TensorBoard entegrasyonu ile eğitim metriklerini görselleştirme

Güvenilir bilgisayarlı görü modelleri geliştirmek; genellikle veri toplama, model eğitimi ve olası zorlukları ele alıp performansı iyileştirmek için yinelemeli bir ince ayar süreci gibi birkaç adım içerir. Bu adımlar arasında model eğitimi genellikle en önemlisi olarak kabul edilir.

Eğitim sürecini görselleştirmek, bu adımı daha net hale getirmeye yardımcı olabilir. Ancak ayrıntılı grafikler oluşturmak, görsel verileri analiz etmek ve çizelgeler üretmek çok fazla zaman ve çaba gerektirebilir. Ultralytics tarafından desteklenen TensorBoard entegrasyonu gibi araçlar, anlaşılır görseller ve derinlemesine analizler sunarak bu süreci basitleştirir.

TensorBoard, modelin eğitim sürecine dair gerçek zamanlı içgörüler sağlayan güvenilir bir görselleştirme aracıdır. Nesne algılama ve örnek bölümleme gibi bilgisayarlı görü görevlerindeki doğruluklarıyla tanınan Ultralytics YOLO11 gibi Ultralytics YOLO modelleriyle birlikte kullanıldığında TensorBoard, eğitim ilerlemesini takip etmek için görsel bir kontrol paneli sunar. Bu entegrasyon sayesinde temel metrikleri takip edebilir, eğitim performansını izleyebilir ve modele ince ayar yapıp istenen sonuçları elde etmek için eyleme dönüştürülebilir içgörüler kazanabilirsin.

Bu makalede, TensorBoard entegrasyonunu kullanmanın gerçek zamanlı görselleştirmeler, eyleme dönüştürülebilir içgörüler ve performansı optimize etmeye yönelik pratik ipuçları aracılığıyla Ultralytics YOLO11 model eğitimini nasıl iyileştirdiğini keşfedeceğiz.

Link to this sectionTensorBoard nedir?#

TensorBoard, TensorFlow tarafından geliştirilen açık kaynaklı bir görselleştirme aracıdır. Makine öğrenimi ve bilgisayarlı görü modellerinin geliştirilmesini ve eğitimini desteklemek için temel metrikler ve görselleştirmeler sağlar. Bu araç setinin kontrol paneli; grafikler, görüntüler, metin ve ses dahil olmak üzere çeşitli formatlarda veriler sunarak model davranışının daha derinlemesine anlaşılmasını sağlar. Bu görselleştirmelerle, model performansını iyileştirmek için veriye dayalı daha iyi kararlar alabilirsin.

Şekil 1. Model eğitim grafiklerinin yer aldığı TensorBoard kontrol paneli.

Link to this sectionTensorBoard'un temel özellikleri#

TensorBoard, model iş akışlarının farklı yönlerini geliştirmek için çeşitli özellikler sunar. Örneğin, doğruluk, öğrenme oranı ve kayıp gibi performans metrikleri gerçek zamanlı olarak görselleştirilebilir; bu da modelin nasıl öğrendiğine dair değerli içgörüler sağlar ve eğitim sırasında aşırı uyum (overfitting) veya yetersiz uyum (underfitting) gibi sorunları vurgular.

Bir diğer ilginç özellik, verilerin model boyunca nasıl aktığını görsel olarak eşleyen 'graph' aracıdır. Bu grafiksel gösterim, modelin mimarisini ve karmaşıklığını bir bakışta anlamayı kolaylaştırır.

İşte TensorBoard entegrasyonunun diğer bazı temel özellikleri:

• Veri dağılımını analiz et: TensorBoard; ağırlıklar, yanlılıklar (biases) ve aktivasyonlar gibi modelin dahili değerlerinin ayrıntılı bir dağılımını sağlar. Bunu, verilerin modelin ağı içinde nasıl aktığını öğrenmek ve iyileştirme için potansiyel alanları belirlemek için kullanabilirsin.

• Veri kalıplarını değerlendir: "Histogram" özelliğini kullanarak model parametrelerinin (ağırlıklar, yanlılıklar ve gradyanlar gibi) zaman içindeki dağılımını görselleştirebilirsin. Bu kalıpları okuyarak modeldeki potansiyel yanlılıkları ve darboğazları belirleyebilirsin.

• Yüksek boyutlu verileri keşfet: "Projector" özelliği, karmaşık yüksek boyutlu verileri daha düşük boyutlu bir alana dönüştürebilir. Bu, modelin farklı nesneleri nasıl grupladığını görselleştirmeyi kolaylaştırır.

• Model tahminlerini görselleştir: TensorBoard, girdi görüntülerini, doğru etiketlerini (ground truth) ve modelin tahminlerini yan yana karşılaştırmanı sağlar. Bunu yaparak, modelin bir şeyi yanlış tanımladığı (yanlış pozitifler) veya önemli bir şeyi gözden kaçırdığı (yanlış negatifler) durumlar gibi hataları kolayca tespit edebilirsin.

