IBBVision AI Model Eğitimi

IBBVision AI Model Trainer, kendi özel nesne tespit modellerinizi hiç kod yazmadan geliştirebileceğiniz bir masaüstü uygulamasıdır. Bu program, görüntülerinizi yüklemenizden, üzerlerindeki nesneleri işaretlemenize, bir yapay zeka modeli eğitmenize ve bu modeli test edip kullanıma hazır hale getirmenize kadar tüm süreci tek bir ekran üzerinden yönetmenizi sağlar.

Bu kılavuz, programın tüm özelliklerini ve nasıl kullanılacağını adım adım anlatmaktadır.

Önemli hatırlatma: Geliştirilen AI modeller IBBVision ekosisteminde kullanılacak şekilde tasarlanmıştır. Bu modeller yalnızca IBBVision Edge Vision System cihazlarında çalışan Deep Learning Surveillance yazılımlarındaki IBBVision AI Görüntü Analiz Modülleri'nin iyileştirmesi, geliştirilmesi veya yeni bir modül oluşturulması için kulanılır. AI modeller bu sistemler dışında sağlıklı ve performanslı çalışmaz.

 

Programı Açılışı

Programı başlattığınızda karşınıza Ana Menü ekranı gelir. Bu ekran, yapabileceğiniz tüm işlemleri gösteren ana paneldir.

Ana Menüdeki Butonlar ve Görevleri:

 

2. Yeni Proje Oluşturma

"Yeni Proje" butonuna tıkladığınızda karşınıza bir form gelir. Burada projenizle ilgili temel bilgileri girersiniz.

Proje Oluşturma Formu:

• Proje Adı: Modelinizin ne için olduğunu belirten bir isim verin. Örneğin "Kola Kutusu Tespiti"

• Açıklama: (İsteğe bağlı) Projeniz hakkında kısa bir açıklama yazabilirsiniz.

• Sınıflar (Nesne Türleri): Modelinizin tespit etmesini istediğiniz nesneleri tek tek girin. Örneğin:

• kola_kutusu

• su_sisesi

• meyve_suyu

• Her sınıf için bir isim girip "Ekle" butonuna basarsınız. İstediğiniz kadar sınıf ekleyebilirsiniz. Modeliniz tüm bu sınıfları aynı anda tespit edebilecektir.

• Oluştur butonuna tıkladığınızda projeniz hazır olur ve sizi proje ana sayfasına yönlendirir.

 

3. Proje Ana Sayfası (Dashboard)

Projenizi açtığınızda karşınıza gelen ekran, projenizin özet bilgilerini ve yapabileceğiniz işlemleri gösterir.

Proje Dashboard'ında Gördükleriniz:

Soldaki Bilgi Paneli:

• Toplam kaç görüntü yüklediğiniz

• Kaç görüntünün etiketlendiği

• Kaç farklı nesne sınıfı tanımladığınız

• Veri seti kalite puanınız (bu puan ne kadar yüksekse modeliniz o kadar başarılı olur)

Sağdaki Son Eğitim Bilgileri:

• En son hangi modeli eğittiğiniz (örneğin YOLOv8s)

• Kaç epoch (tekrar) eğitim yapıldığı

• Modelin başarı oranı (mAP50 değeri)

Hızlı Erişim Butonları:

• Etiketle: Görüntüleri işaretlemek için etiketleme ekranına gider.

• Dataset: Veri setinizi oluşturmak veya düzenlemek için dataset ekranına gider.

• Eğitim: Model eğitimi başlatmak için eğitim ekranına gider.

• Test: Eğittiğiniz modeli test etmek için test ekranına gider.

• Modeller: Projeye ait tüm model versiyonlarını görüntülemek için model listesine gider.

4. Görüntü Yükleme

Projenize görüntü eklemek için "Görüntü Yükle" butonunu kullanırsınız.

Görüntü Yükleme Seçenekleri:

Desteklenen Dosya Türleri:

• Görüntü: .jpg, .jpeg, .png, .bmp, .webp

• Video: .mp4, .avi, .mov, .mkv

Program, yükleme sırasında bozuk dosyaları veya desteklenmeyen formatları otomatik olarak filtreler ve sadece uygun olanları ekler.

