Ultralytics YOLOv8'in ML deney takibi entegrasyonlarını keşfetmek

Veri toplamak, verileri etiketlemek ve Ultralytics YOLOv8 modeli gibi modelleri eğitmek, her bilgisayarlı görü projesinin temelini oluşturur. En iyi performansı veren modeli bulmak için özel modelini farklı parametrelerle birkaç kez eğitmen gerekebilir. Eğitim deneylerini izleme araçları kullanmak, bilgisayarlı görü projenin yönetimini biraz kolaylaştırabilir. Deney takibi, kullandığın parametreler, elde ettiğin sonuçlar ve süreç boyunca yaptığın değişiklikler gibi her eğitim çalıştırmasının ayrıntılarını kaydetme işlemidir.

Şekil 1. Deney takibinin bilgisayarlı görü projesindeki yerini gösteren bir görsel.

Bu ayrıntıların kaydını tutmak, sonuçlarını yeniden üretmene, neyin işe yarayıp neyin yaramadığını anlamana ve daha etkili biçimde modellerine ince ayar yapmana yardımcı olur. Kurumlar için bu, ekipler arasında tutarlılığı korumaya yardımcı olur, iş birliğini teşvik eder ve net bir denetim izi sağlar. Bireyler içinse bu, yaklaşımını geliştirmeni ve zaman içinde daha iyi sonuçlar elde etmeni sağlayan çalışmalarına ilişkin anlaşılır ve düzenli dokümantasyonu sürdürmekle ilgilidir.

Bu makalede, YOLOv8 deneylerini yönetmek ve izlemek için kullanabileceğin farklı eğitim entegrasyonlarını ele alacağız. İster tek başına ister daha büyük bir ekibin parçası olarak çalış, doğru takip araçlarını anlamak ve kullanmak YOLOv8 projelerinin başarısında büyük fark yaratabilir.

MLflow ile makine öğrenimi deneylerini takip etme#

MLflow, Databricks tarafından geliştirilen ve makine öğrenimi yaşam döngüsünün tamamını yönetmeyi kolaylaştıran açık kaynaklı bir platformdur. MLflow Tracking, veri bilimcilerinin ve mühendislerin makine öğrenimi deneylerini kaydetmesine ve görselleştirmesine yardımcı olan bir API ile kullanıcı arayüzü sunan, MLflow'un temel bileşenidir. Python, REST, Java ve R API'leri dahil olmak üzere birden fazla dili ve arayüzü destekler.

MLflow Tracking, YOLOv8 ile sorunsuz biçimde entegre olur ve modellerinden kesinlik, duyarlılık ve kayıp gibi önemli ölçütleri doğrudan kaydedebilirsin. MLflow'u YOLOv8 ile kurmak kolaydır ve esnek seçenekler sunar: varsayılan localhost kurulumunu kullanabilir, çeşitli veri depolarına bağlanabilir veya her şeyi düzenli tutmak için uzak bir MLflow takip sunucusu başlatabilirsin.

Şekil 2. MLflow takip ortamı için yaygın kurulumlar. Görsel kaynağı: MLflow Tracking.

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

• Ölçeklenebilirlik: İster tek bir makinede çalış ister büyük kümelere dağıtım yap, MLflow ihtiyaçların doğrultusunda iyi ölçeklenir. Projen geliştirme aşamasından üretime geçerken ölçeğini büyütmeyi gerektiriyorsa MLflow bu büyümeyi destekleyebilir.
• Proje karmaşıklığı: MLflow, kapsamlı takip, model yönetimi ve dağıtım özelliklerine ihtiyaç duyan karmaşık projeler için idealdir. Projen bu kapsamlı özellikleri gerektiriyorsa MLflow iş akışlarını kolaylaştırabilir.
• Kurulum ve bakım: MLflow güçlü bir araç olsa da öğrenme süreci ve kurulum yükü vardır.

Bilgisayarlı görü modeli takibi için Weights & Biases (W&B) kullanımı#

Weights & Biases, makine öğrenimi deneylerini takip etmek, görselleştirmek ve yönetmek için kullanılan bir MLOps platformudur. W&B'yi YOLOv8 ile kullanarak modellerini eğitirken ve ince ayar yaparken performanslarını izleyebilirsin. W&B'nin etkileşimli kontrol paneli bu ölçümlere gerçek zamanlı ve anlaşılır bir bakış sunar; eğilimleri fark etmeyi, model varyantlarını karşılaştırmayı ve eğitim sürecinde sorunları gidermeyi kolaylaştırır.

