Ultralytics YOLO modelleri ile nasıl eğitilir, doğrulanır, tahmin yapılır, dışa aktarılır ve karşılaştırılır

Hadi Ultralytics dünyasına dalalım ve farklı YOLO modelleri için mevcut olan farklı modları keşfedelim. İster özel nesne algılama modelleri eğitiyor ol, ister segmentasyon üzerinde çalışıyor ol, bu modları anlamak çok önemli bir adımdır. Hadi hemen başlayalım!

Ultralytics belgelerinde, modellerin için kullanabileceğin modları bulabilirsin; ister eğitim, doğrulama, tahmin, dışa aktarma, kıyaslama yap, ister takip et. Bu modların her biri benzersiz bir amaca hizmet eder ve modelinin performansını ve dağıtımını optimize etmene yardımcı olur.

Link to this sectionEğitme modu#

İlk olarak eğitme moduna bakalım. Burası modelini oluşturduğun ve geliştirdiğin yerdir. Dokümantasyonda ayrıntılı talimatları ve video rehberlerini bulabilir, böylece özel modellerini eğitmeye başlamayı kolaylaştırabilirsin.

Model eğitimi, bir modele yeni bir veri kümesi sağlamayı ve çeşitli kalıpları öğrenmesine izin vermeyi içerir. Eğitildikten sonra model, eğitildiği yeni nesneleri gerçek zamanlı olarak algılamak için kullanılabilir. Eğitim sürecini başlatmadan önce, veri kümeni YOLO formatında etiketlemen şarttır.

Link to this sectionDoğrulama modu#

Sırada, doğrulama moduna dalalım. Doğrulama, hiperparametreleri ayarlamak ve modelinin iyi performans gösterdiğinden emin olmak için önemlidir. Ultralytics, otomatik ayarlar, çoklu metrik desteği ve Python API ile uyumluluk dahil olmak üzere çeşitli doğrulama seçenekleri sunar. Hatta doğrulamayı aşağıdaki komutla doğrudan komut satırı arayüzü (CLI) üzerinden çalıştırabilirsin.

Link to this sectionNeden doğrulamalısın?#

Doğrulama şunlar için kritiktir:

• Hassasiyet: Modelinin nesneleri doğru bir şekilde algıladığından emin olmak.
• Kolaylık: Doğrulama sürecini kolaylaştırmak.
• Esneklik: Birden fazla doğrulama yöntemi sunmak.
• Hiperparametre Ayarı: Modelini daha iyi performans için optimize etmek.

Ultralytics ayrıca Python script'lerine kopyalayıp yapıştırabileceğin kullanıcı örnekleri de sağlar. Bu örnekler; görüntü boyutu, yığın boyutu, cihaz (CPU veya GPU) ve kesişim üzerinden birleşim (IoU) gibi parametreleri içerir.

Link to this sectionTahmin modu#

Modelin eğitilip doğrulandıktan sonra, tahmin yapma zamanı geldi. Tahmin modu, yeni veriler üzerinde çıkarım yapmanı ve modelini çalışırken görmeni sağlar. Bu mod, modelinin gerçek dünya verileri üzerindeki performansını test etmek için mükemmeldir. Aşağıdaki Python kod parçası ile resimlerin üzerinde tahminler çalıştırabileceksin!

Link to this sectionDışa aktarma modu#

Doğrulama ve tahmin işlemlerinden sonra modelini dağıtmak isteyebilirsin. Dışa aktarma modu, modelini ONNX veya TensorRT gibi çeşitli formatlara dönüştürmeni sağlar ve böylece farklı platformlarda dağıtımı kolaylaştırır.

Link to this sectionKıyaslama modu#

Son olarak kıyaslama modumuz var. Kıyaslama, modelinin performansını çeşitli senaryolarda değerlendirmek için önemlidir. Bu mod, kaynak tahsisi, optimizasyon ve maliyet verimliliği hakkında bilinçli kararlar almana yardımcı olur.

Link to this sectionNasıl kıyaslanır#

Bir kıyaslama çalıştırmak için dokümantasyonda sağlanan kullanıcı örneklerini kullanabilirsin. Bu örnekler, ONNX ve TensorRT dahil olmak üzere temel metrikleri ve dışa aktarma formatlarını kapsar. Ayrıca farklı ayarların performansı nasıl etkilediğini görmek için tam sayı niceleme (INT8) veya kayan noktalı niceleme (FP16) gibi parametreleri de belirleyebilirsin.

Link to this sectionGerçek dünyadan kıyaslama örneği#

Gerçek bir kıyaslama örneğine bakalım. PyTorch modelimizi kıyasladığımızda, bir RTX 3070 GPU üzerinde 68 milisaniyelik bir çıkarım hızı fark ediyoruz. TorchScript'e aktardıktan sonra, çıkarım hızı 4 milisaniyeye düşüyor ve bu da önemli bir iyileşmeyi gösteriyor.

ONNX modelleri için 21 milisaniyelik bir çıkarım hızı elde ediyoruz. Bu modelleri bir CPU (Intel i9 13. nesil) üzerinde test ettiğimizde farklı sonuçlar görüyoruz. TorchScript 115 milisaniyede çalışırken, ONNX 84 milisaniyede daha iyi performans gösteriyor. Son olarak, Intel donanımı için optimize edilmiş OpenVINO, 23 milisaniyelik müthiş bir hız elde ediyor.

Şekil 1. Nicolai Nielsen, Ultralytics YOLO modelleri ile kıyaslamanın nasıl çalıştırılacağını gösteriyor.

Link to this sectionKıyaslamanın önemi#

Kıyaslama, farklı donanımların ve dışa aktarma formatlarının modelinin performansını nasıl etkileyebileceğini gösterir. Özellikle modellerini özel donanımlarda veya uç cihazlarda dağıtmayı planlıyorsan, onları kıyaslaman çok önemlidir. Bu süreç, modelinin hedef ortam için optimize edildiğinden emin olmanı sağlar ve mümkün olan en iyi performansı sunar.

Link to this sectionSonuç#

Özetle, Ultralytics dokümantasyonundaki modlar; YOLO modellerini eğitmek, doğrulamak, tahmin etmek, dışa aktarmak ve kıyaslamak için güçlü araçlardır. Her mod, modelini optimize etmede ve dağıtıma hazırlamada hayati bir rol oynar.

Keşfetmeyi, topluluğumuza katılmayı ve projelerinde sağlanan kod parçalarını denemeyi unutma. Bu araçlarla, yüksek performanslı modeller oluşturabilir ve her ortamda verimli bir şekilde çalışmalarını sağlayabilirsin.