Ultralytics YOLOv8'in makine öğrenimi deney takip entegrasyonlarını keşfetme

Veri toplamak, verileri açıklamak ve eğitim gerçekleştirmek, Ultralytics YOLOv8 modeli gibi modellerle yapılan her bilgisayarlı görü projesinin temelini oluşturur. En iyi modeli oluşturmak için özel modelini farklı parametrelerle birden çok kez eğitmen gerekebilir. Eğitim deneylerini izlemeye yönelik araçları kullanmak, bilgisayarlı görü projeni yönetmeyi biraz kolaylaştırabilir. Deney izleme, kullandığın parametreler, elde ettiğin sonuçlar ve süreç boyunca yaptığın değişiklikler gibi her eğitim çalıştırmasının ayrıntılarını kaydetme işlemidir.

Şekil 1. Deney izlemenin bir bilgisayarlı görü projesine nasıl uyduğunu gösteren bir görüntü.

Bu ayrıntıları kaydetmek, sonuçlarını yeniden üretmene, neyin işe yarayıp neyin yaramadığını anlamana ve modellerine daha etkili şekilde ince ayar yapmana yardımcı olur. Kuruluşlar için ekipler arasındaki tutarlılığın korunmasına, iş birliğinin geliştirilmesine ve açık bir denetim izi oluşturulmasına yardımcı olur. Bireyler içinse çalışmalarıyla ilgili, yaklaşımını zaman içinde geliştirmeni ve daha iyi sonuçlar elde etmeni sağlayan açık ve düzenli bir belgelendirme tutmaktır.

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

MLflow ile makine öğrenimi deneyi izleme#

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 günlüğe kaydetmesine ve görselleştirmesine yardımcı olan bir API ve kullanıcı arayüzü sağlayan temel bir MLflow bileşenidir. Python, REST, Java ve R API'leri dahil olmak üzere birden çok dili ve arayüzü destekler.

MLflow Tracking, YOLOv8 ile sorunsuz biçimde entegre olur ve modellerinden kesinlik, duyarlılık ve kayıp gibi önemli metrikleri doğrudan günlüğe 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 izleme sunucusu başlatabilirsin.

Şekil 2. MLflow izleme 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 çalışıyor ister büyük kümelere dağıtım yapıyor ol, MLflow ihtiyaçların doğrultusunda iyi ölçeklenir. Projen geliştirme aşamasından üretime ölçeklenmeyi gerektiriyorsa MLflow bu büyümeyi destekleyebilir.
• Proje karmaşıklığı: MLflow, kapsamlı izleme, model yönetimi ve dağıtım yeteneklerine ihtiyaç duyan karmaşık projeler için idealdir. Projen bu tam kapsamlı özellikleri gerektiriyorsa MLflow iş akışlarını kolaylaştırabilir.
• Kurulum ve bakım: Güçlü olmasına rağmen MLflow'un bir öğrenme eğrisi ve kurulum yükü vardır.

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

Weights & Biases, makine öğrenimi deneylerini izlemeye, görselleştirmeye ve yönetmeye yönelik bir MLOps platformudur. W&B'yi YOLOv8 ile kullanarak, eğitim ve ince ayar sırasında modellerinin performansını izleyebilirsin. W&B'nin etkileşimli panosu, bu metrikleri gerçek zamanlı olarak net biçimde görüntüler ve eğitim sürecinde eğilimleri fark etmeyi, model varyantlarını karşılaştırmayı ve sorunları gidermeyi kolaylaştırır.

W&B, eğitim metriklerini ve model kontrol noktalarını otomatik olarak günlüğe kaydeder; ayrıca öğrenme oranı ve yığın boyutu gibi hiperparametrelerde ince ayar yapmak için de kullanabilirsin. Platform, çalıştırmaları yerel makinen üzerinde izlemekten büyük ölçekli projeleri bulut depolamayla yönetmeye kadar çok çeşitli kurulum seçeneklerini destekler.

Şekil 3. Weights & Biases'in deney izleme panolarına 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 izleme: W&B, eğitim metriklerini ve model performansını gerçek zamanlı olarak görselleştirmek için sezgisel bir pano sunar.
• Fiyatlandırma modeli: Fiyatlandırma, izlenen saatlere dayanır; bu da bütçesi sınırlı kullanıcılar veya uzun eğitim süreleri içeren projeler için ideal olmayabilir.

ClearML ile MLOps deneyi 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, deney izleme, model yönetimi ve kaynak izleme için araçlar sunar. Platformun sezgisel web kullanıcı arayüzü, verileri görselleştirmeni, deneyleri karşılaştırmanı ve kayıp, doğruluk ve doğrulama skorları gibi kritik metrikleri gerçek zamanlı izlemeni sağlar. Entegrasyon ayrıca uzak yürütme, hiperparametre ayarlama ve model kontrol noktası oluşturma gibi gelişmiş özellikleri de destekler.

Şekil 4. ClearML'in deney 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 noktalar:

• Gelişmiş deney izleme ihtiyacı: ClearML, Git ile otomatik entegrasyon içeren güçlü bir deney izleme olanağı sunar.
• Esnek dağıtım: ClearML şirket içinde, bulutta veya Kubernetes kümelerinde kullanılabilir; bu da onu farklı kurulumlara uyarlanabilir hale getirir.

