Ultralytics YOLO modelleri ile eğitim, doğrulama, tahmin, dışa aktarma ve kıyaslama nasıl yapılır

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

Ultralytics dokümantasyonunda, modellerinizi eğitmek, doğrulamak, tahmin etmek, dışa aktarmak, kıyaslamak veya karşılaştırmak için kullanabileceğiniz çeşitli modlar bulacaksınız. track. Bu modların her biri benzersiz bir amaca hizmet eder ve modelinizin performansını ve dağıtımını optimize etmenize yardımcı olur.

Eğitim modu

İlk olarak eğitim moduna bakalım. Modelinizi oluşturduğunuz ve geliştirdiğiniz yer burasıdır. Belgelerde ayrıntılı talimatlar ve video kılavuzları bulabilirsiniz, bu da özel modellerinizi eğitmeye başlamayı kolaylaştırır.

Model eğitimi, bir modele yeni bir veri kümesi sağlayarak çeşitli kalıpları öğrenmesine izin vermeyi içerir. Model eğitildikten sonra, üzerinde eğitildiği yeni nesneleri detect etmek için gerçek zamanlı olarak kullanılabilir. Eğitim sürecine başlamadan önce, veri setinize YOLO formatında açıklama eklemeniz çok önemlidir.

Doğrulama modu

Daha sonra, doğrulama moduna geçelim. Doğrulama, hiperparametreleri ayarlamak ve modelinizin iyi performans göstermesini sağlamak için gereklidir. Ultralytics , otomatik ayarlar, çoklu metrik desteği ve Python API ile uyumluluk dahil olmak üzere çeşitli doğrulama seçenekleri sunar. Doğrulamayı aşağıdaki komutla doğrudan komut satırı arayüzüCLI) üzerinden bile çalıştırabilirsiniz.

Neden doğrulama yapmalısınız?

Doğrulama şunlar için kritik öneme sahiptir:

• Hassasiyet: Modelinizin nesneleri doğru bir şekilde tespit etmesini sağlama.
  ‍
• Kolaylık: Doğrulama sürecini kolaylaştırma.
  ‍
• Esneklik: Birden fazla doğrulama yöntemi sunma.
  ‍
• Hiperparametre Ayarlama: Modelinizi daha iyi performans için optimize etme.

Ultralytics ayrıca Python komut dosyalarınıza kopyalayıp yapıştırabileceğiniz kullanıcı örnekleri de sağlar. Bu örnekler görüntü boyutu, yığın boyutu, cihazCPU veya GPU) ve birleşim üzerinde kesişimIoU) gibi parametreleri içerir.

Tahmin modu

Modeliniz eğitildikten ve doğrulandıktan sonra sıra tahminler yapmaya gelir. Predict modu, yeni veriler üzerinde çıkarım yapmanıza ve modelinizi çalışırken görmenize olanak tanır. Bu mod, modelinizin performansını gerçek dünya verileri üzerinde test etmek için mükemmeldir.

Aşağıdaki python kod parçacığı ile resimleriniz üzerinde tahminler çalıştırabileceksiniz!

Dışa aktarma modu

Doğrulama ve tahmin işlemlerinden sonra modelinizi dağıtmak isteyebilirsiniz. Dışa aktarma modu, modelinizi ONNX veya TensorRT gibi çeşitli biçimlere dönüştürmenize olanak tanıyarak farklı platformlara dağıtmayı kolaylaştırır.

Benchmark modu

Son olarak, benchmark modumuz var. Benchmark, modelinizin performansını çeşitli senaryolarda değerlendirmek için önemlidir. Bu mod, kaynak tahsisi, optimizasyon ve maliyet verimliliği hakkında bilinçli kararlar vermenize yardımcı olur.

Benchmark nasıl yapılır

Bir kıyaslama çalıştırmak için belgelerde verilen kullanıcı örneklerini kullanabilirsiniz. Bu örnekler, ONNX ve TensorRT dahil olmak üzere temel ölçümleri ve dışa aktarma biçimlerini kapsar. Farklı ayarların performansı nasıl etkilediğini görmek için tamsayı niceleme (INT8) veya kayan nokta niceleme (FP16) gibi parametreleri de belirleyebilirsiniz.

Gerçek dünya benchmark örneği

Gerçek dünyadan bir kıyaslama örneğine bakalım. PyTorch modelimizi kıyasladığımızda, RTX 3070 GPU üzerinde 68 milisaniyelik bir çıkarım hızı görüyoruz. TorchScript'e aktardıktan sonra, çıkarım hızı 4 milisaniyeye düşerek önemli bir gelişme 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 çarpıcı bir sonuç elde ediyor.

Benchmark'ın önemi

Benchmark, farklı donanım ve dışa aktarma formatlarının modelinizin performansını nasıl etkileyebileceğini gösterir. Özellikle modellerinizi özel donanım veya uç cihazlarda dağıtmayı planlıyorsanız, modellerinizin benchmark'ını yapmanız çok önemlidir. Bu işlem, modelinizin hedef ortam için optimize edilmesini sağlayarak mümkün olan en iyi performansı sağlar.

Sonuç

Özet olarak, Ultralytics belgelerindeki modlar, YOLO modellerinizi eğitmek, doğrulamak, tahmin etmek, dışa aktarmak ve karşılaştırmak için güçlü araçlardır. Her mod, modelinizi optimize etmede ve dağıtım için hazırlamada hayati bir rol oynar.

Topluluğumuzu keşfetmeyi ve katılmayı unutmayın ve projelerinizde sağlanan kod parçacıklarını deneyin. Bu araçlarla, yüksek performanslı modeller oluşturabilir ve herhangi bir ortamda verimli bir şekilde çalıştıklarından emin olabilirsiniz.