Ultralytics YOLO11 ve DVC ile deneyim takibi

Makinelerin görsel verileri yorumlayıp anlaması için eğitildiği bilgisayarlı görü deneylerini takip etmek ve izlemek, Ultralytics YOLO11 gibi yapay zeka modellerini geliştirmenin ve hassas ayarlarını yapmanın kritik bir parçasıdır. Bu deneyler genellikle farklı ana parametreleri test etmeyi ve birden fazla model eğitim çalışmasından elde edilen metrikleri ve sonuçları kaydetmeyi içerir. Bunu yapmak, model performansını analiz etmene ve model üzerinde veriye dayalı iyileştirmeler yapmana yardımcı olabilir.

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

Ultralytics tarafından desteklenen DVCLive entegrasyonunun amacı tam olarak budur. DVCLive, deney ayrıntılarını otomatik olarak kaydetmek, sonuçları görselleştirmek ve model performansı takibini yönetmek için tek bir iş akışı içinde basitleştirilmiş bir yol sunar.

Bu makalede, Ultralytics YOLO11 eğitilirken DVCLive entegrasyonunun nasıl kullanılacağını tartışacağız. Ayrıca sağladığı avantajlara ve daha iyi görüntü işleme yapay zekası modeli geliştirmek için deney takibini nasıl kolaylaştırdığına bir göz atacağız.

Link to this sectionDVCLive nedir?#

DVC (Data Version Control) tarafından oluşturulan DVCLive, makine öğrenimi deneylerini takip etmek için tasarlanmış güvenilir ve açık kaynaklı bir araçtır. DVCLive Python kütüphanesi, yapay zeka geliştiricilerinin ve araştırmacıların deneylerinin metriklerini ve parametrelerini takip etmelerini sağlayan gerçek zamanlı bir deney kaydedici sunar.

Örneğin, anahtar model performans metriklerini otomatik olarak kaydedebilir, eğitim çalışmaları arasındaki sonuçları karşılaştırabilir ve model performansını görselleştirebilir. Bu özellikler, DVCLive'ın yapılandırılmış ve tekrarlanabilir bir makine öğrenimi iş akışını sürdürmene yardımcı olmasını sağlar.

Şekil 1. Deney takibi için DVCLive panosuna hızlı bir bakış.

Link to this sectionDVCLive'ın temel özellikleri#

DVCLive entegrasyonunun kullanımı kolaydır ve net, anlaşılır veri görselleştirmeleri ve analiz araçları sunarak bilgisayarlı görü projelerini iyileştirebilir. İşte DVCLive'ın diğer bazı temel özellikleri:

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

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

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

Link to this sectionNeden DVCLive entegrasyonunu kullanmalısın?#

Ultralytics dokümantasyonunu incelerken ve mevcut entegrasyonları keşfederken kendine şu soruyu sorabilirsin: DVCLive entegrasyonunu farklı kılan nedir ve iş akışım için neden onu seçmeliyim?

Metrikleri takip etmek ve sonuçları görselleştirmek için araçlar sunan TensorBoard ve MLflow gibi entegrasyonlarla birlikte, bu entegrasyonu öne çıkaran benzersiz nitelikleri anlamak çok önemlidir.

DVCLive'ın Ultralytics YOLO projelerin için neden ideal bir seçim olabileceği aşağıda açıklanmıştır:

• Minimum yük: DVCLive, ekstra bir hesaplama veya depolama yükü eklemeden deney metriklerini kaydetmek için harika bir araçtır. Günlükleri düz metin veya JSON dosyaları olarak kaydeder, böylece harici hizmetlere veya veritabanlarına güvenmeden mevcut iş akışlarına kolayca entegre edilebilir.

