Ultralytics Platform ile YOLO modellerini daha hızlı eğit

Geçen hafta Ultralytics, ekiplerin bilgisayarlı görü modelleri oluşturma, eğitme ve dağıtma biçimini kolaylaştırmak için tasarlanmış birleşik bir çalışma alanı olan Ultralytics Platform’u tanıttı. Birden fazla araçla uğraşmak yerine tüm ihtiyaçları tek bir yerde toplayan platform, görsel yapay zekâ modelleriyle fikir aşamasından dağıtıma geçişi kolaylaştırıyor.

Bilgisayarlı görü; üretim denetimi, perakende analitiği ve otonom navigasyon gibi uygulamalara güç verdiği için çeşitli sektörlerin temel bir parçası hâline hızla geliyor. Bu nedenle bilgisayarlı görü kritik önem taşıyor.

Görüntü destekli bu uygulamaları güvenilir sistemlere dönüştürmek, modellerin ne kadar iyi eğitildiğine bağlıdır. Model eğitimi, modelin örüntüleri tanıyıp doğru tahminler yapabilmesi için etiketli verilerden öğrenmesini içerir. Genel olarak iyi eğitilmiş modeller, daha iyi performans ve gerçek dünya uygulamalarında daha güvenilir sonuçlar sunar.

Ancak bilgisayarlı görü modeli eğitmek her zaman kolay değildir. Ortamları kurmak, uygun hesaplama kaynaklarını seçmek, hiperparametreleri ayarlamak ve birden fazla eğitim deneyini takip etmek gibi çeşitli aşamalardan oluşur. Bu adımlar farklı araç ve sistemlere dağıldığında eğitim iş akışı hızla karmaşıklaşır ve yönetilmesi zorlaşır.

Ultralytics Platform, tüm eğitim sürecini tek bir birleşik kontrol panelinde toplayarak bu sorunu çözer. İster bulutta, ister yerel ortamda, ister Google Colab'da çalışıyor ol, eğitim işlerini tek bir yerden yapılandırabilir, başlatabilir ve izleyebilirsin.

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

Bu makalede Ultralytics Platform’un model eğitimini nasıl kolaylaştırdığını ve görsel yapay zekâ projelerinde sana nasıl avantaj sağlayabileceğini inceleyeceğiz.

Bilgisayarlı görü modelleri, model eğitimiyle verilerden öğrenir#

Ultralytics Platform'da model eğitiminin nasıl işlediğine geçmeden önce bir adım geri çekilip model eğitiminin ne olduğunu ve neleri kapsadığını inceleyelim.

Model eğitimi, bir bilgisayarlı görü modelinin görsel verileri yorumlamayı öğrendiği süreçtir. Model, görüntüleri veya videoları analiz eder ve nesne tespiti, örnek bölümleme ve görüntü sınıflandırma gibi görsel görevleri doğru şekilde yerine getirmek için dahili parametrelerini kademeli olarak ayarlar. Zamanla, doğrudan gördüğü verilerden örüntüler öğrenerek gelişir.

Eğitimin kalitesi büyük ölçüde veri kümelerine bağlıdır. Veri kümesini, bir öğretmenin öğrenciye ders vermek için kullandığı bilgi kartları gibi düşünebilirsin; her örnek, modele neye dikkat etmesi gerektiğini öğretir.

Tipik bir bilgisayarlı görü veri kümesi, genellikle JPG veya PNG gibi biçimlerdeki görüntülerden ve her görüntüde nelerin bulunduğunu açıklayan anotasyonlardan oluşur. Genellikle JSON veya TXT dosyalarında saklanan bu anotasyonlar, modelin etkili biçimde öğrenmesi için gereken etiketleri ve bağlamı sağlar.

Ancak eğitim, verileri modele vermekten ibaret değildir. Veri kümesini hazırlamaktan doğru modeli seçmeye ve eğitim sürecini yapılandırmaya kadar birkaç önemli adımı kapsar. Şimdi bu adımlardan bazılarına daha yakından bakalım.

Veri kümelerinin nasıl hazırlandığına bir bakış#

Elinde bir veri kümesi olduğunda hemen model eğitimine başlayabileceğini düşünebilirsin; ancak veri kümesini bölmek gibi öncelikle atman gereken birkaç adım var.