 

5. Etiketleme (Annotation) Ekranı

Bu ekran, projenin en önemli aşamasıdır. Burada görüntülerin üzerinde fare ile kutular çizerek tespit etmek istediğiniz nesneleri işaretlersiniz.

Etiketleme Ekranı Bileşenleri:

Sol Panel (Görüntü Listesi):

• Yüklediğiniz tüm görüntüler küçük resim olarak listelenir.

• Bir görüntüye tıklayarak o görüntüyü açarsınız.

• Yeşil işaretli görüntüler etiketlenmiş, kırmızı işaretliler ise henüz etiketlenmemiş demektir.

Orta Panel (Etiketleme Çalışma Alanı):

• Seçtiğiniz görüntü bu alanda gösterilir.

• Fare ile nesnenin üzerine tıklayıp sürükleyerek dikdörtgen bir kutu çizersiniz.

• Kutu çizildiğinde hangi sınıfa ait olduğunu seçmeniz istenir.

Sağ Panel (Araçlar ve Özellikler):

Sınıf Seçimi:

• Bir kutu çizdikten sonra karşınıza sınıf seçme penceresi gelir.

• Açılan listeden nesnenin hangi sınıfa ait olduğunu seçersiniz (örneğin "kola_kutusu").

• Daha sonra bu sınıfı değiştirmek isterseniz kutuyu seçip "Sınıf Değiştir" butonunu kullanabilirsiniz.

Kaydetme:

• Her görüntüde yaptığınız etiketlemeler otomatik olarak kaydedilir.

• Etiketlenmiş bir görüntüyü tekrar açtığınızda çizdiğiniz kutuları görürsünüz.

• Tüm görüntüleri etiketledikten sonra bir sonraki aşamaya geçebilirsiniz.

 

6. Otomatik Etiketleme (Auto-Annotation)

Eğer elinizde çok fazla görüntü varsa ve hepsini tek tek etiketlemek çok zaman alıyorsa, otomatik etiketleme özelliğini kullanabilirsiniz.

Otomatik Etiketleme Nasıl Çalışır?

1. Öncelikle az sayıda görüntüyü (örneğin 50-100) elle etiketleyerek bir başlangıç modeli eğitirsiniz.

2. Daha sonra kalan tüm etiketlenmemiş görüntüleri seçip "Otomatik Etiketle" butonuna tıklarsınız.

3. Program, eğittiğiniz modeli kullanarak bu görüntüleri otomatik olarak etiketler.

4. Otomatik etiketlenen görüntüleri tek tek kontrol edebilir, hatalı olanları düzeltebilir veya silebilirsiniz.

Bu özellik, özellikle binlerce görüntü ile çalışırken size haftalar sürecek bir işi günler hatta saatler içinde tamamlama imkanı verir.

Otomatik Etiketleme Ayarları:

• Güven Eşiği: Modelin ne kadar emin olduğunda etiketleme yapacağını belirlersiniz. Düşük eşik (örneğin %60) daha fazla nesne tespit eder ama yanlış tespitler de olabilir. Yüksek eşik (%80+) daha az ama daha doğru tespit yapar.

• Maksimum Kutu Sayısı: Bir görüntüde en fazla kaç nesne tespit edileceğini belirlersiniz.

7. Veri Seti (Dataset) Oluşturma

Tüm görüntüleri etiketledikten sonra, model eğitimi için veri setinizi hazırlamanız gerekir. "Dataset Oluştur" butonu bu işlemi otomatik olarak yapar.

Dataset Oluşturma Ekranı:

Bölme Oranları:

Program, görüntülerinizi üç gruba ayırır:

Bu oranları istediğiniz gibi değiştirebilirsiniz. Örneğin çok az görüntünüz varsa test grubunu kaldırıp %80 eğitim, %20 doğrulama yapabilirsiniz.

Dataset Kalite Kontrolü:

Program, veri setinizi oluşturmadan önce otomatik olarak aşağıdaki kontrolleri yapar:

• Tüm görüntülerin etiketi var mı?

• Etiketlenmemiş görüntü var mı?

• Geçersiz sınıf kodu var mı?

• Çizilen kutular görüntü sınırlarının dışına taşmış mı?

• Çok küçük veya anormal boyutta kutular var mı?