W&B, eğitim ölçütlerini ve model kontrol noktalarını otomatik olarak kaydeder; hatta öğrenme oranı ve yığın boyutu gibi hiperparametreleri ince ayarlamak için de kullanabilirsin. Platform, çalıştırmaları yerel makinede izlemekten bulut depolama ile büyük ölçekli projeleri yönetmeye kadar çok çeşitli kurulum seçeneklerini destekler.

Şekil 3. Weights & Biases deney takibi kontrol panellerinden bir örnek. Görsel kaynağı: Weights & Biases track experiments.

Weights & Biases'in projen için doğru araç olup olmadığına karar vermene yardımcı olacak bazı noktalar:

• Gelişmiş görselleştirme ve takip: W&B, eğitim ölçütlerini ve model performansını gerçek zamanlı görselleştirmek için sezgisel bir kontrol paneli sunar.

ClearML ile MLOps deney takibi#

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 süreçlerine kolayca entegre olabilir. ClearML ayrıca yerel makinelerde veya bulutta dağıtık hesaplamayı destekler ve CPU ile GPU kullanımını izleyebilir.

YOLOv8'in ClearML ile entegrasyonu, deney takibi, model yönetimi ve kaynak izleme araçları sunar. Platformun kullanımı kolay web arayüzü; verileri görselleştirmene, deneyleri karşılaştırmana ve kayıp, doğruluk ve doğrulama puanları gibi önemli ölçümleri gerçek zamanlı izlemeni sağlar. Entegrasyon ayrıca uzaktan çalıştırma, hiperparametre ayarı ve model kontrol noktaları gibi gelişmiş özellikleri de destekler.

Şekil 4. ClearML deney takibi görselleştirmelerine bir örnek. Görsel kaynağı: ClearML Tracking Experiments and Visualizing Results.

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

• Gelişmiş deney takibi ihtiyacı: ClearML, Git ile otomatik entegrasyonu da içeren güçlü deney takibi özellikleri sunar.
• Esnek dağıtım: ClearML şirket içinde, bulutta veya Kubernetes kümelerinde kullanılabilir; böylece farklı kurulumlara uyum sağlar.

Comet ML ile eğitim deneylerini takip etme#

Comet ML, makine öğrenimi deneylerini yönetmeye ve izlemeye yardımcı olan, kullanımı kolay bir platformdur. YOLOv8'in Comet ML ile entegrasyonu, deneylerini kaydedip sonuçlarını zaman içinde görüntülemene olanak tanır. Bu entegrasyon, eğilimleri fark etmeyi ve farklı çalıştırmaları karşılaştırmayı kolaylaştırır.

Comet ML bulutta, sanal özel bulutta (VPC) veya şirket içinde kullanılabilir; böylece farklı kurulumlara ve gereksinimlere uyum sağlar. Bu araç ekip çalışması için tasarlanmıştır. Projeleri paylaşabilir, ekip arkadaşlarını etiketleyebilir ve herkesin aynı bilgileri görmesini ve deneyleri doğru biçimde yeniden üretmesini sağlamak için yorum bırakabilirsin.

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

• Birden fazla çatı ve dili destekler: Comet ML; Python, JavaScript, Java, R ve daha fazlasıyla çalışır. Bu sayede projen hangi araçları veya dilleri kullanırsa kullansın çok yönlü bir seçenek sunar.
• Özelleştirilebilir kontrol panelleri ve raporlar: Comet ML'in arayüzü son derece özelleştirilebilir; böylece projen için en uygun raporları ve kontrol panellerini oluşturabilirsin.
• Maliyet: Comet ML ticari bir platformdur ve gelişmiş özelliklerinden bazıları ücretli abonelik gerektirir.

Görselleştirmeler için TensorBoard'dan yararlanabilirsin#

TensorBoard, özellikle TensorFlow deneyleri için tasarlanmış güçlü bir görselleştirme araç setidir; ancak çok çeşitli makine öğrenimi projelerindeki ölçütleri izlemek ve görselleştirmek için de harika bir araçtır. Sadelik ve hızıyla bilinen TensorBoard, kullanıcıların temel ölçütleri kolayca takip etmesine ve model grafikleri, gömlemeler ve diğer veri türlerini görselleştirmesine olanak tanır.

