AugeLab Studio Manual
Türkçe
Türkçe
  • 👋AugeLab Studio Kullanıcı Kılavuzuna Hoş Geldiniz
  • 📘Giriş
    • AugeLab Studio
    • Ana Özellikler
    • Kullanım Durumları
    • Sistem Gereksinimleri
  • 🚀Başlarken
    • Kayıt Olma
    • Kurulum
    • İlk Bakış
    • Basit Tur
    • İlk Projeniz
      • Temel Bilgiler
      • Tespit
      • Tamamlama
    • Daha Fazla Yerel Örnek
    • Daha Fazla Okuma
  • 🖥️AugeLab Studio Arayüzü
    • Ayrıntılı İnceleme
    • Senaryo Alanı
    • Menü ve Araç Çubuğu
    • Projeleri Yönetme
    • Yapay Zeka Yükleme ve Daha Fazlası
      • Modül İndirme ile Yapay Zeka Kullanın
  • 🧱Fonksiyon Blokları
    • Blok Yapıları
    • Sockets
    • Bloklar Kolonu
    • Bağlantılar
    • Tüm Fonksiyon Blokları
      • AI Blocks
        • Face Detection
        • Mask Detection
        • Object Detection - Custom
        • Object Detection
        • Pose Estimation
        • Safety Equipment Detection
        • Social Distance Detector
        • Super Resolution
        • Text Detection
        • OCR
      • CNN Blocks
        • Average Pooling 2D
        • Batch Normalization
        • Choose Folder 2D
        • Compile Model
        • Conv. Sep. Layer 2D
        • Conv. Trans. Layer 2D
        • Convolutional Layer 2D
        • Dropout Layer
        • Flatten Layer 2D
        • Fully Connected
        • Global Average Pooling 2D
        • Global Max Pooling 2D
        • Input Layer 2D
        • Loss CCE
        • Max Pooling 2D
        • Metrics Accuracy
        • Model EfficientNet
        • Model MobileNet
        • Model ResNet
        • Model VGG
        • Optimizer Adadelta
        • Optimizer Adagrad
        • Optimizer Adam
        • Optimizer Adamax
        • Optimizer FTRL
        • Optimizer Nadam
        • Optimizer RMSProp
        • Optimizer SGD
        • ReLU Layer
        • Softmax Layer
        • Training Parameters
      • Data/Logic
        • Flow Control
          • Batch Concatenation
          • Batch Processing
          • Debatch
          • Get Batch Size
          • HMI Background
          • Subsystem Enabled
          • Subsystem In
          • Subsystem Loop
          • Subsystem Out
          • Subsystem
        • logic
          • All True
          • And
          • Demux
          • Equals
          • Greater
          • Logic Operations
          • Mux
          • Not
          • Or
          • Set - Reset
          • Smaller
        • Mathmetical Operations
          • Add
          • Counter
          • Divide
          • Math Operations
          • Maximum
          • Minimum
          • Multiply
          • Not Equals
          • Round
          • Square Root
          • Subtract
          • Trigonometry
        • Data Operations
          • Data Memory
          • Data to JSON
          • Data Type Converter
          • Datetime Compare
          • Dictionary Operations
          • Exclude Nones
          • Find Substring
          • Get Element
          • Is None
          • List Operations
          • Parse Data Dictionary
          • Replace None
          • String Merge
          • String Operations
        • Referencing
          • Data Read Global
          • Data Read Local
          • Data Write Global
          • Data Write Local
          • Debug Input
          • Tag From
          • Tag To
        • Signal Operators
          • Delay Step
          • Edge Falling
          • Edge Rising
          • Multi Port Switch
          • OFF Delay
          • ON Delay
      • Image/Transformations
        • Analysis
          • Color Density Percentage
          • Get Dimension
          • Histogram On Curve
          • Histogram On Line
          • Image Color Match
          • Image Memory
          • Image Resolution and Channel Value
          • Maximum Images
          • Mean Value of Image
          • Measure Position Distance
          • Minimum Images
          • Non-zero of Image
          • Std. of Image
          • Structural Similarity
        • Transformation Filters
          • Auto Alignment
          • Auto Contrast
          • Color Quantizer and Clustering
          • Color Space
          • Contrast-Brightness-Gamma
          • Contrast Optimization
          • Deconvolution
          • Denoising
          • Distance Transformation
          • FloodFill
          • Grab Cut Algorithm
        • Color Filters
          • 2D Filter
          • Apply Mask
          • Bilateral Filter
          • Blur
          • Edge Filter
