Ultralytics YOLO11'i CoreML aracılığıyla Apple cihazlarına taşıma
Ultralytics YOLO11'i CoreML ile Apple cihazlarına taşımanın ve gerçek zamanlı iOS uygulamaları için hızlı çevrimdışı bilgisayarlı görü görevlerini etkinleştirmenin ne kadar kolay olduğunu gör.
Apple, Apple Intelligence gibi özellikleri kullanıma sunarken, cihaz üzerinde çalışan yapay zekânın telefonlarımızı kullanma biçimimizin merkezi bir parçası hâline geldiği açıkça görülüyor. Geliştiriciler açısından bu değişim, kullanıcıların daha akıllı ve duyarlı deneyimler sunmak için bilgisayarlı görü gibi yetenekleri kullanan iOS uygulamalarını benimsediği anlamına geliyor.
Bilgisayarlı görü, bilgisayarların görüntü veya video gibi görsel bilgileri anlamasını ve analiz etmesini sağlayan bir yapay zekâ (AI) türüdür. Mobil cihazlarda, telefonun kamerası aracılığıyla nesneleri gerçek zamanlı olarak algılamak, sınıflandırmak ve onlarla etkileşim kurmak için kullanılabilir. Ultralytics YOLO11 gibi görsel yapay zekâ modelleri, uygulamanın ihtiyaçlarına bağlı olarak belirli nesneleri tanıyacak şekilde özel olarak eğitilebilir.
Ancak Ultralytics YOLO11, kutudan çıktığı hâliyle iOS üzerinde çalışacak şekilde ayarlanmamıştır. YOLO11’i iPhone'larda veya diğer Apple cihazlarında, özellikle de çevrimdışı kullanım için dağıtmak üzere Apple ekosistemi için optimize edilmiş bir biçime dönüştürmek gerekir.
CoreML tam olarak bu tür bir sorunu çözmek için geliştirildi. CoreML, modelleri yerel olarak çalıştırmak ve iOS ile macOS uygulamalarına sorunsuz biçimde entegre olmak üzere tasarlanmış, Apple’ın makine öğrenimi çerçevesidir. Ultralytics tarafından desteklenen CoreML entegrasyonu, modelini iPhone'larda yerel olarak dağıtılmak üzere dışa aktarmayı kolaylaştırır.
Bu makalede, Ultralytics YOLO11 modelini CoreML biçimine nasıl dışa aktaracağına daha yakından bakacağız. Ayrıca bilgisayarlı görü modellerini doğrudan iOS cihazlarında çalıştırmanın avantajlarını gösteren gerçek zamanlı kullanım örneklerini inceleyeceğiz. Başlayalım!
CoreML nedir?#
CoreML, geliştiricilerin eğitilmiş makine öğrenimi (ML) modellerini iOS (iPhone ve iPad), macOS (Mac), watchOS (Apple Watch) ve tvOS (Apple TV) dâhil olmak üzere Apple ekosistemindeki uygulamalara doğrudan entegre etmesini sağlayan, Apple tarafından geliştirilmiş bir makine öğrenimi (ML) çerçevesidir. Modellerin internet bağlantısı gerektirmeden doğrudan cihaz üzerinde çalışmasını sağlayarak makine öğrenimini Apple cihazlarında erişilebilir ve verimli hâle getirmek üzere tasarlanmıştır.
CoreML’in temelinde görüntü sınıflandırma, nesne algılama, konuşma tanıma ve doğal dil işleme gibi çok çeşitli yapay zekâ görevlerini destekleyen birleşik bir model biçimi bulunur. Çerçeve, modelleri hızlı ve verimli bir şekilde yürütmek için CPU (merkezi işlem birimi), GPU (grafik işlem birimi) ve ANE (Apple Neural Engine) kullanarak Apple donanımından en iyi şekilde yararlanacak biçimde optimize edilmiştir.
CoreML çeşitli model türlerini destekler ve TensorFlow, PyTorch, scikit-learn, XGBoost ve LibSVM dâhil olmak üzere popüler makine öğrenimi kütüphaneleriyle uyumludur. Bu sayede geliştiriciler, gelişmiş ML yeteneklerini günlük uygulamalara daha kolay taşıyabilir ve bu uygulamaların Apple cihazlarında sorunsuz çalışmasını sağlayabilir.
Şekil 1. CoreML, diğer popüler yapay zekâ çerçevelerindeki modelleri destekler (Kaynak).
CoreML’in temel özellikleri#
CoreML’i yapay zekâyı Apple uygulamalarına entegre etmek için güvenilir bir araç hâline getiren temel özelliklerden bazıları şunlardır:
- Model optimizasyonu: CoreML, model boyutunu küçültmek ve çalışma zamanı verimliliğini artırmak için niceleme ve budama gibi sıkıştırma tekniklerini destekler.
- Cihaz üzerinde kişiselleştirme: Apple’ın ML çerçevesi, modellerin kullanıcı etkileşimlerine göre yerel olarak eğitilmesini ve güncellenmesini sağlayan cihaz üzerinde kişiselleştirmeyi destekler.
