Ultralytics Platform ile YOLO modellerini daha hızlı eğit

Geçen hafta Ultralytics, ekiplerin bilgisayarlı görü modelleri oluşturma, eğitme ve dağıtma yöntemini basitleştirmek için tasarlanmış birleşik bir çalışma alanı olan Ultralytics Platform'u tanıttı. Birden fazla araçla uğraşmak yerine platform her şeyi tek bir yerde toplar. Görsel yapay zekâ modelleriyle fikirden dağıtıma geçmek zahmetsiz hâle gelir.

Bu çok önemli çünkü bilgisayarlı görü, çeşitli sektörlerin temel bir parçası hâline hızla geliyor. Üretim denetimi, perakende analitiği ve otonom navigasyon gibi uygulamalara güç veriyor.

Görsel yapay zekâ destekli bu uygulamaları güvenilir sistemlere dönüştürmek, modellerin ne kadar iyi eğitildiğine bağlıdır. Model eğitimi, modelin örüntüleri tanıyabilmesi ve doğru tahminler yapabilmesi için etiketli verilerden öğrenmesini içerir. Genel olarak iyi eğitilmiş modeller, gerçek dünya uygulamalarında daha iyi model performansı ve daha güvenilir sonuçlar sağlar.

Ancak bir bilgisayarlı görü modelini eğitmek her zaman kolay değildir. Ortamları kurma, uygun hesaplama kaynaklarını seçme, hiperparametreleri ayarlama ve birden fazla eğitim deneyini izleme gibi çeşitli aşamalardan oluşur. Bu adımlar farklı araçlara ve sistemlere dağıldığında eğitim iş akışı hızla karmaşıklaşır ve yönetilmesi zorlaşır.

Ultralytics Platform, tüm eğitim sürecini tek ve birleşik bir panoda toplayarak bu sorunu çözer. İster bulutta, ister yerel olarak, ister Google Colab üzerinde çalışıyor ol, eğitim işlerini tek bir yerden yapılandırabilir, çalıştırabilir ve izleyebilirsin.

Şekil 1. Ultralytics Platform içinde model eğitimine bir bakış (Kaynak)

Bu makalede Ultralytics Platform'un model eğitimini nasıl kolaylaştırdığını ve görsel yapay zekâ projelerinde sana nasıl avantaj sağlayabileceğini inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görü modelleri verilerden model eğitimi yoluyla öğrenir#

Ultralytics Platform üzerinde model eğitiminin nasıl çalıştığına geçmeden önce bir adım geriye gidip model eğitiminin ne olduğunu ve neleri kapsadığını inceleyelim.

Model eğitimi, bir bilgisayarlı görü modelinin görsel verileri yorumlamayı öğrendiği süreçtir. Görselleri veya videoları analiz eder ve nesne algılama, görüntü sınıflandırma ve örnek segmentasyonu gibi görü görevlerini doğru şekilde gerçekleştirmek için iç parametrelerini kademeli olarak ayarlar. Zamanla model, gördüğü verilerden doğrudan örüntüler öğrenerek gelişir.

Eğitimin kalitesi büyük ölçüde veri kümelerine bağlıdır. Bir veri kümesini, öğretmenin bir öğrenciyi eğitmek için kullanacağı bilgi kartları seti gibi düşünebilirsin; her örnek, modelin ne araması gerektiğini öğrenmesine yardımcı olur.

Tipik bir bilgisayarlı görü veri kümesi, genellikle JPG veya PNG gibi biçimlerdeki görselleri ve her görselde ne olduğunu açıklayan anotasyonları içerir. Genellikle JSON veya TXT dosyalarında saklanan bu anotasyonlar, modelin etkili şekilde öğrenmesi için ihtiyaç duyduğu etiketleri ve bağlamı sağlar.

Ancak eğitim yalnızca verileri bir modele beslemekten ibaret değildir. Veri kümesini hazırlamaktan doğru modeli seçmeye ve eğitim sürecini yapılandırmaya kadar çeşitli önemli adımları kapsar. Şimdi bu adımlardan birkaçına daha yakından bakalım.

