Eğitim metriklerini TensorBoard entegrasyonuyla 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 çeşitli adımları içerir. Bu adımlar arasında model eğitimi genellikle en önemli adım olarak kabul edilir.

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

TensorBoard, bir modelin eğitim ilerlemesi hakkında gerçek zamanlı içgörüler sağlayan güvenilir bir görselleştirme aracıdır. Ultralytics YOLO11 gibi bilgisayarlı görü görevlerinde, örneğin nesne tespiti ve örnek segmentasyonunda doğruluklarıyla öne çıkan Ultralytics YOLO modelleriyle kullanıldığında TensorBoard, eğitim ilerlemesini izlemek için görsel bir pano sunar. Bu entegrasyonla temel metrikleri takip edebilir, eğitim performansını izleyebilir ve modeli ince ayarlayarak istediğin sonuçlara ulaşmak için uygulanabilir içgörüler elde edebilirsin.

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

TensorBoard 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 panosu; grafikler, görseller, metin ve ses dâhil olmak üzere verileri çeşitli biçimlerde sunarak model davranışının daha iyi anlaşılmasını sağlar. Bu görselleştirmeler sayesinde model performansını iyileştirmek için veriye dayalı daha iyi kararlar alabiliriz.

Şekil 1. Model eğitim grafiklerini içeren TensorBoard panosu.

TensorBoard'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 sayede modelin nasıl öğrendiği hakkında değerli içgörüler elde edilir ve eğitim sırasında aşırı öğrenme veya yetersiz öğrenme gibi sorunlar öne çıkarılır.

Bir diğer ilgi çekici özellik, verilerin model içinde nasıl aktığını görsel olarak haritalayan “graph” aracıdır. Bu grafiksel gösterim, modelin mimarisini ve karmaşıklıklarını bir bakışta anlamayı kolaylaştırır.

TensorBoard entegrasyonunun diğer bazı temel özellikleri şunlardır:

• Veri dağılımını analiz et: TensorBoard, ağırlıklar, bias değerleri ve aktivasyonlar gibi bir modelin dahili değerlerinin ayrıntılı dağılımını sunar. Verilerin model ağında nasıl aktığını öğrenmek ve olası iyileştirme alanlarını belirlemek için bu özelliği kullanabiliriz.

• Veri örüntülerini değerlendir: “Histogram” özelliğini kullanarak ağırlıklar, bias değerleri ve gradyanlar gibi model parametrelerinin zaman içindeki dağılımını görselleştirebiliriz. Bu örüntüleri inceleyerek modeldeki olası bias'ları ve darboğazları belirleyebiliriz.

• Yüksek boyutlu verileri keşfet: “Projector” özelliği, karmaşık yüksek boyutlu verileri daha düşük boyutlu bir uzaya dönüştürebilir. Bu, modelin farklı nesneleri nasıl birlikte gruplandırdığını görselleştirmeyi kolaylaştırır.

• Model tahminlerini görselleştir: TensorBoard, girdi görsellerini, bunların doğru etiketlerini (gerçek değer) ve modelin tahminlerini yan yana karşılaştırmana olanak tanır. Bunu yaparak modelin bir şeyi yanlış tanımlaması (yanlış pozitifler) veya önemli bir şeyi gözden kaçırması (yanlış negatifler) gibi hataları kolayca fark edebilirsin.

Ultralytics YOLO modellerine genel bakış#

Ultralytics YOLO (Yalnızca Bir Kez Bak) modelleri, günümüzde en popüler ve yaygın olarak kullanılan bilgisayarlı görü modelleri arasındadır. Bu modeller temel olarak nesne tespiti ve örnek segmentasyonu gibi yüksek performans gerektiren bilgisayarlı görü görevlerinde kullanılır. Hızları, doğrulukları ve kullanım kolaylıklarıyla geniş çapta tanınan YOLO modelleri; tarım, üretim ve sağlık hizmetleri dâhil olmak üzere çeşitli sektörlerde benimsenmektedir.

Her şey, PyTorch gibi araçlarla görsel yapay zekâ modellerinin kullanılmasını kolaylaştıran Ultralytics YOLOv5 ile başladı. Ardından Ultralytics YOLOv8, poz tahmini ve görsel sınıflandırma gibi özellikler ekledi.

Şimdi YOLO11 daha da iyi performans sunuyor. Hatta YOLO11m, YOLOv8m'ye kıyasla %22 daha az parametre kullanırken COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde ediyor; bu da onu nesne tespitinde hem daha kesin hem de daha verimli hâle getiriyor.

Şekil 2. Nesne tespiti için Ultralytics YOLO11 kullanımına bir örnek.

TensorBoard entegrasyonu, Ultralytics YOLO11'in temel metriklerini takip etmek ve izlemek, derinlemesine analiz gerçekleştirmek ve özel eğitim ve geliştirme sürecini kolaylaştırmak için kullanılabilir. Gerçek zamanlı görselleştirme özellikleri, YOLO11'i oluşturmayı, ince ayarlamayı ve optimize etmeyi daha verimli hâle getirerek geliştiricilerin ve yapay zekâ araştırmacılarının daha az çabayla daha iyi sonuçlar elde etmesine yardımcı olur.

TensorBoard entegrasyonunu kullanma#

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

Eğitim başladığında paket; kayıp, doğruluk, öğrenme oranı ve ortalama kesinlik (mAP) gibi temel metrikleri belirlenen bir dizine otomatik olarak kaydederek ayrıntılı performans analizine olanak tanır. Bir çıktı mesajı, TensorBoard'un eğitim oturumunu etkin şekilde izlediğini doğrular ve panoyu http://localhost:6006/ gibi bir URL'de görüntüleyebilirsin.

