• Buradasın

    YOLOv5 ile Formula 1 Takımlarını Tespit Eden Yapay Zeka Modeli Eğitimi

    youtube.com/watch?v=laEcM9pdgQM

    Yapay zekadan makale özeti

    • Bu video, bir eğitim içeriği olup, konuşmacı YOLOv5 object detection algoritması kullanarak custom verilerle model eğitimi yapma sürecini adım adım göstermektedir.
    • Video, üç ana aşamadan oluşmaktadır: verilerin hazırlanması ve etiketlenmesi, model eğitimi ve model analizi. Eğitimde Formula 1 yarışlarında kullanılan Ferrari, Mercedes, McLaren ve Red Bull takımlarının araçlarının tespit edilmesi için veriler kullanılmaktadır. Eğitim süreci, Level Image programı ile verilerin etiketlenmesi, verilerin train ve val klasörlerine ayrılması, YOLOv5 algoritmasının GitHub'dan indirilmesi ve eğitilmesi aşamalarını içermektedir.
    • Eğitimde ayrıca hiper parametrelerin nasıl değiştirileceği, overfitting problemiyle nasıl başa çıkılacağı anlatılmakta ve eğitilen modelin bir Formula 1 videosu üzerinde test edilmesi gösterilmektedir. TensorBoard ve Wandl gibi araçların model performansını takip etmek için nasıl kullanılacağı da videoda yer almaktadır.
    00:02YOLOv5 Object Detection Model Eğitimi Giriş
    • Video, YOLOv5 object detection algoritmasında kendi custom verilerimizle model eğitimi yapmayı anlatıyor.
    • Çalışma üç aşamada olacak: verilerin hazırlanması ve etiketlenmesi, model eğitimi ve model analizi.
    • Veriler, Formula 1 yarışlarında Ferrari, Mercedes, McLaren ve Red Bull takımlarının araçlarının tespitini içeriyor.
    00:28Veri Toplama ve Etiketleme
    • Veriler, Formula 1'in YouTube kanalındaki videolardan VLC Media Player kullanılarak karelere ayrılarak toplanmış.
    • Level Image programı kullanılarak fotoğraflar etiketleniyor ve YOLOv5 formatına dönüştürülüyor.
    • Etiketleme sırasında fotoğrafların isimleri önemli değil, ancak karışıklık olmaması için isimler yazılabilir.
    03:58Veri Klasörlerinin Hazırlanması
    • Eğitim için "image" ve "levels" adlı iki klasör oluşturuluyor.
    • "Image" klasöründe train (eğitim) için kullanılacak fotoğraflar ve text dosyaları bulunuyor.
    • "Levels" klasöründe ise test için kullanılacak fotoğraflar ve text dosyaları yer alıyor.
    04:53YOLOv5 Algoritmasının Kurulumu
    • YOLOv5 algoritmasının GitHub hesabına gidilerek gerekli dosyalar indiriliyor.
    • Google Drive hesabına zip dosyası yükleniyor ve Colab ortamına bağlanıyor.
    • GitHub dosyaları indiriliyor ve zip dosyası çıkarılıyor.
    09:14Eğitim Parametrelerinin Ayarlanması
    • Eğitim için "train" kodu kullanılıyor ve yaml uzantılı dosya ile weightler belirleniyor.
    • YOLOv5 algoritmasının yapımcıları tarafından önerilen hazır ağırlıklardan başlanıyor.
    • Custom dosya oluşturuluyor ve dört sınıf (Ferrari, McLaren, Mercedes, Red Bull) için düzenleniyor.
    12:46Eğitim Parametreleri ve İzleme Araçları
    • Epok değeri, eğitim döngüsünün sayısını belirler ve veri miktarına göre 300'den başlayıp 500-600'e kadar çıkabilir.
    • 5 size değeri, donanım izin verdiği sürece büyük olması gerekir çünkü küçük boyutlar zayıf parti istatistikleri üretir.
    • TensorBoard ve Wandler gibi araçlar kullanılarak modelin anlık performansı takip edilebilir.
    16:34Model Eğitimi ve Değerlendirme
    • Epok tamamlandığında, modelin duyarlılık değeri 0,15 civarında olup, bu değer 0,50'den (yüzde elli) yukarıda olması gerekiyor.
    • Model eğitilirken hiper parametreleri değiştirmek için data klasöründen hyps dosyasına erişilebilir.
    • Overfitting problemi ile karşılaşıldığında, ağırlık sönümü değeri (L2 normun regülasyonu) artırılabilir.
    18:55Modelin Tamamlanması ve Değerlendirilmesi
    • Model eğitimi tamamlandığında, train x ve bade kısmından bazı çıktılar görüntülenebilir.
    • Model başarıyla tamamlanmış olup, iki ağırlık değeri (las ve best) sunulmaktadır.
    • Drain windows değeri 0,10'un altına düşmüş, kesinlikle değeri ise 0,63 civarında olup, pozitif olarak tahmin edilen doğruların pozitif olarak çıkması anlamına gelmektedir.
    20:18Modelin Test Edilmesi
    • Model bir video üzerinde test edildiğinde, tenseboard'da farklı görseller görüntülenmektedir.
    • Test sırasında hangi ağırlık kullanılacağı (best veya last) kullanıcıya bağlıdır.
    • Video üzerinde Mercedes, Ferrari ve Red Bull takımları başarılı bir şekilde tespit edilmiş, ancak bazı hatalar da gözlemlenmiştir.

    Yanıtı değerlendir

  • Yazeka sinir ağı makaleleri veya videoları özetliyor