TensorBoard entegrasyonuyla eğitim metriklerini görselleştirme

Güvenilir bilgisayarlı görü modelleri geliştirmek; veri toplama, model eğitimi ve olası zorlukları aşarak performansı artırmaya yönelik yinelemeli bir ince ayar süreci gibi birkaç adımı içerir. Bu adımlar arasında model eğitimi genellikle en önemli adım olarak kabul edilir.

Eğitim sürecini görselleştirmek, bu adımın daha net anlaşılmasına yardımcı olabilir. Ancak ayrıntılı grafikler oluşturmak, görsel verileri analiz etmek ve çizelgeler hazırlamak çok zaman ve çaba gerektirebilir. Ultralytics’in desteklediği TensorBoard entegrasyonu gibi araçlar, anlaşılır görseller ve derinlemesine analiz sunarak bu süreci kolaylaştırır.

TensorBoard, modelin eğitim sürecindeki ilerleyişi hakkında gerçek zamanlı bilgiler sunan güvenilir bir görselleştirme aracıdır. Nesne algılama ve örnek segmentasyonu gibi bilgisayarlı görü görevlerindeki doğruluklarıyla tanınan Ultralytics YOLO11 gibi Ultralytics YOLO modelleriyle birlikte kullanıldığında TensorBoard, eğitim ilerlemesini izlemek için görsel bir pano sunar. Bu entegrasyonla temel metrikleri izleyebilir, eğitim performansını takip edebilir ve modeli ince ayarla iyileştirerek hedeflenen sonuçlara ulaşmanı sağlayacak uygulanabilir bilgiler edinebilirsin.

Bu makalede, TensorBoard entegrasyonunun gerçek zamanlı görselleştirmeler, uygulanabilir bilgiler ve performansı optimize etmeye yönelik pratik ipuçlarıyla Ultralytics YOLO11 model eğitimini nasıl iyileştirdiğini inceleyeceğiz.

TensorBoard nedir?#

TensorBoard, TensorFlow projesinin bir parçası olarak geliştirilen açık kaynaklı bir görselleştirme aracıdır. Makine öğrenimi ve bilgisayarlı görü modellerinin geliştirilmesini ve eğitimini desteklemek için temel ölçümler ve görselleştirmeler sunar. Bu araç setinin panosu; grafikler, görüntüler, metin ve ses dâhil olmak üzere çeşitli biçimlerde veriler 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 geliştiren çeşitli özellikler sunar. Örneğin doğruluk, öğrenme oranı ve kayıp gibi performans metrikleri gerçek zamanlı olarak görselleştirilebilir; böylece modelin nasıl öğrendiğine dair değerli bilgiler edinilir ve eğitim sırasında aşırı öğrenme veya yetersiz öğrenme gibi sorunlar belirlenir.

Bir diğer ilgi çekici özellik, verilerin model içinde nasıl aktığını görsel olarak haritalandıran 'grafik' aracıdır. Bu grafik gösterimi, model mimarisini ve karmaşıklıklarını bir bakışta anlamayı kolaylaştırır.

TensorBoard entegrasyonunun diğer temel özelliklerinden bazıları şunlardır:

• Veri dağılımını analiz et: TensorBoard; ağırlıklar, bias değerleri ve aktivasyonlar gibi modelin dahili değerlerinin ayrıntılı dağılımını sunar. Verilerin model ağı boyunca nasıl aktığını öğrenmek ve iyileştirme yapılabilecek alanları 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 yanlılıkları ve darboğazları belirleyebiliriz.
• Yüksek boyutlu verileri keşfet: “Projector” özelliği, karmaşık ve yüksek boyutlu verileri daha düşük boyutlu bir alana dönüştürebilir. Böylece modelin farklı nesneleri nasıl gruplandırdığını görselleştirmek kolaylaşır.
• Model tahminlerini görselleştir: TensorBoard, girdi görüntülerini, doğru etiketleri (temel gerçek) ve model tahminlerini yan yana karşılaştırmanı sağlar. Böylece modelin bir şeyi yanlış tanımlaması (yanlış pozitif) veya önemli bir şeyi gözden kaçırması (yanlış negatif) gibi hataları kolayca fark edebilirsin.

Ultralytics YOLO modellerine genel bakış#

Ultralytics YOLO (You Only Look Once) modelleri, günümüzde en popüler ve yaygın kullanılan bilgisayarlı görü modelleri arasındadır. Bu modeller başlıca nesne algılama ve örnek segmentasyonu gibi yüksek performanslı bilgisayarlı görü görevlerinde kullanılır. Hızları, doğrulukları ve kullanım kolaylıklarıyla tanınan YOLO modelleri; tarım, üretim ve sağlık hizmetleri dahil olmak üzere çeşitli sektörlerde benimseniyor.

Her şey, PyTorch gibi araçlarla görsel AI modellerini kullanmayı kolaylaştıran Ultralytics YOLOv5 ile başladı. Ardından Ultralytics YOLOv8, poz tahmini ve görüntü sınıflandırması gibi özellikler ekledi.

YOLO11 performansı daha da iyileştirdi. Nitekim YOLO11m, YOLOv8m'den %22 daha az parametre kullanırken COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde ediyor; böylece nesne tespitinde hem daha hassas hem de daha verimli oluyor. Onun halefi Ultralytics YOLO26 da aynı TensorBoard entegrasyonuyla çalışıyor.

Şekil 2. Ultralytics YOLO11’in nesne algılama için kullanımına bir örnek.

TensorBoard entegrasyonu; temel metrikleri izlemek ve takip etmek, derinlemesine analiz yapmak ve Ultralytics 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 hâle getirerek geliştiricilerin ve AI araştırmacılarının daha az çabayla daha iyi sonuçlara ulaşmasına yardımcı olur.

TensorBoard entegrasyonunu kullanma#

Ultralytics YOLO11'i özel olarak eğitirken TensorBoard entegrasyonunu kullanmak kolaydır. TensorBoard, Ultralytics Python paketinin isteğe bağlı bir bağımlılığıdır: pip install ultralytics tensorboard ile yükle, ardından yolo settings tensorboard=True ile kaydı bir kez etkinleştir. Bu ayar sonraki eğitim çalıştırmalarında da geçerli olur.

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

Kaydedilen verilere erişmek için URL'yi kullanarak TensorBoard'u başlatabilir ve kayıp, doğruluk, öğrenme oranı ve mAP gibi ölçümlerin gerçek zamanlı görselleştirmelerini bulabilirsin. Ayrıca daha derin analiz için grafikler, skaler değerler ve histogramlar gibi araçları da kullanabilirsin.

Bu dinamik ve etkileşimli görseller, eğitim ilerlemesini izlemeyi, sorunları fark etmeyi ve iyileştirilecek alanları belirlemeyi kolaylaştırır. TensorBoard entegrasyonu, bu özelliklerden yararlanarak Ultralytics YOLO11 eğitim sürecinin şeffaf, düzenli ve anlaşılır olmasını sağlar.

Google Colab'da çalışan kullanıcılar, eğitim başlamadan önce TensorBoard'u doğrudan bir not defteri hücresinde yükleyerek eğitimle ilgili içgörülere hızla erişebilir.

Kurulumla ilgili adım adım yönergeler 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 ölçümlerini anlamak, model performansını değerlendirmek için çok önemlidir; TensorBoard entegrasyonu da bunu yapmak üzere derinlemesine görselleştirmeler sunar. Peki bu nasıl çalışıyor?

Eğitim ilerledikçe modelin doğruluğunun doğrulama verilerinde nasıl arttığını gösteren bir grafik olan değerlendirme doğruluğu eğrisini izlediğini varsayalım. Başlangıçta doğrulukta keskin bir artış görebilirsin; bu, modelinin hızla öğrendiğini ve performansını iyileştirdiğini gösterir.