Veri kümelerinin nasıl hazırlandığına bir bakış#

Bir veri kümesine sahip olduğunda hemen model eğitmeye başlayabileceğin düşünülebilir; ancak önce veri kümesini bölmek gibi atman gereken birkaç adım vardır.

Genellikle bir veri kümesi üç bölüme ayrılır: eğitim kümesi, doğrulama kümesi ve test kümesi. Eğitim görselleri, modelin verilerdeki örüntüleri öğrenmesi için kullanılırken doğrulama kümesi, eğitim sırasında performansı izlemeye ve ince ayar yapmaya yardımcı olur.

Test kümesi, modelin tamamen yeni ve daha önce görmediği veriler üzerindeki performansını değerlendirmek için en sonda kullanılır. Bu yapı, modelin yalnızca verileri ezberlememesini ve gerçek dünya senaryolarına genelleyebilmesini sağlamaya yardımcı olur.

Eğitim için doğru modeli seçme#

Eğitimden önceki bir diğer önemli adım, kullanmak istediğin modeli seçmektir. Çoğu durumda bu, önceden eğitilmiş bir model seçmek anlamına gelir. Ultralytics YOLO modelleri gibi modeller büyük veri kümeleri üzerinde zaten eğitilmiş ve genel görsel örüntüleri öğrenmiştir; bu da onları güçlü bir başlangıç noktası hâline getirir.

Bu modelleri kullanmak, mevcut bilginin üzerine inşa ederek modeli özel görevine uyarladığın aktarım öğrenmesine bir örnektir. Bu yaklaşım, özellikle sınırlı verilerle çalışırken eğitimi hızlandırmaya ve sonuçları iyileştirmeye yardımcı olur.

Bu modeller farklı boyutlarda da sunulur ve her biri hız ile doğruluk arasında bir denge sağlar. Küçük modeller daha hızlı ve verimliyken büyük modeller genellikle daha yüksek doğruluk sunar ancak daha fazla hesaplama gücü gerektirir.

Görsel modeller için eğitim parametrelerini yapılandırma#

Hazırlanmış veri kümesine sahip olup bir model seçtikten sonra sıradaki adım, modelin nasıl öğreneceğini yapılandırmaktır.

Bir bilgisayarlı görü modeli, verileri nasıl işlediğini, ağırlıklarını nasıl güncellediğini ve zamanla nasıl geliştiğini belirleyen bir parametre kümesi kullanılarak eğitilir. Bu ayarlar hem eğitim hızını hem de nihai doğruluğu doğrudan etkilediğinden güçlü sonuçlar elde etmek için kritik öneme sahiptir.

En yaygın kullanılan eğitim parametrelerinden bazıları şunlardır:

• Epoch sayısı: Modelin eğitim sırasında tüm veri kümesini kaç kez işlediğini ifade eder. Epoch sayısını artırmak, modele verilerdeki örüntüleri öğrenmesi için daha fazla fırsat verir.
• Batch boyutu: Tek bir eğitim adımında birlikte işlenen görsel sayısıdır. Daha büyük batch boyutları eğitimi hızlandırabilir ancak daha fazla bellek gerektirir.
• Görsel boyutu: Eğitim sırasında kullanılan girdi görsellerinin çözünürlüğünü belirtir. Daha yüksek çözünürlükler algılama doğruluğunu artırabilir ancak hesaplama maliyetini yükseltir.
• Öğrenme oranı: Modelin eğitim sırasında iç parametrelerini güncelleme hızıdır. Çok yüksek veya çok düşük değerler eğitimi kararsız hâle getirebilir.
• Optimize edici: Her eğitim iterasyonu sırasında hesaplanan hataya göre modelin parametrelerini güncellemekten sorumlu algoritmadır.

Ultralytics YOLO tabanlı iş akışlarında bu yapılandırmalar genellikle bir YAML dosyasında tanımlanır. Bu dosya veri kümesi yollarını, sınıf adlarını ve verilerin nasıl bölündüğünü belirtir. Modelin veri kümesini nasıl yorumlayacağını bildiren merkezi bir yapılandırma görevi görür.

