İlk İnce Ayar ve Yineleme Döngüsü

Önceden eğitilmiş ağırlıklarla başla#

İnce ayar, kenarları, dokuları ve şekilleri zaten tanıyan ağırlıklarla başlar; bu nedenle rastgele ağırlıklarla eğitime kıyasla daha hızlı yakınsar ve çok daha az veri gerektirir. Görevine uygun YOLO26 kontrol noktasını seç:

Omurga ve boyun olduğu gibi aktarılır; görev başlığı, sınıf sayına uyacak şekilde kısmen yeniden başlatılır. Sıfırdan eğitim, ancak çok büyük veri kümelerinde ve son derece sıra dışı alanlarda işe yarar. Hızlıca bir temel sonuç almak için nano (n) modeliyle başla ve yalnızca veri döngüsü artık iyileşme sağlamadığında daha büyük boyutlara geç. İnce ayar kılavuzu içeride neler olduğunu açıklar.

Temel modeli çalıştır#

Varsayılan ayarlarla eğitim yap; ilk çalıştırmanın amacı rekor kırmak değil, bir temel sonuç elde etmektir. Bu işlem, önce veri YAML dosyasını yazarak Veri Kümesini Doğru Şekilde Bölme bölümünde oluşturulan alıştırma kümesi bölümlerini kullanarak eğitim yapar:

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import YAML

names = check_det_dataset("coco128.yaml")["names"]  # # alıştırma kümesinde COCO'nun sınıf adları kullanılır
YAML.save("practice.yaml", {"path": "datasets/practice", "train": "train.txt", "val": "val.txt", "test": "test.txt", "names": names})

model = YOLO("yolo26n.pt")  # # COCO ile önceden eğitilmiştir; görevin için uygun kontrol noktasını kullan
model.train(data="practice.yaml", epochs=3, imgsz=320)  # # gerçek bir çalıştırma: epochs=100, imgsz=640

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         20        143      0.614        0.6      0.664      0.486

Çalıştırma klasöründe (runs/detect/train/) artık weights/best.pt bulunuyor. İlk çalıştırmada yalnızca şu üç argümanı değiştirmeyi düşünmeye değer:

İlk Modelini Eğit, eğitim çağrısını ve canlı günlüğünü ayrıntılı olarak açıklar.

Sınıfları sırala ve kaçırılan nesneleri incele#

Genel mAP, sorunun nerede olduğunu gizler. Sınıfları AP50-95'e göre sırala ve her sınıfın hatalarını modelin tamamen kaçırdığı nesneler ile başka bir sınıf olarak adlandırdığı nesneler olarak ayırmak için karışıklık matrisini kullan:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")  # your fine-tuned checkpoint
metrics = model.val(data="practice.yaml", imgsz=320, verbose=False)  # same data YAML and imgsz as training

matrix = metrics.confusion_matrix.matrix  # rows: predicted class, columns: true class; last row = background
for ap, cls in sorted(zip(metrics.box.ap, metrics.box.ap_class_index))[:5]:  # weakest five classes first
    total, missed, correct = matrix[:, cls].sum(), matrix[-1, cls], matrix[cls, cls]
    print(f"{model.names[cls]:>8}  AP50-95={ap:.3f}  {total:2.0f} labeled: {correct:2.0f} found, "
          f"{missed:2.0f} missed, {total - correct - missed:2.0f} called another class")

     car  AP50-95=0.000   4 labeled:  0 found,  4 missed,  0 called another class
    fork  AP50-95=0.000   1 labeled:  0 found,  0 missed,  1 called another class
 handbag  AP50-95=0.025   1 labeled:  1 found,  0 missed,  0 called another class
     cup  AP50-95=0.039  14 labeled:  0 found, 10 missed,  4 called another class
    sink  AP50-95=0.075   1 labeled:  1 found,  0 missed,  0 called another class

Her hata türü farklı bir veri kümesi düzeltmesine işaret eder:

• Val örneği sayısı çok az (fork, handbag, sink; her birinde 1 örnek): AP gürültüden ibarettir. Val'de en az birkaç düzine örnek bulunana kadar sınıf için işlem yapma; önce daha fazla val grubu topla.
• Kaçırılmış (car 4 örneğin 4'ü, cup 14 örneğin 10'u): model hiçbir nesne görmüyor. İlgili senaryonun train verisindeki kapsamını kontrol et ve suspect_labels.py ile eksik etiket ara.
• Başka bir sınıf olarak adlandırılmış (cup 14 örneğin 4'ü): sınıf tanımları örtüşüyor. Bu görüntüleri aç, tanımları netleştir ve benzer görünen sınıfı kılavuzda belirt.

Burada eyleme geçirilebilir bulgu cup: etiketli 14 örnek var ve hiçbiri bulunmamış.

Çalıştırma klasörünü veri geri bildirimi olarak oku#

Her eğitim çalıştırması bu dosyaları yazar; Ultralytics Platform da bulut eğitiminde aynı eğrileri canlı olarak çizer:

Doğrula ve Tanıla her grafiği açıklar; burada sorulması gereken soru her zaman veride neyin eksik olduğudur.

Veri öncelikli döngü#

Tipik bir yineleme: Val örneği yeterli olan en zayıf sınıfı seç, bu sınıfın bulunduğu yaklaşık 50 görüntüyü denetle, verileri düzelt, aynı ayarlarla ve aynı bölümle yeniden eğitim yap ve sınıf başına AP'yi karşılaştır. Ardından sıradaki en zayıf sınıfa geç.

Hiperparametrelere ne zaman başvurmalı#

İki veya üç veri yinelemesinden sonra, geriye kalan zayıf sınıflar artık kapsam, etiket veya tanım sorunlarına bağlanamıyorsa ayar yapmak son birkaç puanı kazandırabilir. İnce ayar kılavuzu, katmanları dondurmayı, öğrenme hızlarını ve eniyileyici seçimini açıklar. Ancak veriler doğru olmadan ayar yaparsan, yanlış veri kümesinin modelini iyileştirmek için haftalarını harcarsın.

Bir model, kilitli test kümesinde acceptance_test.py kontrolünü geçtikten sonra, Üretimde Ultralytics YOLO dışa aktarma ve sunumu ele alır; Ultralytics Platform ile Geliştir kapsamındaki Sağlık ve Doğruluğu İzleme ve Yeniden Eğitim Döngüsünü Otomatikleştirme ise yeniden eğitim döngüsünü ele alır.