Hyperparameter Tuning

Hiperparametre ayarlama, bir makine öğrenimi (ML) modelinin eğitim sürecini yöneten harici yapılandırma değişkenlerini yinelemeli olarak optimize etme sürecidir. Eğitim sırasında verilerden öğrenilen ağırlıklar ve bias gibi dahili parametrelerin aksine, hiperparametreler öğrenme süreci başlamadan önce veri bilimci veya mühendis tarafından belirlenir. Bu ayarlar modelin yapısını ve algoritmanın davranışını kontrol eder; performansa ince ayar yapmak için kullanılan "düğmeler ve kadranlar" gibi işlev görür. Bu değerlerin ideal birleşimini bulmak, doğruluk ve verimlilik gibi metrikleri en üst düzeye çıkarmak için kritik öneme sahiptir ve çoğu zaman vasat bir model ile son teknoloji bir çözüm arasındaki farkı yaratır.

Temel Kavramlar ve Teknikler#

Tüm olası hiperparametre birleşimlerinin kümesi, yüksek boyutlu bir arama alanı oluşturur. Uygulayıcılar, kayıp fonksiyonunu en aza indiren en uygun yapılandırmayı bulmak için bu alanda gezinmek üzere çeşitli stratejiler kullanır.

• Izgara Araması: Bu kapsamlı yöntem, bir ızgarada belirtilen her parametre birleşimi için modeli değerlendirir. Ayrıntılı olmasına rağmen hesaplama açısından maliyetlidir ve çok sayıda değişkenle çalışırken boyutluluk laneti sorunundan etkilenir.
• Rastgele Arama: Bu teknik, her birleşimi test etmek yerine rastgele hiperparametre birleşimleri seçer. Araştırmalar, en etkili parametreler için arama alanını daha verimli keşfettiğinden bunun çoğu zaman ızgara aramasından daha verimli olduğunu göstermektedir.
• Bayesçi Optimizasyon: 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.
• Evrimsel Algoritmalar: Biyolojik evrimden esinlenen bu yöntem, yapılandırma popülasyonunu nesiller boyunca evrimleştirmek için mutasyon ve çaprazlama gibi mekanizmalar kullanır. Bu, ultralytics kütüphanesinin YOLO26 gibi modern mimarileri optimize etmek için kullandığı temel yöntemdir.

Hiperparametre Ayarlama ve Model Eğitimi#

MLOps yaşam döngüsünde farklı aşamaları temsil ettikleri için ayarlama ile eğitimi birbirinden ayırmak büyük önem taşır:

• Model Eğitimi: Algoritmanın geri yayılım yoluyla dahili parametreleri öğrenmek için eğitim verileri üzerinde yineleme yaptığı süreçtir. Amaç, eğitim kümesindeki hatayı en aza indirmektir.
• Hiperparametre Ayarlama: Eğitim başlamadan önce öğrenme oranı, toplu iş boyutu ve momentum gibi operasyonel ayarları seçme meta sürecidir. Amaç, aşırı öğrenmeyi önlemek için doğrulama verilerindeki performansı en üst düzeye çıkarmaktır.

Gerçek Dünya Uygulamaları#

Etkili biçimde ayarlanmış modeller, karmaşık ortamlarda sağlam çözümler dağıtmak için kritik öneme sahiptir.

Hassas Tarım#

Tarımda yapay zekâ kapsamında otonom dronlar, yabani otları ve ürün hastalıklarını tespit etmek için bilgisayarlı görü kullanır. Bu modeller genellikle pil ömrü sınırlı uç cihazlarda çalışır. Mühendisler, yalnızca yabani otlara ilaç püskürtülmesini sağlamak ve kimyasal kullanımını azaltmak üzere modelin yüksek çıkarım hızını gereken hassasiyetle dengelemesi için veri artırma işlem hattını ve giriş çözünürlüğünü optimize etmek amacıyla hiperparametre ayarlamadan yararlanır.

Tıbbi Tanı#

Sağlık hizmetlerinde yapay zekâ, özellikle tıbbi görüntü analizinde, yanlış negatif sonuçlar ciddi sonuçlara yol açabilir. Uygulayıcılar, MRI taramalarındaki anomalileri tespit etmek üzere modelleri eğitirken sınıf ağırlıklandırması ve odaklanma kaybıyla ilgili hiperparametreleri yoğun biçimde ayarlar. Bu ayarlama, [duyarlılığı](https://ultralytics-translation-2.invalid en üst düzeye çıkararak patolojinin en belirsiz işaretlerinin bile insan incelemesi için işaretlenmesini sağlar ve erken tanıya önemli ölçüde yardımcı olur.

Ultralytics ile Otomatik Ayarlama#

ultralytics kütüphanesi, genetik algoritmalardan yararlanan yerleşik bir ayarlayıcı içererek optimizasyonu kolaylaştırır. Bu sayede kullanıcılar, elle deneme-yanılma yapmadan özel veri kümeleri için en iyi hiperparametreleri otomatik olarak arayabilir. Büyük ölçekli operasyonlarda ekipler, veri kümelerini yönetmek ve bu ayarlama deneylerini bulutta görselleştirmek için Ultralytics Platformu kullanabilir.

Aşağıdaki örnek, bir YOLO26 modeli için hiperparametre ayarlamanın nasıl başlatılacağını gösterir. Ayarlayıcı, Ortalama Kesinlik Ortalamasını (mAP) en üst düzeye çıkarmak için hiperparametreleri birkaç yineleme boyunca mutasyona uğratır.

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)

Geliştiriciler bu süreci otomatikleştirerek, sistemin belirli bir görev için mümkün olan en iyi performansı elde etmek üzere kendini optimize ettiği Otomatik Makine Öğrenimi (AutoML) kavramına daha da yaklaşabilir.