Genellikle bir veri kümesi üç parçaya ayrılır: eğitim kümesi, doğrulama kümesi ve test kümesi. Eğitim görüntüleri modele verideki örüntüleri öğretmek için kullanılırken doğrulama kümesi, eğitim sırasında performansı izlemeye ve ince ayar yapmaya yardımcı olur.

Test kümesi, modelin tamamen yeni ve daha önce görmediği verilerde ne kadar iyi performans gösterdiğini değerlendirmek için en son aşamada kullanılır. Bu düzen, modelin verileri ezberlemekle kalmayıp gerçek dünya senaryolarına genelleme yapabilmesini sağlamaya yardımcı olur.

Eğitim için doğru modeli seçme#

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

Bu modelleri kullanmak, mevcut bilgilerin üzerine inşa ettiğin ve modeli kendi görevine uyarladığın aktarım öğrenmesine örnektir. Bu yaklaşım, özellikle sınırlı veriyle çalışırken eğitimi hızlandırmaya ve sonuçları iyileştirmeye yardımcı olur.

Bu modeller farklı boyutlarda sunulur ve her biri hız ile doğruluk arasında farklı bir denge kurar. Küçük modeller daha hızlı ve verimlidir; büyük modeller ise genellikle daha yüksek doğruluk sunar, ancak daha fazla hesaplama gücü gerektirir.

Görüntü modelleri için eğitim parametrelerini yapılandırma#

Veri kümesini hazırlayıp modelini seçtikten sonra sıradaki adım, modelin nasıl öğreneceğini yapılandırmaktır.

Bilgisayarlı görü modeli, verileri nasıl işlediğini, ağırlıklarını nasıl güncellediğini ve zamanla nasıl geliştiğini belirleyen bir parametre kümesiyle eğitilir. Bu ayarlar hem eğitim hızını hem de nihai doğruluğu doğrudan etkilediğinden güçlü sonuçlar elde etmek için kritik önem taşır.

En sık kullanılan eğitim parametrelerinden bazıları şunlardır:

• Epoch sayısı: Modelin eğitim sırasında veri kümesinin tamamını kaç kez işlediğini belirtir. Epoch sayısını artırmak, modele verilerdeki örüntüleri öğrenmesi için daha fazla fırsat verir.
• Yığın boyutu: Tek bir eğitim adımında birlikte işlenen görüntü sayısıdır. Daha büyük yığın boyutları eğitimi hızlandırabilir, ancak daha fazla bellek gerektirir.
• Görüntü boyutu: Eğitim sırasında kullanılan giriş görüntülerinin çözünürlüğünü belirtir. Daha yüksek çözünürlükler algılama doğruluğunu artırabilir, ancak hesaplama maliyetini de yükseltir.
• Öğrenme oranı: Modelin eğitim sırasında dahili parametrelerini güncelleme hızıdır. Çok yüksek veya çok düşük değerler eğitimi kararsız hâle getirebilir.
• Optimizasyon algoritması: Her eğitim yinelemesinde hesaplanan hataya göre modelin parametrelerini güncelleyen algoritmadır.

Ultralytics YOLO tabanlı iş akışlarında bu ayarlar eğitim argümanları olarak iletilirken veri kümesi bir YAML dosyasında tanımlanır. Bu dosyada veri kümesi yolları, sınıf adları ve verilerin nasıl bölündüğü belirtilir. Modelin veri kümesini nasıl yorumlayacağını bildiren merkezi bir yapılandırma görevi görür.

Parçalı iş akışlarından Ultralytics Platform ile birleşik bir deneyime#

Bilgisayarlı görü modeli eğitmenin veri kümelerini hazırlama, model seçme ve eğitim parametrelerini yapılandırma gibi bazı önemli adımlarını ele aldık. Uygulamada süreç çoğu zaman daha da kapsamlıdır; deneyleri takip etmeyi, birden fazla eğitim çalıştırmasını karşılaştırmayı ve modelleri zaman içinde sürekli iyileştirmeyi de içerir.