• DVC ile yerel entegrasyon: DVC'nin arkasındaki ekip tarafından oluşturulan DVCLive, DVC'nin veri ve model sürümlendirme sistemiyle sorunsuz çalışır. Ayrıca kullanıcıların veri kümesi sürümlerini, model kontrol noktalarını ve işlem hattı değişikliklerini takip etmelerini sağlar, bu da onu makine öğrenimi tekrarlanabilirliği için zaten DVC kullanan ekipler için ideal kılar.

• Git uyumlu: DVCLive, Git ile entegre olur, böylece deney verilerini düzenli ve sürüm kontrollü tutarken değişiklikleri takip etmeyi, modelleri karşılaştırmayı ve önceki sürümlere geri dönmeyi kolaylaştırır.

Link to this sectionDVCLive ile çalışmaya başlama#

Ultralytics YOLO11 model eğitimini DVCLive ile takip etmek beklediğinden daha basittir. Gerekli kütüphaneler kurulup yapılandırıldıktan sonra, hızlıca özel YOLO11 modelini eğitmeye başlayabilirsin.

Eğitimden sonra, doğruluğu artırmak için epoch (modelin tüm veri kümesinden kaç kez geçtiği), patience (eğer bir iyileşme yoksa durmadan önce beklenecek süre) ve hedef görüntü boyutu (eğitim için kullanılan görüntülerin çözünürlüğü) gibi temel ayarları düzenleyebilirsin. Ardından, modelinin farklı sürümlerini karşılaştırmak ve performanslarını analiz etmek için DVCLive'ın görselleştirme aracını kullanabilirsin.

Model eğitimi süreci ve en iyi uygulamalar hakkında daha ayrıntılı bilgi için, Ultralytics YOLO modellerini özel eğitme dokümantasyonumuza göz at.

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

Link to this sectionGereksinimlerin kurulumu#

YOLO11 eğitimine başlamadan önce, hem Ultralytics Python paketini hem de DVCLive'ı kurman gerekecek. Bu entegrasyon, her iki kütüphanenin varsayılan olarak sorunsuz bir şekilde birlikte çalışması için tasarlanmıştır, bu nedenle karmaşık yapılandırmalar hakkında endişelenmene gerek yok.

Tüm kurulum süreci, aşağıda gösterildiği gibi Python kütüphanelerini kurmak için bir paket yönetim aracı olan tek bir pip komutuyla birkaç dakika içinde tamamlanabilir.

Şekil 2. Ultralytics ve DVCLive kurulumu.

Paketleri kurduktan sonra, ortamını hazırlayabilir ve DVCLive'ın sorunsuz çalıştığından emin olmak için gerekli kimlik bilgilerini ekleyebilirsin. Bir Git deposu kurmak, kodunu ve DVCLive ayarlarındaki değişiklikleri takip etmek için de faydalıdır.

Adım adım ayrıntılı talimatlar ve diğer yararlı ipuçları için Kurulum Kılavuzumuza göz at. Gerekli paketleri kurarken herhangi bir sorunla karşılaşırsan, Yaygın Sorunlar Kılavuzumuzda sana yardımcı olacak çözümler ve kaynaklar bulunmaktadır.

Link to this sectionDVCLive kullanarak deney eğitimi#

YOLO11 model eğitimi oturumun tamamlandıktan sonra, sonuçları derinlemesine analiz etmek için görselleştirme araçlarını kullanabilirsin. Özellikle, verileri çıkarmak ve daha kolay işleme ve görselleştirme için Pandas (verilerle çalışmayı kolaylaştıran, örneğin analiz ve karşılaştırma için tablolara düzenleyen bir Python kütüphanesi) ile işlemek için DVC'nin API'sini kullanabilirsin.

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

Sonuç olarak, modelini optimize etmek, hiperparametre ayarı yapmak veya genel performansını artırmak için başka değişiklikler yapmak üzere bu görselleştirmelerden elde edilen içgörüleri kullanabilirsin.

