MLflow entegrasyonunu kullanarak Ultralytics YOLO deneylerini günlüğe kaydedin

Bir bilgisayarlı görü projesini bir yapboz gibi düşünebilirsin. Temel olarak veri kümesi toplamak, model eğitmek ve modeli dağıtmak gibi yapboz parçalarını bir araya getirerek makinelere görsel verileri anlamayı öğretirsin. Her şey yerine oturduğunda görüntüleri ve videoları etkili bir şekilde analiz edip anlamlandırabilen bir sistem elde edersin.

Ancak tıpkı gerçek bir yapbozda olduğu gibi, bilgisayarlı görü projesinin her bölümü de kolay değildir. Deney takibi (ayarlarının, yapılandırmalarının ve verilerinin kaydını tutma) ve günlükleme (sonuçları ve performans ölçümlerini kaydetme) gibi görevler çok fazla zaman ve çaba gerektirebilir. Bu adımlar bilgisayarlı görü modellerini iyileştirmek ve geliştirmek için önemli olsa da bazen darboğaz gibi hissedilebilir.

İşte bu noktada Ultralytics YOLO modelleri ve MLflow entegrasyonu devreye girer. Ultralytics YOLO11 gibi modeller; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma dahil olmak üzere çok çeşitli bilgisayarlı görü görevlerini destekler. Bu yetenekler, etkileyici bilgisayarlı görü uygulamaları oluşturmanı sağlar. MLflow entegrasyonu gibi entegrasyonlardan yararlanabilmek, görü mühendislerinin ayrıntılara takılmak yerine modelin kendisine odaklanmasına olanak tanır.

Özellikle MLflow entegrasyonu, eğitim süreci boyunca çeşitli ölçümleri, parametreleri ve yapıtları günlüğe kaydederek süreci basitleştirir. Bu makalede MLflow entegrasyonunun nasıl çalıştığını, avantajlarını ve Ultralytics YOLO iş akışlarını kolaylaştırmak için onu nasıl kullanabileceğini inceleyeceğiz.

MLflow nedir?#

MLflow, makine öğrenimi yaşam döngüsünün tamamını kolaylaştırmak ve yönetmek için tasarlanmış açık kaynaklı bir platformdur (Databricks tarafından geliştirilmiştir). Makine öğrenimi modellerini geliştirme, dağıtma ve sürdürme süreçlerini kapsar.

MLflow aşağıdaki temel bileşenleri içerir:

• Deney takibi: Bu bileşen, her model eğitim çalıştırması için model ayarları, sonuçlar ve dosyalar gibi önemli ayrıntıların kaydedilmesine odaklanır. Modelleri karşılaştırmana, değişikliklerin performansı nasıl etkilediğini görmene ve en iyi modeli bulmana yardımcı olur.
• Model kayıt defteri: Farklı sürümleri takip edebileceğin ve bunları test, hazırlık ve üretim gibi aşamalara göre düzenleyebileceğin modellerin için bir depolama sistemi gibidir.
• Proje paketleme: MLflow, kod, ayarlar ve gerekli araçlar dahil olmak üzere makine öğrenimi projelerini paketlemeyi kolaylaştırır; böylece projeler ekipler ve ortamlar arasında paylaşılabilir ve tutarlı şekilde kullanılabilir.
• Model dağıtımı: MLflow, eğitilmiş modellerini iş istasyonları veya AWS ve Azure gibi bulut platformları gibi ortamlara hızla dağıtman için araçlar sunar ve modelleri gerçek dünyada kullanıma hazır hale getirir.

Şekil 1. MLflow bileşenleri.

MLflow’un bileşenleri, makine öğrenimi sürecinin yönetimini daha kolay ve verimli hale getirir. Bu entegrasyon sayesinde Ultralytics, parametreleri, ölçümleri ve yapıtları YOLO modellerini eğitirken günlüğe kaydetmek için MLflow’un deney takibi özelliğini kullanmanı sağlar. Farklı YOLO model sürümlerini takip edip karşılaştırmayı kolaylaştırır.

MLflow entegrasyonu eğitimi kolaylaştırır#

MLflow’un ne olduğunu ele aldığımıza göre şimdi MLflow entegrasyonunun ayrıntılarına ve sunduğu özelliklere bakalım.

MLflow entegrasyonu, bilgisayarlı görü deneylerinin önemli yönlerini otomatik olarak takip edip günlüğe kaydederek eğitim sürecini daha verimli ve düzenli hale getirmek için tasarlanmıştır. Üç temel günlükleme türünü destekler: ölçümler, parametreler ve yapıtlar.

