Validation Data

Doğrulama verisi, makine öğrenmesi geliştirme yaşam döngüsünde kritik bir kontrol noktası görevi görerek eğitim sırasında modelin performansını değerlendirmek için kullanılan ara bir veri kümesi sağlar. Algoritmayı eğitmek için kullanılan birincil veri kümesinin aksine, doğrulama kümesi sistemin yeni ve görülmemiş bilgilere ne kadar iyi genelleme yapabildiğine dair tarafsız bir tahmin sunar. Bu belirli alt kümedeki metrikleri izleyerek, geliştiriciler modelin yapılandırmasını ince ayar yapabilir ve sistemin alttaki kalıpları anlamak yerine eğitim örneklerini ezberlemesi gibi aşırı öğrenme (overfitting) potansiyel sorunlarını tespit edebilir. Bu geri bildirim döngüsü, gerçek dünyada güvenilir şekilde performans gösteren sağlam yapay zeka (AI) çözümleri oluşturmak için esastır.

Hiperparametre Ayarlamada Doğrulamanın Rolü#

Doğrulama verisinin birincil işlevi, hiperparametrelerin optimizasyonunu kolaylaştırmaktır. Model ağırlıkları gibi dahili parametreler eğitim süreci aracılığıyla otomatik olarak öğrenilirken; öğrenme hızı (learning rate), yığın boyutu (batch size) ve ağ mimarisi dahil olmak üzere hiperparametreler manuel olarak ayarlanmalı veya deneyler yoluyla keşfedilmelidir.

Doğrulama verisi, mühendislerin model seçimi aracılığıyla farklı yapılandırmaları etkili bir şekilde karşılaştırmasını sağlar. Örneğin, bir geliştirici bir YOLO26 modeli eğitiyorsa, üç farklı öğrenme hızı test edebilir. Doğrulama kümesinde en yüksek doğruluğu sağlayan sürüm genellikle seçilir. Bu süreç, modelin veri nüanslarını yakalayacak kadar karmaşık ancak genelleştirilebilir kalacak kadar basit olmasını sağlayarak yanlılık-varyans ödünleşiminde (bias-variance tradeoff) yol almayı sağlar.

Veri Kümelerini Ayırt Etme#

Bilimsel rigoriteyi sağlamak için eksiksiz bir veri kümesi tipik olarak üç farklı alt kümeye ayrılır. Her birinin benzersiz amacını anlamak, etkili veri yönetimi için hayati önem taşır.

• Eğitim Verisi: Bu, modeli doğrudan uyarlamak için kullanılan veri kümesinin en büyük kısmıdır. Algoritma, geri yayılım (backpropagation) yoluyla dahili parametrelerini ayarlamak için bu örnekleri işler.
• Doğrulama Verisi: Bu alt küme, sık değerlendirme sağlamak için eğitim süreci sırasında kullanılır. Kritik olarak, model asla ağırlıklarını doğrudan bu veriye dayanarak güncellemez; bunu yalnızca model seçimini ve erken durdurma (early stopping) kararlarını yönlendirmek için kullanır.
• Test Verisi: Yalnızca nihai model yapılandırması seçildikten bir kez kullanılan, tamamen saklı tutulan bir veri kümesidir. Model dağıtımı performansının gerçekçi bir metriğini sağlamak için "final sınavı" görevi görür.

Ultralytics ile Pratik Uygulama#

Ultralytics ekosisteminde bir modeli doğrulamak kolaylaştırılmış bir süreçtir. Bir kullanıcı eğitimi veya doğrulamayı başlattığında, çerçeve otomatik olarak veri kümesinin YAML yapılandırmasında belirtilen görüntüleri kullanır. Bu, kullanıcıların nesne tespiti veya segmentasyon görevlerinin doğruluğunu ölçmesine yardımcı olan Ortalama Ortalama Kesinlik (mAP) gibi anahtar performans göstergelerini hesaplar.

Aşağıdaki örnek, Python kullanarak önceden eğitilmiş bir YOLO26 modelini standart COCO8 veri kümesi üzerinde nasıl doğrulayacağınızı göstermektedir:

from ultralytics import YOLO

# Load the YOLO26 model (recommended for state-of-the-art performance)
model = YOLO("yolo26n.pt")

# Validate the model using the 'val' mode
# The 'data' argument points to the dataset config containing the validation split
metrics = model.val(data="coco8.yaml")

# Print the Mean Average Precision at IoU 0.5-0.95
print(f"Validation mAP50-95: {metrics.box.map}")

Gerçek Dünya Uygulamaları#

Doğrulama verisi, hassasiyet ve güvenilirliğin tartışılmaz olduğu çeşitli sektörlerde vazgeçilmezdir.

• Akıllı Tarım: Tarımda yapay zeka alanında, sistemler mahsul hastalıklarını tespit etmek veya büyüme aşamalarını izlemek için eğitilir. Çeşitli hava koşullarında (güneşli, bulutlu, yağmurlu) yakalanan görüntüleri içeren bir doğrulama kümesi, modelin yalnızca mükemmel, güneşli günlerde çalışmamasını sağlar. Doğrulama puanlarına dayalı olarak veri artırma (data augmentation) stratejilerini ayarlayarak çiftçiler, çevresel değişkenlikten bağımsız olarak tutarlı içgörüler elde eder.
• Tıbbi Teşhis: BT taramalarında tümörleri belirlemek gibi tıbbi görüntü analizi için çözümler geliştirirken, doğrulama verisi modelin tek bir hastanenin ekipmanına özgü önyargıları öğrenmesini önlemeye yardımcı olur. Çeşitli hasta demografileri üzerinde yapılan titiz doğrulama, teşhis araçlarının FDA'nın dijital sağlık yönergeleri gibi düzenleyici kurumlar tarafından talep edilen güvenlik standartlarını karşılamasını sağlar.

İleri Teknikler: Çapraz Doğrulama#

Verinin az olduğu senaryolarda, doğrulama için özel bir %20 ayırmak çok fazla değerli eğitim bilgisini ortadan kaldırabilir. Bu tür durumlarda, uygulayıcılar genellikle Çapraz Doğrulama (Cross-Validation), özellikle K-Katlı Çapraz Doğrulama (K-Fold Cross-Validation) uygular. Bu teknik, verilerin 'K' alt kümesine bölünmesini ve hangi alt kümenin doğrulama verisi olarak hizmet edeceğinin döndürülmesini içerir. Bu, istatistiksel öğrenme teorisinde açıklandığı gibi, her veri noktasının hem eğitim hem de doğrulama için kullanılmasını sağlayarak model performansının istatistiksel olarak daha sağlam bir tahminini sunar.

Doğrulama verisinin etkili kullanımı, profesyonel Makine Öğrenmesi Operasyonlarının (MLOps) temel taşlarından biridir. Ultralytics Platform gibi araçlardan yararlanarak ekipler, bu veri kümelerinin yönetimini otomatikleştirebilir ve modellerin üretime ulaşmadan önce titizlikle test edilip optimize edilmesini sağlayabilir.