1. Rehberin Amacı

Bu rehberin amacı, güncel bir YOLO mimarisi kullanılarak nesne tespiti modeli eğitirken yalnızca bir eğitim komutu çalıştırmak yerine, veri setinden model seçimine, baseline eğitimden hiperparametre optimizasyonuna ve son olarak edge cihazda gerçek zamanlı çalıştırmaya kadar bütün süreci bilimsel ve ölçülebilir bir yöntemle ele almaktır.

Temel yaklaşım; önce problemi ve veriyi anlamak, ardından güvenilir bir baseline oluşturmak, sonuçları yorumlamak, tek veya küçük parametre grupları üzerinde kontrollü deneyler yapmak ve her deneyin sonucuna göre bir sonraki adımı belirlemektir.

2. Temel Çalışma Felsefesi

Ana prensip: Hiperparametreleri rastgele değiştirmek optimizasyon değildir. Her değişiklik ölçülebilir bir hipoteze dayanmalıdır.

1. Problem ve hedef cihazı tanımla.

2. Veri setini ve etiket kalitesini analiz et.

3. Uygun model varyantını seç.

4. Standart ayarlarla güvenilir bir baseline oluşturma.

5. Loss, mAP, precision, recall ve F1 sonuçlarını analiz et.

6. Overfitting veya underfitting problemleri belirtileri.

7. Hedefe yönelik deneyler tasarla.

8. Hiperparametre optimizasyonunu kontrollü biçimde uygula.

9. En iyi modeli bağımsız test verisiyle doğrula.

10. Gerçek hedef cihazda latency ve FPS ölç.

3. Proje Analizi: Eğitime Başlamadan Önce Bilinmesi Gerekenler

3.1 Proje ve Görev Tanımı

• Modelin tespit edeceği nesneler ve sınıflar net biçimde tanımlanmalıdır.

• Her sınıfın görsel olarak nasıl ayırt edildiği belirlenmelidir.

• Nesnelerin görüntüdeki yaklaşık boyutları değerlendirilmelidir.

• Küçük nesne tespiti gerekiyorsa görüntü boyutu ve model seçimi buna göre yapılmalıdır.

• Kamera sabit veya hareketli olabilir; perspektif ve açı değişimleri eğitim stratejisini etkiler.

• Gerçek zamanlı sistemlerde hedef FPS ve kabul edilebilir uçtan uca latency önceden tanımlanmalıdır.

• Modelin çalışacağı edge cihaz, eğitim sürecinden önce bilinmelidir.

3.2 Veri Seti Analizi

• Toplam görüntü sayısı ve sınıf başına örnek sayısı çıkarılmalıdır.

• Train / validation / test dağılımı incelenmelidir.

• Sınıf dengesizliği kontrol edilmelidir.

• Görüntü çözünürlükleri ve aspect ratio dağılımı incelenmelidir.

• Bounding box etiketlerinin doğruluğu kontrol edilmelidir.

• Birebir aynı (duplicate) veya çok yüksek oranda benzeyen (near-duplicate) görüntüler belirlenmelidir; ikisi aynı şey değildir: duplicate tamamen özdeş kareyi, near-duplicate ise örneğin ardışık video karelerinde olduğu gibi neredeyse aynı ama birebir olmayan görüntüleri ifade eder.

• Aynı sahne veya aynı nesnenin train ve validation kümelerine sızması engellenmelidir.

• Validation ve test verileri, gerçek kullanım koşullarını mümkün olduğunca temsil etmelidir.

3.3 Donanım Analizi

• GPU modeli ve VRAM kapasitesi

• CPU modeli

• RAM miktarı

• Disk türü ve kapasitesi

• CUDA, PyTorch ve Ultralytics sürümleri

• Eğitim yapılacak cihaz

• Inference yapılacak hedef edge cihaz

4. Veri Seti Büyüklüğüne Göre Eğitim Stratejisi

Önemli: Görüntü sayısı tek başına yeterli değildir. Aynı sahnenin binlerce benzer görüntüsü, gerçek çeşitlilik açısından küçük bir veri seti anlamına gelebilir.

5. Model Seçimi

Edge hedefinde model yalnızca doğruluğa göre seçilmemelidir. Nano veya small varyantlar çoğu gerçek zamanlı uygulamada başlangıç noktası olarak değerlendirilebilir. Ancak küçük nesneler veya yüksek çözünürlük gerektiren görevlerde daha büyük modellerin avantajı deneysel olarak ölçülmelidir.

Rehberin ikinci bölümünde görüşmek üzere! Yeni yazılarımızı ve teknik içeriklerimizi kaçırmamak için blogumuzu takipte kalın.