Kaydedilen verilere erişmek için URL'yi kullanarak TensorBoard'u başlatabilir ve kayıp, doğruluk, öğrenme oranı ve mAP gibi metriklerin gerçek zamanlı görselleştirmelerini bulabilirsin. Ayrıca daha derinlemesine analiz için grafikler, skalerler ve histogramlar gibi araçlardan yararlanabilirsin.

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

Google Colab'da çalışan kullanıcılar için TensorBoard, eğitim içgörülerine sorunsuz erişim sağlamak üzere yapılandırma komutlarının yürütüldüğü not defteri hücresine doğrudan entegre olur.

Kurulumla ilgili adım adım yönlendirme ve en iyi uygulamalar için YOLO11 Kurulum Kılavuzu'na başvurabilirsin. Gerekli paketleri kurarken herhangi bir sorunla karşılaşırsan Yaygın Sorunlar Kılavuzu, yararlı çözümler ve sorun giderme ipuçları sunar.

Eğitim metriklerini analiz etme#

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

Bir değerlendirme doğruluk eğrisini gözlemlediğini varsayalım; bu, eğitim ilerledikçe modelin doğrulama verilerindeki doğruluğunun nasıl iyileştiğini gösteren bir grafiktir. Başlangıçta doğrulukta keskin bir artış görebilirsin; bu, modelinin hızla öğrendiğini ve performansını iyileştirdiğini gösterir.

Ancak eğitim devam ettikçe iyileşme hızı yavaşlayabilir ve eğri düzleşmeye başlayabilir. Bu düzleşme, modelin optimum durumuna yaklaştığını gösterir. Bu noktadan sonra eğitime devam etmek önemli iyileştirmeler sağlamayabilir ve aşırı öğrenmeye yol açabilir.

Aşağıda gösterildiği gibi bu eğilimleri TensorBoard entegrasyonuyla görselleştirerek modelin optimum durumunu belirleyebilir ve eğitim sürecinde gerekli ayarlamaları yapabilirsin.

Şekil 3. TensorBoard grafiğine bir örnek. Görselin sahibi: yazar.

TensorBoard entegrasyonunun avantajları#

TensorBoard entegrasyonu, Ultralytics YOLO11 model eğitimini ve performans optimizasyonunu iyileştiren çok çeşitli avantajlar sunar. Temel avantajlardan bazıları şunlardır:

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

• Zaman ve çabadan tasarruf et: Bu entegrasyon, eğitim metriklerini izleme ve analiz etme sürecini kolaylaştırarak manuel çabayı azaltır ve model geliştirmeyi hızlandırır.

• Özel metrikleri takip et: Uygulamayla ilgili belirli metrikleri izlemek için günlük kaydını yapılandırabilir ve modeline göre uyarlanmış daha derin içgörüler elde edebilirsin.

• Kaynakları verimli kullan: Eğitim metriklerinin yanı sıra optimum donanım performansı için özel günlük kaydı üzerinden GPU kullanımını, bellek tahsisini ve hesaplama süresini izleyebilirsin.

Şekil 4. TensorBoard entegrasyonunu kullanmanın avantajları. Görselin sahibi: yazar.

TensorBoard entegrasyonunu kullanmaya yönelik en iyi uygulamalar#

Artık TensorBoard entegrasyonunun ne olduğunu ve nasıl kullanılacağını anladığımıza göre, bu entegrasyonu kullanmaya yönelik bazı en iyi uygulamaları inceleyelim:

• Açık adlandırma kuralları kullan: Karışıklığı önlemek ve karşılaştırmaları kolaylaştırmak için deneyler için model türünü, veri kümesini ve temel parametreleri içeren yapılandırılmış adlar oluştur.

• En uygun günlük kaydı sıklığını belirle: Verileri, Ultralytics YOLO11 model eğitim sürecini yavaşlatmadan yararlı içgörüler sağlayacak aralıklarla günlüğe kaydet.

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

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

Önemli çıkarımlar#

Ultralytics tarafından desteklenen TensorBoard entegrasyonu, model geliştirme sürecini izlemeyi ve takip etmeyi kolaylaştırarak genel performansı iyileştirir. Sezgisel görselleştirme özellikleriyle TensorBoard, eğitim metrikleri hakkında içgörüler sunar, kayıp ve doğruluktaki eğilimleri takip eder ve deneyler arasında sorunsuz karşılaştırmalar yapılmasını sağlar.

Veri hazırlama, ince ayar ayarları ve metrik analizini kolaylaştırarak model performansını optimize etmek için karar alma sürecini basitleştirir. Bu özellikler ayrıca bilgisayarlı görü uygulamaları için pazara sunma süresinin kısalması ve geliştirme maliyetlerinin azalması gibi önemli ticari avantajlar da sağlar. Açık adlandırma ve güncel tutma gibi en iyi uygulamaları kullanarak geliştiriciler eğitimi kolaylaştırabilir. Daha verimli çalışabilir ve Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modelleriyle yeni seçenekleri keşfedebilirler.

Topluluğumuzun bir parçası ol ve yapay zekâyı keşfetmek için GitHub depomuzu incele. Çözüm sayfalarımızı ziyaret ederek üretimde bilgisayarlı görü ve sağlık hizmetlerinde yapay zekânın inovasyonu nasıl desteklediğini keşfet. Bugün görsel yapay zekâ yolculuğuna başlamak için lisans seçeneklerimize göz atmayı unutma!