Train Object Detection(YOLO) Models

Object Detection Training Window, etiketlenmiş veri kümenizi kullanarak YOLO tabanlı nesne tespit modellerini eğitir.

Eğitim, uyumlu bir Nvidia GPU ve AugeLab Studio AI/GPU paketinin etkin olduğu durumlarda en iyi sonucu verir.

Eğer eğitim penceresi devre dışıysa veya eksik runtime/bağımlılık hataları gösteriyorsa, Module Downloader Window penceresini açıp gerekli AI araçlarını yükleyin.

Başlarken

1. AugeLab Studio'yu başlatın.

2. AI Tools → Object Detection Training Window öğesini açın.

3. Hazırlık:

   • AugeLab Studio’nun Annotation Tool ile hazırlanmış bir dataset folder ve class names file,

   • veya görüntüler ve YOLO etiket dosyalarını (.txt) aynı klasörde içeren bir dataset folder,

   • .names formatında (her satırda bir sınıf adı) bir class names file.

Eğitim penceresi, veri kümenizi tarar ve size hata yakalamaya yardımcı olması için Dataset Analytics (toplam görüntü sayısı, etiketlenmiş/etiketlenmemiş sayıları ve sınıf listesi) bilgilerini gösterir.

1) Konfigürasyon

Mevcut eğitim penceresi, sadece menü üzerinden değil, basit bir Configuration paneli kullanır.

Select Dataset Folder

Eğitim görüntülerinizin bulunduğu klasörü seçin.

Notlar:

• Sadece bu klasördeki dosyalar kullanılır (eğitim görüntülerinizi tek bir klasörde tutun).

• Desteklenen görüntü uzantıları: .jpg, .jpeg, .png, .bmp, .tiff, .tif

Select Class Names File (.names)

Sınıf listesi dosyanızı seçin.

Eğer .names dosyası boşsa, eğitim penceresi bunu hata olarak değerlendirecektir. Dosyada her satırda bir sınıf adı olduğundan emin olun.

Model Type

Model Type listesinden bir model varyantı seçin.

Genel olarak:

• Robust Ones varyantları daha yavaştır ama daha yüksek doğruluğa ulaşabilir; YOLOv4-Scaled iyi bir varsayılan seçimdir.

• Fast varyantlar daha hızlı eğitilir ve düşük özellikli bilgisayarlarda daha uygundur.

• Micro / Nano çok küçük veya edge cihazlara yönelik modeller için tasarlanmıştır.

Optional: Custom Weights

Önceden eğitilmiş ağırlıklardan (Darknet .weights / backbone .conv.*) başlatabilirsiniz.

Kullanım durumları:

• Önceki bir çalışmaya devam etmek,

• Benzer veri kümelerinde daha hızlı yakınsama sağlamak.

Eğer Model Type değiştirirseniz, seçilen modele uygun ağırlıkları temizleyip yeniden seçmek en güvenlisidir.

2) Gelişmiş Ayarlar (Advanced Settings)

Advanced Settings, eğitim davranışını (bellek kullanımı, hız ve doğruluk) ayarlamanıza olanak tanır.

En önemli ayarlar:

• Dataset Split Ratio (Train/Val): doğrulama için ayrılan veri oranı (mAP raporlamasını etkiler)

• Network Input Size (Width/Height): daha büyük boyutlar küçük nesneler için yardımcı olabilir, fakat daha fazla VRAM kullanır ve eğitimi yavaşlatır

• Batch Size / Subdivisions: GPU bellek hatalarının ana ayarları

  • “Out of Memory” hatası görürseniz, subdivisions değerini artırın veya batch size değerini azaltın

• Recalculate Anchors: özel veri kümelerinde sonuçları iyileştirebilir (yeni veri kümeleri için önerilir)

• Calculate Optimal Network Size: isteğe bağlı otomatik seçim yardımcısı

• GPUs to Use: çoklu GPU sistemleri için (ör. 0 veya 0,1)

• mAP During Training: eğitim sırasında doğruluk ilerlemesini gösterir ancak eğitimi biraz yavaşlatabilir

• Clear Previous Training: sıfırdan başlamak veya devam etmek arasında seçim yapma

• Live Augmentation Options: eğitim sırasında anlık varyasyonlar uygular (ekstra dosya oluşturmaz)

3) Eğitimi Başlat / Durdur

Dataset ve Classes geçerli olduğunda, ana buton aktif hale gelir.

1. Start Training butonuna tıklayın.

2. İzleyin:

   • Log bölgesi (konsol çıktısı)

   • Training Chart penceresi (loss / mAP)

3. Süreci sonlandırmak için Stop Training'e tıklayın.

Training Logging

Eğitim çalışırken eğitim penceresini kapatmak, eğitim işlemini sonlandıracaktır.

Eğitim Sonrası

Eğitim tamamlandığında (veya siz durdurduğunuzda), log/durum mesajlarında belirtilen çıktı dizinini kontrol edin.

Sonraki adımlar:

• Eğittiğiniz modeli iş akışınıza yükleyin (inference),

• Sonuçları bir doğrulama setinde veya gerçek kamera görüntülerinde doğrulayın.