Ultralytics YOLO11 ve DVC ile deney izleme

Makinelerin görsel verileri yorumlayıp anlaması için eğitildiği bilgisayarlı görü deneylerini takip etmek ve izlemek, Ultralytics YOLO11 gibi görü yapay zekâ modelleri geliştirme ve ince ayar yapma sürecinin kritik bir parçasıdır. Bu deneyler genellikle farklı temel parametreleri test etmeyi ve birden çok model eğitimi çalıştırmasından elde edilen metrikleri ve sonuçları kaydetmeyi içerir. Bu sayede model performansını analiz edebilir ve modelde veriye dayalı iyileştirmeler yapabilirsin.

İyi tanımlanmış bir deney takip sistemi olmadan sonuçları karşılaştırmak ve modellerde değişiklik yapmak karmaşık hâle 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 amaçlar. 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 ele alacağız. Ayrıca avantajlarına ve daha iyi görü yapay zekâ modeli geliştirme için deney takibini nasıl kolaylaştırdığına bakacağız.

DVCLive nedir?#

Veri Sürüm Kontrolü (DVC) tarafından oluşturulan DVCLive, makine öğrenimi deneylerini takip etmek için tasarlanmış güvenilir ve açık kaynaklı bir araçtır. DVCLive Python kütüphanesi, yapay zekâ geliştiricilerinin ve araştırmacılarının deneylerinin metriklerini ve parametrelerini takip etmesini sağlayan gerçek zamanlı bir deney günlüğü sunar.

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

Şekil 1. DVCLive'ın deney takibine yönelik panosuna hızlı bir bakış.

DVCLive'ın temel özellikleri#

DVCLive entegrasyonunun kullanımı kolaydır ve anlaşılır veri görselleştirmeleri ile analiz araçları sağlayarak bilgisayarlı görü projelerini iyileştirebilir. DVCLive'ın diğer temel özellikleri şunlardır:

• Çeşitli çerçeveleri destekler: DVCLive, diğer popüler makine öğrenimi çerçeveleriyle kullanılabilir. Bu, mevcut iş akışlarına dâhil edilmesini ve deney takibi özelliklerinin iyileştirilmesini 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; farklı projelerde ve ortamlarda kullanılabilir.

DVCLive entegrasyonunu neden kullanmalısın?#

Ultralytics dokümantasyonunu incelerken ve mevcut entegrasyonları 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 da bulunduğundan, bu entegrasyonu öne çıkaran benzersiz özellikleri anlamak önemlidir.

DVCLive'ın Ultralytics YOLO projelerin için ideal bir seçim olmasının nedenleri şunlardır:

• Minimum ek yük: DVCLive, ek hesaplama veya depolama yükü oluşturmadan deney metriklerini kaydetmek için harika bir araçtır. Günlükleri düz metin veya JSON dosyaları olarak kaydeder; böylece harici hizmetlere ya da veritabanlarına bağlı kalmadan mevcut iş akışlarına kolayca entegre edilebilir.

• DVC ile yerel entegrasyon: DVC'nin arkasındaki ekip tarafından geliştirilen DVCLive, DVC'nin veri ve model sürümleme sistemiyle sorunsuz çalışır. Ayrıca kullanıcıların veri kümesi sürümlerini, model kontrol noktalarını ve işlem hattı değişikliklerini takip etmesine olanak tanır; bu da makine öğreniminde yeniden üretilebilirlik için hâlihazırda DVC kullanan ekipler açısından onu ideal kılar.

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

DVCLive ile çalışmaya başlama#

Ultralytics YOLO11 model eğitimini DVCLive ile takip etmek beklediğinden daha kolaydır. Gerekli kütüphaneler yüklenip yapılandırıldıktan sonra YOLO11 modelini özel olarak eğitmeye hızla başlayabilirsin.

Eğitimden sonra doğruluğu iyileştirmek için epochs (modelin tüm veri kümesinden kaç kez geçtiği), patience (iyileşme olmazsa durmadan önce ne kadar bekleneceği) ve hedef görüntü boyutu (eğitimde kullanılan görüntülerin çözünürlüğü) gibi temel ayarları düzenleyebilirsin. Ardından modelinin farklı sürümlerini karşılaştırmak ve performanslarını analiz etmek için DVCLive'ın görselleştirme aracını kullanabilirsin.

Model eğitim sürecini ve en iyi uygulamaları daha ayrıntılı anlamak için Ultralytics YOLO modellerinin özel eğitimine yönelik dokümantasyonumuza göz at.

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

Gereksinimleri yükleme#

YOLO11'i eğitmeye başlamadan önce hem Ultralytics Python paketini hem de DVCLive'ı yüklemen gerekir. Bu entegrasyon, her iki kütüphanenin varsayılan olarak sorunsuz bir şekilde birlikte çalışacağı biçimde tasarlanmıştır; bu nedenle karmaşık yapılandırmalar konusunda endişelenmene gerek yoktur.

Aşağıdaki görselde gösterildiği gibi, Python kütüphanelerini yüklemek için kullanılan bir paket yönetim aracı olan tek bir pip komutuyla tüm yükleme işlemi yalnızca birkaç dakika içinde tamamlanabilir.

Şekil 2. Ultralytics ve DVCLive yükleniyor.

Paketleri yükledikten sonra ortamını kurabilir ve DVCLive'ın sorunsuz çalışmasını sağlamak için gerekli kimlik bilgilerini ekleyebilirsin. Kodunu ve DVCLive ayarlarında yaptığın değişiklikleri takip etmek için bir Git deposu kurmak da faydalıdır.