- Asenkron tahminler: Bu çerçeve, uygulamanın tahminleri arka planda çalıştırmasını sağlayarak yapay zekâ görevleri yürütülürken kullanıcı arayüzünün akıcı ve duyarlı kalmasını sağlar.
- Çok görevli öğrenme: CoreML, aynı görüntüde nesneleri algılamak ve metni tanımak gibi birden fazla görevi aynı anda gerçekleştirebilen modelleri destekler.
Ultralytics YOLO11’i CoreML biçimine dışa aktarma#
Artık CoreML çerçevesini daha iyi anladığımıza göre, YOLO11 modelini CoreML biçimine dışa aktarmak için Ultralytics tarafından desteklenen CoreML entegrasyonunun nasıl kullanılacağını adım adım inceleyelim.
Adım: Ortamını ayarlama#
Ultralytics tarafından sağlanan entegrasyon özelliklerine erişmek için Ultralytics Python paketini yükleyerek başla. Bu paket, Ultralytics YOLO modellerini eğitme, değerlendirme, tahmin yapma ve dışa aktarma gibi görevleri kolaylaştıran, hafif ve kullanımı kolay bir kütüphanedir.
Ultralytics Python paketini, komut terminalinde “pip install ultralytics” komutunu çalıştırarak yükleyebilirsin. Jupyter Notebook veya Google Colab gibi bir ortam kullanıyorsan komutun önüne bir ünlem işareti (!) ekle: “!pip install ultralytics”.
Yükleme sırasında veya CoreML’e dışa aktarma işlemi esnasında herhangi bir sorunla karşılaşırsan yardım için resmî Ultralytics belgelerine veya Yaygın Sorunlar kılavuzuna göz at.
Adım: Ultralytics YOLO11’i CoreML’e dışa aktarma#
Paket başarıyla yüklendikten sonra bir Ultralytics YOLO11 modelini yükleyip CoreML biçimine dönüştürmeye hazırsın.
Hangi önceden eğitilmiş YOLO11 modelini kullanacağından emin değilsen Ultralytics tarafından desteklenen model seçeneklerini inceleyebilirsin. Her biri hız, boyut ve doğruluk arasında farklı bir denge sunar; projen için en uygun olanı seçebilirsin. Kendi veri kümen üzerinde eğittiğin özel bir YOLO11 modelini de kullanabilirsin.
Aşağıdaki kod parçacığında "yolo11n.pt" adlı önceden eğitilmiş bir YOLO11 model dosyası kullanılıyor. Dışa aktarma işlemi sırasında bu dosya "yolo11n.mlpackage" adlı bir CoreML paketine dönüştürülüyor.
"yolo11n" modeli, hız ve düşük kaynak kullanımı için optimize edilmiş nano sürümdür. Projenin ihtiyaçlarına bağlı olarak küçük için "s", orta için "m", büyük için "l" veya ekstra büyük için "x" gibi diğer model boyutlarını da seçebilirsin. Her sürüm, performans ve doğruluk arasında farklı bir denge sunar.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="coreml")Adım: Dışa aktarılan CoreML modelini kullanarak çıkarım çalıştırma#
CoreML biçimine dışa aktarıldıktan sonra Ultralytics YOLO11, iPhone, iPad ve Mac gibi cihazlarda nesne algılama gibi gerçek zamanlı bilgisayarlı görü görevlerini mümkün kılacak şekilde iOS uygulamalarına kolayca entegre edilebilir.
Örneğin, aşağıdaki kod parçacığı dışa aktarılan CoreML modelinin nasıl yükleneceğini ve çıkarımın nasıl gerçekleştirileceğini gösterir. Çıkarım, yeni veriler üzerinde tahminler yapmak için eğitilmiş bir modelin kullanılması işlemidir. Bu örnekte model, bir ailenin topla oynadığı görüntüyü analiz eder.
coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)Kod çalıştırıldıktan sonra çıktı görüntüsü "runs/detect/predict" klasörüne kaydedilir.
Şekil 2. Nesneleri algılamak için dışa aktarılan Ultralytics YOLO11 modelinin CoreML biçiminde kullanılması. Görüntü yazara aittir.
Dışa aktarılan CoreML modelleri nerelerde kullanılabilir?#
Ultralytics YOLO11’in CoreML’e dışa aktarılması, iPhone, iPad ve Mac'lerde verimli şekilde çalışabilen çeşitli bilgisayarlı görü uygulamaları geliştirme esnekliği sunar. Şimdi bu entegrasyonun özellikle yararlı olabileceği bazı gerçek dünya senaryolarına bakalım.
CoreML modelleriyle desteklenen artırılmış gerçeklik ve oyun uygulamaları#
Artırılmış gerçeklik (AR), sanal ögeleri canlı kamera görüntülerinin üzerine yerleştirerek dijital içeriği gerçek dünyayla birleştirir. Daha etkileşimli ve sürükleyici deneyimler oluşturduğu için mobil oyunların önemli bir parçası hâline geliyor.
