Ultralytics YOLOv8'in ML deney takip entegrasyonlarını keşfetmek

Collecting data, annotating it, and training models like the Ultralytics YOLOv8 model is the core of any computer vision project. Often, you’ll need to train your custom model multiple times with different parameters to create the most optimal model. Using tools to track your training experiments can make managing your computer vision project a little easier. Experiment tracking is the process of recording the details of every training run - like the parameters you used, the results you achieved, and any changes you made along the way.

Şekil 1. Deneyim izlemenin bir bilgisayarlı görü projesine nasıl uyduğunu gösteren bir görsel.

Bu ayrıntıların kaydını tutmak, sonuçlarını yeniden üretmene, neyin çalışıp neyin çalışmadığını anlamana ve modellerini daha etkili bir şekilde ince ayarlaman yardımcı olur. Kuruluşlar için bu, ekipler arasında tutarlılığı korumaya, iş birliğini teşvik etmeye ve net bir denetim izi sağlamaya yardımcı olur. Bireyler için ise mesele, yaklaşımını geliştirmeni ve zamanla daha iyi sonuçlar elde etmeni sağlayan çalışmalarının net ve düzenli belgelerini tutmaktır.

Bu makalede, YOLOv8 deneyimlerini yönetmek ve izlemek için kullanabileceğin farklı eğitim entegrasyonlarını adım adım inceleyeceğiz. İster kendi başına ister daha büyük bir ekibin parçası olarak çalışıyor ol, doğru izleme araçlarını anlamak ve kullanmak, YOLOv8 projelerinin başarısında gerçek bir fark yaratabilir.

Link to this sectionMLflow ile makine öğrenimi deneyim izleme#

MLflow, Databricks tarafından geliştirilen ve tüm makine öğrenimi yaşam döngüsünü yönetmeyi kolaylaştıran açık kaynaklı bir platformdur. MLflow Tracking, veri bilimcilerin ve mühendislerin makine öğrenimi deneyimlerini kaydetmelerine ve görselleştirmelerine yardımcı olan bir API ve kullanıcı arayüzü sağlayan, MLflow'un temel bir bileşenidir. Python, REST, Java ve R API'leri dahil olmak üzere birden çok dili ve arayüzü destekler.

MLflow Tracking, YOLOv8 ile sorunsuz bir şekilde entegre olur ve hassasiyet (precision), geri çağırma (recall) ve kayıp (loss) gibi önemli metrikleri doğrudan modellerinden kaydedebilirsin. MLflow'u YOLOv8 ile kurmak basittir ve esnek seçenekler mevcuttur: varsayılan localhost kurulumunu kullanabilir, çeşitli veri depolarına bağlanabilir veya her şeyi düzenli tutmak için uzak bir MLflow izleme sunucusu başlatabilirsin.

Şekil 2. MLflow İzleme Ortamı İçin Yaygın Kurulumlar. Görsel kaynağı: MLflow tracking.

MLflow'un projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı bilgiler şunlardır:

• Ölçeklenebilirlik: MLflow, ister tek bir makinede çalışıyor ol ister büyük kümelerde (cluster) dağıtım yapıyor ol, ihtiyaçlarına göre iyi bir şekilde ölçeklenir. Projen geliştirme aşamasından üretime geçmeyi içeriyorsa, MLflow bu büyümeyi destekleyebilir.
• Proje karmaşıklığı: MLflow, kapsamlı izleme, model yönetimi ve dağıtım yeteneklerine ihtiyaç duyan karmaşık projeler için idealdir. Projen bu tam ölçekli özellikleri gerektiriyorsa, MLflow iş akışlarını kolaylaştırabilir.
• Kurulum ve bakım: Güçlü olmasına rağmen, MLflow'un bir öğrenme eğrisi ve kurulum yükü vardır.

Link to this sectionBilgisayarlı görü model takibi için Weights & Biases (W&B) kullanımı#

Weights & Biases, makine öğrenimi denemelerini izlemek, görselleştirmek ve yönetmek için kullanılan bir MLOps platformudur. W&B'yi YOLOv8 ile kullanarak, modellerinin performansını eğitirken ve ince ayar yaparken izleyebilirsin. W&B'nin etkileşimli paneli, bu metriklerin net ve gerçek zamanlı bir görünümünü sunar; böylece trendleri fark etmeyi, model varyantlarını karşılaştırmayı ve eğitim sürecindeki sorunları gidermeyi kolaylaştırır.