          • HSV Filter
          • Image Adaptive Threshold
          • Image Threshold
          • Invert Image
          • Morphological Transformations
          • Normalize Image
          • RGB Mask
          • RGB Set
          • Sobel Filter
        • Operations
          • Add Images Weighted
          • Add Images
          • Collage Images
          • Divide Images
          • Flip Image
          • Image AutoRotator
          • Image Concatenate
          • Image Resize
          • Image Resizer
          • Merge Channels
          • Multiply Images
          • Polar Transform
          • Rotate Image Angle
          • Slice Image
          • Split Image
          • Subtract Images
      • Detections/Shapes
        • Detectors
          • Barcode Reader
          • Blob Detector
          • Blur Detector
          • Circle Detector
          • Corner Detector
          • Custom CNN Model
          • Data Matrix Reader
          • Detect Reference
          • Feature Detector
          • Find Object - Multiple Image
          • Find Object
          • Find Reference
          • Harris Corner Filter
          • Line Detector
          • Match Shapes
          • Measure Object Distance
          • Shape Detector
        • Draw
          • Draw Detections
          • Draw Line
          • Draw Point
          • Draw Rectangle
          • Draw Result On Image
          • Write Date On Image
          • Write Text On Image
        • Roi Processing
          • Check Area (Polygon)
          • Check Area
          • Get Pixel Mouse
          • Get Pixel
          • Get ROI
          • Image ROI Center
          • Image ROI Polygon
          • Image ROI Select Multi
          • Image ROI Select
          • Image ROI
          • Perspective Transform
          • Rectangles in Rectangle
        • Shape Analysis
          • Approximate Contour
          • Choose Line
          • Contour to Image
          • Fill Contour
          • Find Contour
          • Hull Convex
          • Minimum Circle
          • Minimum Ellipse
          • Minimum Rectangle
          • Minimum Rotated Rectangle
          • Most Similar Shape
          • Point Polygon Test
      • Input/Output
        • Communication
          • Modbus Connect
          • Modbus Read
          • Modbus Write
          • MQTT Publish
          • MQTT Subscribe
          • OPC UA Client
          • OPC UA Read
          • OPC UA Write
          • REST API - Get
          • REST API - Post
          • Send Mail
          • Siemens S7 Connect
          • Siemens S7 Read
          • Siemens S7 Write
        • Data Inputs
          • Date-Time List
          • Date-Time
          • Headless Check
          • Keyboard/Barcode Reader
          • Logic Input
          • Number Input
          • Number Range
          • PWM (Pulse Width Modulation)
          • Rising Edge
          • String Input
          • Text
        • Image Inputs
          • Camera IP (ONVIF)
          • Camera IP
          • Camera USB External
          • Camera USB Vidgear
          • Camera USB
          • Load Image From Path
          • Load Image
          • Make Image
          • Pixel
          • Video
        • Outputs/Exports
          • CSV Export
          • Cycle Timer
          • File/Folder Operations
          • GPU Statistics
          • Image Logger
          • Image Write
          • Led Output
          • Multi Image Write
          • Output
          • Scope
          • Show Image
          • Stop
  • 📡Cihazlar ve İletişim
    • Kamera Kullanımı
    • İletişim Protokolleri
    • Daha Fazla Okuma
  • 🧩Örnek Projeler
    • Demo Projeler
    • Çevre Ölçümü
    • Nesne Sayma
    • Karo Genişliği Ölçümü
    • İnsan Tespiti
    • Nesne Tespiti
  • 🔑Ana Özellikler
    • Özel HMI Uygulamaları Yayınlayın
    • Nesne Tespiti için Verileri İşaretleyin
    • Özel AI Modelleri Eğitin
      • Doğru Veritabanını Seçme
      • Eğitim Ne Zaman Durmalı
    • Eklentiler Oluşturun
      • Bileşenler
      • Kodlama Referansı
    • Çözümlerinizi Toplulukla Paylaşın
    • Python Paketlerini Yükleyin
  • 📑SSS
    • Bizimle İletişime Geçin
    • SSS
    • Tam bir projeyi kurma
  • Ek Kaynaklar
    • Eğitim Takvimi
    • Eğitim Materyalleri
    • AugeLab Uzmanları
  • Ek
    • Sözlük
    • Kaynaklar
Powered by GitBook
On this page
  • Eğitim İlerleyişini İzleme
  • Loss
  • mAP
  • IOU
  • İnce Ayar
  • Eğitim Süresi
  • Aşırı Öğrenme
  • Zaman ve Performansı Dengeleme
  • Başlangıç Kontrol Listesi

