Ultralytics YOLO11 ve DVC ile deney izleme

Makinelerin görsel verileri yorumlamak ve anlamak üzere eğitildiği bilgisayarla görme deneylerini takip etmek ve izlemek, aşağıdaki gibi Vision AI modellerini geliştirmenin ve ince ayar yapmanın çok önemli bir parçasıdır Ultralytics YOLO11. Bu deneyler genellikle farklı temel parametrelerin test edilmesini ve birden fazla model eğitim çalışmasından elde edilen metriklerin ve sonuçların kaydedilmesini içerir. Bunu yapmak, model performansını analiz etmeye ve modelde veriye dayalı 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 entegrasyonunun yapmayı amaçladığı şey tam olarak budur. DVCLive, deney ayrıntılarını otomatik olarak günlüğe kaydetmek, sonuçları görselleştirmek ve model performans takibini tek bir iş akışı içinde yönetmek için basitleştirilmiş bir yol sağlar.

Bu makalede, Ultralytics YOLO11'i eğitirken DVCLive entegrasyonunun nasıl kullanılacağını tartışacağız. Ayrıca faydalarına ve daha iyi Vision AI modeli geliştirme için deney izlemeyi nasıl kolaylaştırdığına da bir göz atacağız.

DVCLive nedir?

DVC (Data Version Control) tarafından oluşturulan DVCLive, makine öğrenimi deneylerini izlemek için tasarlanmış güvenilir bir açık kaynak aracıdır. DVCLive Python kütüphanesi, yapay zeka geliştiricilerinin ve araştırmacılarının deneylerinin metriklerini ve parametrelerini track etmelerini mümkün kılan gerçek zamanlı bir deney kaydedici 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, kendinizi şu soruyu sorarken bulabilirsiniz: 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 bir şekilde çalışır. Ayrıca kullanıcıların veri kümesi sürümlerini, model kontrol noktalarını ve işlem hattı değişikliklerini track olanak tanıyarak makine öğreniminin yeniden üretilebilirliği için DVC'yi zaten kullanan ekipler için idealdir.

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

DVCLive ile Başlangıç 

Ultralytics YOLO11 model eğitimini DVCLive ile takip etmek beklediğinizden daha basittir. Gerekli kütüphaneler kurulduktan ve yapılandırıldıktan sonra, YOLO11 modelinizi özel olarak eğitmeye hızlı bir şekilde 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 belgelerimize göz atın.

Daha sonra, 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 yüklemeniz gerekir. Bu entegrasyon, her iki kütüphanenin de varsayılan olarak sorunsuz bir şekilde birlikte çalışacağı şekilde tasarlanmıştır, bu nedenle karmaşık yapılandırmalar hakkında endişelenmenize gerek yoktur.

Tüm yükleme işlemi, aşağıdaki resimde gösterildiği gibi Python kütüphanelerini yüklemek için bir paket yönetim aracı olan tek bir Pip komutuyla sadece birkaç dakika içinde tamamlanabilir. 

‍

Paketleri kurduktan sonra, ortamınızı ayarlayabilir ve DVCLive'ın sorunsuz çalışmasını sağlamak için gerekli kimlik bilgilerini ekleyebilirsiniz. Bir Git deposu kurmak, kodunuzu ve DVCLive ayarlarınızdaki değişiklikleri track için de yararlıdır. 

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 ayıklamak için DVC'nin API'sini kullanabilir ve daha kolay kullanım ve görselleştirme için Pandas ((analiz ve karşılaştırma için tablolar halinde düzenlemek gibi verilerle çalışmayı kolaylaştıran bir Python kitaplığı) ile işleyebilirsiniz. 

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 entegrasyonu uygulamaları

DVCLive entegrasyonunu kullanarak YOLO11 eğitim sonuçlarını nasıl yükleyeceğimizi ve görselleştireceğimizi öğrendiğimize göre, şimdi bu entegrasyonun geliştirebileceği bazı uygulamaları inceleyelim.

Tarım ve hassas tarım

Tarım ve gıda için mahsul hasadı söz konusu olduğunda, hassasiyet büyük bir fark yaratabilir. Örneğin, çiftçiler YOLO11'in nesne algılama ve örnek segmentasyonu desteğini kullanarak potansiyel mahsul hastalıklarını detect edebilir, çiftlik hayvanlarını track ve haşere istilalarını detect edebilir. 

Özellikle YOLO11 , dronlardan veya kameralardan gelen görüntüleri analiz ederek bitki hastalıklarının, zararlı haşerelerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür Vision AI sistemleri, çiftçilerin sorunların yayılmasını önlemek için hızlı hareket etmelerini sağlayarak zaman kazandırır ve kayıpları azaltır.

‍

Çiftlik koşulları hava durumu ve mevsimlere göre sürekli değiştiğinden, farklı durumlarda iyi performans gösterdiklerinden emin olmak için modelleri çeşitli görüntüler üzerinde test etmek önemlidir. Tarımsal uygulamalar için YOLO11 'i özel olarak eğitmek üzere DVCLive entegrasyonunu kullanmak, özellikle farklı veri kümeleriyle performansını track 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 alınan videoları analiz ederek insanların mağazada nasıl hareket ettiğini, hangi alanların en çok yaya trafiğine sahip olduğunu ve müşterilerin ürünlerle nasıl etkileşime girdiğini track . Bu veriler daha sonra hangi rafların en çok dikkat çektiğini, müşterilerin farklı koridorlarda ne kadar zaman geçirdiğini ve reklam vitrinlerinin 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, farklı aydınlatma koşulları, yerleşim düzenleri ve kalabalık boyutları gibi benzersiz özelliklere sahiptir. Bu farklılıklar nedeniyle, mağaza faaliyetlerini analiz etmek için kullanılan bilgisayarla görme modellerinin doğruluğunu sağlamak için her konum için dikkatlice test edilmesi ve ayarlanması gerekir. Örneğin, DVCLive entegrasyonu YOLO11'e ince ayar yapılmasına yardımcı olarak perakende uygulamaları için daha hassas ve güvenilir hale getirebilir, müşteri davranışları ve mağaza operasyonları hakkında daha iyi içgörüler sağlayabilir.

Önemli çıkarımlar

DVCLive entegrasyonunu kullanırken YOLO11 'i özel olarak eğitmek, bilgisayarla görme deneylerinizi track ve geliştirmeyi kolaylaştırır. Önemli ayrıntıları otomatik olarak kaydeder, net görsel sonuçlar gösterir ve modelinizin farklı sürümlerini 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.