W&B, eğitim metriklerini ve model kontrol noktalarını (checkpoints) otomatik olarak kaydeder ve hatta bunu öğrenme oranı (learning rate) ve toplu iş boyutu (batch size) gibi hiperparametreleri ince ayar yapmak için kullanabilirsin. Platform, yerel makinenizdeki çalıştırmaları izlemekten bulut depolama ile büyük ölçekli projeleri yönetmeye kadar geniş bir kurulum seçeneği yelpazesini destekler.

Şekil 3. Weights & Biases deneyim izleme panellerine bir örnek. Görsel kaynağı: Weights & Biases track experiments.

Weights & Biases'ın projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı bilgiler şunlardır:

• Gelişmiş görselleştirme ve izleme: W&B, eğitim metriklerini ve model performansını gerçek zamanlı olarak görselleştirmek için sezgisel bir panel sağlar.
• Fiyatlandırma modeli: Fiyatlandırma, izlenen saatlere dayanır; bu, sınırlı bütçeye sahip kullanıcılar veya uzun eğitim süreleri gerektiren projeler için ideal olmayabilir.

Link to this sectionClearML ile MLOps deneyim izleme#

ClearML, makine öğrenimi iş akışlarını otomatikleştirmek, izlemek ve düzenlemek için tasarlanmış açık kaynaklı bir MLOps platformudur. PyTorch, TensorFlow ve Keras gibi popüler makine öğrenimi çerçevelerini destekler ve mevcut süreçlerinle kolayca entegre olabilir. ClearML ayrıca yerel makinelerde veya bulutta dağıtık hesaplamayı destekler ve CPU ile GPU kullanımını izleyebilir.

YOLOv8'in ClearML ile entegrasyonu, deneyim izleme, model yönetimi ve kaynak izleme için araçlar sağlar. Platformun sezgisel web arayüzü, verileri görselleştirmeni, deneyimleri karşılaştırmanı ve kayıp (loss), doğruluk (accuracy) ve doğrulama skorları gibi kritik metrikleri gerçek zamanlı olarak izlemeni sağlar. Entegrasyon ayrıca uzaktan yürütme, hiperparametre ayarı ve model kontrol noktası oluşturma gibi gelişmiş özellikleri de destekler.

Şekil 4. ClearML'in deneyim izleme görselleştirmelerine bir örnek. Görsel kaynağı: Clear ML Tracking Experiments and Visualizing Results.

ClearML'in projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı bilgiler şunlardır:

• Gelişmiş deneyim izleme ihtiyacı: ClearML, Git ile otomatik entegrasyonu içeren güçlü bir deneyim izleme sağlar.
• Esnek dağıtım: ClearML şirket içinde (on-premises), bulutta veya Kubernetes kümelerinde kullanılabilir, bu da onu farklı kurulumlara uyarlanabilir kılar.

Link to this sectionComet ML kullanarak eğitim deneyimlerini izleme#

Comet ML, makine öğrenimi deneyimlerini yönetmeye ve izlemeye yardımcı olan kullanıcı dostu bir platformdur. YOLOv8'in Comet ML ile entegrasyonu, deneyimlerini kaydetmeni ve sonuçlarını zaman içinde görüntülemeni sağlar. Entegrasyon, eğilimleri fark etmeyi ve farklı çalıştırmaları karşılaştırmayı kolaylaştırır.

Comet ML bulutta, sanal özel bulutta (VPC) ve hatta şirket içinde kullanılabilir, bu da onu farklı kurulumlara ve ihtiyaçlara uyarlanabilir kılar. Bu araç ekip çalışması için tasarlanmıştır. Projeleri paylaşabilir, ekip arkadaşlarını etiketleyebilir ve yorum bırakabilirsin, böylece herkes aynı sayfada kalabilir ve deneyimleri doğru bir şekilde yeniden üretebilir.

Comet ML'in projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı bilgiler şunlardır:

• Birden fazla çerçeveyi ve dili destekler: Comet ML Python, JavaScript, Java, R ve daha fazlasıyla çalışır, bu da onu projen hangi araçları veya dilleri kullanırsa kullansın çok yönlü bir seçenek haline getirir.
• Özelleştirilebilir paneller ve raporlar: Comet ML'in arayüzü son derece özelleştirilebilir, bu sayede projen için en mantıklı olan raporları ve panelleri oluşturabilirsin.
• Maliyet: Comet ML ticari bir platformdur ve bazı gelişmiş özellikleri ücretli bir abonelik gerektirir.