Link to this sectionUltralytics YOLO modellerine genel bakış#

Ultralytics YOLO (You Only Look Once) modelleri, günümüzde en popüler ve yaygın olarak kullanılan bilgisayarlı görü modelleri arasındadır. Bunlar temel olarak nesne algılama ve örnek bölümleme gibi yüksek performanslı bilgisayarlı görü görevleri için kullanılır. Hızları, doğrulukları ve kullanım kolaylıkları ile geniş çapta tanınan YOLO modelleri; tarım, üretim ve sağlık gibi çeşitli sektörlerde benimsenmektedir.

Her şey, PyTorch gibi araçlarla görü yapay zeka modellerini kullanmayı kolaylaştıran Ultralytics YOLOv5 ile başladı. Ardından, Ultralytics YOLOv8 poz tahmini ve görüntü sınıflandırma gibi özellikler ekledi.

Şimdi ise YOLO11 çok daha iyi bir performans sunuyor. Hatta YOLO11m, COCO veri setinde YOLOv8m'den %22 daha az parametre kullanarak daha yüksek bir ortalama hassasiyet (mAP) elde ediyor, bu da onu nesneleri algılamada hem daha hassas hem de daha verimli kılıyor.

Şekil 2. Nesne algılama için YOLO11 kullanımına bir örnek.

TensorBoard entegrasyonu; temel metrikleri takip etmek ve izlemek, derinlemesine analiz yapmak ve YOLO11'in özel eğitim ve geliştirme sürecini kolaylaştırmak için kullanılabilir. Gerçek zamanlı görselleştirme özellikleri; YOLO11'i oluşturmayı, ince ayar yapmayı ve optimize etmeyi daha verimli hale getirerek geliştiricilerin ve yapay zeka araştırmacılarının daha az çabayla daha iyi sonuçlar elde etmelerine yardımcı olur.

Link to this sectionTensorBoard entegrasyonunu kullanma#

Ultralytics YOLO11'i özel olarak eğitirken TensorBoard entegrasyonunu kullanmak kolaydır. TensorBoard, Ultralytics Python paketi ile sorunsuz bir şekilde entegre olduğundan, ek kurulum veya ayar adımlarına gerek yoktur.

Eğitim başladığında paket; kayıp, doğruluk, öğrenme oranı ve ortalama hassasiyet (mAP) gibi temel metrikleri otomatik olarak belirlenen bir dizine günlüğe kaydeder ve ayrıntılı performans analizi yapılmasına olanak tanır. Bir çıktı mesajı, TensorBoard'un eğitim oturumunu aktif olarak izlediğini onaylayacak ve kontrol paneline http://localhost:6006/ gibi bir URL üzerinden erişebilirsin.

Günlüğe kaydedilen verilere erişmek için TensorBoard'u URL'yi kullanarak başlatabilir ve daha derinlemesine analiz için grafikler, skalerler ve histogramlar gibi araçların yanı sıra kayıp, doğruluk, öğrenme oranı ve mAP gibi metriklerin gerçek zamanlı görselleştirmelerini bulabilirsin.

Bu dinamik ve etkileşimli görseller, eğitim ilerlemesini izlemeyi, sorunları tespit etmeyi ve iyileştirme alanlarını belirlemeyi kolaylaştırır. Bu özelliklerden yararlanan TensorBoard entegrasyonu, YOLO11 eğitim sürecinin şeffaf, düzenli ve anlaşılması kolay kalmasını sağlar.

Google Colab'de çalışan kullanıcılar için TensorBoard doğrudan not defteri hücresi içinde entegre olur; burada yapılandırma komutları eğitim içgörülerine sorunsuz erişim için yürütülür.

Kurulumla ilgili adım adım rehberlik ve en iyi uygulamalar için YOLO11 Kurulum Kılavuzuna göz atabilirsin. Gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan Yaygın Sorunlar Kılavuzu, yararlı çözümler ve sorun giderme ipuçları sunar.

Link to this sectionEğitim metriklerini analiz etme#

Temel eğitim metriklerini anlamak, model performansını değerlendirmek için esastır ve TensorBoard entegrasyonu bunu yapmak için derinlemesine görselleştirmeler sağlar. Peki bu nasıl çalışır?

Bir değerlendirme doğruluk eğrisini gözlemlediğini varsayalım; bu, eğitim ilerledikçe modelin doğrulama verileri üzerindeki doğruluğunun nasıl arttığını gösteren bir grafiktir. Başlangıçta doğruluğun hızla arttığını görebilirsin, bu da modelinin hızlı bir şekilde öğrendiğini ve performansını artırdığını gösterir.