Bu kontroller sonucunda bir rapor görürsünüz. Eğer hatalar varsa size hangi görüntülerde sorun olduğu gösterilir, böylece düzeltme yapabilirsiniz.

Dataset Oluştur:

Tüm kontroller başarılı olduğunda "Dataset Oluştur" butonuna tıklarsınız. Program otomatik olarak:

1. Görüntüleri eğitim/doğrulama/test klasörlerine kopyalar

2. Etiketleri ilgili klasörlere kopyalar

3. YOLO formatında data.yaml dosyasını oluşturur

Bu işlem tamamlandığında veri setiniz model eğitimine hazır hale gelir.

 

8. Model Eğitimi (Training) Ekranı

Bu ekran, modelinizi eğiteceğiniz yerdir. Eğitim, modelin görüntüler üzerindeki nesneleri tanımayı öğrenme sürecidir.

Eğitim Parametreleri:

CPU vs GPU Uyarısı: Eğer GPU'nuz yoksa veya seçmediyseniz program sizi uyaracaktır. CPU ile eğitim çok daha uzun sürer (günler sürebilir). Bu durumda daha küçük bir model (YOLOv8n) ve daha az epoch seçmeniz önerilir.

Eğitimi Başlatma:

"Eğitimi Başlat" butonuna tıkladığınızda eğitim süreci başlar. Eğitim sırasında:

• Programın ana penceresi donmaz, diğer işlemleri yapmaya devam edebilirsiniz.

• Ayrı bir ilerleme penceresi açılır.

Eğitim İlerleme Penceresi:

Bu pencerede canlı olarak şunları görürsünüz:

• İlerleme Çubuğu: Kaç epoch tamamlandığı

• Kayıp Değerleri: Modelin ne kadar hata yaptığını gösterir (düşmesi iyidir)

• Başarı Metrikleri:

• Precision (Kesinlik): Tespit edilen nesnelerin ne kadarının doğru olduğu

• Recall (Duyarlılık): Aslında var olan nesnelerin ne kadarının tespit edildiği

• mAP50: En önemli metrik, %100'e yaklaştıkça model başarılı demektir

• Kalan Süre: Eğitimin bitmesine ne kadar kaldığı

Eğitim tamamlandığında size bir bildirim gelir ve en iyi model otomatik olarak kaydedilir.

 

9. Eğitim Sonuçları ve Model Versiyonlama

Eğitim tamamlandığında, sonuçlar otomatik olarak projenize kaydedilir.

Eğitim Sonrası Görecekleriniz:

Model Versiyonu:

• Her eğitim, otomatik olarak bir versiyon numarası alır (v1.0, v1.1, v2.0 gibi).

• Bu sayede aynı proje üzerinde yaptığınız tüm eğitimleri takip edebilirsiniz.

• Hangi versiyonun daha başarılı olduğunu karşılaştırabilirsiniz.

Eğitim Raporu:

• Eğitim süresi

• Kullanılan parametreler (model, epoch, batch size vb.)

• Elde edilen metrikler (Precision, Recall, mAP50)

• Eğitim grafikleri (zaman içinde metriklerin nasıl değiştiği)

Kaydedilen Dosyalar:

• best.pt: En başarılı model (kullanmanız gereken model budur)

• last.pt: Eğitimin sonundaki model (genellikle best.pt daha iyidir)

• Sonuç grafikleri ve raporları

10. Model Test Etme

Eğitimi tamamladıktan sonra modelin gerçek görüntüler üzerinde nasıl çalıştığını test edebilirsiniz.

Test Seçenekleri:

Test Sonuçları:

Test tamamlandığında:

• Tespit edilen nesneler görüntü üzerinde renkli kutular ve etiketlerle gösterilir.

• Her tespitin yanında güven yüzdesi (örneğin "%94") gösterilir.

• Test raporunda ortalama başarı oranları ve hız bilgileri yer alır.

 

11. Model Dışa Aktarma (Export)

Eğittiğiniz modeli farklı platformlarda kullanmak üzere dışa aktarabilirsiniz.

