Sözlük

Hiperparametre Ayarlama

Ultralytics YOLO gibi makine öğrenimi modellerini optimize etmek için hiperparametre ayarlama konusunda uzmanlaşın. Uzman tekniklerle doğruluğu, hızı ve performansı artırın.

Hiperparametre ayarlama, bir Makine Öğrenimi (ML) modeli için en uygun yapılandırma ayarlarını bulma sürecidir. Hiperparametreler olarak bilinen bu ayarlar modelin dışındadır ve eğitim süreci sırasında doğrudan verilerden öğrenilemez. Bunun yerine, eğitim başlamadan önce ayarlanırlar ve eğitim sürecinin kendisinin nasıl davranacağını kontrol ederler. Bu hiperparametrelerin etkili bir şekilde ayarlanması, model performansını en üst düzeye çıkarmak ve yeni, görülmemiş verilere iyi genelleme yapmasını sağlamak için kritik bir adımdır. Doğru ayarlama yapılmazsa en gelişmiş model mimarisi bile düşük performans gösterebilir.

Hiperparametre Ayarlama ve İlgili Kavramlar

Hiperparametre ayarını makine öğrenimindeki diğer temel kavramlardan ayırmak önemlidir:

  • Optimizasyon Algoritması: Adam veya Stochastic Gradient Descent (SGD) gibi bir optimizasyon algoritması, kayıp fonksiyonunu en aza indirmek için eğitim sırasında modelin dahili parametrelerini (ağırlıklar ve önyargılar) ayarlayan motordur. Buna karşılık hiperparametre ayarı, optimizasyon algoritmasının kendisinin seçimini bile içerebilen en iyi harici ayarların seçilmesini içerir.
  • Nöral Mimari Arama (NAS): Hiperparametre ayarı, belirli bir model yapısı için ayarları optimize ederken NAS, katmanların sayısını ve türünü belirlemek gibi model mimarisinin tasarımını otomatikleştirir. Her ikisi de Otomatik Makine Öğrenimi (AutoML) biçimidir ve genellikle mümkün olan en iyi modeli oluşturmak için birlikte kullanılır.
  • Model Parametreleri: Bunlar, bir sinir ağındaki ağırlıklar ve önyargılar gibi bir modelin iç değişkenleridir ve geriye yayılma yoluyla eğitim verilerinden öğrenilir. Hiperparametreler, bu parametrelerin nasıl öğrenildiğini yöneten üst düzey ayarlardır.

Yaygın Ayarlama Yöntemleri ve Hiperparametreler

Uygulayıcılar en iyi hiperparametre değerlerini bulmak için çeşitli stratejiler kullanmaktadır. Yaygın yöntemler arasında, belirtilen değerlerin her kombinasyonunu kapsamlı bir şekilde deneyen Izgara Arama, kombinasyonları rastgele örnekleyen Rastgele Arama ve Bayesian Optimizasyonu ve Evrimsel Algoritmalar gibi daha gelişmiş yöntemler yer alır.

En sık ayarlanan hiperparametrelerden bazıları şunlardır:

  • Öğrenme Oranı: Modelin ağırlıklarının kayıp gradyanına göre ne kadar ayarlanacağını kontrol eder.
  • Parti Büyüklüğü: Bir iterasyonda kullanılan eğitim örneklerinin sayısı.
  • Dönem Sayısı: Tüm eğitim veri kümesinin modelden kaç kez geçirildiği.
  • Veri Artırma Yoğunluğu: Eğitim verilerine uygulanan döndürme, ölçekleme veya renk kaydırma gibi dönüşümlerin derecesi. Albumentations kütüphanesi bunun için popüler bir araçtır.

Gerçek Dünya Uygulamaları

Hiperparametre ayarı, en yüksek performansı elde etmek için çeşitli etki alanlarında uygulanır:

Ultralytics ile Hiperparametre Ayarlama

Ultralytics, aşağıdakiler için hiperparametre ayarını basitleştiren araçlar sağlar Ultralytics YOLO modeller. Bu Ultralytics Tuner sınıf'de belgelenmiştir. Hiperparametre Ayarlama kılavuzuevrimsel algoritmalar kullanarak süreci otomatikleştirir. Gibi platformlarla entegrasyon Ray Tune dağıtılmış ve gelişmiş arama stratejileri için daha fazla yetenek sunarak kullanıcıların modellerini belirli veri kümeleri için verimli bir şekilde optimize etmelerine yardımcı olur (örneğin COCO) ve görevler. Kullanıcılar aşağıdaki gibi platformlardan yararlanabilir Ultralytics HUB için en iyi uygulamaları takip etmenin önemli bir parçası olan kolaylaştırılmış deney takibi ve yönetimi için model eği̇ti̇mi̇. gibi popüler açık kaynak kütüphaneler Optuna ve Hiperopt ML topluluğunda da bu amaç için yaygın olarak kullanılmaktadır.

Ultralytics topluluğuna katılın

Yapay zekanın geleceğine katılın. Küresel yenilikçilerle bağlantı kurun, işbirliği yapın ve büyüyün

Şimdi katılın
Panoya kopyalanan bağlantı