# When to Stop Training

{% hint style="info" %}
AugeLab Studio, modelleriniz için doğru eğitim süresini otomatik olarak hesaplar. Eğitim, sona erdiğinde otomatik olarak durur.
{% endhint %}

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, [Başlangıç Kontrol Listesi](#starter-checklist)'ni takip edebilirsiniz.

## Eğitim İlerleyişini İzleme <a href="#monitor-training-progress" id="monitor-training-progress"></a>

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:

<figure><img src="/files/cAQ7irwOA32qMSkXuyF9" alt=""><figcaption></figcaption></figure>

{% hint style="warning" %}
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.
{% endhint %}

### Loss <a href="#loss" id="loss"></a>

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:

{% hint style="info" %}
Loss, verilerin ne kadar doğru olduğunu anlamak için yeterli bilgi vermez. Daha doğru bir parametre için [mAP](#map)'e başvurun.
{% endhint %}

#### \*\*2.0 ≥\*\* Loss <a href="#id-20-loss" id="id-20-loss"></a>

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.

{% hint style="warning" %}
Yukarıdaki grafikte gösterildiği gibi, 2.0 civarındaki kayıp değerleri doğru modeller üretmeyebilir.
{% endhint %}

#### \*\*1.0 ≥\*\* Loss <a href="#id-10-loss" id="id-10-loss"></a>

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

#### \*\*0.5 ≥\*\* Loss <a href="#id-05-loss" id="id-05-loss"></a>

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 <a href="#map" id="map"></a>

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.

{% hint style="warning" %}
mAP yüzdesi, bir tespitin **doğru olup olmadığını** yansıtmaz. Eğitim veri seti ile tahmin arasındaki sınırlayıcı kutu alanlarında ortalama örtüşmeyi gösterir.
{% endhint %}

Eğitim sırasında, %90 civarında değerler genellikle iyi bir model olarak kabul edilir. %90 üzerindeki değerler genellikle [aşırı öğrenme](#over-fitting) olarak kabul edilir.

### IOU <a href="#iou" id="iou"></a>

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.

{% hint style="info" %}
IUO değeri ne kadar yüksekse, tahmin o kadar iyidir.
{% endhint %}

Her IOU'yu Eğitim Penceresi günlüklerinde takip edebilirsiniz:

<figure><img src="/files/YIzgeHQBAlTrXmMnWuhR" alt=""><figcaption></figcaption></figure>

## İnce Ayar <a href="#fine-tuning" id="fine-tuning"></a>

### Eğitim Süresi <a href="#training-time" id="training-time"></a>

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 <a href="#over-fitting" id="over-fitting"></a>

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.

<figure><img src="/files/rMZj26Jc5I5LCAZHA8n7" alt="" width="563"><figcaption></figcaption></figure>

### Zaman ve Performansı Dengeleme <a href="#balancing-time-and-performance" id="balancing-time-and-performance"></a>

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 <a href="#starter-checklist" id="starter-checklist"></a>

Veritabanı:

* [ ] [Her sınıf için 1000 görüntü](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/turkce/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#consider-database-size) içerir
* [ ] Sadece nesneleri kapsayan [İyi annotasyonlar](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/turkce/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#bounding-box-quality)
* [ ] (İsteğe bağlı) [Augmentasyon](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/turkce/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#augmentation) kullanılmıştır

Model:

* [ ] FPS (saniye başına kare) için yeterli bir [model boyutu](/turkish/one-cikan-ozellikler/train-custom-ai-models-with-training-window.md#detection-model-type-and-batch-size) seçilmiştir
* [ ] Doğru sistem gereksinimleri ([sistem gereksinimleri](/turkish/giris/system-requirements.md)) ve CUDA uyumluluğu, GPU belleği için doğru model
* [ ] GPU belleğine göre parti boyutu

Eğitim (şu durumda durdurun):

* [ ] mAP %\~90'ın üzerinde, çok özel bir veritabanı için %\~95
* [ ] [Loss](#loss) 1.0'ın altında veya bir gün içinde azalma çok minimal
* [ ] Aşırı eğitim nedeniyle mAP düşüşü


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.augelab.com/turkish/one-cikan-ozellikler/train-custom-ai-models-with-training-window/when-to-stop-training.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.