Ancak eğitim devam ettikçe iyileşme hızı yavaşlayabilir ve eğri yataylaşmaya başlayabilir. Bu yataylaşma, modelin en iyi durumuna yaklaştığını gösterir. Bu noktadan sonra eğitime devam etmekin önemli iyileştirmeler sağlaması beklenmez ve aşırı öğrenmeye yol açabilir.

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

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

TensorBoard entegrasyonunun faydaları#

TensorBoard entegrasyonu, Ultralytics YOLO11 model eğitimini ve performans optimizasyonunu iyileştiren pek çok fayda sunar. Temel faydalardan bazıları şunlardır:

• Deneyleri karşılaştır: En iyi performans gösteren model yapılandırmasını belirlemek için birden fazla eğitim çalıştırmasını kolayca karşılaştırabilirsin.
• Zamandan ve emekten tasarruf et: Bu entegrasyon, eğitim metriklerini izleme ve analiz etme sürecini kolaylaştırarak manuel çabayı azaltır ve model geliştirmeyi hızlandırır.
• Özel metrikleri izle: Uygulamayla ilgili belirli metrikleri izlemek için günlük kaydını yapılandırabilir ve modeline özel daha derin bilgiler edinebilirsin.
• Kaynakları verimli kullan: Eğitim metriklerine ek olarak, donanım performansını en iyi düzeye çıkarmak için özel günlük kaydıyla GPU kullanımını, bellek tahsisini ve hesaplama süresini izleyebilirsin.

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

TensorBoard entegrasyonunu kullanmaya yönelik en iyi uygulamalar#

TensorBoard entegrasyonunun ne olduğunu ve nasıl kullanıldığını öğrendiğimize göre, bu entegrasyonu kullanmaya yönelik en iyi uygulamalardan bazılarına göz atalım:

• Açık adlandırma kuralları kullan: Karışıklığı önlemek ve karşılaştırmaları kolaylaştırmak için deneylere model türünü, veri kümesini ve temel parametreleri içeren yapılandırılmış adlar ver.
• Günlük kaydı sıklığını en uygun düzeye ayarla: Ultralytics YOLO11 model eğitim sürecini yavaşlatmadan yararlı bilgiler sağlayan aralıklarla veri kaydet.
• Tekrarlanabilirliği ve uyumluluğu sağla: Yeni özelliklere, hata düzeltmelerine ve değişen veri gereksinimleriyle uyumluluğa erişmek 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'in desteklediği TensorBoard entegrasyonu, model geliştirme sürecini izlemeyi ve takip etmeyi kolaylaştırarak genel performansı iyileştirir. Sezgisel görselleştirme özellikleriyle TensorBoard, eğitim ölçümlerine ilişkin içgörüler sunar, kayıp ve doğruluktaki eğilimleri takip eder ve deneyler arasında karşılaştırma yapılmasını sağlar.

Ölçümlerin analiz edilmesini ve model performansını optimize etmek için eğitim ayarlarının düzenlenmesini kolaylaştırarak karar alma sürecini basitleştirir. Bu özellikler, bilgisayarlı görü uygulamalarının pazara sunulma süresinin kısalması ve geliştirme maliyetlerinin düşmesi gibi önemli iş avantajları da sağlar. Geliştiriciler, açık adlandırma ve her şeyi güncel tutma gibi en iyi uygulamaları izleyerek eğitimi kolaylaştırabilir. Daha verimli çalışabilir ve Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modelleriyle yeni seçenekleri keşfedebilirler.

Yapay zekâyı derinlemesine keşfetmek için topluluğumuzun bir parçası ol ve GitHub depomuza göz at. Çözümler sayfalarımızı ziyaret ederek üretimde bilgisayarlı görünün ve sağlıkta yapay zekânın yenilikleri nasıl ileriye taşıdığını keşfet. Yapay zekâ destekli görü yolculuğuna bugün başlamak için lisanslama seçeneklerimize göz atmayı unutma!