Ultralytics YOLO modelleri ile nasıl eğitilir, doğrulanır, tahmin yapılır, dışa aktarılır ve karşılaştırılır
Ultralytics YOLO Modelleri ile nasıl eğitileceğini, doğrulanacağını, tahmin yapılacağını, dışa aktarılacağını ve karşılaştırılacağını öğren!
Ultralytics dünyasına dalalım ve farklı YOLO modelleri için mevcut olan farklı modları keşfedelim. İster özel object detection modelleri eğitiyor ol ister segmentation üzerinde çalışıyor ol, bu modları anlamak çok önemli bir adımdır. Hemen başlayalım!
Ultralytics documentation aracılığıyla modellerin için train, validate, predict, export, benchmark veya track amacıyla kullanabileceğin birkaç modes bulacaksın. Bu modların her biri benzersiz bir amaç sunar ve modelinin performansını ve dağıtımını optimize etmene yardımcı olur.
Eğitme modu#
İlk olarak train moduna bakalım. Burası modelini oluşturup geliştirdiğin yerdir. Belgelerde ayrıntılı talimatlar ve video guides bulabilirsin, böylece özel modellerini eğitmeye başlamak son derece kolaylaşır.
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.
Doğrulama 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.
Neden 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.
Tahmin 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!
Dışa 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.
Kıyaslama 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.
Nasıl 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.
Gerçek 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 kıyaslama (benchmarking) işlemlerinin nasıl çalıştırılacağını gösteriyor.
Kıyaslamanın 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.
Sonuç#
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.
community topluluğumuzu keşfetmeyi ve katılmayı, ayrıca sağlanan kod parçacıklarını projelerinde denemeyi unutma. Bu araçlarla yüksek performanslı modeller oluşturabilir ve bunların her ortamda verimli çalışmasını sağlayabilirsin.