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

Ultralytics Platform, tüm eğitim iş akışını tek bir ortamda toplayarak bu karmaşıklığı ortadan kaldırır. Araçlar arasında geçiş yapmak yerine veri kümelerini yönetebilir, eğitimi yapılandırabilir, deneyler yürütebilir ve sonuçları tek bir yerden izleyebilirsin.

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

Ultralytics Platform'un desteklediği eğitim seçenekleri#

Gerçek dünya uygulamalarında bilgisayarlı görü modeli eğitmek çoğu zaman esnek ortamlar gerektirir. Veri kümesinin boyutuna, modelin karmaşıklığına ve mevcut donanıma bağlı olarak eğitimi bulutta, yerel bir makinede veya harici not defteri ortamlarında çalıştırmayı seçebilirsin.

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

• Bulut eğitimi: Eğitim, Ultralytics tarafından yönetilen bulut grafik işlem birimlerinde (GPUs) 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 denemeler, yapılandırmaları test etme veya daha küçük veri kümeleriyle çalışma için uygundur. Daha ölçeklenebilir iş yükleri için eğitimi AWS veya GCP gibi kendi bulut ortamında da çalıştırabilirsin.
• Google Colab: Ultralytics Platform ile Google Colab'ın barındırılan not defteri ortamında eğitim çalıştırabilir, yerel bir makineyi yapılandırmadan esnek ve tarayıcı tabanlı bir iş akışı kullanabilirsin.

Ultralytics Platform'da bulut eğitimini keşfet#

Bilgisayarlı görü projelerinde modelleri yerel olarak veya not defteri ortamlarında eğitmek her zaman kolay değildir.

Örneğin yerel eğitimde performans tamamen donanımına bağlıdır; bu da hesaplama gücünü sınırlayabilir ve denemeleri yavaşlatabilir. Verimli eğitim için GPU'lar gereklidir, ancak her kurulumda GPU'lara güvenilir biçimde erişilemez.

Google Colab gibi not defteri ortamları bulut GPU'ları sunarak bir alternatif sağlasa da oturumlar genellikle geçicidir ve uzun eğitim çalışmalarını kesintiye uğratabilir. Veri kümeleri büyüyüp iş akışları karmaşıklaştıkça bu kısıtlamalar hızla darboğaza dönüşebilir ve eğitimi yavaşlatıp daha az güvenilir hâle getirebilir.

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

Tek bir kontrol panelinden eğitim işlerini başlatabilir ve ilerlemeyi gerçek zamanlı izleyebilirsin. Böylece altyapıyı yönetmek yerine modellerini iyileştirmeye odaklanabilirsin.

Şimdi Ultralytics Platform'da bulut eğitimine nasıl başlayacağına bakalım.

Adım 1: Bir temel model seç#

İlk adım, eğitim çalıştırman için bir temel model seçmektir. Gereksinimlerini karşılamak üzere önceden eğitilmiş bir Ultralytics YOLO modeli seçebilir, topluluk tarafından paylaşılan bir modeli kopyalayabilir veya kendi önceden eğitilmiş ağırlıklarını yükleyebilirsin.

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

Bu modeller; nesne tespiti, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti dahil olmak üzere Ultralytics YOLO kullanıcılarının zaten aşina olduğu çeşitli bilgisayarlı görü görevlerini destekler.

Özel gereksinimlerin varsa kendi önceden eğitilmiş model ağırlıklarını da yükleyebilirsin. Böylece sıfırdan başlamak yerine nesne algılayıcı gibi mevcut bir modeli platformda eğitmeye devam edebilir veya ince ayar yapabilirsin. Başka bir yerde model eğitmiş ya da modeli daha özel bir kullanım senaryosuna uyarlamak istiyorsan bu özellikle yararlıdır.

Adım 2: Bir veri kümesi seç#

Sonraki adım, eğitim için bir veri kümesi seçmektir. Ultralytics Platform’da COCO veri kümesi gibi mevcut veri kümelerini kullanabilir, topluluktan veri kümelerini kopyalayabilir veya belirli uygulamana göre hazırlanmış kendi özel veri kümeni yükleyebilirsin.

Platform, Ultralytics YOLO ve COCO gibi yaygın anotasyon biçimlerini destekler; ayrıca doğrudan platformda özel verileri anotasyonlamayı planlıyorsan ham görüntüleri de işleyebilir.

