Ultralytics YOLO11 ve DVC ile deneyim takibi

Makinaların görsel verileri yorumlayıp anlamak üzere eğitildiği computer vision denemelerini takip etmek ve izlemek, Ultralytics YOLO11 gibi görünen yapay zeka modelleri geliştirmenin ve ince ayar yapmanın çok önemli bir parçasıdır. Bu denemeler genellikle farklı anahtar parametreleri test etmeyi ve birden fazla model eğitimi çalışmasından elde edilen metrikleri ve sonuçları günlüğe 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 integration tam olarak bunu amaçlamaktadır. DVCLive, deney detaylarını otomatik olarak günlüğe kaydetmek, sonuçları görselleştirmek ve model performansı takibini yönetmek için tek bir iş akışı içinde basitleştirilmiş bir yol sunar.

Bu makalede, Ultralytics YOLO11 eğitimi sırasında DVCLive entegrasyonunun nasıl kullanılacağını ele alacağız. Ayrıca sağladığı avantajlara ve daha iyi vision AI model geliştirme için deney takibini nasıl kolaylaştırdığına da göz atacağız.

DVCLive 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.

Fig 1. Deney takibi için DVCLive paneline hızlı bir bakış.

DVCLive'ın temel özellikleri#

DVCLive entegrasyonunun kullanımı kolaydır ve net, anlaşılması kolay data visualizations ile analiz araçları sunarak computer vision projelerini geliştirebilir. 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.

Neden DVCLive entegrasyonunu kullanmalısın?#

Ultralytics documentation bölümünü incelerken ve mevcut integrations seçeneklerini keşfederken kendine şu soruyu sorabilirsin: DVCLive entegrasyonunu farklı kılan nedir ve iş akışım için neden bunu seçmeliyim?

Metrikleri takip etmek ve sonuçları görselleştirmek için araçlar sunan TensorBoard ve MLflow gibi entegrasyonlar göz önüne alındığında, 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.

DVCLive 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 edinmek için Ultralytics YOLO modellerine yönelik custom-training belgelerimize göz at.

Sonra, Ultralytics YOLO11 modelini özel olarak eğitirken DVCLive entegrasyonunu nasıl kurup kullanacağını adım adım inceleyelim.

Gereksinimlerin kurulumu#

YOLO11 eğitimine başlamadan önce hem Ultralytics Python package paketini hem de DVCLive'ı yüklemen gerekecek. Bu entegrasyon, her iki kütüphanenin de varsayılan olarak sorunsuz bir şekilde birlikte çalışacağı şekilde tasarlandığından, karmaşık yapılandırmalar hakkında endişelenmene gerek kalmaz.

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.

Ayrıntılı adım adım talimatlar ve diğer yararlı ipuçları için Installation Guide sayfamıza göz at. Gerekli paketleri kurarken herhangi bir sorunla karşılaşman durumunda Common Issues Guide rehberimizde sana yardımcı olacak çözümler ve kaynaklar bulunmaktadır.

DVCLive kullanarak deney eğitimi#

Ultralytics YOLO11 model eğitim oturumun tamamlandıktan sonra, sonuçları derinlemesine analiz etmek için görselleştirme araçlarını kullanabilirsin. Özellikle, daha kolay kullanım ve görselleştirme amacıyla verileri ayıklamak için DVC API'sini kullanabilir ve bu verileri Pandas (verilerle çalışmayı kolaylaştıran, analiz ve karşılaştırma için onları tablolara ayırmanı sağlayan bir Python kütüphanesi) ile işleyebilirsin.

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.

Ultralytics YOLO11 ve DVCLive entegrasyonunun uygulama alanları#

DVCLive entegrasyonunu kullanarak Ultralytics YOLO11 eğitim sonuçlarını nasıl kuracağını ve görselleştireceğini 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 ekin hastalıklarını belirlemek, hayvanları takip etmek ve zararlı istilalarını tespit etmek için Ultralytics YOLO11'in object detection ve örnek bölütleme (instance segmentation) desteğini kullanabilir.

Özellikle Ultralytics YOLO11, dronlardan veya kameralardan gelen görüntüleri analiz ederek bitki hastalıklarının, zararlı haşerelerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür yapay zeka görüş sistemleri, çiftçilerin sorunların yayılmasını durdurmak için hızlı hareket etmesini sağlayarak zaman kazandırır ve kayıpları azaltır.

Fig 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 görüntü türleri üzerinde test edilmesi önemlidir. Tarımsal uygulamalar için Ultralytics YOLO11'i özel olarak eğitmek amacıyla DVCLive entegrasyonunu kullanmak, özellikle çeşitli veri kümeleriyle performansını takip etmenin harika bir yoludur.

Perakendede 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 Ultralytics 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 ilgi çektiğini, müşterilerin farklı koridorlarda ne kadar zaman geçirdiğini ve reklam vitrinlerinin fark edilip edilmediğini gösteren ısı haritaları oluşturmak için 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.

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

Perakende mağazaları genellikle değişen aydınlatma koşulları, yerleşim düzenleri ve kalabalık boyutları gibi benzersiz özelliklere sahiptir. Bu farklılıklar nedeniyle, mağaza aktivitesini analiz etmek için kullanılan bilgisayarlı görü modellerinin doğruluğu sağlamak amacıyla her konuma göre dikkatlice test edilmesi ve ayarlanması gerekir. Örneğin, DVCLive entegrasyonu Ultralytics YOLO11'i hassaslaştırmaya yardımcı olarak perakende uygulamaları için daha kesin ve güvenilir hale getirebilir, böylece müşteri davranışı ve mağaza operasyonları hakkında daha iyi içgörüler elde edilmesini sağlayabilir.

Öne çıkanlar#

DVCLive entegrasyonunu kullanırken Ultralytics YOLO11'i özel olarak eğitmek, bilgisayarlı görü deneyimlerinizi takip etmeyi ve iyileştirmeyi kolaylaştırır. Önemli ayrıntıları otomatik olarak kaydeder, net görsel sonuçlar gösterir ve modelinizin farklı sürümlerini karşılaştırmanıza 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.

Görsel yapay zeka hakkında daha fazla bilgi edinmek için our community topluluğumuza katıl ve our GitHub repository depomuzu keşfet, ayrıca computer vision projelerini başlatmak için our licensing options lisans seçeneklerimize göz at. AI in manufacturing veya computer vision in self-driving gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.