Dışa Aktarma Formatları:

Dışa Aktarma Adımları:

1. Dışa aktarmak istediğiniz model versiyonunu seçin

2. Dışa aktarma formatını seçin (örneğin TensorRT)

3. (Opsiyonel) Hassasiyet seçin: FP32 (yüksek doğruluk) veya FP16 (daha hızlı)

4. "Dışa Aktar" butonuna tıklayın

5. Model dönüştürülür ve kaydedilir

 

12. IBBVision Cihazlarına Model Dağıtma

Eğittiğiniz modeli doğrudan IBBVision cihazlarına (Edge, DLS, DLN) gönderebilirsiniz.

Dağıtım Adımları:

1. "Dağıt" menüsüne gidin

2. Hedef cihazı seçin (ağ üzerinde otomatik olarak bulur)

3. Model versiyonunu seçin

4. Dağıtım ayarlarını yapın (görüntü çözünürlüğü, FPS gibi)

5. "Dağıt" butonuna tıklayın

Program, modeli otomatik olarak hedef cihaza yükler ve cihazdaki mevcut modeli günceller. Dağıtım tamamlandığında cihaz yeni modelle çalışmaya başlar.

Uzaktan Güncelleme:

Eğer cihazlarınız internet üzerinden bağlanabiliyorsa, yeni bir model eğittiğinizde tüm cihazlara aynı anda güncelleme gönderebilirsiniz. Bu özellik sayesinde cihazlarınızı fiziksel olarak ziyaret etmeden modellerini güncelleyebilirsiniz.

 

13. Model Versiyonları Arasında Karşılaştırma

Aynı proje üzerinde birden fazla model eğittiyseniz, bunları karşılaştırabilirsiniz.

Karşılaştırma Ekranı:

Bu ekranda tüm model versiyonlarınızı yan yana görürsünüz:

Bu karşılaştırmadan hangi versiyonun sizin için en uygun olduğuna karar verebilirsiniz. Örneğin, en yüksek doğruluk için v2.1, en hızlı çalışan için v2.0 seçilebilir.

 

14. Aktif Öğrenme (Active Learning)

Bu özellik, modelinizi geliştirmek için size en faydalı olacak görüntüleri gösterir.

Aktif Öğrenme Nasıl Çalışır?

1. Modelinizi eğitirsiniz

2. "Aktif Öğrenme" modunu başlatırsınız

3. Program, modelin en çok zorlandığı (düşük güven skorlu) görüntüleri size gösterir

4. Bu görüntüleri kontrol eder, varsa hataları düzeltirsiniz

5. Düzeltilmiş görüntülerle veri setinizi güncellersiniz

6. Modeli yeniden eğitirsiniz

Bu döngü sayesinde modeliniz, en çok ihtiyaç duyduğu örneklerle beslenerek daha hızlı gelişir ve daha az veriyle daha iyi sonuçlar elde edersiniz.

Aktif Öğrenme Ekranı:

• Size gösterilen görüntülerde modelin tahmini ve güven yüzdesi yazar

• "Doğru", "Yanlış" veya "Kararsızım" seçeneklerinden birini seçersiniz

• "Yanlış" seçtiğinizde doğru etiketlemeyi yapmanız istenir

• İlerleme durumunuz gösterilir (kaç görüntü kaldı)

 

15. Video Kare Çıkarma (Frame Extraction)

Bir videodan otomatik olarak görüntü kareleri çıkararak veri setinizi hızlıca oluşturabilirsiniz.

Video Kare Çıkarma Adımları:

1. "Video Ekle" seçeneğini seçin

2. Video dosyasını seçin

3. Hız ayarını yapın:

• Yüksek: Saniyede çok kare çıkarır (daha fazla görüntü, benzer görüntüler olabilir)

• Normal: Saniyede birkaç kare çıkarır (önerilen)

• Düşük: Saniyede bir kare çıkarır (daha az görüntü, daha çeşitli)

4. "Çıkarmayı Başlat" butonuna tıklayın

Program videoyu işler, belirlediğiniz hızda kareler çıkarır ve bunları projenize görüntü olarak ekler.

 

16. Toplu Tahmin (Batch Inference)

Eğer çok sayıda görüntüyü model ile test etmek istiyorsanız, toplu tahmin özelliğini kullanabilirsiniz.