Parçalı iş akışlarından Ultralytics Platform ile birleşik deneyime#

Bilgisayarlı görü modelini eğitmenin veri kümelerini hazırlama, model seçme ve eğitim parametrelerini yapılandırma gibi temel adımlarından bazılarını ele aldık. Uygulamada süreç genellikle daha da ileri gider; deneyleri izlemeyi, birden fazla eğitim çalışmasını karşılaştırmayı ve modelleri zaman içinde sürekli iyileştirmeyi de içerir.

Bu adımlar nadiren tek bir yerde yönetilir. Veri kümeleri bir araçta hazırlanabilir, eğitim çalışmaları başka bir ortamda yürütülebilir ve deney takibi ayrı olarak yönetilebilir. Projeler büyüdükçe bu parçalanma karmaşıklığı artırır, yinelemeleri yavaşlatır ve her şeyi düzenli tutmayı zorlaştırır.

Ultralytics Platform, tüm eğitim iş akışını tek bir ortama taşıyarak bu karmaşıklığı ortadan kaldırır. Araçlar arasında geçiş yapmak yerine veri kümelerini yönetebilir, eğitimi yapılandırabilir, deneyleri çalıştırabilir ve sonuçları tek bir yerden izleyebilirsin.

Şimdi Ultralytics Platform'un model eğitimini nasıl daha akıllı hâle getirdiğine bakalım.

Ultralytics Platform tarafından desteklenen eğitim seçenekleri#

Gerçek dünya uygulamalarında bir bilgisayarlı görü modelini eğitmek genellikle esnek ortamlar gerektirir. Veri kümenin boyutuna, modelin karmaşıklığına ve mevcut donanıma bağlı olarak eğitimi bulutta, yerel bir makinede veya harici notebook ortamları üzerinden çalıştırmayı seçebilirsin.

Ultralytics Platform, bu ihtiyaçları karşılamak için aşağıdaki eğitim seçeneklerini destekler:

• Bulut eğitimi: Eğitim, Ultralytics tarafından yönetilen bulut grafik işlem birimleri (GPUs) üzerinde çalışır. Bu seçenek, önemli hesaplama kaynakları gerektiren büyük veri kümeleri veya daha karmaşık modeller için idealdir.
• Yerel eğitim: Bu seçenek, makinenin mevcut donanımını kullanır ve hızlı deneyler, yapılandırma testleri veya daha küçük veri kümeleriyle çalışma için uygundur. Daha ölçeklenebilir iş yükleri için eğitim, AWS veya GCP gibi kendi bulut ortamında da çalıştırılabilir.
• Google Colab: Ultralytics Platform ile eğitimi Google Colab'ın barındırılan notebook ortamında çalıştırabilir, yerel bir makineyi yapılandırmadan esnek ve tarayıcı tabanlı bir iş akışı kullanabilirsin.

Ultralytics Platform'da bulut eğitimini keşfetme#

Bilgisayarlı görü projeleri söz konusu olduğunda modelleri yerel olarak veya notebook ortamları üzerinden eğitmek her zaman kolay değildir.

Örneğin yerel eğitimde performans tamamen donanımına bağlıdır; bu durum hesaplama gücünü sınırlayabilir ve denemeleri yavaşlatabilir. Verimli eğitim için GPU'lar gereklidir ancak her kurulum bunlara güvenilir erişim sunmaz.

Google Colab gibi notebook ortamları bulut tabanlı GPU'lar sağlayarak bir alternatif sunsa da oturumlar genellikle geçicidir ve uzun eğitim çalışmalarını kesintiye uğratabilir. Veri kümeleri büyüdükçe ve iş akışları karmaşıklaştıkça bu sınırlamalar hızla darboğazlara dönüşerek eğitimi yavaşlatabilir ve daha az güvenilir hâle getirebilir.

Ultralytics Platform, bulut eğitim seçeneğiyle bu sorunu çözer. Python bağımlılıklarının ve PyTorch gibi çerçevelerin önceden yapılandırıldığı, kullanıma hazır bir ortam sunarak ek kurulum yapmadan eğitime başlamanı sağlar.

Tek bir panodan eğitim işlerini başlatabilir ve ilerlemeyi gerçek zamanlı olarak izleyebilirsin. Bu, altyapıyı yönetmek yerine modellerini geliştirmeye odaklanmanı kolaylaştırır.