Link to this sectionYOLO11 ve DVCLive entegrasyonunun uygulamaları#

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

Link to this sectionTarım ve hassas tarım#

Tarım ve gıda için mahsul hasadı söz konusu olduğunda, hassasiyet büyük bir fark yaratabilir. Örneğin çiftçiler, nesne tespiti ve örnek bölümleme için YOLO11 desteğini kullanarak olası mahsul hastalıklarını tanımlayabilir, hayvancılığı takip edebilir ve haşere istilalarını tespit edebilir.

Özellikle YOLO11, drone'lardan veya kameralardan alınan görüntüleri analiz ederek bitki hastalıklarının, zararlı böceklerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür görüntü işleme yapay zeka sistemleri, çiftçilerin sorunların yayılmasını durdurmak için hızlı hareket etmelerini sağlayarak zamandan tasarruf etmelerini ve kayıpları azaltmalarını sağlar.

Şekil 3. Mahsulleri izlemek için YOLO11 kullanımına bir örnek.

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

Link to this sectionPerakendede müşteri davranış analizi#

Perakende mağazaları, müşteri davranışlarını anlamak ve alışveriş deneyimini geliştirmek için yapay zeka ve bilgisayarlı görüyü kullanabilir.

Güvenlik kameralarından gelen videoları analiz ederek YOLO11, insanların mağaza içinde nasıl hareket ettiğini, hangi alanların en çok yaya trafiği aldığını ve alışveriş yapanların ürünlerle nasıl etkileşime girdiğini takip edebilir. Bu veriler daha sonra hangi rafların en çok ilgiyi çektiğini, müşterilerin farklı reyonlarda ne kadar zaman geçirdiğini ve reklam ekranlarının fark edilip edilmediğini göstermek için ısı haritaları oluşturmak üzere kullanılabilir.

Bu iş zekasıyla mağaza sahipleri, satışları artırmak için ürünleri yeniden düzenleyebilir, ödeme sıralarını hızlandırabilir ve personeli müşterilere en çok ihtiyaç duydukları yerde ve zamanda yardımcı olacak şekilde ayarlayabilir.

Şekil 4. Bir alışveriş merkezi için YOLO11 kullanılarak oluşturulmuş bir ısı haritası örneği.

Perakende mağazaları genellikle değişen aydınlatma koşulları, düzenler ve kalabalık boyutları gibi benzersiz özelliklere sahiptir. Bu farklılıklar nedeniyle, mağaza etkinliğini analiz etmek için kullanılan bilgisayarlı görü modellerinin doğruluktan emin olmak için her konum için dikkatlice test edilmesi ve ayarlanması gerekir. Örneğin, DVCLive entegrasyonu YOLO11'i hassaslaştırarak perakende uygulamaları için daha kesin ve güvenilir hale getirebilir, müşteri davranışı ve mağaza operasyonları hakkında daha iyi içgörüler sağlayabilir.

Link to this sectionÖne çıkanlar#

DVCLive entegrasyonunu kullanırken YOLO11'i özel olarak eğitmek, bilgisayarlı görü deneylerini takip etmeyi ve iyileştirmeyi kolaylaştırır. Önemli ayrıntıları otomatik olarak kaydeder, net görsel sonuçlar gösterir ve modelinin farklı sürümlerini karşılaştırmana yardımcı olur.

İster çiftlik verimliliğini artırmaya çalışıyor ol, ister bir mağazadaki alışveriş deneyimini geliştirmeye, bu entegrasyon görüntü işleme yapay zeka modellerinin iyi performans göstermesini sağlar. Deney takibi ile modellerini sistematik olarak test edebilir, iyileştirebilir ve optimize edebilirsin, bu da doğruluk ve performansta sürekli gelişmelere yol açar.

Görüntü işleme yapay zekası hakkında daha fazla bilgi edinmek için topluluğumuza katıl, GitHub depomuzu keşfet ve bilgisayarlı görü projelerini başlatmak için lisanslama seçeneklerimize göz at. Üretimde yapay zeka veya otonom sürüşte bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.