Ancak eğitim devam ettikçe, iyileşme hızı yavaşlayabilir ve eğri düzleşmeye başlayabilir. Bu düzleşme, modelin optimal durumuna yaklaştığını gösterir. Eğitimi bu noktanın ötesinde sürdürmek, önemli iyileştirmeler sağlaması pek olası değildir ve aşırı uyuma (overfitting) yol açabilir.

Bu eğilimleri aşağıda gösterildiği gibi TensorBoard entegrasyonu ile görselleştirerek, modelin optimal durumunu belirleyebilir ve eğitim sürecinde gerekli ayarlamaları yapabilirsin.

Şekil 3. TensorBoard grafiğine bir örnek. Görsel yazar tarafından hazırlanmıştır.

Link to this sectionTensorBoard entegrasyonunun faydaları#

TensorBoard entegrasyonu, YOLO11 model eğitimi ve performans optimizasyonunu iyileştiren çok çeşitli faydalar sunar. Başlıca faydalardan bazıları şunlardır:

• Deneyleri karşılaştır: En iyi performansı gösteren model yapılandırmasını belirlemek için birden fazla eğitim çalışmasını kolayca karşılaştırabilirsin.

• Zamandan ve emekten tasarruf et: Bu entegrasyon, eğitim metriklerini izleme ve analiz etme sürecini düzene sokarak manuel çabayı azaltır ve model geliştirmeyi hızlandırır.

• Özel metrikleri takip et: Uygulama için geçerli olan belirli metrikleri izlemek üzere günlüğe kaydetmeyi yapılandırabilir ve modeline özel daha derin içgörüler sağlayabilirsin.

• Verimli kaynak kullanımı: Eğitim metriklerinin ötesinde, en iyi donanım performansı için özel günlük kaydı aracılığıyla GPU kullanımını, bellek tahsisini ve hesaplama süresini izleyebilirsin.

Şekil 4. TensorBoard entegrasyonunu kullanmanın faydaları. Görsel yazar tarafından hazırlanmıştır.

Link to this sectionTensorBoard entegrasyonunu kullanmak için en iyi uygulamalar#

Artık TensorBoard entegrasyonunun ne olduğunu ve nasıl kullanılacağını anladığımıza göre, bu entegrasyonu kullanmak için en iyi uygulamalardan bazılarını keşfedelim:

• Net adlandırma kuralları kullan: Kafa karışıklığını önlemek ve karşılaştırmaları kolaylaştırmak için model türünü, veri setini ve temel parametreleri içeren yapılandırılmış deney isimleri oluştur.

• Optimal günlük kaydı sıklığını ayarla: YOLO11 model eğitimi sürecini yavaşlatmadan yararlı içgörüler sağlayan aralıklarla veri kaydet.

• Tekrarlanabilirliği ve uyumluluğu sağla: Yeni özelliklere, hata düzeltmelerine ve gelişen veri gereksinimleriyle uyumluluğa erişimi sağlamak için TensorBoard, Ultralytics ve veri setleri gibi paketleri düzenli olarak güncelle.

Bu en iyi uygulamaları izleyerek, YOLO11 geliştirme sürecini daha verimli, düzenli ve üretken hale getirebilirsin. Bilgisayarlı görü iş akışlarını geliştirmek ve modelinin potansiyelini en üst düzeye çıkarmak için mevcut diğer entegrasyonları keşfet.

Link to this sectionÖne çıkanlar#

Ultralytics tarafından desteklenen TensorBoard entegrasyonu, model geliştirme sürecini izlemeyi ve takip etmeyi kolaylaştırarak genel performansı iyileştirir. Sezgisel görselleştirme özellikleri ile TensorBoard; eğitim metriklerine dair içgörüler sağlar, kayıp ve doğruluk trendlerini takip eder ve deneyler arasında sorunsuz karşılaştırmalar yapılmasını sağlar.

Veri hazırlamayı, ayarlar üzerinde ince ayar yapmayı ve model performansını optimize etmek için metrikleri analiz etmeyi kolaylaştırarak karar verme sürecini sadeleştirir. Bu özellikler ayrıca bilgisayarlı görü uygulamaları için pazara daha hızlı giriş ve daha düşük geliştirme maliyetleri gibi önemli iş avantajları sağlar. Net adlandırma ve güncel kalma gibi en iyi uygulamaları kullanarak, geliştiriciler eğitimi daha kolay hale getirebilirler. Daha verimli çalışabilir ve YOLO11 gibi gelişmiş bilgisayarlı görü modelleriyle yeni seçenekleri keşfedebilirler.

Become part of our community and explore our GitHub repository to dive into AI. Discover how computer vision in manufacturing and AI in healthcare are driving innovation by visiting our solutions pages. Don’t forget to check out our licensing options to get started with your vision AI journey today!