Comet ML ile eğitim deneylerini izleme#

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

Comet ML bulutta, sanal özel bulutta (VPC) veya şirket içinde kullanılabilir; bu da onu farklı kurulumlara ve ihtiyaçlara uyarlanabilir hale getirir. Bu araç ekip çalışması için tasarlanmıştır. Projeleri paylaşabilir, ekip arkadaşlarını etiketleyebilir ve herkesin aynı bilgiye sahip olmasını ve deneyleri doğru şekilde yeniden üretmesini sağlamak için yorum bırakabilirsin.

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

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

TensorBoard görselleştirmelere yardımcı olabilir#

TensorBoard, özellikle TensorFlow deneyleri için tasarlanmış güçlü bir görselleştirme araç setidir; ancak çok çeşitli makine öğrenimi projelerinde metrikleri izlemek ve görselleştirmek için de harika bir araçtır. Sadelik ve hızıyla tanınan TensorBoard, kullanıcıların temel metrikleri kolayca izlemesine ve model grafiklerini, gömüleri ve diğer veri türlerini görselleştirmesine olanak tanır.

TensorBoard'u YOLOv8 ile kullanmanın önemli bir avantajı, ek kurulum gereksinimini ortadan kaldıracak şekilde kullanıma hazır olarak önceden kurulmuş gelmesidir. Bir diğer avantajı da TensorBoard'un tamamen şirket içinde çalışabilmesidir. Bu özellik, katı veri gizliliği gereksinimleri olan veya buluta yüklemenin mümkün olmadığı ortamlardaki projeler için özellikle önemlidir.

Şekil 5. TensorBoard kullanarak YOLOv8 model eğitimini izleme.

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

• 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 modeller hakkında içgörü edinmek ve açıklanabilirliği geliştirmek isteyenler için değerlidir.
• Basit deney izleme: TensorBoard, sınırlı deney karşılaştırması içeren temel izleme ihtiyaçları için idealdir; ancak güçlü ekip iş birliği özelliklerinden, sürüm denetiminden ve gizlilik yönetiminden yoksundur.

ML deneylerini izlemek için DVCLive (Canlı Veri Sürüm Kontrolü) kullanımı#

YOLOv8'in DVCLive ile entegrasyonu, büyük dosyaları Git'te depolamadan veri kümelerini, modellerini ve kodunu birlikte sürümlendirerek deneyleri izlemek ve yönetmek için kolaylaştırılmış bir yöntem sunar. Git benzeri komutlar kullanır ve izlenen metrikleri kolay sürüm denetimi için düz metin dosyalarında depolar. DVCLive temel metrikleri günlüğe kaydeder, sonuçları görselleştirir ve deponu karmaşıklaştırmadan deneyleri düzenli biçimde yönetir. Çok çeşitli depolama sağlayıcılarını destekler ve yerel olarak veya bulutta çalışabilir. DVCLive, ek altyapı veya bulut bağımlılıkları olmadan deney izlemeyi kolaylaştırmak isteyen ekipler için idealdir.

Ultralytics HUB ile Ultralytics modellerini ve iş akışlarını yönetme#

Ultralytics HUB, YOLOv5 ve YOLOv8 gibi Ultralytics YOLO modellerinin eğitimini, dağıtımını ve yönetimini kolaylaştırmak için tasarlanmış, şirket içi hepsi bir arada bir platformdur. Harici entegrasyonların aksine Ultralytics HUB, özellikle YOLO kullanıcıları için oluşturulmuş sorunsuz ve yerel bir deneyim sunar. Tüm süreci basitleştirerek veri kümelerini kolayca yüklemene, önceden eğitilmiş modelleri seçmene ve HUB'ın kullanımı kolay arayüzünü kullanarak bulut kaynaklarıyla yalnızca birkaç tıklamayla eğitimi başlatmana olanak tanır. Ultralytics HUB ayrıca deney izlemeyi de destekler; böylece eğitim ilerlemesini izlemek, sonuçları karşılaştırmak ve modellere ince ayar yapmak kolaylaşır.

Şekil 6. Ultralytics HUB kullanarak YOLOv8 model eğitimini izleme.

Önemli çıkarımlar#

Makine öğrenimi deneylerini izlemek için doğru aracı seçmek büyük fark yaratabilir. Ele aldığımız tüm araçlar YOLOv8 eğitim deneylerini izlemeye yardımcı olabilir; ancak projen için en uygun seçeneği bulmak amacıyla her birinin avantajlarını ve dezavantajlarını tartmak önemlidir. Doğru araç, düzenli kalmanı sağlar ve YOLOv8 modelinin performansını geliştirmene yardımcı olur!

Entegrasyonlar, yenilikçi projelerinde YOLOv8'i kullanmayı kolaylaştırabilir ve ilerlemeni hızlandırabilir. Daha ilgi çekici YOLOv8 entegrasyonlarını keşfetmek için belgelerimize göz at.

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