Toplu Tahmin Kullanımı:

1. Bir model versiyonu seçin

2. Test edilecek görüntülerin bulunduğu klasörü seçin

3. Sonuçların kaydedileceği klasörü seçin

4. "Başlat" butonuna tıklayın

Program, belirtilen klasördeki tüm görüntüleri işler, her birinde tespit yapar ve sonuçları belirttiğiniz klasöre kaydeder. İşlem bittiğinde size bir rapor sunar:

• Kaç görüntü işlendiği

• Toplam kaç nesne tespit edildiği

• Her sınıftan kaçar tane bulunduğu

• İşlemin ne kadar sürdüğü

 

17. Proje Yedekleme ve Geri Yükleme

Projelerinizi düzenli olarak yedekleyebilir ve gerektiğinde geri yükleyebilirsiniz.

Yedekleme:

1. "Yedekle" menüsüne gidin

2. Yedeklemek istediğiniz projeyi seçin

3. Yedekleme konumunu seçin (varsayılan: C:/IBBVision/backups)

4. "Yedekle" butonuna tıklayın

Program, tüm proje dosyalarını (görüntüler, etiketler, modeller, ayarlar) tek bir yedek dosyasına sıkıştırır ve kaydeder.

Yedekten Geri Yükleme:

1. "Yedekten Geri Yükle" menüsüne gidin

2. Yedek dosyasını seçin

3. Geri yüklenecek konumu seçin

4. "Geri Yükle" butonuna tıklayın

Program, yedek dosyasını açar ve tüm proje dosyalarını seçtiğiniz konuma geri yükler.

Otomatik Yedekleme:

"Yedekleme Ayarları" bölümünden otomatik yedekleme açabilirsiniz:

• Haftalık veya günlük yedekleme

• En fazla kaç yedek saklanacağı (eski yedekler otomatik silinir)

• Yedeklenecek projeler

 

18. Hyperparameter Tuning (Otomatik Parametre Optimizasyonu)

"En iyi sonucu hangi ayarlarla alırım?" diye düşünüyorsanız, bu özellik sizin için otomatik olarak en iyi parametreleri bulur.

Nasıl Çalışır?

1. "Hyperparameter Tuning" modunu başlatın

2. Hangi parametrelerin denenmesini istediğinizi seçin (örn. öğrenme oranı, batch boyutu)

3. Kaç farklı kombinasyon denenmesini istediğinizi belirleyin

4. "Başlat" butonuna tıklayın

Program, belirlediğiniz her kombinasyon için kısa bir eğitim yapar (5-10 epoch), sonuçları karşılaştırır ve en iyi performansı veren parametreleri size önerir. Bu öneriyi kullanarak tam eğitimi başlatabilirsiniz.

Tuning Sonuçları:

Size şu bilgiler sunulur:

• En iyi parametre kombinasyonu

• Bu kombinasyonla elde edilen başarı oranı

• Diğer kombinasyonların karşılaştırması

• Önerilen parametrelerle eğitim başlatma seçeneği

19. Veri Artırma (Augmentation) Ayarları

Modelinizin daha iyi öğrenmesi için görüntüleri otomatik olarak çeşitlendirebilirsiniz.

Veri Artırma Ne İşe Yarar?

Model, eğitim sırasında görüntüleri farklı şekillerde dönüştürerek (çevirme, döndürme, parlaklık değiştirme gibi) her görüntünün farklı versiyonlarını da görür. Bu sayede model her koşulda (farklı ışık, farklı açı, farklı boyut) nesneleri tanımayı öğrenir.

Ayarlayabileceğiniz Artırma Seçenekleri:

Varsayılan Ayarlar:

Program, çoğu durumda iyi çalışan varsayılan ayarlarla gelir. Yeni başlayanlar bu ayarları değiştirmeseler de olur. İleri seviye kullanıcılar kendi ihtiyaçlarına göre ayarları özelleştirebilir.

 

20. Log Görüntüleme (İşlem Geçmişi)

Program, yaptığınız tüm işlemleri kaydeder ve istediğiniz zaman bu kayıtları görüntüleyebilirsiniz.

