MLflow entegrasyonunun ve günlük kaydının Ultralytics YOLO deneylerinizi nasıl geliştirebileceğini ve bilgisayarla görme uygulamaları için üstün izleme sağlayabileceğini keşfedin.
Bir bilgisayarla görme projesini bir bulmaca olarak düşünebilirsiniz. Esasen, bir veri kümesi toplamak, bir modeli eğitmek ve onu dağıtmak gibi bulmacanın parçalarını bir araya getirerek makinelere görsel verileri anlamayı öğretirsiniz. Her şey yerine oturduğunda, görüntüleri ve videoları etkili bir şekilde analiz edebilen ve anlamlandırabilen bir sistem elde edersiniz.
Ancak, tıpkı gerçek bir bulmaca gibi, bir bilgisayarla görme projesinin her kısmı basit değildir. Deney takibi (ayarlarınızın, yapılandırmalarınızın ve verilerinizin kaydını tutmak) ve günlük kaydı (sonuçları ve performans metriklerini yakalamak) gibi görevler çok zaman ve çaba gerektirebilir. Bu adımlar bilgisayarla görme modellerinizi geliştirmek ve iyileştirmek için önemli olsa da, bazen bir darboğaz gibi hissedebilirler.
İşte bu noktada Ultralytics YOLO modelleri ve MLflow ile entegrasyonu devreye giriyor. Gibi modeller Ultralytics YOLO11 nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi çok çeşitli bilgisayarla görme görevlerini destekler. Bu yetenekler, heyecan verici bilgisayarla görme uygulamalarının oluşturulmasını sağlar. MLflow entegrasyonu gibi entegrasyonlara güvenme seçeneğine sahip olmak, vizyon mühendislerinin ayrıntılara takılmak yerine modelin kendisine odaklanmasını sağlar.
Özellikle MLflow entegrasyonu, eğitim süreci boyunca çeşitli metrikleri, parametreleri ve artifaktları günlüğe kaydederek süreci basitleştirir. Bu makalede, MLflow entegrasyonunun nasıl çalıştığını, faydalarını ve Ultralytics YOLO iş akışlarınızı kolaylaştırmak için nasıl kullanabileceğinizi inceleyeceğiz.
MLflow, tüm makine öğrenimi yaşam döngüsünü kolaylaştırmak ve yönetmek için tasarlanmış açık kaynaklı bir platformdur (Databricks tarafından geliştirilmiştir). Makine öğrenimi modellerini geliştirme, dağıtma ve sürdürme sürecini kapsar.
MLflow aşağıdaki temel bileşenleri içerir:
MLflow'un bileşenleri, makine öğrenimi sürecini daha kolay ve verimli bir şekilde yönetmeyi sağlar. Bu entegrasyon sayesinde Ultralytics , YOLO modellerini eğitirken parametreleri, metrikleri ve artifaktları günlüğe kaydetmek için MLflow'un deney izleme özelliğini kullanmayı mümkün kılar. Farklı YOLO model sürümlerini izlemeyi ve karşılaştırmayı kolaylaştırır.
MLflow'un ne olduğunu ele aldığımıza göre, şimdi MLflow entegrasyonunun ayrıntılarına ve hangi özellikleri sunduğuna bakalım.
MLflow entegrasyonu, bilgisayarla görme deneylerinizin önemli yönlerini otomatik olarak izleyip günlüğe kaydederek eğitim sürecini daha verimli ve düzenli hale getirmek için oluşturulmuştur. Üç ana kayıt türünü kolaylaştırır: metrikler, parametreler ve eserler.
İşte her bir kayıt türüne daha yakından bir bakış:
MLflow entegrasyonunun etkinleştirilmesine ilişkin adım adım talimatlar için Ultralytics belgelerini inceleyebilirsiniz. Entegrasyon kurulduktan sonra, yukarıda tartışıldığı gibi eğitim deneylerinizin önemli ayrıntılarını otomatik olarak izler ve günlüğe kaydeder. Bu, manuel izleme ihtiyacını ortadan kaldırır ve modellerinizi iyileştirmeye odaklanmanıza yardımcı olur.
MLflow entegrasyonu ile tüm eğitim çalışmalarınız tek bir yerde saklanır, böylece sonuçları karşılaştırmak ve farklı konfigürasyonları değerlendirmek daha kolay hale gelir. Kaydedilen sonuçları karşılaştırarak en iyi performans gösteren konfigürasyonları belirleyebilir ve bu bilgileri modellerinizi geliştirmek için kullanabilirsiniz. Bu, iş akışınızın daha verimli, iyi belgelenmiş ve tekrarlanabilir olmasını sağlar.
Özellikle, her eğitim oturumu, birden fazla çalıştırma için bir kap görevi gören bir deney olarak düzenlenir. Bir deney içinde, ilişkili tüm çalıştırmaları görüntüleyebilir, performanslarını yan yana karşılaştırabilir ve farklı yapılandırmalardaki eğilimleri analiz edebilirsiniz.