Şimdi Ultralytics Platform'da bulut eğitimine nasıl başlayacağını görelim.

Adım: Temel model seçme#

İlk adım, eğitim çalışman için bir temel model seçmektir. Özel gereksinimlerini karşılamak için önceden eğitilmiş bir Ultralytics YOLO modeli seçebilir, topluluk tarafından geliştirilen bir modeli klonlayabilir veya kendi önceden eğitilmiş ağırlıklarını yükleyebilirsin.

Platform; Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 ve Ultralytics YOLOv5 dahil tüm Ultralytics YOLO modellerini destekler. Bu modeller nano (n), küçük (s), orta (m), büyük (l) ve ekstra büyük (x) gibi farklı boyut seçenekleriyle sunulur. Farklı model seçenekleri hız ve doğruluk arasında denge sunduğundan performans ve hesaplama gereksinimlerine uygun bir model seçebilirsin.

Bu modeller, Ultralytics YOLO kullanıcılarının zaten aşina olduğu nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutu (OBB) algılama ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini destekler.

Özel gereksinimlerin varsa kendi önceden eğitilmiş model ağırlıklarını da yükleyebilirsin. Böylece sıfırdan başlamak yerine platform içinde nesne algılayıcı gibi mevcut bir modeli eğitmeye devam edebilir veya ince ayar yapabilirsin. Bu, özellikle başka bir yerde zaten bir model eğittiysen ya da modeli daha özel bir kullanım alanına uyarlamak istiyorsan faydalıdır.

Adım: Veri kümesi seçme#

Sıradaki adım eğitim için bir veri kümesi seçmektir. Ultralytics Platform'da COCO veri kümesi gibi mevcut veri kümelerini kullanabilir, topluluktaki veri kümelerini klonlayabilir veya özel uygulamana göre hazırlanmış kendi veri kümeni yükleyebilirsin.

Platform, Ultralytics YOLO ve COCO gibi yaygın anotasyon biçimlerini destekler ve özel verileri doğrudan platformda anotasyonlamak istiyorsan ham görsel yüklemelerini de işleyebilir.

Yüklendikten sonra veri kümeleri doğrulama, normalleştirme, etiket ayrıştırma ve istatistik oluşturma dahil olmak üzere otomatik olarak işlenir. Bu işlem sınıf dağılımları ve veri kümesi yapısı dahil verilerin hakkında anında görünürlük sağlar ve her şeyin eğitime hazır olmasına yardımcı olur.

Veri kümeleri ayrıca eğitim çalışmalarına otomatik olarak bağlanır; böylece her model için hangi verilerin kullanıldığını izleyebilir ve deneyler arasında tutarlılığı koruyabilirsin.

Adım: Eğitim parametrelerini yapılandırma#

Veri kümesini seçtikten sonra modelin nasıl öğrendiğini kontrol eden eğitim parametrelerini yapılandırabilirsin. Bunlar epoch sayısı, batch boyutu, görsel boyutu ve eğitim günlüğündeki çalışma adı gibi seçenekleri içerir. Bu parametrelerin çoğu hem eğitim süresini hem de modelin nihai performansını etkiler.

Daha kontrollü eğitim için platform; öğrenme oranı, optimize edici türü, renk artırma ayarları ve diğer eğitim seçenekleri gibi gelişmiş parametreleri de ayarlamana olanak tanır. Bu ayarlar, model doğruluğunu ve kararlılığını artırmak için eğitim sürecine ince ayar yapabilir.

Adım: GPU seçme#

Sırada eğitim çalışman için GPU yapılandırmasını seçebilirsin. Doğru GPU'yu seçmek veri kümesi boyutu, batch boyutu, görsel çözünürlüğü ve model karmaşıklığı gibi etkenlere bağlıdır. Doğru dengeyi bulmak, gerekenden fazla hesaplama kaynağı kullanmadan eğitimi verimli tutmana yardımcı olur.

Ultralytics Platform, farklı VRAM (GPU üzerindeki bellek) ve hesaplama gücü düzeylerine sahip 22 GPU seçeneği sunarak küçük görevlerden büyük ölçekli iş yüklerine kadar her şeyi destekler.