Her günlükleme türüne daha yakından bakalım:

• Ölçümlerin günlüğe kaydedilmesi: Ölçümler, eğitim sırasında modelinin performansını değerlendiren nicel değerlerdir. Örneğin doğruluk, kesinlik, duyarlılık veya kayıp gibi ölçümler her epoch’un (veri kümen boyunca yapılan tam bir geçiş) sonunda takip edilir.
• Parametrelerin günlüğe kaydedilmesi: Parametreler, model eğitimi başlamadan önce tanımladığın öğrenme oranı, toplu iş boyutu (tek bir eğitim adımında işlenen örnek sayısı) ve epoch sayısı gibi ayarlardır. Bu parametreler modelinin davranışını ve performansını önemli ölçüde etkiler.
• Yapıtların günlüğe kaydedilmesi: Yapıtlar, eğitim sırasında oluşturulan çıktılar veya dosyalardır. Bunlara model ağırlıkları (modelinin eğitim sırasında öğrendiği sayısal değerler), yapılandırma dosyaları (eğitim ayarlarını depolar) ve diğer ilgili veriler gibi temel dosyalar dahildir.

Şekil 2. MLflow entegrasyonunun temel günlükleme özellikleri. Görsel, yazar tarafından hazırlanmıştır.

MLflow entegrasyonu nasıl çalışır?#

MLflow entegrasyonunu etkinleştirmeye yönelik adım adım talimatları Ultralytics belgelerinde bulabilirsin. Kurulum tamamlandıktan sonra entegrasyon, yukarıda açıklandığı gibi eğitim deneylerinin temel ayrıntılarını otomatik olarak takip eder ve günlüğe kaydeder. Bu, manuel takip ihtiyacını ortadan kaldırır ve modellerini geliştirmeye odaklanmana yardımcı olur.

MLflow entegrasyonuyla tüm eğitim çalıştırmaların tek bir yerde depolanır; böylece sonuçları karşılaştırmak ve farklı yapılandırmaları değerlendirmek kolaylaşır. Günlüğe kaydedilen sonuçları karşılaştırarak en iyi performans gösteren yapılandırmaları belirleyebilir ve bu içgörüleri modellerini geliştirmek için kullanabilirsin. Böylece iş akışın daha verimli, iyi belgelenmiş ve yeniden üretilebilir olur.

Özellikle her eğitim oturumu, birden fazla çalıştırma için kapsayıcı görevi gören bir deney içinde düzenlenir. Bir deney kapsamında ilişkili tüm çalıştırmaları görüntüleyebilir, performanslarını yan yana karşılaştırabilir ve farklı yapılandırmalar arasındaki eğilimleri analiz edebilirsin.

Örneğin Ultralytics YOLOv8 ile çeşitli öğrenme oranlarını veya toplu iş boyutlarını test ediyorsan, aşağıda gösterildiği gibi kolay karşılaştırma ve analiz için ilgili tüm çalıştırmalar aynı deney altında gruplanır.

Şekil 3. Deneyleri MLflow entegrasyonunu kullanarak görüntüleyebilirsin.

Bu arada MLflow, her çalıştırma düzeyinde belirli eğitim oturumuna ilişkin ayrıntılı içgörüler sunar. Epoch’lar boyunca doğruluk, kayıp ve kesinlik gibi ölçümleri görüntüleyebilir, kullanılan eğitim parametrelerini (ör. toplu iş boyutu ve öğrenme oranı) kontrol edebilir ve model ağırlıkları ile yapılandırma dosyaları gibi oluşturulan yapıtların erişimine sahip olabilirsin. Bu ayrıntılar düzenli bir biçimde depolanır; böylece herhangi bir çalıştırmayı yeniden incelemek veya yeniden üretmek kolaylaşır.

MLflow entegrasyonunu seçmek: neden öne çıkıyor?#

Ultralytics belgelerini incelerken ve mevcut entegrasyonları keşfederken kendine şunu sorabilirsin: MLflow entegrasyonunu farklı kılan nedir ve iş akışım için neden onu seçmeliyim?

TensorBoard gibi ölçümleri takip etmek ve sonuçları görselleştirmek için araçlar sunan entegrasyonlar da bulunduğundan, MLflow entegrasyonunu öne çıkaran benzersiz özellikleri anlamak önemlidir.

MLflow’un YOLO projelerin için ideal bir seçim olmasının nedenleri şöyle:

• Kullanıcı dostu arayüz: MLflow panosu, deneyleri görüntülemeyi, çalıştırmaları karşılaştırmayı ve sonuçları analiz etmeyi kolaylaştırarak en iyi performans gösteren yapılandırmaları hızla belirlemene yardımcı olur.
• Özel ölçüm günlüğüleme: Görü mühendisleri standart ölçümlere ek olarak özel ölçümleri de günlüğe kaydedebilir; böylece proje gereksinimlerine özgü daha derinlemesine analiz yapılabilir.
• Çok dilli iş akışları desteği: MLflow; Python, R ve Java dahil olmak üzere birden fazla programlama diliyle uyumludur ve farklı makine öğrenimi işlem hatlarına entegrasyonu kolaylaştırır.