Yüklendikten sonra veri kümeleri; doğrulama, normalleştirme, etiket ayrıştırma ve istatistik oluşturma dâhil olmak üzere otomatik olarak işlenir. Böylece sınıf dağılımları ve veri kümesi yapısı dâhil olmak üzere verilerini hemen inceleyebilir ve her şeyin eğitime hazır olduğundan emin olabilirsin.

Veri kümeleri ayrıca eğitim çalıştırmalarına otomatik olarak bağlanır. Böylece her model için hangi verilerin kullanıldığını takip edebilir ve deneyler boyunca tutarlılığı koruyabilirsin.

Adım 3: Eğitim parametrelerini yapılandır#

Veri kümesini seçtikten sonra modelin nasıl öğreneceğini belirleyen eğitim parametrelerini yapılandırabilirsin. Bunlar arasında epoch sayısı, yığın boyutu, görüntü boyutu ve eğitim günlüğündeki çalıştırma adı bulunur. Bu parametrelerin çoğu hem eğitim süresini hem de modelin nihai performansını etkiler.

Daha kontrollü bir eğitim için platform; öğrenme oranı, optimizasyon algoritması türü, renk artırma ayarları ve diğer eğitim seçenekleri gibi gelişmiş parametreleri de ayarlamana olanak tanır. Bu ayarlar, model doğruluğunu ve kararlılığını artırmak için eğitim sürecinde ince ayar yapmanı sağlar.

Adım 4: Bir GPU seç#

Ardından eğitim çalıştırman için GPU yapılandırmasını seçebilirsin. Doğru GPU’yu seçmek, veri kümesi boyutu, toplu iş boyutu, görüntü çözünürlüğü ve model karmaşıklığı gibi faktörlere bağlıdır. Doğru dengeyi bulmak, gerekenden fazla hesaplama kaynağı kullanmadan eğitimi verimli tutmaya yardımcı olur.

Ultralytics Platform, farklı VRAM (GPU belleği) ve işlem gücü düzeylerine sahip 26 GPU seçeneği sunarak küçük görevlerden büyük ölçekli iş yüklerine kadar her şeyi destekler.

Bu seçeneklerle, ister hafif modeller eğitiyor ister büyük ve karmaşık veri kümeleriyle çalışıyor ol, donanımı özel ihtiyaçlarına göre belirleyebilirsin. Daha fazla bilgi için Ultralytics Platform eğitim belgeleri sayfasındaki kullanılabilir GPU'lar listesine göz at.

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

Adım 5: Bulut eğitimini başlat#

Modeli, veri kümesini, eğitim parametrelerini ve hesaplama seçeneğini belirledikten sonra eğitim çalıştırmasını başlatmak kolaydır. Kontrol panelinden tek tıklamayla eğitimi başlatabilirsin; platform da ortamı başlatıp işi seçilen GPU'da yürüterek gerisini halleder.

Eğitim başladığında ilerlemeyi doğrudan platformdan izleyebilirsin. Train sekmesi; performans ölçümleri, kayıp eğrileri, sistem kullanımı ve canlı eğitim günlükleri dâhil olmak üzere temel metrikleri gerçek zamanlı görmeni sağlar.

Ultralytics Platform ile yerel eğitim veya Google Colab kullanımı hakkında daha fazla bilgi edinmek için resmî Ultralytics Platform belgelerindeki diğer eğitim içeriklerine göz atabilirsin.

Ultralytics Platform'da modelleri değerlendirme ve karşılaştırma#

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

Model geliştirirken sonuçları iyileştirmek için öğrenme oranı, yığın boyutu veya model boyutu gibi ayarları değiştirerek eğitimi çoğu zaman birden fazla kez tekrarlarsın. Bu çalıştırmaların her biri biraz farklı bir model ortaya çıkarır; bu yüzden onları karşılaştırmak kritik önem taşır.

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

Bu birleşik görünümden, modelinin farklı sınıflardaki performansını anlamak için kesinlik, duyarlılık ve mAP (ortalama kesinlik) gibi temel performans metriklerini de analiz edebilirsin. Ayrıca en iyi sonuçları veren yapılandırmaları belirlemek için eğitim çalıştırmalarını yan yana karşılaştırabilirsin.

