3B Üretim Modelleri İçin Kapsamlı İnce Ayar Rehberi
Kaynak: Hugging Face Blog
İçindekiler 7 başlık
TLDR;#
TRELLIS.2 modelini özel 3B varlıklarınızla eğitmenizi sağlayan ince ayar betikleri ve konteynerler hem yerel ortamda hem de Hugging Face Jobs üzerinde çalışır. Veri kümenizi Hugging Face Hub'a yükledikten sonra az sayıda argümanla betikleri doğrudan çalıştırabilir ya da ilgili kod deposunu inceleyerek akışı özelleştirebilirsiniz. Üretim ortamlarında hazır betikleri konteyner mimarisiyle birleştirmek, tekrarlanabilir MLOps boru hatları kurmayı hızlandırır.
Giriş#
3B üretim; robotik, simülasyon, medya ve eğlence alanlarında sıkça kullanılır. Üretilen nesnelerin katı kurallara uymasını sağlamak ve veri temsillerini standartlaştırmak zordur. GLB ve PLY gibi dosya biçimlerinin yanında NeRF ve 3B Gaussian splatting (3DGS) gibi farklı avantajlar sunan temsiller bulunur.
TRELLIS, birleşik örtük temsil (unified latent representation) adında ortak bir iç yapı tanıttı. Çözücüler bu temsili istenen çıktı biçimindeki 3B modellere dönüştürerek her format için ayrı model kullanma zorunluluğunu ortadan kaldırır. Aynı ekip daha sonra 3B yapı temsilini geliştiren TRELLIS.2 modelini yayımladı. Ne var ki her iki model de belirli bir göreve uyarlanma konusunda kolay bir yöntem sunmuyor.
Neyi İyileştirmek İstiyoruz?#
TRELLIS.2 gibi genel amaçlı modeller, özel uygulamalarda önem taşıyan detaylarda hata yapabilir. Mobilya modelleri için hassas geometriye ihtiyaç duyan bir geliştirici, görev odaklı ince ayar yapmadığında yetersiz sonuçlarla karşılaşır. Deneyimizde Google Scanned Objects (GSO) veri kümesinin 188 ayakkabı nesnesi içeren alt kümesini kullanıyoruz. İlk testlerde ön eğitimli model genel görünümü doğru ayakkabılar üretse de taban kısımlarını hatalı oluşturdu. LoRA kullanarak ayakkabı tabanlarını daha doğru hale getirmeyi test ediyoruz.
Amacımız, GSO veri kümesiyle TRELLIS.2 modelinin belirli bir nesne kategorisindeki başarımını artırmaktır. Eğitim sırasında hangi boru hattı bileşenlerine ince ayar yapılacağını ve hangilerinin sabit bırakılacağını belirlemek gerekir. Boru hattı; yapıyı, detaylı geometriyi ve materyalleri birbirinden ayırır. Bu sayede yalnızca görevimiz için gereken bileşenleri eğitiyoruz. Neyi donduracağınızı seçmek, neyi eğiteceğinizi seçmek kadar önemlidir.
Neler Kullanacağız?#
LoRA#
Düşük dereceli uyarlama anlamına gelen LoRA, orijinal ağırlıkları dondurup küçük adaptör matrisleri eğiterek modele ince ayar yapar. Bu yaklaşım eğitilebilir parametre sayısını azaltır. Gradyanlar ve optimizasyon durumu için gereken bellek miktarı da düşer. Adaptörleri ekleyip eğitmek için Hugging Face PEFT kütüphanesini kullanıyoruz. Büyük 3B modellerde tam ince ayar yerine PEFT tercih etmek donanım maliyetini düşürür.
Hugging Face Jobs#
Hugging Face Jobs, konteynerleştirilmiş iş yüklerini bulut donanımında çalıştırır. Ön işleme ve eğitim aşamalarında bu servisi kullanıyoruz. Yerel GPU tercih edenler Docker komutlarıyla süreci kendi makinelerinde yürütebilir.
Başlamadan önce şunları hazırlayın:
- Hesabınızdan alacağınız bir
HF_TOKENanahtarı. - Kısıtlı erişime sahip DINOv3 modeline erişim izni tanımlanmış Hugging Face hesabı.
- Özel veri kümesi kullanıyorsanız eğitim öncesinde Hub'a yüklenmiş mesh dosyaları.
TRELLIS.2 Nasıl Çalışır?#
Eğitime geçmeden önce TRELLIS.2 modelinin 3B nesneleri nasıl ürettiğini anlamak, doğru katmanları hedeflemeyi sağlar.
Kaynak ve atıf
Bu yazı, Hugging Face Blog üzerinde yayımlanan içerikten yararlanılarak Edumints tarafından yapay zekâ desteğiyle Türkçe hazırlandı. Ayrıntılar ve yazarların kendi anlatımı için orijinaline bakabilirsin:
- huggingface.co/blog/3d-lora-finetuning