Ultralytics YOLOv8'in ML deney takip entegrasyonlarını keşfetmek

Veri toplamak, etiketlemek ve Ultralytics YOLOv8 model gibi modelleri eğitmek, herhangi bir computer vision projesinin temelidir. Çoğu zaman, en optimal modeli oluşturmak için özel modelinizi farklı parametrelerle birkaç kez eğitmeniz gerekir. Eğitim denemelerinizi takip etmek için araçlar kullanmak, computer vision project yönetiminizi biraz daha kolaylaştırabilir. Deneme takibi; kullandığınız parametreler, elde ettiğiniz sonuçlar ve yol boyunca yaptığınız değişiklikler gibi her eğitim çalıştırmasının ayrıntılarını kaydetme sürecidir.

Fig 1. Deneme takibinin bir computer vision projesine nasıl uyduğunu gösteren bir görsel.

Bu ayrıntıların kaydını tutmak, sonuçlarınızı yeniden üretmenize, neyin işe yarayıp neyin yaramadığını anlamanıza ve modellerinizi daha etkili bir şekilde fine-tune etmenize yardımcı olur. Kuruluşlar için ekipler arası tutarlılığı korumaya yardımcı olur, işbirliğini teşvik eder ve net bir denetim izi sağlar. Bireyler için ise yaklaşımınızı geliştirmenize ve zamanla daha iyi sonuçlar elde etmenize olanak tanıyan, işinizin net ve düzenli dokümantasyonunu sürdürmekle ilgilidir.

Bu makalede, YOLOv8 denemelerinizi yönetmek ve izlemek için mevcut olan farklı eğitim entegrasyonları boyunca size rehberlik edeceğiz. İster kendi başınıza ister daha büyük bir ekibin parçası olarak çalışın, doğru takip araçlarını anlamak ve kullanmak YOLOv8 projelerinizin başarısında gerçek bir fark yaratabilir.

MLflow 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, anımsama ve kayıp gibi önemli metrikleri doğrudan modellerinizden günlüğe kaydedebilirsiniz. MLflow'u YOLOv8 ile kurmak basittir ve esnek seçenekler vardır: varsayılan localhost kurulumunu kullanabilir, çeşitli veri depolarına bağlanabilir veya her şeyi düzenli tutmak için uzak bir MLflow tracking sunucusu başlatabilirsiniz.

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.

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

Weights & Biases, machine learning denemelerini takip etmek, görselleştirmek ve yönetmek için bir MLOps platformudur. W&B'yi YOLOv8 ile kullanarak, modellerinizin performansını eğitirken ve fine-tune ederken izleyebilirsiniz. W&B'nin etkileşimli panosu, bu metriklerin net, gerçek zamanlı bir görünümünü sağlar ve eğitim süreci sırasında eğilimleri fark etmeyi, model varyantlarını karşılaştırmayı ve sorunları gidermeyi kolaylaştırır.

W&B eğitim metriklerini ve model kontrol noktalarını otomatik olarak günlüğe kaydeder; ayrıca bunu öğrenme oranı ve toplu iş boyutu gibi hiperparametreleri fine-tune etmek için bile kullanabilirsiniz. Platform, yerel makinenizde çalıştırmaları takip etmekten bulut depolama ile büyük ölçekli projeleri yönetmeye kadar çok çeşitli kurulum seçeneklerini 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.

ClearML 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.

ClearML ile YOLOv8 entegrasyonu, deneme takibi, model yönetimi ve kaynak izleme için araçlar sağlar. Platformun sezgisel web arayüzü, verileri görselleştirmenize, denemeleri karşılaştırmanıza ve kayıp, doğruluk ve doğrulama skorları gibi kritik metrikleri gerçek zamanlı olarak takip etmenize olanak tanır. Entegrasyon ayrıca uzaktan yürütme, hiperparametre ayarlama 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.

Comet ML kullanarak eğitim deneyimlerini izleme#

Comet ML, machine learning denemelerini yönetmenize ve takip etmenize yardımcı olan kullanıcı dostu bir platformdur. Comet ML ile YOLOv8 entegrasyonu, denemelerinizi günlüğe kaydetmenize ve sonuçlarınızı zaman içinde görüntülemenize olanak tanır. 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 çok çerçeveyi ve dili destekler: Comet ML, Python, JavaScript, Java, R ve daha fazlasıyla çalışarak projenizin hangi araçları veya dilleri kullandığından bağımsız olarak onu 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.

TensorBoard 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, uygun bir şekilde önceden yüklenmiş olarak gelmesi ve ek kurulum ihtiyacını ortadan kaldırmasıdır. Başka bir fayda ise TensorBoard'un tamamen yerinde (on-premises) çalışabilme yeteneğidir. Bu, özellikle katı veri gizliliği gereksinimleri olan projeler veya bulut yüklemelerinin bir seçenek olmadığı ortamlardakiler için çok önemlidir.

Fig 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.

ML deneyimlerini izlemek için DVCLive (Data Version Control Live) kullanımı#

DVCLive ile YOLOv8 entegrasyonu, büyük dosyaları Git'te depolamadan veri setlerinizi, modellerinizi ve kodunuzu birlikte sürümleyerek denemeleri takip etmek ve yönetmek için kolaylaştırılmış bir yol sağlar. Git benzeri komutlar kullanır ve kolay sürüm kontrolü için takip edilen metrikleri düz metin dosyalarında depolar. DVCLive anahtar metrikleri günlüğe kaydeder, sonuçları görselleştirir ve deponuzu dağınıklık yaratmadan denemeleri temiz bir şekilde yönetir. Çok çeşitli depolama sağlayıcılarını destekler ve yerel olarak veya bulutta çalışabilir. DVCLive, ek altyapı veya bulut bağımlılıkları olmadan deneme takibini kolaylaştırmak isteyen ekipler için mükemmeldir.

Ultralytics HUB kullanarak Ultralytics modellerini ve iş akışlarını yönetme#

Ultralytics HUB, YOLOv5 ve YOLOv8 gibi Ultralytics YOLO modellerinin eğitilmesini, dağıtılmasını ve yönetimini basitleştirmek için tasarlanmış şirket içi, hepsi bir arada bir platformdur. Harici entegrasyonların aksine Ultralytics HUB, özellikle YOLO kullanıcıları için oluşturulmuş kusursuz, yerel bir deneyim sunar. Tüm süreci basitleştirerek veri setlerini kolayca yüklemenize, önceden eğitilmiş modelleri seçmenize ve bulut kaynaklarını kullanarak yalnızca birkaç tıklamayla eğitime başlamanıza olanak tanır; bunların tümü HUB'ın kullanımı kolay arayüzünde gerçekleşir. Ultralytics HUB ayrıca deneme takibini destekleyerek eğitim ilerlemesini izlemeyi, sonuçları karşılaştırmayı ve modelleri fine-tune etmeyi kolaylaştırır.

Fig 6. Ultralytics HUB kullanarak YOLOv8 model eğitimini izleme.

Öne 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, yenilikçi projelerinizde YOLOv8 kullanımını basitleştirebilir ve ilerlemenizi hızlandırabilir. Daha heyecan verici YOLOv8 entegrasyonlarını keşfetmek için dokümantasyonumuza göz atın.

GitHub repository'mizi keşfederek ve our community'ye katılarak AI hakkında daha fazla bilgi edin. manufacturing ve healthcare sektörlerinde AI hakkında ayrıntılı bilgiler için çözümler sayfalarımıza göz at. 🚀