Hyperparameter Tuning

Hiperparametre ayarlama, bir makine öğrenimi (ML) modelinin eğitim sürecini yöneten harici yapılandırma değişkenlerini optimize etmeye yönelik yinelemeli bir süreçtir. Eğitim sırasında verilerden öğrenilen ağırlıklar ve sapmalar gibi dahili parametrelerin aksine, hiperparametreler öğrenme süreci başlamadan önce veri bilimci veya mühendis tarafından belirlenir. Bu ayarlar, modelin yapısını ve algoritmanın davranışını kontrol ederek, performansı hassas bir şekilde ayarlayan "düğmeler ve kadranlar" işlevi görür. Bu değerlerin ideal kombinasyonunu bulmak, doğruluk ve verimlilik gibi metrikleri maksimize etmek için kritiktir ve genellikle vasat bir model ile son teknoloji bir çözüm arasındaki farkı yaratır.

Link to this sectionTemel Kavramlar ve Teknikler#

Tüm olası hiperparametre kombinasyonları, yüksek boyutlu bir arama uzayı oluşturur. Uygulayıcılar, kayıp fonksiyonunu minimize eden en uygun yapılandırmayı bulmak için bu uzayda gezinirken çeşitli stratejiler kullanırlar.

• Grid Search: Bu kapsamlı yöntem, modelin her bir parametre kombinasyonu için bir ızgara üzerinde değerlendirilmesini sağlar. Oldukça detaylı olmasına rağmen hesaplama açısından maliyetlidir ve birçok değişkenle uğraşırken boyutluluğun laneti sorunundan muzdariptir.
• Random Search: Her kombinasyonu test etmek yerine, bu teknik rastgele hiperparametre kombinasyonları seçer. Araştırmalar, en etkili parametreler için arama uzayını daha verimli bir şekilde keşfettiğinden, bunun genellikle grid search yönteminden daha verimli olduğunu göstermektedir.
• Bayesian Optimization: Bu olasılıksal yaklaşım, geçmiş değerlendirmelere dayanarak hangi hiperparametrelerin en iyi sonuçları vereceğini tahmin etmek için bir vekil model oluşturur ve aramayı en umut verici alanlara odaklar.
• Evolutionary Algorithms: Biyolojik evrimden esinlenen bu yöntem, bir yapılandırma popülasyonunu nesiller boyunca geliştirmek için mutasyon ve çaprazlama gibi mekanizmalar kullanır. Bu, ultralytics kütüphanesinin YOLO26 gibi modern mimarileri optimize etmek için kullandığı birincil yöntemdir.

Link to this sectionHiperparametre Ayarlama ve Model Eğitimi#

MLOps yaşam döngüsünde farklı aşamaları temsil ettikleri için, ayarlama ve eğitim arasında ayrım yapmak çok önemlidir:

• Model Training: The process where the algorithm iterates over training data to learn internal parameters via backpropagation. The goal is to minimize error on the training set.
• Hyperparameter Tuning: The meta-process of selecting operational settings—such as learning rate, batch size, and momentum—before training begins. The goal is to maximize performance on validation data to prevent overfitting.

Link to this sectionGerçek Dünya Uygulamaları#

Etkin bir şekilde ayarlanmış modeller, karmaşık ortamlarda sağlam çözümler dağıtmak için kritiktir.

Link to this sectionHassas Tarım#

Tarımda yapay zeka alanında otonom dronlar, yabani otları ve mahsul hastalıklarını tanımlamak için bilgisayarlı görü kullanır. Bu modeller genellikle sınırlı pil ömrüne sahip uç cihazlarda çalışır. Mühendisler, veri artırma hattını ve girdi çözünürlüğünü optimize etmek için hiperparametre ayarlamasını kullanır; böylece modelin yüksek çıkarım hızlarını, yalnızca yabani otları püskürtmek için gereken hassasiyetle dengelemesini sağlayarak kimyasal kullanımını azaltırlar.

Link to this sectionTıbbi Teşhis#

Sağlık hizmetlerinde yapay zeka kullanımı için, özellikle tıbbi görüntü analizi alanında, yanlış negatif sonuçlar ciddi sonuçlar doğurabilir. MRI taramalarındaki anomalileri tespit etmek için modeller eğitilirken, uygulayıcılar sınıf ağırlıklandırma ve odak kaybı ile ilgili hiperparametreleri agresif bir şekilde ayarlarlar. Bu ayarlama, duyarlılığı (recall) maksimize ederek patolojinin ince belirtilerinin bile insan incelemesi için işaretlenmesini sağlar ve erken teşhise önemli ölçüde yardımcı olur.

Link to this sectionUltralytics ile Otomatik Ayarlama#

ultralytics kütüphanesi, genetik algoritmalar kullanan yerleşik bir tuner ile optimizasyonu basitleştirir. Bu, kullanıcıların manuel deneme yanılma yapmadan özel veri kümeleri için en iyi hiperparametreleri otomatik olarak aramasına olanak tanır. Büyük ölçekli operasyonlar için ekipler, veri kümelerini yönetmek ve bu ayarlama deneylerini bulutta görselleştirmek için Ultralytics Platform'dan yararlanabilirler.

Aşağıdaki örnek, bir YOLO26 modeli için hiperparametre ayarlamasının nasıl başlatılacağını göstermektedir. Ayarlayıcı, Mean Average Precision (mAP) değerini maksimize etmek için hiperparametreleri birkaç yineleme boyunca mutasyona uğratacaktır.

from ultralytics import YOLO

# Initialize a YOLO26 model (using the 'nano' weight for speed)
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters on the COCO8 dataset
# The tuner runs for 30 epochs per iteration, evolving parameters like lr0 and momentum
model.tune(data="coco8.yaml", epochs=30, iterations=100, optimizer="AdamW", plots=False)

Bu süreci otomatize ederek geliştiriciler, sistemin belirli bir görev için mümkün olan en iyi performansı elde etmek adına kendi kendini optimize ettiği Otomatik Makine Öğrenimi (AutoML) kavramına daha da yaklaşabilirler.