Daha iyi model performansı için Ultralytics YOLO11 deneylerinizi DVC entegrasyonu ile kolaylaştırmak için deney izlemeyi nasıl kullanabileceğinizi öğrenin.
.webp)
Makinelerin görsel verileri yorumlamak ve anlamak üzere eğitildiği bilgisayarla görme deneylerini takip etmek ve izlemek, aşağıdaki gibi Vision AI modellerini geliştirmenin ve ince ayar yapmanın çok önemli bir parçasıdır Ultralytics YOLO11. Bu deneyler genellikle farklı temel parametrelerin test edilmesini ve birden fazla model eğitim çalışmasından elde edilen metriklerin ve sonuçların kaydedilmesini içerir. Bunu yapmak, model performansını analiz etmeye ve modelde veriye dayalı iyileştirmeler yapmaya yardımcı olabilir.
İyi tanımlanmış bir deney takip sistemi olmadan, sonuçları karşılaştırmak ve modellerde değişiklik yapmak karmaşık hale gelebilir ve hatalara yol açabilir. Aslında, bu süreci otomatikleştirmek daha iyi tutarlılık sağlayabilecek harika bir seçenektir.
Ultralytics tarafından desteklenen DVCLive entegrasyonunun yapmayı amaçladığı şey tam olarak budur. DVCLive, deney ayrıntılarını otomatik olarak günlüğe kaydetmek, sonuçları görselleştirmek ve model performans takibini tek bir iş akışı içinde yönetmek için basitleştirilmiş bir yol sağlar.
Bu makalede, Ultralytics YOLO11'i eğitirken DVCLive entegrasyonunun nasıl kullanılacağını tartışacağız. Ayrıca faydalarına ve daha iyi Vision AI modeli geliştirme için deney izlemeyi nasıl kolaylaştırdığına da bir göz atacağız.
DVC (Data Version Control) tarafından oluşturulan DVCLive, makine öğrenimi deneylerini izlemek için tasarlanmış güvenilir bir açık kaynak aracıdır. DVCLive Python kütüphanesi, yapay zeka geliştiricilerinin ve araştırmacılarının deneylerinin metriklerini ve parametrelerini takip etmelerini mümkün kılan gerçek zamanlı bir deney kaydedici sağlar.
Örneğin, temel model performans ölçümlerini otomatik olarak kaydedebilir, eğitim çalıştırmaları arasında sonuçları karşılaştırabilir ve model performansını görselleştirebilir. Bu özellikler DVCLive'ın yapılandırılmış ve tekrarlanabilir bir makine öğrenimi iş akışı sürdürmenize yardımcı olmasını sağlar.
DVCLive entegrasyonunun kullanımı kolaydır ve net, anlaşılması kolay veri görselleştirmeleri ve analiz araçları sağlayarak bilgisayarla görme projelerinizi geliştirebilir. İşte DVCLive'ın diğer bazı temel özellikleri:
Ultralytics belgelerini incelerken ve mevcut entegrasyonları keşfederken, kendinizi şu soruyu sorarken bulabilirsiniz: DVCLive entegrasyonunu diğerlerinden ayıran nedir ve iş akışım için neden onu seçmeliyim?
TensorBoard ve MLflow gibi metrikleri izlemeye ve sonuçları görselleştirmeye yönelik araçlar da sağlayan entegrasyonlarla birlikte, bu entegrasyonu öne çıkaran benzersiz nitelikleri anlamak çok önemlidir.
İşte DVCLive'ın Ultralytics YOLO projeleriniz için neden ideal bir seçim olabileceği:
Ultralytics YOLO11 model eğitimini DVCLive ile takip etmek beklediğinizden daha basittir. Gerekli kütüphaneler kurulduktan ve yapılandırıldıktan sonra, YOLO11 modelinizi özel olarak eğitmeye hızlı bir şekilde başlayabilirsiniz.