Bunu kullanarak donanımı, ister hafif modeller eğitiyor ister büyük ve karmaşık veri kümeleriyle çalışıyor ol, özel ihtiyaçlarınla eşleştirebilirsin. Daha fazla bilgi için mevcut GPU'ların listesini Ultralytics Platform eğitim belgeleri sayfasında incele.

Şekil 2. Ultralytics Platform üzerinden etkinleştirilen GPU seçeneklerinden bazıları (Kaynak)

Adım: Bulut eğitimini başlatma#

Modeli, veri kümesini, eğitim parametrelerini ve hesaplama seçeneğini belirledikten sonra bir eğitim çalışması başlatmak hızlıdır. Panodan tek bir tıklamayla eğitimi başlatabilirsin; platform da ortamı başlatıp işi seçilen GPU üzerinde çalıştırarak geri kalanını halleder.

Eğitim başladığında ilerlemeyi doğrudan platform içinde izleyebilirsin. Train sekmesi; performans metrikleri, kayıp eğrileri, sistem kullanımı ve canlı eğitim günlükleri dahil temel metrikleri gerçek zamanlı olarak görmeni sağlar.

Ultralytics Platform ile yerel olarak veya Google Colab kullanarak eğitim hakkında daha fazla bilgi edinmek için resmî Ultralytics Platform belgeleri içindeki diğer eğitimleri inceleyebilirsin.

Ultralytics Platform'da modelleri değerlendirme ve karşılaştırma#

Eğitim tamamlandığında sıradaki adım modelinin ne kadar iyi performans gösterdiğini değerlendirmektir. Ultralytics Platform'da bir proje içindeki birden fazla eğitim çalışmasını karşılaştırabilir ve farklı deneylerin performansını net biçimde görebilirsin.

Model geliştirirken sonuçları iyileştirmek için öğrenme oranını, batch boyutunu veya model boyutunu değiştirmek gibi farklı ayarlarla eğitim genellikle birden çok kez tekrarlanır. Bu çalışmaların her biri biraz farklı bir model ürettiğinden bunları karşılaştırmak hayati önem taşır.

Projeler, modellerin ve deneylerin birlikte düzenlendiği merkezi bir merkez görevi görür. Farklı araçlar veya görünümler arasında geçiş yapmadan ilerlemeyi izleyebilir, sonuçları inceleyebilir ve odağını koruyabilirsin.

Bu birleşik görünümden precision, recall ve mAP (ortalama hassasiyet) gibi temel performans metriklerini de analiz ederek modelinin farklı sınıflardaki performansını anlayabilirsin. En iyi sonuçları hangi yapılandırmaların sunduğunu belirlemek için eğitim çalışmalarını yan yana da karşılaştırabilirsin.

Bu metrikleri tamamlamak için Predict sekmesini kullanarak eğitilmiş modelleri örnek görseller veya veriler üzerinde hızlıca test edebilir, performansı görsel olarak doğrulayabilir ve olası sorunları fark edebilirsin.

Bu içgörülerle genellikle “best.pt” kontrol noktası olarak kaydedilen en iyi performans gösteren modeli seçebilir ve sonraki aşamaya geçebilirsin. Bu aşama ek değerlendirme, çıkarım çalıştırmak için modeli kullanma veya platform üzerinden model dağıtımı olabilir.

Şekil 3. Ultralytics Platform'da metriklerin görüntülenmesine bir örnek (Kaynak)

Ultralytics Platform içinde eğitim maliyetini tahmin etme#

Nesne algılama modellerini bulutta eğitmek, özellikle yüksek performanslı GPU'lara eriştiğinde hesaplama maliyetlerine yol açar. Ultralytics Platform, bunu kolaylaştırmak için eğitim başlamadan önce maliyet tahmini sunar.

Platform, beklenen kullanımı net biçimde görmeni sağlayarak iş yüklerini planlamana, bütçeleri yönetmene ve bir eğitim işi başlatmadan önce beklenmeyen harcamalardan kaçınmana yardımcı olur. Eğitime başlamadan önce tahmini maliyetleri nasıl kontrol edebileceğin aşağıda açıklanmıştır.