Ultralytics YOLO11 CoreML biçimine dışa aktarıldığında iOS geliştiricileri, telefonun kamerasını kullanarak banklar, ağaçlar veya tabelalar gibi gerçek dünya nesnelerini tanıyan AR oyunları geliştirebilir. Oyun daha sonra oyuncunun çevresini zenginleştirmek için madeni paralar, ipuçları veya yaratıklar gibi sanal ögeleri bu nesnelerin üzerine yerleştirebilir.
Perde arkasında bu işlem, nesne algılama ve nesne takibi kullanılarak gerçekleştirilir. Ultralytics YOLO11 nesneleri gerçek zamanlı olarak algılayıp tanırken takip özelliği, kamera hareket ettikçe bu nesneleri görüntüde tutarak sanal ögelerin gerçek dünyayla hizalı kalmasını sağlar.
Oyuncular eşyaları toplamak veya kısa görevleri tamamlamak için telefonlarını yöneltebilir, çevrelerini keşfedebilir ve gördükleriyle etkileşime girebilir. Tüm bunlar internet bağlantısına ihtiyaç duymadan doğrudan cihaz üzerinde çalışabilir; böylece deneyim akıcı ve ilgi çekici olur.
Gerçek zamanlı ANPR için CoreML modelleriyle entegre iOS uygulamaları#
Otomatik Plaka Tanıma (ANPR), araç plakalarını algılamak ve okumak için kullanılan bir bilgisayarlı görü uygulamasıdır. Güvenlik, trafik izleme ve erişim kontrolü sistemlerinde yaygın olarak kullanılır. CoreML ve YOLO11 gibi modeller sayesinde ANPR artık iOS cihazlarında verimli bir şekilde çalışabilir.
iPhone'unda bir ANPR uygulamasına sahip olmak, güvenlik odaklı ortamlarda özellikle yararlı olabilir. Örneğin bu uygulama, kısıtlı bir alana giren bir aracın yetkili olup olmadığını ekiplerin hızlıca belirlemesine yardımcı olabilir.
Böyle bir uygulama, CoreML aracılığıyla entegre edilen Ultralytics YOLO11 gibi bir görsel yapay zekâ modelini kullanarak cihazın kamerasıyla araçları algılayabilir ve plakalarının konumunu gerçek zamanlı olarak belirleyebilir. Bir plaka algılandığında Optik Karakter Tanıma (OCR) teknolojisi plaka numarasını okuyabilir. Uygulama daha sonra erişimi doğrulamak veya yetkisiz araçları işaretlemek için bu numarayı yerel ya da bulut tabanlı bir veritabanıyla karşılaştırabilir.
Şekil 3. Görsel yapay zekâ, plaka numaralarını algılamak ve okumak için kullanılabilir. (Kaynak).
Erişilebilirliğe odaklanan uygulamalar CoreML modellerinden yararlanabilir#
Yapay zekâ, erişilebilirlik üzerinde büyük bir etki yaratarak görme bozukluğu olan kişilerin karşılaştığı engellerin azaltılmasına yardımcı oldu. CoreML ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleri sayesinde geliştiriciler, kullanıcıların çevrelerindeki dünyayı gerçek zamanlı olarak betimleyen iOS uygulamaları geliştirebilir; bu da günlük görevleri daha kolay ve bağımsız hâle getirir.
Örneğin görme bozukluğu olan bir kişi iPhone kamerasını çevresine yöneltebilir. Uygulama, araçlar, insanlar veya sokak tabelaları gibi önemli ögeleri tanımak için nesne algılamayı kullanır ve gördüklerini sesli olarak anlatır. Bu özellik, yoğun bir caddede yol bulma veya acil bir durumu anlama gibi durumlarda kullanılabilir.
Şekil 4. İnsanları algılamak için Ultralytics YOLO11 kullanımına bir örnek
Önemli çıkarımlar#
Ultralytics YOLO11’in CoreML biçimine dışa aktarılması, iOS cihazlarında çevrimdışı nesne algılama da dâhil olmak üzere gerçek zamanlı uygulamalar için yeni fırsatlar oluşturur. Tarımdan güvenliğe ve erişilebilirliğe kadar bu birleşim, geliştiricilerin tamamen cihaz üzerinde çalışan akıllı, verimli ve gizliliğe odaklanan uygulamalar geliştirmesini sağlar.
Yalnızca birkaç basit adımla Ultralytics YOLO11 modelini dönüştürebilir ve iPhone'lara güvenilir bilgisayarlı görü özellikleri ekleyebilirsin. Üstelik internet bağlantısına ihtiyaç duymadan çalışır. Genel olarak CoreML entegrasyonu, gelişmiş yapay zekânın gücünü günlük mobil uygulamalara taşıyarak bu uygulamaları daha hızlı, daha duyarlı ve her yerde çalışmaya hazır hâle getirir.
Yapay zekâ hakkında daha fazla bilgi edinmek ister misin? GitHub depomuzu incele, topluluğumuza katıl ve bilgisayarlı görü projenin başlangıcını yapmak için lisans seçeneklerimize göz at. Perakendede yapay zekâ ve lojistikte bilgisayarlı görü gibi yeniliklerin çözüm sayfalarımızda geleceği nasıl şekillendirdiğini keşfet.