Eğitimden sonra, doğruluğu artırmak için epoklar (modelin tüm veri kümesinden kaç kez geçtiği), sabır (herhangi bir gelişme olmazsa durmadan önce ne kadar bekleneceği) ve hedef görüntü boyutu (eğitim için kullanılan görüntülerin çözünürlüğü) gibi temel ayarları yapabilirsiniz. Ardından, modelinizin farklı sürümlerini karşılaştırmak ve performanslarını analiz etmek için DVCLive'ın görselleştirme aracını kullanabilirsiniz.
Model eğitim süreci ve en iyi uygulamalar hakkında daha ayrıntılı bilgi için Ultralytics YOLO modellerini özel olarak eğitme belgelerimize göz atın.
Daha sonra, YOLO11'i özel olarak eğitirken DVCLive entegrasyonunun nasıl kurulacağını ve kullanılacağını inceleyelim.
YOLO11'i eğitmeye başlamadan önce, hem Ultralytics Python paketini hem de DVCLive'ı yüklemeniz gerekir. Bu entegrasyon, her iki kütüphanenin de varsayılan olarak sorunsuz bir şekilde birlikte çalışacağı şekilde tasarlanmıştır, bu nedenle karmaşık yapılandırmalar hakkında endişelenmenize gerek yoktur.
Tüm yükleme işlemi, aşağıdaki resimde gösterildiği gibi Python kütüphanelerini yüklemek için bir paket yönetim aracı olan tek bir Pip komutuyla sadece birkaç dakika içinde tamamlanabilir.
Paketleri kurduktan sonra, ortamınızı ayarlayabilir ve DVCLive'ın sorunsuz çalışmasını sağlamak için gerekli kimlik bilgilerini ekleyebilirsiniz. Bir Git deposu kurmak, kodunuzu ve DVCLive ayarlarınızdaki değişiklikleri takip etmek için de yararlıdır.
Adım adım ayrıntılı talimatlar ve diğer yararlı ipuçları için Kurulum Kılavuzumuza göz atın. Gerekli paketleri yüklerken herhangi bir sorunla karşılaşırsanız, Ortak Sorunlar Kılavuz umuzda size yardımcı olacak çözümler ve kaynaklar bulunmaktadır.
YOLO11 model eğitim oturumunuz tamamlandıktan sonra, sonuçları derinlemesine analiz etmek için görselleştirme araçlarını kullanabilirsiniz. Özellikle, verileri ayıklamak için DVC'nin API'sini kullanabilir ve daha kolay kullanım ve görselleştirme için Pandas ((analiz ve karşılaştırma için tablolar halinde düzenlemek gibi verilerle çalışmayı kolaylaştıran bir Python kitaplığı) ile işleyebilirsiniz.
Sonuçlarınızı keşfetmenin daha etkileşimli ve görsel bir yolu için Plotly'nin paralel koordinatlar çizimini (farklı model parametrelerinin ve performans sonuçlarının nasıl bağlantılı olduğunu gösteren bir grafik türü) kullanmayı da deneyebilirsiniz.
Sonuç olarak, modelinizi optimize etme, hiperparametre ayarlama veya genel performansını artırmak için başka değişiklikler yapma konusunda daha iyi kararlar vermek için bu görselleştirmelerden elde edilen bilgileri kullanabilirsiniz.
DVCLive entegrasyonunu kullanarak YOLO11 eğitim sonuçlarını nasıl yükleyeceğimizi ve görselleştireceğimizi öğrendiğimize göre, şimdi bu entegrasyonun geliştirebileceği bazı uygulamaları inceleyelim.
Tarım ve gıda için mahsul hasadı söz konusu olduğunda, hassasiyet büyük bir fark yaratabilir. Örneğin, çiftçiler YOLO11'in nesne algılama ve örnek segmentasyonu desteğini kullanarak potansiyel mahsul hastalıklarını tespit edebilir, çiftlik hayvanlarını izleyebilir ve haşere istilalarını tespit edebilir.
