20-40 metre irtifadan çekilen drone görüntülerinde hedef bulan bir YOLOv11m dedektörü eğitiyoruz. Bu irtifada hedef, 4K bir karede 80-120 piksel. Model, sabit güç bütçesine sahip gömülü bir kartta gerçek zamana yakın çalışmak zorunda.
Sonuç mAP50 = 0,904 ve mAP50-95 = 0,691 oldu. Ama yazmak istediğim şey eğitim koşusu değil. Ondan önce verilen üç karar, çünkü sonucu öğrenme oranından çok onlar belirledi.
1. Örtüşmeli karola, yoksa hedefleri dikişlerde kaybedersin
YOLO sabit bir girdi boyutu alır. 4K bir kareyi o boyuta indirince 100 piksellik hedef 25 piksel civarına düşer ve orası dedektörün işe yaramayı bıraktığı sınırdır. Bu yüzden kareleri 1280×1280 karolara bölüyoruz.
Bunun saf hâli, kareyi örtüşmesiz bir ızgaraya bölmektir ve verinin bir dilimini sessizce yok eder. Karo sınırına denk gelen her hedef, ikiye bölünmüş iki parça olarak görünür; ikisi de etiketlediğin şeye benzemez. Model bu yarımlardan öğrenir ve çıkarımda tam olarak aynı geometride başarısız olur.
Biz %40 örtüşmeyle karoluyoruz. Bu, örtüşme bandından küçük her hedefin en az bir karoda tam görünmesini garantiliyor. Bedeli daha çok karo ve daha uzun eğitim. Getirisi, etiketlerinin söylediği şeyi gerçekten ifade etmesi.
Bu bölümden tek bir şey alacaksan: örtüşme, tarayarak ayarlayacağın bir parametre değil. Umursadığın en büyük nesnenin boyutu belirler. Örtüşme, nesnenin piksel cinsinden en büyük boyutunu aşmalı; aşmıyorsa problemi çözmemişsin, sadece seyrekleştirmişsindir.
2. Ayrımı görüntü bazında yap, karo bazında değil
İnsanları sessizce ısıran madde bu, çünkü belirtisi harika görünen bir doğrulama skoru ve ona uymayan bir saha performansı.
Önce karolayıp sonra karoları rastgele eğitim ve doğrulamaya bölersen, aynı orijinal kareden gelen karolar iki tarafa birden düşer. Aynı çim, aynı ışık, aynı hedef, bazen örtüşme bandı yüzünden birebir aynı pikseller. Model doğrulama setini görmüş olur. Metriğin ezberi ölçüyordur.
Biz ayrımı görüntü bazında yapıyoruz, 85/15: bir orijinal kare ve ondan türeyen bütün karolar ayrımın aynı tarafında kalıyor. Bu değişiklikten sonra doğrulama sayısı düştü. O düşüş, elimizdeki ilk dürüst sayıydı.
Bu hatanın sende olup olmadığını ucuza sınamanın yolu: ayrımı farklı bir tohumla karıştırıp yeniden eğit. Doğrulama mAP’in birkaç puan oynuyorsa sorun yok. Sert savruluyorsa ya sızıntın var ya da doğrulama setin anlamlı olamayacak kadar küçük.
3. Sınıfları çevrimdışı dengele, bir kez
Ham verimiz dengesizdi. Alışıldık çözümler kayıpta sınıf ağırlığı ya da yükleyicide aşırı örnekleme. Biz sınıf bazlı çarpanla çevrimdışı augmentation kullandık: az örnekli sınıfa 8×, çok örnekliye 3×. Bu, yaklaşık 2.100 ham kareyi 1:1,2 oranında dengeli ~15.000 görüntülük bir eğitim setine çevirdi.
Çalınmaya değer ayrıntı şu: renk augmentasyonunu bu adımın dışında bıraktık. Ultralytics eğitim sırasında varsayılan olarak HSV oynatması uyguluyor. Veri setini kurarken de renk augmentasyonu uygularsan her görüntü iki kez augment edilir ve ikinci geçiş birincinin üstüne biner. Sonuçta kameranın üretmediği bir renk dağılımıyla eğitirsin. Geometrik augmentation çevrimdışı, fotometrik augmentation eğitim içinde, ve ikisi çakışmasın.
Eğriyi dürüst okumak
Model 33. epoch’ta yakınsadı. Erken durdurma 48’de devreye girdi.
Buradaki cazip okuma “daha uzun eğit” ya da “daha büyük omurga dene”. Model bu kadar erken düzleşip erken durdurma bu kadar geç devreye giriyorsa doğru okuma şudur: veri tavanına çarpmışsındır, eğitim tavanına değil. Fazladan epoch sana sadece aşırı öğrenme kazandırır. İhtiyacın olan çeşitlilik: daha çok irtifa, daha çok zemin, daha çok ışık koşulu, daha çok kısmi örtülme.
Yani o eğitim koşusunun çıktısı daha iyi bir model değildi. 13 maddelik bir veri toplama planıydı. Daha az tatmin edici bir teslimat ve doğru olanı.
Bunun bedeli
Bunların hiçbiri gösterişli değil. Kimse sunuma “eğitim/doğrulama ayrımını tasarladım” diye slayt koymaz. Ama sıra önemli: sızıntılı bir ayrım, uçtuğun güne kadar seni pohpohlayan bir sayı verir ve hiçbir hiperparametre araması hatayı bulamaz, çünkü hata modelde değildir.
Veri setini biri denetleyecekmiş gibi kur. Genelde o biri, altı hafta sonra saha sonuçlarının rapora neden uymadığını anlamaya çalışan sensin.