Continuous Integration (CI)

Sürekli Entegrasyon (CI), geliştiricilerin kod değişikliklerini sık sık merkezi bir depoyla birleştirerek otomatik derleme ve test dizilerini tetiklediği, modern yazılım mühendisliğinin temel uygulamalarından biridir. Uzmanlaşmış makine öğrenimi (ML) alanında CI, standart kod doğrulamasının ötesine geçerek veri işlem hatlarının, model mimarilerinin ve eğitim yapılandırmalarının doğrulanmasını da kapsar. Entegrasyon hatalarını, söz dizimi hatalarını ve performans gerilemelerini yaşam döngüsünün erken aşamalarında tespit eden ekipler, sağlam bir kod tabanını koruyabilir ve deneysel araştırmadan üretim kalitesinde bilgisayarlı görü uygulamalarına geçişi hızlandırabilir.

Makine Öğreniminde CI'nin Önemi#

Geleneksel CI işlem hatları yazılımı derlemeye ve birim testlerini çalıştırmaya odaklanırken, ML merkezli bir CI iş akışı olasılıksal sistemlerin kendine özgü karmaşıklıklarını ele almalıdır. Tek bir hiperparametrede yapılan değişiklik veya bir veri ön işleme betiğinde gerçekleştirilen düzenleme, nihai modelin davranışını büyük ölçüde değiştirebilir. Bu nedenle sağlam bir CI stratejisi, kod veya verideki her güncellemenin belirlenmiş temel değerlerle karşılaştırılarak otomatik biçimde doğrulanmasını sağlar.

Bu süreç, performans düşüşlerini önleyen bir güvenlik ağı görevi gören Makine Öğrenimi Operasyonları (MLOps) uygulamalarının kritik bir bileşenidir. Yapay zekâ projeleri için etkili CI işlem hatları genellikle şunları içerir:

• Kod Kalitesi Kontrolleri: Kodlama standartlarını zorunlu kılmak ve yürütme öncesinde söz dizimi hatalarını yakalamak için statik analiz araçlarının ve lint araçlarının kullanılması.
• Veri Doğrulama: Gelen eğitim verilerinin beklenen şemalara ve istatistiksel dağılımlara uygun olduğunun doğrulanması; bozuk görüntü dosyaları veya eksik açıklamalar gibi sorunların önlenmesi.
• Otomatik Test: Yakınsamayı doğrulamak için yardımcı işlevler üzerinde birim testlerinin ve birkaç epoch boyunca küçük bir modelin eğitilmesini içerebilen entegrasyon testlerinin çalıştırılması.
• Model Karşılaştırması: Ortalama Hassasiyet (mAP) gibi temel metriklerin kabul edilebilir bir eşik değerinin altına düşüp düşmediğini kontrol etmek için modelin sabit bir doğrulama kümesi karşısında değerlendirilmesi.

Gerçek Dünya Uygulamaları#

Güvenilirlik ve güvenliğin büyük önem taşıdığı sektörlerde Sürekli Entegrasyonun uygulanması hayati önem taşır.

• Otonom Sürüş Sistemleri: Otonom araçların geliştirilmesinde mühendisler, yaya ve şerit algılama algoritmalarını sürekli olarak iyileştirir. Bir CI işlem hattı, ekibin yeni nesne algılama modellerini yoğun yağmurda veya düşük ışıkta sürüş gibi çok çeşitli gerileme senaryolarından oluşan bir kitaplık karşısında otomatik olarak test etmesini sağlar ve bir kod güncellemesinin sistemin tehlikeleri algılama yeteneğini yanlışlıkla azaltmamasını güvence altına alır.
• Tıbbi Tanısal Görüntüleme: MRI taramalarında tümör tespiti gibi sağlık hizmeti uygulamalarında yeniden üretilebilirlik, mevzuat gerekliliğidir. CI, tanı yazılımının her sürümünün izlenebilir ve test edilmiş olmasını sağlar. Bir geliştirici çıkarım motorunu hız için optimize ederse CI sistemi, güncelleme hastanelere dağıtılmadan önce tanının doğruluğunun değişmeden kaldığını doğrular.

CI ve Sürekli Teslimat (CD) ile MLOps Karşılaştırması#

Sürekli Entegrasyonu, geliştirme yaşam döngüsündeki ilişkili kavramlardan ayırmak önemlidir.

• Sürekli Entegrasyon (CI): Entegrasyon aşamasına, yani kodun birleştirilmesine, otomatik teste ve derlemelerin doğrulanmasına odaklanır. Şu soruyu yanıtlar: "Bu yeni kod mevcut işlevselliği bozuyor mu?"
• Sürekli Teslimat (CD): CI'yi takip eder ve yayın aşamasına odaklanır. Doğrulanmış modeli bulut sunucusu veya uç cihaz gibi bir üretim ortamına dağıtmak için gereken adımları otomatikleştirir. Model dağıtımı hakkında daha fazla bilgi edin.
• MLOps: CI, CD ve sürekli izlemeyi kapsayan üst düzey disiplindir. CI belirli bir uygulamayken MLOps, tüm yapay zekâ yaşam döngüsünü yönetmek için kullanılan kültür ve araçlar kümesidir.

Yapay Zekâ Entegrasyonu için Araçlar ve Platformlar#

Geliştiriciler bu işlem hatlarını düzenlemek için çeşitli araçlardan yararlanır. GitHub Actions veya Jenkins gibi genel amaçlı platformlar, kod gönderimlerinde iş akışlarını tetiklemek için yaygın olarak kullanılır. Ancak büyük veri kümelerini ve model sürümlemeyi yönetmek çoğu zaman uzmanlaşmış araçlar gerektirir.

Ultralytics Platformu, CI iş akışlarını tamamlayan merkezi bir merkez görevi görür. Ekiplerin veri kümelerini yönetmesine, eğitim deneylerini izlemesine ve performans metriklerini görselleştirmesine olanak tanır. Bir CI işlem hattı yeni bir YOLO26 modelini başarıyla eğittiğinde sonuçlar doğrudan platforma kaydedilebilir; böylece projenin durumuna ilişkin merkezi bir görünüm sağlanır ve veri bilimciler arasındaki iş birliği kolaylaştırılır.

Otomatik Test Örneği#

Bir CI işlem hattında, modelinin çıkarımı hatasız biçimde yükleyip gerçekleştirebildiğini doğrulaman gerekir. Aşağıdaki Python betiği, kod depoya gönderildiğinde otomatik olarak çalıştırılabilecek basit bir "sağlık kontrolünü" gösterir.

from ultralytics import YOLO

# Load the YOLO26 model (using the nano version for speed in CI tests)
model = YOLO("yolo26n.pt")

# Perform inference on a dummy image or a standard test asset
# 'bus.jpg' is a standard asset included in the package
results = model("bus.jpg")

# Assert that detections were made to ensure the pipeline isn't broken
# If len(results[0].boxes) is 0, something might be wrong with the model or input
assert len(results[0].boxes) > 0, "CI Test Failed: No objects detected!"

print("CI Test Passed: Model loaded and inference successful.")

Bu betik, hafif bir modeli yüklemek ve beklendiği gibi çalıştığını doğrulamak için ultralytics paketini kullanır. Üretim CI ortamında bu, kapsamlı kapsam sağlamak için Pytest gibi çerçevelerden yararlanan daha büyük bir test paketinin parçası olurdu.