YOLO26 ile kendi nesne tespiti modelimizi eğiteceğimiz 3 bölümlük dev serimize başlamadan önce, dilimizi eşitlememiz gerekiyor. Model eğitirken "Loss düştü ama mAP yükselmiyor, acaba Overfitting mi yaşıyoruz?" dediğimizde ne demek istediğimizi tam olarak kavramanız için bu bölümü bir "Başucu Rehberi" olarak hazırladım. Seriyi okurken kafanıza bir şey takıldığında her zaman bu sayfaya dönüp referans alabilirsiniz. Hazırsanız, teknik jargonu aradan çıkaralım ve eğitime hazırlanalım!

1. Eğitim ve Veri Dinamikleri

Epoch: Eğitim verisinin tamamının modelden bir kez baştan sona geçirilmesi.
Batch / Batch Size: Model ağırlıklarının bir kez güncellenmesi için aynı anda işlenen görüntü sayısı.
Learning Rate (Öğrenme Oranı): Model ağırlıklarının her güncellemede ne kadar değiştirileceğini belirleyen katsayı.
Warmup (Isınma): Eğitimin başında öğrenme oranının düşük bir değerden hedef değere kademeli olarak yükseltildiği kısa dönem.
Loss (Kayıp): Modelin tahminleri ile gerçek etiketler arasındaki farkı sayısal olarak ifade eden değer; eğitim bu değeri azaltacak şekilde ilerler.
Augmentation (Veri Artırma): Eğitim görüntülerine kontrollü dönüşümler uygulayarak veri çeşitliliğini yapay olarak artırma tekniği.
Transfer Learning (Aktarımlı Öğrenme): Başka bir veri setinde önceden eğitilmiş bir modelin ağırlıklarından başlayarak yeni bir görev için eğitime devam etme yöntemi.
Data Leakage (Veri Sızıntısı): Eğitim verisine ait bilginin, doğrudan veya dolaylı biçimde doğrulama ya da test verisine karışması durumu; sonuçların gerçekte olduğundan daha iyi görünmesine yol açar.
K-Fold: Veri setinin K parçaya bölünüp, her seferinde farklı bir parçanın doğrulama verisi olarak kullanıldığı çapraz doğrulama yöntemi.
Seed (Rastgelelik Tohumu): Modelin rastgele başlatılan ağırlıkları ve veri karıştırma sırası gibi rastgele işlemlerin tekrarlanabilir olmasını sağlayan başlangıç değeri.

2. Modelin Başarısını Ölçme (Metrikler)

IoU (Kesişim - Birleşim Oranı): Tahmin edilen ve gerçek sınırlayıcı kutunun örtüşme derecesini ölçen oran; bir tahminin doğru sayılıp sayılmayacağını belirlemede kullanılır.
mAP (Ortalama Kesinlik Ortalaması): Tüm sınıflar üzerinden hesaplanan ortalama tespit başarısı; farklı kesişim eşiklerinde hesaplanabilir, örneğin mAP50 ve mAP50-95 gibi.
Precision (Kesinlik): Modelin nesne olarak işaretlediği tahminlerin ne kadarının gerçekten doğru olduğunu gösteren oran.
Recall (Duyarlılık): Görüntüde gerçekten var olan nesnelerin, modelin ne kadarını yakalayabildiğini gösteren oran.
F1 Skoru: Kesinlik ve duyarlılık değerlerini tek bir sayıda birleştiren, bu iki değer arasındaki dengeyi yansıtan ölçüt.
Confusion Matrix (Karışıklık Matrisi): Modelin hangi sınıfları hangi sınıflarla karıştırdığını gösteren tablo.
Confidence Threshold (Güven Eşiği): Bir tahminin geçerli kabul edilmesi için modelin o tahmine ne kadar güvenmesi gerektiğini belirleyen eşik değer.
NMS (Örtüşen Tahminleri Ayıklama): Aynı nesne için üretilen birden fazla örtüşen tahmin kutusundan yalnızca en güvenilir olanının bırakıldığı son işlem adımı.

3. Ağ Mimarisi ve Öğrenme Süreçleri

Backbone (Omurga Ağ): Görüntüden temel görsel özellikleri çıkaran, modelin ana gövdesini oluşturan sinir ağı bölümü.
Anchor-free: Nesneleri, önceden tanımlanmış sabit kutu şablonlarına ihtiyaç duymadan doğrudan tespit eden model yaklaşımı.
Overfitting (Aşırı Öğrenme): Modelin eğitim verisini ezberleyip, daha önce görmediği verilerde beklenenden düşük performans göstermesi durumu.
Underfitting (Yetersiz Öğrenme): Modelin eğitim verisinde dahi yeterli performansı gösterememesi durumu.
Hyperparameter (Hiperparametre): Eğitim başlamadan önce belirlenen ve eğitim sırasında veriden öğrenilmeyen ayar değeri; öğrenme oranı ve grup büyüklüğü bu değerlere örnektir.
HPO (Hiperparametre Optimizasyonu): En iyi hiperparametre kombinasyonunu bulmak için sistematik biçimde yürütülen arama süreci.
Early Stopping (Erken Durdurma): Doğrulama performansı belirli bir süre boyunca iyileşmediğinde eğitimi otomatik olarak sonlandırma tekniği.
Baseline (Referans Model): Sonraki bütün deneylerin karşılaştırılacağı, standart ayarlarla oluşturulmuş ilk güvenilir eğitim sonucu.

4. Donanım ve Canlıya Alma (Deployment)

VRAM: Grafik kartı üzerinde bulunan ve eğitim sırasında model ile veri gruplarının tutulduğu bellek.
Checkpoint: Eğitim sırasında belirli aralıklarla veya en iyi sonuçta kaydedilen model ağırlıkları dosyası.
FPS (Saniyedeki Kare Sayısı): Modelin bir saniyede işleyebildiği görüntü kare sayısı; gerçek zamanlı sistemlerde hız göstergesi olarak kullanılır.
Latency (Gecikme): Bir görüntünün sisteme girişinden, tespit sonucunun elde edilmesine kadar geçen süre.
Quantization (Nicemleme): Model ağırlıklarının ve hesaplamaların daha az bit ile ifade edilmesi; model boyutunu küçültüp hızını artırırken doğrulukta küçük bir kayba yol açabilir.
FP16 / INT8: Sayıların bellekte tutulma biçimini ifade eden formatlar; FP16 on altı bitlik ondalıklı, INT8 sekiz bitlik tam sayı temsilidir; ikisi de hızı artırmak için kullanılır.
ONNX: Farklı derin öğrenme çerçevelerinde eğitilen modellerin ortak bir formatta paylaşılmasını ve farklı platformlarda çalıştırılmasını sağlayan açık model değişim formatı.
TensorRT: NVIDIA grafik kartları ve uç cihazları üzerinde model çalıştırma hızını artırmak için kullanılan donanıma özgü hızlandırma kütüphanesi.
Edge Device (Uç Cihaz): Modelin, bulut sunucusuna sürekli bağlı kalmadan, sahada gerçek zamanlı olarak çalıştırıldığı, genellikle sınırlı işlem gücüne sahip cihaz.

Sırada Ne Var? Artık nesne tespiti dünyasının dilini biliyorsunuz! Kavramlar cebimizde olduğuna göre, ellerimizi kirletme vakti geldi. Veri setimizi analiz edeceğimiz, donanımımızı tanıyacağımız ve model seçimimizi yapacağımız Bölüm 1: Eğitim Öncesi Hazırlık yazısına geçiş yapabilirsiniz.