TensorBoard'u YOLOv8 ile kullanmanın önemli bir avantajı, kurulumunun çok az işlem gerektirmesidir: tensorboard paketini yükle ve yolo settings tensorboard=True ile günlük kaydını bir kez etkinleştir. TensorBoard'un tamamen şirket içinde çalışabilmesi de başka bir avantajdır. Bu özellik, özellikle katı veri gizliliği gereksinimleri olan veya buluta veri yüklemenin mümkün olmadığı ortamlardaki projeler için önemlidir.

Şekil 5. TensorBoard kullanarak YOLOv8 model eğitimini izleme.

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

• Basit deney takibi: TensorBoard, deney karşılaştırma gereksinimleri sınırlı olan temel takip ihtiyaçları için idealdir; güçlü ekip iş birliği özellikleri, sürüm denetimi ve gizlilik yönetimi sunmaz.

ML deneylerini takip etmek için DVCLive (Data Version Control Live) kullanımı#

YOLOv8'in DVCLive ile entegrasyonu, büyük dosyaları Git'te saklamadan veri kümelerini, modelleri ve kodu birlikte sürümleyerek deneyleri takip etmek ve yönetmek için pratik bir yol sunar. Git benzeri komutlar kullanır ve takip edilen ölçümleri kolay sürüm denetimi için düz metin dosyalarında saklar. DVCLive önemli ölçümleri kaydeder, sonuçları görselleştirir ve deponu karmaşıklaştırmadan deneyleri düzenli biçimde yönetir. Çok çeşitli depolama sağlayıcılarını destekler ve yerel olarak ya da bulutta çalışabilir. DVCLive, ek altyapı veya bulut bağımlılıkları olmadan deney takibini kolaylaştırmak isteyen ekipler için uygundur.

Ultralytics HUB ile Ultralytics modellerini ve iş akışlarını yönetme#

Ultralytics HUB (şimdiki adıyla Ultralytics Platform), YOLOv5 ve YOLOv8 gibi Ultralytics YOLO modellerinin eğitimini, dağıtımını ve yönetimini kolaylaştırmak üzere tasarlanmış, şirket içinde geliştirilen hepsi bir arada bir platformdur. Harici entegrasyonlardan farklı olarak Ultralytics HUB, özellikle YOLO kullanıcıları için oluşturulmuş yerel bir deneyim sunar. Tüm süreci kolaylaştırır; veri kümelerini kolayca yüklemene, önceden eğitilmiş modeller seçmene ve bulut kaynaklarını kullanarak birkaç tıklamayla eğitime başlamana olanak tanır. Üstelik tüm bunları HUB'ın kullanımı kolay arayüzünde yapabilirsin. Ultralytics HUB ayrıca deney takibini destekleyerek eğitim ilerlemesini izlemeyi, sonuçları karşılaştırmayı ve modellere ince ayar yapmayı kolaylaştırır.

Şekil 6. Ultralytics HUB kullanarak YOLOv8 model eğitimini izleme.

Önemli çıkarımlar#

Makine öğrenimi deneylerini takip etmek için doğru aracı seçmek büyük fark yaratabilir. Ele aldığımız araçların tümü YOLOv8 eğitim deneylerini takip etmeye yardımcı olabilir; ancak projen için en uygun olanı bulmak amacıyla her birinin artılarını ve eksilerini değerlendirmek önemlidir. Doğru araç düzenli kalmanı sağlar ve YOLOv8 modelinin performansını iyileştirmene yardımcı olur!

Entegrasyonlar, projelerinde YOLOv8 kullanmanı kolaylaştırabilir ve ilerlemeni hızlandırabilir. Daha fazla YOLOv8 entegrasyonunu keşfetmek için belgelerimize göz at.

GitHub depomuzu keşfederek ve topluluğumuza katılarak yapay zekâ hakkında daha fazla bilgi edin. Yapay zekânın üretim ve sağlık alanlarındaki uygulamalarına dair ayrıntılı bilgiler için çözüm sayfalarımıza göz at.