Özellikle YOLO11 , dronlardan veya kameralardan gelen görüntüleri analiz ederek bitki hastalıklarının, zararlı haşerelerin veya sağlıksız hayvanların erken belirtilerini yakalamaya yardımcı olabilir. Bu tür Vision AI sistemleri, çiftçilerin sorunların yayılmasını önlemek için hızlı hareket etmelerini sağlayarak zaman kazandırır ve kayıpları azaltır.
Çiftlik koşulları hava durumu ve mevsimlere göre sürekli değiştiğinden, farklı durumlarda iyi performans gösterdiklerinden emin olmak için modelleri çeşitli görüntüler üzerinde test etmek önemlidir. Tarımsal uygulamalar için YOLO11 'i özel olarak eğitmek üzere DVCLive entegrasyonunu kullanmak, özellikle farklı veri kümeleriyle performansını takip etmenin harika bir yoludur.
Perakende mağazaları, müşteri davranışlarını anlamak ve alışveriş deneyimini geliştirmek için iyileştirmeler yapmak üzere yapay zeka ve bilgisayarla görmeyi kullanabilir.
YOLO11 , güvenlik kameralarından alınan videoları analiz ederek insanların mağazada nasıl hareket ettiğini, hangi alanların en çok yaya trafiğine sahip olduğunu ve müşterilerin ürünlerle nasıl etkileşime girdiğini izleyebilir. Bu veriler daha sonra hangi rafların en çok dikkat çektiğini, müşterilerin farklı koridorlarda ne kadar zaman geçirdiğini ve reklam vitrinlerinin fark edilip edilmediğini göstermek için ısı haritaları oluşturmak için kullanılabilir.
Bu iş zekası sayesinde mağaza sahipleri satışları artırmak için ürünleri yeniden düzenleyebilir, kasa kuyruklarını hızlandırabilir ve müşterilere en çok ihtiyaç duydukları yerde ve zamanda yardımcı olmak için personel sayısını ayarlayabilir.
Çoğu zaman perakende mağazaları, değişen aydınlatma koşulları, yerleşim düzenleri ve kalabalık boyutları gibi benzersiz özelliklere sahiptir. Bu farklılıklar nedeniyle, mağaza faaliyetlerini analiz etmek için kullanılan bilgisayarla görme modellerinin doğruluğunu sağlamak için her konum için dikkatlice test edilmesi ve ayarlanması gerekir. Örneğin, DVCLive entegrasyonu YOLO11'e ince ayar yapılmasına yardımcı olarak perakende uygulamaları için daha hassas ve güvenilir hale getirebilir, müşteri davranışları ve mağaza operasyonları hakkında daha iyi içgörüler sağlayabilir.
DVCLive entegrasyonunu kullanırken YOLO11 'i özel olarak eğitmek, bilgisayarla görme deneylerinizi izlemeyi ve geliştirmeyi kolaylaştırır. Önemli ayrıntıları otomatik olarak kaydeder, net görsel sonuçlar gösterir ve modelinizin farklı sürümlerini karşılaştırmanıza yardımcı olur.
İster çiftlik verimliliğini artırmaya ister bir mağazadaki alışveriş deneyimini iyileştirmeye çalışıyor olun, bu entegrasyon Vision AI modellerinizin iyi performans göstermesini sağlar. Deney takibi sayesinde modellerinizi sistematik olarak test edebilir, iyileştirebilir ve optimize ederek doğruluk ve performansta sürekli iyileştirmeler sağlayabilirsiniz.
Vision AI hakkında daha fazla bilgi edinmek için topluluğumuza katılın ve GitHub depomuzu keşfedin ve bilgisayarla görme projelerinizi başlatmak için lisanslama seçeneklerimize göz atın. Üretimde yapay zeka veya otonom sürüşte bilgisayarla görme gibi yeniliklerle ilgileniyor musunuz? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret edin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
