Fine-tuning

İnce ayar (fine-tuning), önceden eğitilmiş bir modeli belirli bir göreve veya veri kümesine uyarlamayı içeren makine öğrenimi (ML) süreçlerinde temel bir işlemdir. Geliştiriciler, çok miktarda veri, zaman ve hesaplama gücü gerektiren sıfırdan eğitmek yerine, ImageNet gibi devasa bir veri kümesinden genel özellikleri zaten öğrenmiş olan bir "temel model" ile işe başlarlar. Bu yaklaşım, transfer öğrenmenin pratik bir uygulamasıdır ve yapay zeka sistemlerinin niş problemlerde çok daha az kaynakla yüksek performans elde etmesini sağlar.

Link to this sectionUyarlamanın Mekaniği#

İnce ayarın arkasındaki temel fikir, bir modelin halihazırda edinmiş olduğu "bilgiden" yararlanmaktır. Bir temel model genellikle kenarlar, dokular ve şekiller gibi temel görsel unsurlara dair güçlü bir anlayışa sahiptir. İnce ayar sürecinde, modelin parametreleri (ağırlıkları), yeni ve özel verilerin nüanslarına uyum sağlaması için küçük miktarlarda ayarlanır.

This adjustment is usually achieved through gradient descent using a lower learning rate. A conservative learning rate ensures that the valuable features learned during the initial pre-training are refined rather than destroyed. In many computer vision (CV) workflows, engineers may freeze the initial layers of the backbone—which detect universal features—and only update the deeper layers and the detection head responsible for making final class predictions.

Link to this sectionGerçek Dünya Uygulamaları#

İnce ayar, genel yapay zeka yetenekleri ile özel endüstri gereksinimleri arasındaki boşluğu doldurur. Genel modellerin uzmanlaşmış birer uzman haline gelmesini sağlar.

• Sağlıkta Yapay Zeka: Standart bir görü modeli kediler ile köpekleri ayırt edebilir ancak tıbbi bağlamdan yoksundur. Araştırmacılar, bu modeli açıklamalı röntgenler içeren tıbbi görüntü analizi veri kümeleri üzerinde ince ayardan geçirerek, zatürre veya kırıkları yüksek doğrulukla tespit edebilen tanı araçları oluşturabilirler. Bu, radyologlara kritik vakaları önceliklendirerek hızlı tempolu ortamlarda yardımcı olur.
• Üretimde Yapay Zeka: Endüstriyel ortamlarda, hazır modeller özel bileşenleri tanımakta başarısız olabilir. Üreticiler, YOLO26 gibi son teknoloji mimarileri kendi montaj hatlarına uyarlamak için ince ayar kullanırlar. Bu, otomatik kalite kontrol sistemlerinin mikro çatlaklar veya boya hataları gibi küçük kusurları tespit etmesini sağlayarak ürün güvenilirliğini artırır ve israfı azaltır.

Link to this sectionİnce Ayar ile Sıfırdan Eğitim Arasındaki Fark#

Hangi yaklaşımın ne zaman kullanılacağını anlamak için ince ayarı tam eğitimden ayırt etmek faydalıdır.

• Sıfırdan Eğitim: Bu süreç, bir modelin rastgele ağırlıklarla başlatılmasını ve yakınsayana kadar bir veri kümesi üzerinde eğitilmesini içerir. Çok büyük bir etiketli veri kümesi ve ciddi GPU kaynakları gerektirir. Bu genellikle yeni mimariler oluşturmak veya alan tamamen benzersiz olduğunda (örneğin günlük nesneler yerine derin uzaydaki nebulaların analizi) tercih edilir.
• İnce Ayar: Bu yöntem optimize edilmiş ağırlıklarla başlar. Çok daha az veri (genellikle sadece birkaç bin görüntü) gerektirir ve çok daha hızlı eğitilir. perakende envanter yönetimi veya güvenlik izleme gibi çoğu iş uygulaması için ince ayar, dağıtım için en verimli yoldur.

Link to this sectionUltralytics ile İnce Ayar Uygulama#

Modern çerçeveler bu süreci erişilebilir kılar. Örneğin, Ultralytics Platform, veri kümesi yönetimi ve bulut tabanlı eğitimi otomatik olarak ele alarak iş akışını basitleştirir. Ancak geliştiriciler, Python kullanarak modelleri yerel olarak da ince ayardan geçirebilirler.

Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin özel bir veri kümesi üzerinde nasıl ince ayardan geçirileceğini göstermektedir. Basitleştirilmiş bir yapılandırma dosyası yerine (kitaplığa transfer öğrenmeyi başlatmasını söyleyen) yolo26n.pt (önceden eğitilmiş ağırlıklar) dosyasını yüklediğimize dikkat et.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (n=nano size)
# This automatically loads weights trained on COCO
model = YOLO("yolo26n.pt")

# Fine-tune the model on a custom dataset (e.g., 'coco8.yaml')
# The 'epochs' argument determines how many passes over the data occur
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# The model is now fine-tuned and ready for specific inference tasks

Link to this sectionBaşarı İçin Temel Hususlar#

En iyi sonuçları elde etmek için yeni veri kümesinin kalitesi çok önemlidir. Veri artırma araçlarını kullanmak, görüntüleri döndürerek, çevirerek veya parlaklıklarını ayarlayarak küçük bir veri kümesini yapay olarak genişletebilir ve aşırı uyumu (overfitting) önleyebilir. Ayrıca, doğrulama kaybı ve ortalama Hassasiyet (mAP) gibi metrikleri izlemek, modelin görülmemiş verilerde iyi genelleme yapmasını sağlar.

Karmaşık iş akışlarını yönetenler için MLOps stratejileri ve deney takibi gibi araçları kullanmak, farklı ince ayarlı yinelemeler üzerinde sürüm kontrolünü korumaya yardımcı olabilir. İster nesne algılama ister örnek segmentasyonu olsun, ince ayar etkili yapay zeka çözümleri dağıtmak için endüstri standardı olmaya devam etmektedir.