Bu metrikleri tamamlamak için Predict sekmesini kullanarak eğitilmiş modelleri örnek görüntüler veya veriler üzerinde hızla test edebilir, böylece performansı görsel olarak doğrulayıp olası sorunları fark edebilirsin.

Bu öngörülerle genellikle “best.pt” kontrol noktası olarak kaydedilen en iyi performanslı modeli seçebilir ve ister daha fazla değerlendirme, ister çıkarım için modeli kullanma, ister platform üzerinden model dağıtımı olsun sonraki aşamaya geçebilirsin.

Şekil 3. Ultralytics Platform’da metrikleri görüntülemeye bir örnek (Kaynak)

Ultralytics Platform’da eğitim maliyetini tahmin etme#

Nesne algılama modellerini bulutta eğitmek, özellikle yüksek performanslı GPU’lara eriştiğinde işlem maliyetlerine yol açar. Bu süreci kolaylaştırmak için Ultralytics Platform, eğitim başlamadan önce bir maliyet tahmini sunar.

Beklenen kullanımı açıkça görmeni sağlayarak iş yüklerini planlamana, bütçeleri yönetmene ve bir eğitim işi başlatmadan önce beklenmedik masraflardan kaçınmana yardımcı olur. Eğitime başlamadan önce tahmini maliyetleri nasıl kontrol edebileceğini aşağıda görebilirsin.

Eğitim süresi nasıl tahmin edilir#

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

Bu girdileri kullanarak epoch başına tahmini süreyi belirler ve bunu tüm eğitim süresine uyarlar. Toplam süre, tüm epoch’ların süreleri ile küçük bir başlangıç ek yükünün 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, seçilen GPU’nun saatlik ücretini kullanarak bu süreyi maliyete dönüştürür.

Eğitim süresini GPU fiyatlandırmasıyla birleştirerek çalışma başlamadan önce maliyetine dair net bir tahmin elde edersin.

Önceden bilgi sahibi olmak; eğitim parametrelerini ayarlamak veya farklı bir GPU seçmek gibi kurulum değişikliklerini kolaylaştırır ve performans ile maliyeti daha etkili biçimde dengelemeni sağlar.

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

Model eğitimi için Ultralytics Platform’u kullanmanın başlıca avantajları#

Şimdiye kadar bilgisayarlı görü modellerini eğitmenin temel adımlarını ve bunların Ultralytics Platform’da nasıl bir araya geldiğini ele aldık.

Bu temel özelliklerin yanı sıra eğitim iş akışını geliştiren başka yetenekler de bulunuyor. Model eğitimi için Ultralytics Platform’u kullanmanın bazı önemli avantajlarına genel bir bakış:

• Yerleşik deney tekrarlanabilirliği: Her eğitim çalışması; model, veri kümesi, parametreler ve işlem kurulumu dâhil olmak üzere tüm yapılandırmasıyla otomatik olarak kaydedilir. Böylece deneyleri yeniden incelemek ve sonuçları güvenilir biçimde tekrarlamak kolaylaşır.
• Zaman içindeki eğitim içgörüleri: Yalnızca nihai sonuçları görüntülemek yerine performansın epoch’lar boyunca nasıl değiştiğini izleyebilir ve eğitim sırasında model davranışını daha iyi anlayabilirsin.
• Daha az operasyonel yük: Platform, ortam kurulumunu, bağımlılık yönetimini ve altyapıyı arka planda üstlenerek kurulumla daha az, model geliştirmeyle daha fazla ilgilenmeni sağlar.
• Merkezi deney düzeni: Projeler; modelleri, veri kümelerini ve eğitim çalışmalarını yönetmek için tek bir alan sunar ve iş akışları karmaşıklaştıkça deneylerin düzenli kalmasına 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 bir araya getiren 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 işleme çözümleri geliştirmek istiyorsan lisans seçeneklerimize göz at. Üretimde bilgisayarlı görü ve tarımda yapay zekânın faydaları hakkında daha fazla bilgi edinmek için çözüm sayfalarımızı incele.