Epok

Eğitim bağlamında yapay zeka (AI) modelleri, bir Epok, öğrenme algoritması aracılığıyla tüm eğitim veri kümesinin bir tam geçişini ifade eder. Bu temel bir eğitiminde zaman birimi sinir ağları (NN), sinir ağlarının model, sağlanan verilerdeki her örnekten tam olarak bir kez öğrenme fırsatına sahip olmuştur. Çünkü derin öğrenme modeller nadiren verileri tek bir kez gördükten sonra optimum performansa ulaşır, eğitim tipik olarak Hataları en aza indirmek ve dahili parametreleri iyileştirmek için bu işlemi birçok dönem boyunca tekrarlamak.

Zaman İçinde Öğrenme Mekaniği

Bir dönem sırasındaki birincil amaç girdileri doğru çıktılarla eşleştirmek için model ağırlıkları doğru bir şekilde. Bu süreç sırasında, bir optimizasyon algoritması, örneğin Stokastik Gradyan İnişiSGD), hatayı belirli bir yöntem kullanarak hesaplar kayıp fonksiyonu ve modelin iç durumunu günceller.

Veri kümeleri karmaşık varyasyonlar ve gürültü içerdiğinden tek geçişli öğrenme genellikle yetersizdir. Birden fazla çalıştırarak epochs, model aşağıdaki gibi görevleri yerine getirme yeteneğini yinelemeli olarak geliştirir görüntü sınıflandırması veya segmentasyonu. Bu yinelemeli arıtma, ağın, ağdaki kalıpları genelleştirmesine olanak tanır sadece belirli verileri ezberlemek yerine eğitim verileri örnekler. Gibi derin öğrenme çerçeveleri PyTorch ve TensorFlow yerleşik sağlamak Bu döngüler üzerinde eğitim döngüsünü kontrol etmek için mekanizmalar.

Dönemler vs. Gruplar vs. Yinelemeler

Eğitim döngülerinin nasıl verimli bir şekilde işlediğini anlamak için birbiriyle yakından ilişkili üç döngüyü birbirinden ayırmak çok önemlidir Yeni başlayanlar tarafından sıklıkla karıştırılan terimler:

• Dönem: Tüm veri setinin ağ üzerinden bir kez geçirilmesi işlemi.
• Parti Büyüklüğü: Model ağırlıklarını güncellemeden önce işlenen örnek sayısı. Büyük bir veri kümesinin belleğe yüklenmesi genellikle imkansızdır, bu nedenle veriler yığın adı verilen daha küçük gruplara bölünür.
• Yineleme: Modelin bir partiyi işlediği ve aşağıdaki işlemleri gerçekleştirdiği tek bir güncelleme adımı ağırlıkları ayarlamak için geri yayılım.

Örneğin, 10.000 görüntüden oluşan bir veri kümeniz varsa ve toplu iş boyutunu 100 olarak ayarladıysanız bir dönemi tamamlar.

Optimum Dönem Sayısının Belirlenmesi

Doğru epok sayısının seçilmesi, aşağıdakilerin kritik bir yönüdür hiperparametre ayarı. Çok az sayıda eğitim veya çok fazla döngü optimumun altında performansa yol açabilir.

1. Yetersiz Uyum: Model çok az dönem için eğitilirse, verilerin altında yatan mantığı yakalamakta başarısız olabilir ve bu da Hem eğitim hem de test setlerinde düşük performans.
2. Aşırı Uyum: Eğitim çok uzun süre devam ederse, model gürültüyü ve eğitimin belirli ayrıntılarını ezberlemeye başlayabilir kümesi. Eğitim doğruluğu artarken, performans görünmeyen doğrulama verileri azalır.

Bu sorunları hafifletmek için mühendisler genellikle erken durdurma, eğitimi aşağıdaki durumlarda durduran bir tekniktir doğrulama kaybı, belirtilen toplam epoklardan bağımsız olarak iyileşmeyi durdurur. Gibi görselleştirme araçları TensorBoard bu metrikleri izlemek için sıklıkla kullanılır Gerçek zamanlı.

Gerçek Dünya Uygulamaları

Çağ kavramı çeşitli ülkelerde evrenseldir. makine öğrenimi (ML) alanları.

• Otonom Sürüş: Bir Geliştirme otonom araç sağlam nesne gerektirir algılama modelleri, milyonlarca sokak sahnesi içeren devasa veri kümeleri üzerinde eğitilmiştir. Şöyle bir model YOLO11 sağlamak için yüzlerce dönem boyunca eğitilebilir. farklı hava koşullarında yayaları ve trafik işaretlerini güvenilir bir şekilde tespit edebilir. Kapsamlı eğitim şunları sağlar sistem yüksek performansa ulaşır Ortalama Ortalama Hassasiyet (mAP) önce Dağıtım.
• Tarımsal İzleme: İçinde hassas tarim, dronlar bi̇lgi̇sayar kullaniyor mahsul sağlığını izlemek için vizyon. Tarımsal veri setleri daha küçük veya oldukça spesifik olabileceğinden, araştırmacılar transfer öğrenimini kullanın ve daha az sayıda kişi için eğitim verin kullanarak önceden eğitilmiş bir modele ince ayar yapmak için epoklar yapay olarak genişletmek için veri artırımı veri kümesi ve aşırı uyumu önler.

Kod Örneği: Epochs ile Eğitim

Kullanırken ultralytics kütüphanesinde epok sayısını belirlemek kolaydır. Şöyle ki train() metodu bir epochs argümanı, modelin kaç kez yineleneceğini kontrol eder sağlanan veriler üzerinden.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for latest performance)
model = YOLO("yolo11n.pt")

# Train the model for 50 epochs on the COCO8 dataset
# The 'epochs' argument defines the total passes through the data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

Bu kod parçacığı, modelin aşağıdakiler hakkındaki anlayışını geliştireceği bir eğitim çalışmasının nasıl başlatılacağını göstermektedir "coco8" veri kümesi 50 ayrı kez. Gelecekteki gelişmeler için Ultralytics şu anda şunları geliştirmektedir Uçtan uca eğitimi daha da yüksek verimlilikle destekleyecek olan YOLO26'nın 2025'in sonları.