Örneğin, Ultralytics YOLOv8 ile çeşitli öğrenme oranlarını veya toplu iş boyutlarını test ediyorsanız, aşağıda gösterildiği gibi kolay karşılaştırma ve analiz için ilgili tüm çalıştırmalar aynı deney altında gruplandırılır.
Bu arada, bireysel çalışma düzeyinde MLflow, belirli eğitim oturumuna ilişkin ayrıntılı bilgiler sağlar. Epoklar üzerinden doğruluk, kayıp ve hassasiyet gibi metrikleri görüntüleyebilir, kullanılan eğitim parametrelerini (ör. yığın boyutu ve öğrenme oranı) kontrol edebilir ve model ağırlıkları ve yapılandırma dosyaları gibi oluşturulan eserlere erişebilirsiniz. Bu ayrıntılar düzenli bir biçimde saklanır ve herhangi bir çalıştırmayı tekrar ziyaret etmeyi veya yeniden üretmeyi kolaylaştırır.
Ultralytics belgelerini incelerken ve mevcut entegrasyonları keşfederken kendinizi şu soruyu sorarken bulabilirsiniz: MLflow entegrasyonunu diğerlerinden ayıran nedir ve iş akışım için neden onu seçmeliyim?
TensorBoard gibi metrikleri takip etmeye ve sonuçları görselleştirmeye yönelik araçlar da sağlayan entegrasyonlarla birlikte MLflow entegrasyonunu öne çıkaran benzersiz nitelikleri anlamak önemlidir.
İşte MLflow'un YOLO projeleriniz için neden ideal seçim olabileceği:
MLflow entegrasyonunu ne zaman kullanabileceğinizi daha kapsamlı bir şekilde anlamak için, sağlık alanında X-ray veya CT tarama görüntülerindeki tümörleri tespit etmek için YOLO11 adresini eğitmeniz gereken bir yapay zeka uygulamasını ele alalım.
Böyle bir senaryoda, veri kümesi açıklamalı tıbbi görüntülerden oluşacaktır. Optimum doğruluğu elde etmek için öğrenme oranlarını, yığın boyutlarını ve görüntü ön işleme tekniklerini ayarlamak gibi çeşitli yapılandırmaları denemeniz gerekecektir. Sağlık hizmetlerinde riskler yüksek olduğundan ve hassasiyet ve güvenilirlik kritik önem taşıdığından, her bir deneyi manuel olarak takip etmek hızla yönetilemez hale gelebilir.
MLflow entegrasyonu, her deneyin parametrelerini, metriklerini ve eserlerini otomatik olarak günlüğe kaydederek bu zorluğun üstesinden gelir. Örneğin, öğrenme oranını değiştirirseniz veya yeni bir artırma stratejisi uygularsanız MLflow bu değişiklikleri performans metrikleriyle birlikte kaydeder. Ayrıca MLflow, eğitilmiş model ağırlıklarını ve yapılandırmalarını kaydederek başarılı modellerin kolayca yeniden üretilebilmesini ve dağıtılabilmesini sağlar.
Bu, MLflow entegrasyonunun Vision AI uygulamalarında deney yönetimini nasıl geliştirdiğinin sadece bir örneğidir. Aynı özellikler, aşağıdakiler de dahil olmak üzere diğer bilgisayarla görme uygulamaları için de geçerlidir:
YOLO modelleriyle MLflow entegrasyonu, makine öğrenimi deneylerini yönetmeyi daha kolay ve verimli hale getirir. Temel görevleri otomatikleştirerek ve her şeyi düzenli tutarak, modellerinizi oluşturmaya ve geliştirmeye odaklanmanızı sağlar. İşte temel avantajlara bir bakış:
MLflow entegrasyonu Ultralytics YOLO deneylerini yönetmeyi ve optimize etmeyi daha kolay ve verimli hale getirir. Parametreler, metrikler ve eserler gibi önemli ayrıntıları otomatik olarak izleyerek süreci basitleştirir ve manuel deney yönetiminin zorluklarını ortadan kaldırır.
İster tümör tespiti gibi sağlık çözümleri üzerinde çalışıyor, ister otonom sürüş sistemlerini iyileştiriyor veya perakende analitiğini geliştiriyor olun, bu entegrasyon her şeyin düzenli ve tekrarlanabilir olmasına yardımcı olur. Sezgisel arayüzü ve esnekliği ile MLflow, geliştiricilerin daha iyi modeller oluşturmaya ve Vision AI uygulamalarında inovasyonu teşvik etmeye odaklanmalarını sağlar.
Topluluğumuza katılın ve yapay zeka hakkında bilgi edinmek için GitHub depomuza göz atın. Ayrıca çözümler sayfalarımızda üretimde bilgisayarla görme veya sürücüsüz araç larda yapay zeka ile ilgili daha fazla uygulama keşfedebilirsiniz.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI