Sözlük

Hiperparametre Ayarlama

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

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Hiperparametre optimizasyonu olarak da bilinen hiperparametre ayarlama, bir modelin performansını en üst düzeye çıkarmak için en iyi hiperparametre kombinasyonunu bulmayı amaçlayan makine öğreniminde (ML) temel bir süreçtir. Hiperparametreler, eğitim sırasında öğrenilen model parametrelerinin (bir sinir ağındaki weights and biases gibi) aksine, eğitim süreci başlamadan önce ayarlanan yapılandırma ayarlarıdır. Bu harici ayarların ayarlanması çok önemlidir çünkü öğrenme sürecinin kendisini kontrol ederler, bir modelin verilerden ne kadar etkili bir şekilde öğrendiğini ve yeni, görülmemiş örneklere genelleme yaptığını etkilerler.

Hiperparametreleri Anlama

Hiperparametreler, modelin karmaşıklığı veya ne kadar hızlı öğrenmesi gerektiği gibi daha üst düzey özelliklerini tanımlar. Yaygın örnekler arasında optimizasyon algoritmalarında kullanılan öğrenme oranı, model parametrelerini güncellemeden önce kaç örneğin işleneceğini belirleyen yığın boyutu, bir sinir ağındaki katman sayısı veya düzenlileştirme tekniklerinin gücü yer alır. Hiperparametrelerin seçimi model sonuçlarını önemli ölçüde etkiler. Kötü seçimler, modelin veri modellerini yakalamak için çok basit olduğu yetersiz uyuma veya modelin gürültü dahil olmak üzere eğitim verilerini çok iyi öğrendiği ve genelleme yapamadığı aşırı uyuma yol açabilir.

Hiperparametre Ayarlaması Neden Önemlidir?

Etkili hiperparametre ayarı, yüksek performanslı makine öğrenimi modelleri oluşturmak için gereklidir. İyi ayarlanmış bir model daha iyi doğruluk, eğitim sırasında daha hızlı yakınsama ve test verilerinde daha iyi genelleme sağlar. gibi modelleri kullanarak nesne algılama gibi karmaşık görevler için Ultralytics YOLOOptimum hiperparametrelerin bulunması, gerçek zamanlı çıkarım gerektiren uygulamalar için kritik olan Ortalama Ortalama Kesinlik (mAP) ve çıkarım hızı gibi performans ölçümlerini büyük ölçüde iyileştirebilir. Amaç, belirli bir problem ve veri kümesi için en uygun noktayı bulmak için sapma-varyans ödünleşimi gibi ödünleşimlerde gezinmektir.

Hiperparametre Ayarlama Teknikleri

En iyi hiperparametre değerlerini aramak için çeşitli stratejiler mevcuttur:

  • Izgara Arama: Belirtilen hiperparametre değerlerinin tüm olası kombinasyonlarını kapsamlı bir şekilde dener. Kapsamlı olsa da, özellikle çok sayıda hiperparametre ile hesaplama açısından pahalı olabilir. Izgara Arama hakkında daha fazla bilgi edinin.
  • Rastgele Arama: Belirlenen dağılımlardan rastgele hiperparametre kombinasyonlarını örnekler. İyi parametreler her zaman düzgün bir ızgarada bulunmadığından, genellikle Izgara Aramadan daha verimlidir. Rastgele Arama ayrıntılarını keşfedin.
  • Bayes Optimizasyonu: Hangi hiperparametrelerin daha iyi sonuçlar verebileceğini tahmin etmek için olasılık modellerini kullanır ve aramayı umut verici alanlara odaklar. Bu genellikle rastgele veya ızgara aramadan daha verimlidir. Optuna gibi çerçeveler uygulamalar sağlar.
  • Evrimsel Algoritmalar: Hiperparametreleri yinelemeli olarak iyileştirmek için mutasyon ve seçim gibi biyolojik evrimden esinlenen kavramları kullanır. Ultralytics YOLOv5 , Hiperparametre Evrimi hakkında bir kılavuz içeriyordu.

Weights & Biases Sweeps ve KerasTuner gibi araçlar bu ayarlama süreçlerinin otomatikleştirilmesine ve yönetilmesine yardımcı olur.

Hiperparametre Ayarlama ve İlgili Kavramlar

Hiperparametre ayarını ilgili makine öğrenimi kavramlarından ayırmak önemlidir:

  • Model Parametreleri ve Hiperparametreler: Model parametreleri (örneğin, bir CNN'deki ağırlıklar) eğitim sırasında verilerden öğrenilir. Hiperparametreler (örn. öğrenme hızı, filtre sayısı) öğrenme sürecini yapılandırmak için eğitimden önce ayarlanır.
  • Optimizasyon Algoritmaları ve Hiperparametre Ayarlama: Optimizasyon algoritmaları ( Adam veya SGD gibi) bir kayıp fonksiyonunu minimize etmek için model parametrelerini ayarlar. Hiperparametre ayarı, bu algoritmalar için en uygun ayarları ve optimize edici seçimi veya belirli öğrenme oranı dahil olmak üzere eğitimin diğer yönlerini bulur.
  • Düzenlileştirme ve Hiperparametre Ayarı: Düzenli hale getirme teknikleri (örneğin, Dropout katmanları, L1/L2 cezaları) aşırı uyumu önlemeye yardımcı olur. Bu tekniklerin gücü veya oranı, ayarlanması gereken hiper parametrelerdir.

Gerçek Dünya Uygulamaları

Hiperparametre ayarı çeşitli etki alanlarında uygulanır:

  1. Tıbbi Görüntü Analizi: Tümör tespiti için bir Ultralytics YOLO modelini eğitirken, öğrenme oranı, veri artırma ayarları (örn. döndürme aralığı, parlaklık ayarlamaları) ve model mimarisi seçimleri (omurga derinliği gibi) gibi hiperparametreleri ayarlamak, MRI veya CT gibi taramalarda tümör tanımlama hassasiyetini ve özgüllüğünü en üst düzeye çıkarmak için çok önemlidir. Bu, modelin yanlış pozitifleri en aza indirirken anomalileri güvenilir bir şekilde tespit etmesini sağlar.(Sağlık Hizmetlerinde Yapay Zeka çözümlerini keşfedin).
  2. Otonom Sürüş: Otonom araçlar için algılama sistemleri geliştirirken, hiperparametre ayarı, çeşitli koşullar altında (gündüz, gece, yağmur) yayaları, araçları ve trafik işaretlerini doğru bir şekilde tanımlamak için nesne algılama modellerini optimize eder. Algılama güven eşikleri, Maksimum Olmayan Bastırma (NMS) ayarları ve giriş görüntüsü çözünürlüğü gibi parametrelerin ayarlanması, güvenlik açısından kritik uygulamalar için hayati önem taşıyan algılama hızı ve doğruluğunun dengelenmesine yardımcı olur.(Bkz. Otomotiv çözümlerinde yapay zeka).

Ultralytics ile Hiperparametre Ayarlama

Ultralytics , YOLO modelleri için hiperparametre ayarını basitleştiren araçlar sağlar. Bu araçlar Ultralytics Tuner sınıf'de belgelenmiştir. Hiperparametre Ayarlama kılavuzuevrimsel algoritmalar kullanarak süreci otomatikleştirir. Gibi platformlarla entegrasyon Ray Tune gibi kaynakları kullanarak kullanıcıların modellerini belirli veri kümeleri ve görevler için verimli bir şekilde optimize etmelerine yardımcı olarak dağıtılmış ve gelişmiş arama stratejileri için daha fazla yetenek sunar. Ultralytics HUB.

Tümünü okuyun