Log (Kayıt) Penceresinde Görebilecekleriniz:

[08:32:11] Yeni proje oluşturuldu: "Kola Kutusu Tespiti"

[08:32:15] 5 sınıf tanımlandı

[08:33:02] 842 görüntü yüklendi

[08:45:30] 150 görüntü etiketlendi

[09:15:22] Otomatik etiketleme başlatıldı

[09:23:45] Otomatik etiketleme tamamlandı: 692 görüntü

[09:30:00] Dataset oluşturuldu

[09:32:15] YOLOv8s eğitimi başlatıldı

[10:15:30] Epoch 50/100 tamamlandı, mAP50: 0.921

[11:42:18] Eğitim tamamlandı, en iyi mAP50: 0.947

[11:45:00] Model test edildi: 84 görüntü, başarı: 95.7%

[11:50:00] Model dışa aktarıldı: ONNX formatı

Log Kullanımı:

• Hata Ayıklama: Bir sorun olduğunda logları inceleyerek sorunun kaynağını bulabilirsiniz.

• Takip: Ne zaman hangi işlemi yaptığınızı görebilirsiniz.

• Raporlama: Eğitim geçmişinizi detaylı olarak inceleyebilirsiniz.

 

21. Sık Karşılaşılan Sorunlar ve Çözümleri

GPU Hatası Alıyorum

Sorun: Program GPU'yu görmüyor veya hata veriyor.

Çözüm:

1. Bilgisayarınızda NVIDIA ekran kartı var mı kontrol edin

2. Güncel ekran kartı sürücülerinin yüklü olduğundan emin olun

3. "Ayarlar" bölümünden "GPU Kontrol Et" butonuna tıklayın

4. Hala olmuyorsa CPU ile eğitimi deneyin

Eğitim Çok Yavaş

Sorun: Eğitim beklediğinizden çok uzun sürüyor.

Çözüm:

1. GPU ile eğitim yaptığınızdan emin olun

2. Batch boyutunu artırın (GPU belleği yetiyorsa)

3. Daha küçük bir model seçin (örn. YOLOv8s yerine YOLOv8n)

4. Görüntü boyutunu küçültün (640 yerine 320)

5. Epoch sayısını azaltın

Bellek Yetersiz Hatası

Sorun: Program "Yetersiz bellek" hatası veriyor.

Çözüm:

1. Batch boyutunu azaltın (16'dan 8'e veya 4'e)

2. Görüntü boyutunu küçültün

3. Daha küçük bir model seçin

4. Arka planda gereksiz programları kapatın

5. Bilgisayarı yeniden başlatın

Etiketlenmemiş Görüntü Var Hatası

Sorun: Dataset oluştururken "Etiketlenmemiş görüntü var" hatası alıyorsunuz.

Çözüm:

1. Etiketleme ekranına gidin

2. Hata mesajında belirtilen görüntüleri bulun

3. Bu görüntüleri etiketleyin veya projeden çıkarın

4. Dataset oluşturmayı tekrar deneyin

Model Hiçbir Şey Tespit Etmiyor

Sorun: Eğitilmiş model test görüntülerinde hiçbir nesne bulamıyor.

Çözüm:

1. Yeterli sayıda görüntü ile eğitim yaptığınızdan emin olun (en az 200-300)

2. Etiketleme doğruluğunu kontrol edin (kutular nesneleri tam kapsıyor mu?)

3. Daha fazla epoch ile tekrar eğitin

4. Farklı bir model (daha büyük) deneyin

5. Test görüntülerinin eğitim görüntülerine benzer olduğundan emin olun

 

22. İpuçları ve En İyi Uygulamalar

Veri Seti İçin:

• En az 200-300 görüntü toplayın: Daha az görüntü ile model başarılı olmayabilir.

• Çeşitli görüntüler kullanın: Farklı ışık, açı, arka plan, boyut ve pozisyonda nesne fotoğrafları ekleyin.

• Nesneleri tam kapsayacak şekilde etiketleyin: Kutular nesneye tam oturmalı, çok büyük veya çok küçük olmamalıdır.

• Dengeli dağılıma dikkat edin: Her sınıftan yaklaşık eşit sayıda görüntü olmasına özen gösterin.

• Kaliteli görüntüler kullanın: Düşük çözünürlük veya bulanık görüntülerden kaçının.

Eğitim İçin:

• GPU ile eğitin: Mümkünse mutlaka GPU kullanın, CPU ile eğitim çok uzun sürer.

