Validation Data

Doğrulama verisi, makine öğrenimi geliştirme yaşam döngüsünde kritik bir kontrol noktası görevi görür ve eğitim sırasında bir modelin performansını değerlendirmek için kullanılan ara bir veri kümesi işlevi görür. Algoritmayı öğretmek için kullanılan birincil veri kümesinin aksine doğrulama kümesi, sistemin yeni ve daha önce görülmemiş bilgileri genelleştirmeyi ne kadar iyi öğrendiğine dair tarafsız bir tahmin sunar. Geliştiriciler, bu özel alt kümedeki metrikleri izleyerek modelin yapılandırmasına ince ayar yapabilir ve sistemin temel kalıpları anlamak yerine eğitim örneklerini ezberlediği aşırı öğrenme gibi potansiyel sorunları tanımlayabilirler. Bu geri bildirim döngüsü, gerçek dünyada güvenilir bir şekilde çalışan sağlam yapay zeka (AI) çözümleri oluşturmak için gereklidir.

Link to this sectionHiperparametre Ayarlamada Doğrulamanın Rolü#

Doğrulama verisinin birincil işlevi, hiperparametrelerin optimizasyonunu kolaylaştırmaktır. Model ağırlıkları gibi dahili parametreler eğitim süreci boyunca otomatik olarak öğrenilirken; öğrenme oranı, yığın boyutu ve ağ mimarisi dahil olmak üzere hiperparametreler manuel olarak ayarlanmalı veya deney yoluyla keşfedilmelidir.

Doğrulama verisi, mühendislerin model seçimi yoluyla farklı yapılandırmaları etkili bir şekilde karşılaştırmasına olanak tanır. Örneğin, bir geliştirici bir YOLO26 modeli eğitiyorsa, üç farklı öğrenme oranını test edebilir. Genellikle doğrulama kümesinde en yüksek doğruluğu sağlayan sürüm seçilir. Bu süreç, modelin verideki nüansları yakalayacak kadar karmaşık, ancak genellenebilir kalacak kadar basit olmasını sağlayarak yanlılık-varyans dengesini yönetmeye yardımcı olur.

Link to this sectionVeri Kümelerini Ayırt Etme#

Bilimsel titizliği sağlamak için tam bir veri kümesi genellikle üç farklı alt kümeye bölünür. Her birinin benzersiz amacını anlamak, etkili veri yönetimi için hayati öneme sahiptir.

• Eğitim Verisi: Bu, veri kümesinin en büyük kısmıdır ve doğrudan modele uyum sağlamak için kullanılır. Algoritma, dahili parametrelerini geriye yayılım yoluyla ayarlamak için bu örnekleri işler.
• Validation Data: This subset is used during the training process to provide frequent evaluation. Crucially, the model never directly updates its weights based on this data; it only uses it to guide model selection and early stopping decisions.
• Test Verisi: Yalnızca nihai model yapılandırması seçildikten sonra kullanılan tamamen ayrılmış bir veri kümesidir. Model dağıtım performansının gerçekçi bir metriğini sağlamak için bir "final sınavı" görevi görür.

Link to this sectionUltralytics ile Pratik Uygulama#

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

Aşağıdaki örnek, önceden eğitilmiş bir YOLO26 modelinin, Python kullanarak standart COCO8 veri kümesi üzerinde nasıl doğrulanacağını 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}")

Link to this sectionGerçek 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 evrelerini izlemek için eğitilir. Farklı hava koşullarında (güneşli, bulutlu, yağmurlu) çekilmiş görüntüleri içeren bir doğrulama kümesi, modelin sadece mükemmel ve güneşli günlerde çalışmamasını sağlar. Doğrulama puanlarına göre veri artırma stratejilerine ince ayar yaparak, çiftçiler çevresel değişkenlikten bağımsız olarak tutarlı içgörüler alırlar.
• Tıbbi Tanı: BT taramalarındaki tümörlerin tanımlanması gibi tıbbi görüntü analizi için çözümler geliştirirken doğrulama verisi, modelin belirli bir hastanenin ekipmanına özgü yanlılıkları öğrenmesini önlemeye yardımcı olur. Farklı hasta demografileri üzerinde yapılan titiz doğrulama, tanı araçlarının FDA'in dijital sağlık kılavuzları gibi düzenleyici kurumların gerektirdiği güvenlik standartlarını karşılamasını sağlar.

Link to this sectionİleri Teknikler: Çapraz Doğrulama#

Verinin kıt olduğu durumlarda, doğrulama için özel bir %20 ayırmak çok fazla değerli eğitim bilgisini devre dışı bırakabilir. Bu gibi durumlarda uygulayıcılar genellikle Çapraz Doğrulama, özellikle de K-Katlı Çapraz Doğrulama yöntemini kullanırlar. Bu teknik, veriyi 'K' alt kümeye ayırmayı ve hangi alt kümenin doğrulama verisi olarak hizmet edeceğini döndürmeyi içerir. Bu, her veri noktasının hem eğitim hem de doğrulama için kullanılmasını sağlayarak, istatistiksel öğrenme teorisinde açıklandığı gibi model performansının istatistiksel olarak daha sağlam bir tahminini sunar.

Doğrulama verisinin etkili kullanımı, profesyonel Makine Öğrenimi Operasyonlarının (MLOps) temel taşıdır. Ultralytics Platform gibi araçlardan yararlanarak ekipler, bu veri kümelerinin yönetimini otomatikleştirebilir ve modellerin üretime geçmeden önce titizlikle test edilip optimize edilmesini sağlayabilirler.