30 Aralık 2024
MLflow entegrasyonu ve kaydının, bilgisayarlı görme uygulamaları için üstün izleme sağlayarak Ultralytics YOLO deneylerinizi nasıl geliştirebileceğini keşfedin.
Bir bilgisayarla görü projesini bir bulmaca gibi düşünebilirsiniz. Esasen, bir veri kümesi toplamak, bir modeli eğitmek ve onu dağıtmak gibi bulmacanın parçalarını bir araya getirerek makinelere görsel verileri anlamayı öğretirsiniz. Her şey yerine oturduğunda, görüntüleri ve videoları etkili bir şekilde analiz edebilen ve anlamlandırabilen bir sistem elde edersiniz.
Ancak, tıpkı gerçek bir bulmaca gibi, bir bilgisayarlı görü projesinin her parçası basit değildir. Deney takibi (ayarlarınızın, yapılandırmalarınızın ve verilerinizin kaydını tutmak) ve günlük kaydı (sonuçları ve performans metriklerini yakalamak) gibi görevler çok fazla zaman ve çaba gerektirebilir. Bu adımlar, bilgisayarlı görü modellerinizi geliştirmek ve iyileştirmek için önemli olsa da, bazen bir darboğaz gibi hissedilebilir.
İşte tam bu noktada Ultralytics YOLO modelleri ve MLflow ile entegrasyonu devreye giriyor. Ultralytics YOLO11 gibi modeller, nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere çok çeşitli bilgisayarla görme görevlerini destekler. Bu yetenekler, heyecan verici bilgisayarla görme uygulamalarının oluşturulmasını sağlar. MLflow entegrasyonu gibi entegrasyonlara güvenme seçeneğine sahip olmak, vizyon mühendislerinin ayrıntılara takılmak yerine modelin kendisine odaklanmasını sağlar.
Özellikle, MLflow entegrasyonu, eğitim süreci boyunca çeşitli metrikleri, parametreleri ve artefaktları kaydederek süreci basitleştirir. Bu makalede, MLflow entegrasyonunun nasıl çalıştığını, faydalarını ve Ultralytics YOLO iş akışlarınızı kolaylaştırmak için nasıl kullanabileceğinizi inceleyeceğiz.
MLflow, tüm makine öğrenimi yaşam döngüsünü kolaylaştırmak ve yönetmek için tasarlanmış (Databricks tarafından geliştirilen) açık kaynaklı bir platformdur. Makine öğrenimi modellerinin geliştirilmesi, dağıtılması ve bakımını kapsar.
MLflow aşağıdaki temel bileşenleri içerir:
MLflow'un bileşenleri, makine öğrenimi sürecini yönetmeyi daha kolay ve daha verimli hale getirir. Bu entegrasyon sayesinde Ultralytics, YOLO modellerini eğitirken parametreleri, metrikleri ve artefaktları kaydetmek için MLflow'un deney izleme özelliğini kullanmayı mümkün kılar. Farklı YOLO model versiyonlarını izlemeyi ve karşılaştırmayı kolaylaştırır.
Artık MLflow'un ne olduğunu ele aldığımıza göre, MLflow entegrasyonunun ayrıntılarına ve sunduğu özelliklere dalalım.
MLflow entegrasyonu, bilgisayarlı görü denemelerinizin önemli yönlerini otomatik olarak izleyerek ve günlüğe kaydederek eğitim sürecini daha verimli ve düzenli hale getirmek için oluşturulmuştur. Üç ana günlük kaydı türünü kolaylaştırır: metrikler, parametreler ve yapıtlar.
İşte her bir günlük kaydı türüne daha yakından bir bakış:
MLflow entegrasyonunu etkinleştirme konusunda adım adım talimatlar için Ultralytics belgelerini inceleyebilirsiniz. Kurulduktan sonra, entegrasyon yukarıda tartışıldığı gibi eğitim deneylerinizin temel ayrıntılarını otomatik olarak izler ve kaydeder. Bu, manuel izleme ihtiyacını ortadan kaldırır ve modellerinizi iyileştirmeye odaklanmanıza yardımcı olur.
MLflow entegrasyonu ile tüm eğitim çalıştırmalarınız tek bir yerde saklanır, bu da sonuçları karşılaştırmayı ve farklı yapılandırmaları değerlendirmeyi kolaylaştırır. Kaydedilen sonuçları karşılaştırarak, en iyi performansı gösteren yapılandırmaları belirleyebilir ve bu bilgileri modellerinizi geliştirmek için kullanabilirsiniz. Bu, iş akışınızın daha verimli, iyi belgelenmiş ve yeniden üretilebilir olmasını sağlar.
Özellikle, her eğitim oturumu, birden çok çalıştırma için bir kapsayıcı görevi gören bir deney olarak düzenlenir. Bir deney içinde, ilişkili tüm çalıştırmaları görüntüleyebilir, performanslarını yan yana karşılaştırabilir ve farklı konfigürasyonlardaki eğilimleri analiz edebilirsiniz.