• 100-200 epoch yeterlidir: Daha fazlası çoğu durumda gereksizdir.

• Batch boyutunu ayarlayın: GPU belleğine göre batch boyutunu mümkün olduğunca yüksek tutun.

• Erken durdurmayı kullanın: "Patience" parametresi, model iyileşmediğinde eğitimi otomatik durdurur.

Model Seçimi İçin:

• Başlangıç için YOLOv8s: İyi hız-doğruluk dengesi sunar.

• Yüksek hız istiyorsanız YOLOv8n: En hızlı model, biraz daha düşük doğruluk.

• Yüksek doğruluk istiyorsanız YOLOv8m veya YOLOv8l: Daha yavaş ama daha başarılı.

• Veri seti çok büyükse YOLOv8x: En yüksek doğruluk, en yavaş çalışır.

Proje Yönetimi İçin:

• Düzenli yedek alın: Projenizde kaybedeceğiniz veri olmaması için haftalık yedek alın.

• Versiyonları karşılaştırın: Hangi versiyonun daha iyi olduğunu görmek için karşılaştırma özelliğini kullanın.

• Logları inceleyin: Bir sorun olduğunda ilk bakmanız gereken yer loglardır.

• Proje isimlerini anlamlı verin: "Proje1" yerine "KolaKutusu_Tespiti" gibi isimler kullanın.

 

23. Sıkça Sorulan Sorular (SSS)

Program ücretsiz mi?

Program, IBBVision ürünleriyle birlikte lisanslanmaktadır. Detaylı lisans bilgisi için Ürün Detayını inceleyin.

Hangi işletim sistemlerinde çalışır?

Program Windows 10 ve Windows 11 üzerinde çalışacak şekilde tasarlanmıştır. Gelecek sürümlerde Linux desteği de planlanmaktadır.

Ne kadar disk alanı gerekir?

Programın kendisi yaklaşık 500 MB'dir. Proje dosyaları, görüntü sayısına bağlı olarak 1-100 GB arasında yer kaplayabilir.

GPU zorunlu mu?

GPU zorunlu değildir, ancak GPU olmadan eğitim çok yavaş olur (10-20 kat). Özellikle büyük veri setleriyle çalışıyorsanız GPU kullanmanız önemle tavsiye edilir.

Hangi GPU'lar desteklenir?

NVIDIA ekran kartları (GTX 10xx serisi ve üzeri) desteklenir. En az 4 GB VRAM önerilir, 6 GB ve üzeri daha iyidir.

Ne kadar RAM gerekir?

En az 16 GB RAM önerilir. Daha az RAM ile çalışabilir ancak büyük veri setlerinde yavaşlama yaşayabilirsiniz.

Eğitim ne kadar sürer?

Bu tamamen veri seti boyutuna, model seçimine ve donanıma bağlıdır. 500-1000 görüntü ile 100 epoch eğitim GPU'da 2-6 saat, CPU'da 1-3 gün sürebilir.

Modelimi başka projelerde kullanabilir miyim?

Evet, eğittiğiniz model dosyasını (.pt) başka Python projelerinde kullanabilir veya dışa aktararak farklı platformlara taşıyabilirsiniz.

Farklı model formatlarını neden dışa aktarmalıyım?

Farklı platformlar farklı formatlar gerektirir. Örneğin IBBVision Edge TensorRT'yi, iOS cihazlar CoreML'yi, Android cihazlar TFLite'ı tercih eder.

Modelimi sürekli nasıl geliştirebilirim?

Yeni görüntüler ekleyerek, yanlış tespitleri düzelterek, aktif öğrenme ile zor örnekleri ekleyerek ve hyperparameter tuning yaparak modelinizi sürekli iyileştirebilirsiniz.

 

24. Destek ve Yardım

Programı kullanırken karşılaştığınız sorunlar için:

• Yardım Menüsü: Programın sağ üst köşesindeki "?" butonuna tıklayarak bu kılavuza ve diğer yardım kaynaklarına ulaşabilirsiniz.

• Log Dosyası: Sorun yaşadığınızda log dosyasını (logs/application.log) inceleyin.

• Teknik Destek: IBBVision teknik destek ekibiyle iletişime geçin.

 

25. Sözlük (Terimler)