Eğitim süresi nasıl tahmin edilir?#

Maliyeti doğru şekilde tahmin etmek için platform önce tek bir eğitim epoch'unun ne kadar süreceğini hesaplar. Bu süre veri kümesi boyutu, model boyutu, görsel çözünürlüğü, batch boyutu ve seçilen GPU'nun hızı gibi etkenlere bağlıdır.

Bu girdileri kullanarak epoch başına tahmini süreyi belirler ve bunu tüm eğitim çalışmasına ölçekler. Toplam süre, tüm epoch'lar boyunca geçen sürenin küçük bir başlangıç ek yüküyle birleştirilmesiyle hesaplanır.

Ek yük; ortamı başlatma, veri kümelerini yükleme ve GPU'yu hazırlama gibi görevleri kapsar. Böylece tahmin yalnızca eğitim döngüsünü değil, tüm eğitim sürecini yansıtır.

Eğitim maliyeti nasıl hesaplanır?#

Toplam eğitim süresi tahmin edildikten sonra platform bunu seçilen GPU'nun saatlik ücretini kullanarak maliyete dönüştürür.

Eğitim süresini GPU fiyatlandırmasıyla birleştirerek çalışma başlamadan önce ne kadara mal olacağına dair net bir tahmin elde edebiliriz.

Önceden görünürlük, eğitim parametrelerini ayarlamak veya farklı bir GPU seçmek gibi kurulum değişikliklerini kolaylaştırır; böylece performans ile maliyet arasında daha etkili bir denge kurabilirsin.

Şekil 4. Ultralytics Platform içinde model eğitimini ayarlama ve maliyeti tahmin etme (Kaynak)

Model eğitimi için Ultralytics Platform'u kullanmanın temel avantajları#

Şimdiye kadar bilgisayarlı görü modellerini eğitmenin temel adımlarını ve bu adımların Ultralytics Platform'da nasıl bir araya geldiğini ele aldık.

Bu temel özelliklerin yanı sıra eğitim iş akışını geliştiren ek yetenekler de vardır. Ultralytics Platform'u model eğitimi için kullanmanın temel avantajlarından bazıları şöyle:

• Yerleşik deney tekrarlanabilirliği: Her eğitim çalışması model, veri kümesi, parametreler ve hesaplama kurulumu dahil olmak üzere tüm yapılandırmasıyla otomatik olarak günlüğe kaydedilir. Bu, deneyleri yeniden ziyaret etmeyi ve sonuçları güvenilir şekilde tekrarlamayı kolaylaştırır.
• Zaman içindeki eğitim içgörüleri: Yalnızca nihai sonuçları görüntülemek yerine, performansın epoch'lar boyunca nasıl değiştiğini takip ederek eğitim sırasında model davranışını daha iyi anlayabilirsin.
• Azaltılmış operasyonel yük: Platform, ortam kurulumunu, bağımlılık yönetimini ve altyapıyı arka planda ele alarak model geliştirmeye daha fazla, kuruluma ise daha az odaklanmanı sağlar.
• Merkezi deney organizasyonu: Projeler; modelleri, veri kümelerini ve eğitim çalıştırmalarını yönetmek için tek bir alan görevi görerek iş akışları karmaşıklaştıkça deneylerini düzenli tutmana yardımcı olur.

Önemli çıkarımlar#

Eğitim, makine öğrenimi modeli yaşam döngüsünün en önemli aşamalarından biridir. Bir modelin görsel verileri ne kadar doğru tanıyıp yorumlayabileceğini belirler.

Eğitim verisi yapılandırmasını, izlemeyi, deney karşılaştırmasını ve maliyet tahminini tek bir ortamda birleştiren Ultralytics Platform, yüksek performanslı bilgisayarlı görü modelleri oluşturma ve bunları dağıtıma hazırlama sürecini kolaylaştırır.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için büyüyen topluluğumuza ve GitHub depomuza göz at. Görüntü çözümleri oluşturmak istiyorsan lisans seçeneklerimize göz at. Üretimde bilgisayarlı görü ve tarımda yapay zekânın faydaları hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı incele.