Ultralytics YOLO11 ve MLflow entegrasyonunun pratik uygulamaları#

MLflow entegrasyonunu ne zaman kullanabileceğini daha kapsamlı şekilde anlamak için, X-ray veya BT taraması görüntülerindeki tümörleri algılamak üzere Ultralytics YOLO11’i eğitmen gereken bir sağlık hizmetleri yapay zekâ uygulamasını ele alalım.

Böyle bir senaryoda veri kümesi, açıklama eklenmiş tıbbi görüntülerden oluşur. En iyi doğruluğu elde etmek için öğrenme oranlarını, toplu iş boyutlarını ve görüntü ön işleme tekniklerini ayarlamak gibi çeşitli yapılandırmaları denemen gerekir. Sağlık hizmetlerinde riskler yüksek, kesinlik ve güvenilirlik kritik olduğundan her deneyi manuel olarak takip etmek kısa sürede yönetilemez hale gelebilir.

Şekil 4. Ultralytics YOLO11 kullanarak tümörleri algılama.

MLflow entegrasyonu, her deneyin parametrelerini, ölçümlerini ve yapıtlarını otomatik olarak günlüğe kaydederek bu zorluğu giderir. Örneğin öğrenme oranını değiştirir veya yeni bir artırma stratejisi uygularsan MLflow bu değişiklikleri performans ölçümleriyle birlikte kaydeder. Ayrıca MLflow, eğitilmiş model ağırlıklarını ve yapılandırmalarını kaydederek başarılı modellerin kolayca yeniden üretilmesini ve dağıtılmasını sağlar.

Bu, MLflow entegrasyonunun görü yapay zekâ uygulamalarında deney yönetimini nasıl geliştirdiğine dair yalnızca bir örnektir. Aynı özellikler aşağıdakiler dahil olmak üzere diğer bilgisayarlı görü uygulamaları için de geçerlidir:

• Otonom sürüş: Ultralytics YOLO11, sürücüsüz sistemlerin güvenliğini ve verimliliğini artırmak için yayaları, araçları ve trafik işaretlerini gerçek zamanlı olarak algılayıp sınıflandırabilir.
• Perakende analitiği: Nesne algılama modelleri, mağaza içi etkinlikleri video akışları üzerinden analiz ederek müşteri davranışlarını izleyebilir, ürün yerleşimlerini takip edebilir ve envanteri optimize edebilir.
• Güvenlik ve gözetim: Modeller, güvenliği artırmak amacıyla hassas bölgelerde anormallikleri algılamak veya gerçek zamanlı etkinlikleri izlemek üzere eğitilebilir.

MLflow entegrasyonunun avantajları#

YOLO modelleriyle MLflow entegrasyonu, makine öğrenimi deneylerini yönetmeyi daha kolay ve verimli hale getirir. Temel görevleri otomatikleştirip her şeyi düzenli tutarak modellerini oluşturmaya ve geliştirmeye odaklanmanı sağlar. Temel avantajlar şöyle:

• Büyük projeler için ölçeklenebilir: Platform, birden fazla deneyi ve modeli verimli bir şekilde yöneterek daha büyük ekipler ve karmaşık iş akışları için uygun hale gelir.
• Ayrıntılı deney geçmişi: Platform, deneylerin eksiksiz bir geçmişini tutarak geçmiş çalıştırmaları yeniden incelemene, önceki yapılandırmaları analiz etmene ve önceki sonuçlardan öğrenmene olanak tanır.
• Devre dışı bırakma ve sıfırlama seçenekleri: MLflow günlükleme gerektiğinde kolayca devre dışı bırakılabilir ve ayarlar varsayılanlara sıfırlanabilir; böylece farklı iş akışı gereksinimlerine uyum sağlama esnekliği sunulur.

Önemli çıkarımlar#

MLflow entegrasyonu, Ultralytics YOLO deneylerini yönetmeyi ve optimize etmeyi daha kolay ve verimli hale getirir. Parametreler, ölçümler ve yapıtlar gibi temel ayrıntıları otomatik olarak takip ederek süreci basitleştirir ve manuel deney yönetiminin zorluklarını ortadan kaldırır.

İster tümör algılama gibi sağlık çözümleri üzerinde çalışıyor, ister otonom sürüş sistemlerini geliştiriyor, ister perakende analitiğini iyileştiriyor ol; bu entegrasyon her şeyi düzenli ve yeniden üretilebilir tutmana yardımcı olur. Sezgisel arayüzü ve esnekliği sayesinde MLflow, geliştiricilerin daha iyi modeller oluşturmaya ve görü yapay zekâ uygulamalarında yenilik yapmaya odaklanmasını sağlar.

Yapay zekâ hakkında bilgi edinmek için topluluğumuza katıl ve GitHub depomuza göz at. Ayrıca çözümler sayfalarımızda üretimde bilgisayarlı görü veya sürücüsüz otomobillerde yapay zekâ uygulamalarını keşfedebilirsin.