahipleri, satışları artırmak için ürünleri yeniden düzenleyebilir, ödeme hatlarını hızlandırabilir ve müşterilere en çok ihtiyaç duydukları yerde ve zamanda yardımcı olmak için personel sayısını ayarlayabilir.

‍

Çoğu zaman, perakende mağazaları değişken aydınlatma koşulları, düzenlemeler ve kalabalık boyutları gibi benzersiz özelliklere sahiptir. Bu farklılıklar nedeniyle, mağaza faaliyetlerini analiz etmek için kullanılan bilgisayarlı görü modellerinin, doğruluğu sağlamak için her konum için dikkatlice test edilmesi ve ayarlanması gerekir. Örneğin, DVCLive entegrasyonu, YOLO11'i ince ayar yapmaya yardımcı olarak perakende uygulamaları için daha hassas ve güvenilir hale getirebilir, müşteri davranışı ve mağaza operasyonları hakkında daha iyi içgörüler sağlayabilir.

Önemli çıkarımlar

DVCLive entegrasyonunu kullanırken özel eğitimli YOLO11, bilgisayarlı görü deneylerinizi izlemeyi ve geliştirmeyi kolaylaştırır. Önemli ayrıntıları otomatik olarak kaydeder, net görsel sonuçlar gösterir ve modelinizin farklı versiyonlarını karşılaştırmanıza yardımcı olur. 

İster çiftlik verimliliğini artırmaya, ister bir mağazada alışveriş deneyimini iyileştirmeye çalışıyor olun, bu entegrasyon Vision AI modellerinizin iyi performans göstermesini sağlar. Deney takibi ile modellerinizi sistematik olarak test edebilir, iyileştirebilir ve optimize edebilir, bu da doğruluk ve performansta sürekli iyileşmelere yol açar.

Topluluğumuza katılın ve Vision AI hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfedin ve bilgisayarlı görü projelerinize başlamak için lisanslama seçeneklerimize göz atın. Üretimde yapay zeka veya otonom sürüşte bilgisayarlı görü gibi yeniliklerle mi ilgileniyorsunuz? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret edin.