Link to this sectionTensorBoard görselleştirmelere yardımcı olabilir#

TensorBoard, özellikle TensorFlow deneyimleri için tasarlanmış güçlü bir görselleştirme araç setidir, ancak aynı zamanda çok çeşitli makine öğrenimi projelerinde metrikleri izlemek ve görselleştirmek için harika bir araçtır. Basitliği ve hızıyla bilinen TensorBoard, kullanıcıların temel metrikleri kolayca izlemesini ve model grafiklerini, yerleştirmeleri (embeddings) ve diğer veri türlerini görselleştirmesini sağlar.

TensorBoard'u YOLOv8 ile kullanmanın en büyük avantajlarından biri, önceden yüklü olarak gelmesi ve ek kurulum ihtiyacını ortadan kaldırmasıdır. Bir diğer avantajı da TensorBoard'un tamamen şirket içinde çalışma yeteneğidir. Bu, katı veri gizliliği gereksinimleri olan projeler veya buluta yüklemenin mümkün olmadığı ortamlar için özellikle önemlidir.

Şekil 5. TensorBoard kullanarak YOLOv8 model eğitimini izleme.

TensorBoard'un projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı bilgiler şunlardır:

• What-If Tool (WIT) ile açıklanabilirlik: TensorBoard, ML modellerini keşfetmek ve anlamak için kullanımı kolay bir arayüz sunan What-If Tool'u içerir. Kara kutu modellerine dair içgörü kazanmak ve açıklanabilirliği artırmak isteyenler için değerlidir.
• Basit deneyim izleme: TensorBoard, sınırlı deneyim karşılaştırması ile temel izleme ihtiyaçları için idealdir ve güçlü ekip iş birliği özellikleri, sürüm kontrolü ve gizlilik yönetimi konularında eksiktir.

Link to this sectionML deneyimlerini izlemek için DVCLive (Data Version Control Live) kullanımı#

YOLOv8'in DVCLive ile entegrasyonu, veri kümelerini, modelleri ve kodu Git'te büyük dosyalar depolamadan birlikte sürümleyerek deneyimleri izlemek ve yönetmek için modern bir yol sağlar. Git benzeri komutlar kullanır ve izlenen metrikleri kolay sürüm kontrolü için düz metin dosyalarında depolar. DVCLive ana metrikleri kaydeder, sonuçları görselleştirir ve deponu karıştırmadan deneyimleri temiz bir şekilde yönetir. Çok çeşitli depolama sağlayıcılarını destekler ve yerel olarak veya bulutta çalışabilir. DVCLive, ek altyapı veya bulut bağımlılıkları olmadan deneyim takibini düzene sokmak isteyen ekipler için mükemmeldir.

Link to this sectionUltralytics HUB kullanarak Ultralytics modellerini ve iş akışlarını yönetme#

Ultralytics HUB is an in-house, all-in-one platform designed to simplify the training, deployment, and management of Ultralytics YOLO models like YOLOv5 and YOLOv8. Unlike external integrations, Ultralytics HUB offers a seamless, native experience created specifically for YOLO users. It simplifies the entire process, allowing you to easily upload datasets, choose pre-trained models, and start training with just a few clicks using cloud resources - all within the HUB’s easy-to-use interface. Ultralytics HUB also supports experiment tracking, making monitoring training progress, comparing results, and fine-tuning models easy.

Şekil 6. Ultralytics HUB kullanarak YOLOv8 model eğitimini izleme.

Link to this sectionÖne çıkanlar#

Makine öğrenimi deneyimlerini izlemek için doğru aracı seçmek büyük bir fark yaratabilir. Tartıştığımız tüm araçlar YOLOv8 eğitim deneyimlerini izlemeye yardımcı olabilir, ancak projen için en uygun olanı bulmak adına her birinin artılarını ve eksilerini tartmak önemlidir. Doğru araç seni düzenli tutacak ve YOLOv8 modelinin performansını artırmana yardımcı olacaktır!

Entegrasyonlar, YOLOv8'i yenilikçi projelerinde kullanmanı basitleştirebilir ve ilerlemeni hızlandırabilir. Daha heyecan verici YOLOv8 entegrasyonlarını keşfetmek için belgelerimize göz at.

GitHub depomuzu keşfederek ve topluluğumuza katılarak yapay zeka hakkında daha fazla bilgi edinin. Üretim ve sağlık hizmetlerinde yapay zeka hakkında ayrıntılı bilgiler için çözüm sayfalarımıza göz atın. 🚀