Was this helpful?

  1. Ana Özellikler
  2. Özel AI Modelleri Eğitin

Eğitim Ne Zaman Durmalı

PreviousDoğru Veritabanını SeçmeNextEklentiler Oluşturun

Last updated 8 months ago

Was this helpful?

AugeLab Studio, modelleriniz için doğru eğitim süresini otomatik olarak hesaplar. Eğitim, sona erdiğinde otomatik olarak durur.

Bir nesne tespiti modeli eğitmek, eğitim sürecine ne zaman son verileceğini dikkatlice değerlendirmeyi gerektirir. Eğitim sürecini uygun bir zamanda durdurmak, modelin performansı, genelleme yetenekleri ve verimliliği üzerinde önemli bir etki yapabilir.

Bu kılavuz, araştırmacılara, geliştiricilere ve uygulayıcılara model eğitimi sırasında optimal durdurma noktasını belirlemeleri için değerli bilgiler sunmayı hedeflemektedir.

Eğer bu sizin ilk eğitiminizse, 'ni takip edebilirsiniz.

Eğitim İlerleyişini İzleme

Eğitim süresince modelin ilerlemesini sürekli olarak izleyin. Kritik performans metriklerini takip edin, örneğin:

  • Loss

  • mAP

  • IOU

  • Iterations

Loss ve mAP, aşağıdaki grafikte olduğu gibi gösterilecektir:

Tüm metrikler şunlar tarafından büyük ölçüde değişebilir:

  • Veri çeşitliliği

  • Veri boyutu

  • Annotation doğruluğu

  • Model boyutu

Aşağıdaki sayılar, yeni başlayanlar için başlangıç noktası oluşturmak amacıyla verilmiştir.

Loss

Loss, eğitim grafiğinde mavi noktalarla gösterilir ve modelin sağlanan eğitim verilerinden ne kadar uzakta olduğunu temsil eder.

Eğitim Loss değeri, model doğruluğunu ve aşırı eğitimi takip etmek için izlenebilir. Eğitim Loss değerinin çeşitli aralıkları şunları gösterebilir:

**2.0 ≥** Loss

Veritabanının ne kadar genel ve doğru olduğuna dair bir fikir veren genel bir modeldir. Spesifik olmayan veritabanları için, bu yaklaşık doğru bir model oluşturur ve eğitim prosedürünü değerlendirmeye hazırdır.

Yukarıdaki grafikte gösterildiği gibi, 2.0 civarındaki kayıp değerleri doğru modeller üretmeyebilir.

**1.0 ≥** Loss

Kaybın 1.0'ın altında olması, özel bir veritabanının kullanılabileceğini ve özel bir veritabanı için iyi göstergeler olduğunu gösterir.