Örneğin, Ultralytics YOLOv8 ile çeşitli öğrenme oranlarını veya toplu boyutlarını test ediyorsanız, ilgili tüm çalıştırmalar, aşağıda gösterildiği gibi kolay karşılaştırma ve analiz için aynı deney altında gruplandırılır.
Bu arada, bireysel çalıştırma düzeyinde, MLflow belirli eğitim oturumu hakkında ayrıntılı bilgiler sağlar. Epoch'lar boyunca doğruluk, kayıp ve hassasiyet gibi metrikleri görüntüleyebilir, kullanılan eğitim parametrelerini (örneğin, toplu iş boyutu ve öğrenme oranı) kontrol edebilir ve model ağırlıkları ve yapılandırma dosyaları gibi oluşturulan yapıtlarına erişebilirsiniz. Bu ayrıntılar düzenli bir biçimde saklanır ve herhangi bir çalıştırmayı yeniden ziyaret etmeyi veya yeniden oluşturmayı kolaylaştırır.
Ultralytics belgelerini incelerken ve mevcut entegrasyonları keşfederken, kendinize şunu sorabilirsiniz: MLflow entegrasyonunu diğerlerinden ayıran nedir ve iş akışım için neden onu seçmeliyim?
Metrikleri izlemek ve sonuçları görselleştirmek için araçlar sağlayan TensorBoard gibi entegrasyonlarla, MLflow entegrasyonunu öne çıkaran benzersiz nitelikleri anlamak önemlidir.
İşte MLflow'un YOLO projeleriniz için neden ideal bir seçim olabileceği:
MLflow entegrasyonunu ne zaman kullanabileceğinizi daha kapsamlı bir şekilde anlamak için, YOLO11'i X-ray veya BT taraması görüntülerinde tümörleri tespit etmek için eğitmeniz gereken bir sağlık hizmetlerinde yapay zeka uygulamasını ele alalım.
Böyle bir senaryoda, veri kümesi etiketlenmiş tıbbi görüntülerden oluşacaktır. Optimal doğruluğu elde etmek için öğrenme oranlarını, yığın boyutlarını ve görüntü ön işleme tekniklerini ayarlamak gibi çeşitli konfigürasyonlarla denemeniz gerekecektir. Sağlık hizmetlerinde riskler yüksek ve hassasiyet ile güvenilirlik kritik öneme sahip olduğundan, her deneyi manuel olarak izlemek hızla yönetilemez hale gelebilir.
MLflow entegrasyonu, her denemenin parametrelerini, metriklerini ve yapıtlarını otomatik olarak günlüğe kaydederek bu zorluğun üstesinden gelir. Örneğin, öğrenme oranını değiştirirseniz veya yeni bir artırma stratejisi uygularsanız, MLflow bu değişiklikleri performans metrikleriyle birlikte kaydeder. Ayrıca, MLflow eğitilmiş model ağırlıklarını ve yapılandırmalarını kaydederek başarılı modellerin kolayca yeniden üretilmesini ve dağıtılmasını sağlar.
Bu, MLflow entegrasyonunun Vision AI uygulamalarında deney yönetimini nasıl geliştirdiğine dair sadece bir örnektir. Aynı özellikler, aşağıdakiler dahil diğer bilgisayarlı görü uygulamaları için de geçerlidir:
YOLO modelleriyle MLflow entegrasyonu, makine öğrenimi denemelerini yönetmeyi daha kolay ve verimli hale getirir. Temel görevleri otomatikleştirerek ve her şeyi düzenli tutarak, modellerinizi oluşturmaya ve geliştirmeye odaklanmanızı sağlar. İşte temel faydalarına bir bakış:
MLflow entegrasyonu, Ultralytics YOLO denemelerini yönetmeyi ve optimize etmeyi daha kolay ve verimli hale getirir. Parametreler, metrikler ve yapıtlar gibi temel ayrıntıları otomatik olarak izleyerek süreci basitleştirir ve manuel deneme yönetimi zahmetini ortadan kaldırır.
İster tümör tespiti gibi sağlık çözümleri üzerinde çalışıyor, ister otonom sürüş sistemlerini geliştiriyor veya perakende analizlerini iyileştiriyor olun, bu entegrasyon her şeyin düzenli ve yeniden üretilebilir kalmasına yardımcı olur. Sezgisel arayüzü ve esnekliği ile MLflow, geliştiricilerin daha iyi modeller oluşturmaya ve Vision AI uygulamalarında yeniliği yönlendirmeye odaklanmasını sağlar.
Yapay zeka hakkında bilgi edinmek için topluluğumuza katılın ve GitHub depomuza göz atın. Ayrıca çözüm sayfalarımızda bilgisayarlı görü'nün üretimdeki veya yapay zekanın otonom araçlardaki daha fazla uygulamasını keşfedebilirsiniz.
.webp)