Ayrıntılı adım adım talimatlar ve diğer yararlı ipuçları için Yükleme Kılavuzumuza göz at. Gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsan Yaygın Sorunlar Kılavuzumuzda sana yardımcı olacak çözümler ve kaynaklar bulunur.

DVCLive kullanarak deney eğitimi#

Ultralytics YOLO11 model eğitim oturumun tamamlandıktan sonra sonuçları derinlemesine analiz etmek için görselleştirme araçlarını kullanabilirsin. Özellikle, verileri çıkarmak için DVC'nin API'sini kullanabilir ve daha kolay işleme ve görselleştirme için bunları Pandas (verileri analiz ve karşılaştırma amacıyla tablolarda düzenlemek gibi veri işlemlerini kolaylaştıran bir Python kütüphanesi) ile işleyebilirsin.

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

Sonuç olarak bu görselleştirmelerden elde ettiğin içgörüleri, modelini optimize etme, hiperparametre ayarlama veya genel performansını artıracak diğer değişiklikler hakkında daha iyi kararlar vermek için kullanabilirsin.

Ultralytics YOLO11 ve DVCLive entegrasyonunun kullanım alanları#

DVCLive entegrasyonunu kullanarak Ultralytics YOLO11 eğitim sonuçlarını nasıl yükleyeceğimizi ve görselleştireceğimizi öğrendiğimize göre, şimdi bu entegrasyonun geliştirebileceği bazı kullanım alanlarını keşfedelim.

Tarım ve hassas tarım#

Tarım ve gıda amacıyla ürün hasadı söz konusu olduğunda hassasiyet büyük bir fark yaratabilir. Örneğin çiftçiler, potansiyel ürün hastalıklarını belirlemek, hayvanları takip etmek ve haşere istilalarını tespit etmek için Ultralytics YOLO11'in nesne algılama ve örnek bölütleme desteğinden yararlanabilir.

Özellikle Ultralytics YOLO11, drone veya kameralardan alınan görüntüleri analiz ederek bitki hastalıklarının, zararlı haşerelerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür görü yapay zekâ sistemleri, çiftçilerin sorunların yayılmasını durdurmak için hızlıca harekete geçmesini, zamandan tasarruf etmesini ve kayıpları azaltmasını sağlar.

Şekil 3. Ürünleri izlemek için YOLO11 kullanımına bir örnek.

Tarla koşulları hava durumu ve mevsimlerle sürekli değiştiğinden, farklı durumlarda iyi performans gösterdiklerinden emin olmak için modelleri çeşitli görüntüler üzerinde test etmek önemlidir. Tarımsal uygulamalar için Ultralytics YOLO11'i özel olarak eğitirken DVCLive entegrasyonunu kullanmak, özellikle çeşitli veri kümeleriyle performansını takip etmenin harika bir yoludur.

Perakendede müşteri davranışı analizi#

Perakende mağazaları, alışveriş deneyimini iyileştirmek için müşteri davranışını anlamak ve geliştirmeler yapmak üzere yapay zekâdan ve bilgisayarlı görmeden yararlanabilir.

Ultralytics YOLO11, güvenlik kameralarından alınan videoları analiz ederek insanların mağazada nasıl hareket ettiğini, hangi alanların en yoğun yaya trafiğine sahip olduğunu ve müşterilerin ürünlerle nasıl etkileşime girdiğini takip edebilir. Bu veriler daha sonra hangi rafların en çok ilgiyi çektiğini, müşterilerin farklı koridorlarda ne kadar zaman geçirdiğini ve reklam panolarının fark edilip edilmediğini göstermek için ısı haritaları oluşturmakta kullanılabilir.

Mağaza sahipleri bu iş zekâsı sayesinde satışları artırmak için ürünleri yeniden düzenleyebilir, kasa kuyruklarını hızlandırabilir ve müşterilere en çok ihtiyaç duydukları yerde ve zamanda yardımcı olmak için personel düzenini değiştirebilir.

Şekil 4. Bir alışveriş merkezi için Ultralytics YOLO11 kullanılarak oluşturulan ısı haritası örneği.

Perakende mağazaları çoğu zaman değişken aydınlatma koşulları, yerleşim düzenleri ve kalabalık yoğunlukları gibi kendine özgü özelliklere sahiptir. Bu farklılıklar nedeniyle mağaza faaliyetlerini analiz etmek için kullanılan bilgisayarlı görü modellerinin doğruluğu sağlamak amacıyla her konum için dikkatle test edilmesi ve ayarlanması gerekir. Örneğin DVCLive entegrasyonu, Ultralytics YOLO11'in ince ayarının yapılmasına yardımcı olarak onu perakende uygulamaları için daha hassas ve güvenilir hâle getirebilir; böylece müşteri davranışı ve mağaza operasyonları hakkında daha iyi içgörüler elde edilebilir.

Önemli çıkarımlar#

DVCLive entegrasyonunu kullanırken Ultralytics 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 tarımsal verimliliği artırmaya ister bir mağazadaki alışveriş deneyimini iyileştirmeye çalışıyor ol, bu entegrasyon görü yapay zekâ modellerinin iyi performans göstermesini sağlar. Deney takibi sayesinde modellerini sistematik olarak test edebilir, geliştirebilir ve optimize edebilirsin; bu da doğruluk ve performansta sürekli iyileşmelere yol açar.

Görü yapay zekâsı hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet; bilgisayarlı görü projelerine başlamak için lisans seçeneklerimize göz at. Üretimde yapay zekâ veya kendi kendine sürüşte bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et.