**0.5 ≥** Loss

Test ve dağıtıma hazır ince ayar yapılmış bir modeldir. Bu değere ulaştıktan sonra, kayıp değerini iyileştirmek, eğitim sürecinin ilk aşamalarına göre çok daha uzun sürebilir.

mAP

mAP (ortalama doğruluk oranı) metriği, modelin bir görüntüde nesneleri tespit etme doğruluğunu kapsamlı bir şekilde değerlendirmek için hem doğruluk hem de hatırlama kombinasyonlarını içerir.

Bu, tahmin kutularının gerçek doğrulama etiketleriyle örtüşmesini karşılaştırarak hesaplanır.

mAP yüzdesi, bir tespitin doğru olup olmadığını yansıtmaz. Eğitim veri seti ile tahmin arasındaki sınırlayıcı kutu alanlarında ortalama örtüşmeyi gösterir.

IOU

IOU (Birleşim Üzerinden Kesişim), bireysel nesne tespitleri için tahmin edilen ve gerçek sınırlayıcı kutular arasındaki örtüşmeyi ölçer. mAP, nesne tespit modeli'nin tüm nesne kategorilerindeki genel performansını, doğruluk ve hatırlamayı dikkate alarak değerlendirir.

IUO değeri ne kadar yüksekse, tahmin o kadar iyidir.

Her IOU'yu Eğitim Penceresi günlüklerinde takip edebilirsiniz:

İnce Ayar

Eğitim Süresi

Mevcut hesaplama kaynaklarına ve proje kısıtlamalarınıza dayalı maksimum eğitim süresi bütçesi tanımlayın. Model, ayrılan süre içinde tatmin edici bir performans elde edemezse, eğitimi durdurmayı ve aşağıdaki gibi diğer yaklaşımları keşfetmeyi düşünün:

  • Annotation doğruluğunu manuel olarak analiz edin

  • Sınıf çeşitliliğini kontrol edin

  • Farklı model boyutları ve parti boyutları seçin

  • Veritabanı boyutunu artırın

Aşırı Öğrenme

Eğitim ve doğrulama kayıplarını izleyerek aşırı öğrenme durumundan kaçının. Bu genellikle eğitim kaybı büyük ölçüde aşağıya inmeyi durdurduğunda ve yeniden aşağı kaymaya başladığında olur.

Ancak, özel veritabanlarında veya durumlarda aşırı öğrenme her zaman kötü bir şey değildir. Yeterli veriye sahip olduğunuz kanıtlandığında, aşırı eğitilmiş bir model size iyi hizmet edebilir.

Zaman ve Performansı Dengeleme

Eğitim süresini istenen model performansıyla dengeleyin. Bazı durumlarda, ek eğitim yinelemeleri performansı artırabilir, ancak getiriler zamanla azalabilir. Faydaları hesaplama maliyeti ve projenin aciliyeti ile karşılaştırın.

Genellikle, sınıf sayısına ve veritabanı boyutuna bağlı olarak, eğitim süreci bir gün ile bir hafta arasında değişebilir.

Başlangıç Kontrol Listesi

Veritabanı:

Model:

Eğitim (şu durumda durdurun):

Loss, verilerin ne kadar doğru olduğunu anlamak için yeterli bilgi vermez. Daha doğru bir parametre için 'e başvurun.

Eğitim sırasında, %90 civarında değerler genellikle iyi bir model olarak kabul edilir. %90 üzerindeki değerler genellikle olarak kabul edilir.

içerir

Sadece nesneleri kapsayan

(İsteğe bağlı) kullanılmıştır

FPS (saniye başına kare) için yeterli bir seçilmiştir

Doğru sistem gereksinimleri () ve CUDA uyumluluğu, GPU belleği için doğru model

1.0'ın altında veya bir gün içinde azalma çok minimal

🔑
sistem gereksinimleri
mAP
aşırı öğrenme
Loss
Başlangıç Kontrol Listesi
model boyutu
Her sınıf için 1000 görüntü
İyi annotasyonlar
Augmentasyon