CoreML aracılığıyla Ultralytics YOLO11'i Apple cihazlarına getirmek
CoreML ile Ultralytics YOLO11'i Apple cihazlarına getirmenin ve gerçek zamanlı iOS uygulamaları için hızlı çevrimdışı bilgisayarlı görü görevlerini etkinleştirmenin ne kadar kolay olduğunu gör.
Apple Apple Intelligence gibi özellikleri tanıtırken, cihaz üzerinde yapay zekanın telefonlarımızı kullanım şeklimizin merkezi bir parçası haline geldiği açıktır. Geliştiriciler için bu değişim, kullanıcıların daha akıllı ve daha duyarlı deneyimler sunmak için bilgisayarlı görü gibi yetenekleri kullanan iOS uygulamalarını benimsemesi anlamına gelir.
Computer vision, bilgisayarların resimler veya videolar gibi görsel bilgileri anlamasını ve analiz etmesini sağlayan bir yapay zeka (AI) türüdür. Mobil cihazlarda, telefonun kamerası aracılığıyla nesneleri tespit etmek, sınıflandırmak ve bunlarla etkileşim kurmak için gerçek zamanlı olarak kullanılabilir. Ultralytics YOLO11 gibi Vision AI modelleri, uygulamanın ihtiyaçlarına bağlı olarak belirli nesneleri tanımak üzere özel olarak eğitilebilir.
Ancak Ultralytics YOLO11, doğrudan kutudan çıktığı haliyle iOS üzerinde çalışacak şekilde ayarlanmamıştır. YOLO11'i iPhone'larda veya diğer Apple cihazlarında, özellikle çevrimdışı kullanım için dağıtmak için Apple'ın ekosistemi için optimize edilmiş bir biçime dönüştürülmesi gerekir.
Bu tam olarak CoreML'in çözmek için tasarlandığı türden bir sorundur. CoreML, modelleri yerel olarak çalıştırmak ve iOS ile macOS uygulamalarına sorunsuz bir şekilde entegre olmak için oluşturulmuş Apple'ın makine öğrenimi çerçevesidir. Ultralytics tarafından desteklenen CoreML integration, modelinizi iPhone'larda yerel dağıtım için dışarı aktarmanızı kolaylaştırır.
Bu makalede, Ultralytics YOLO11 modelini CoreML formatına nasıl dışarı aktaracağını yakından inceleyeceğiz. Ayrıca bilgisayarlı görü modellerini doğrudan iOS cihazlarda çalıştırmanın avantajlarını gösteren gerçek zamanlı kullanım senaryolarını keşfedeceğiz. Hadi başlayalım!
CoreML nedir?#
CoreML, geliştiricilerin eğitilmiş ML modellerini iOS (iPhone ve iPad), macOS (Mac), watchOS (Apple Watch) ve tvOS (Apple TV) dahil olmak üzere Apple ekosistemindeki uygulamalara doğrudan entegre etmesini mümkün kılan Apple tarafından geliştirilmiş bir machine learning (ML) framework (makine öğrenimi çerçevesi)dir. Modellerin internet bağlantısı gerektirmeden doğrudan cihaz üzerinde çalışmasını sağlayarak Apple cihazlarında makine öğrenimini erişilebilir ve verimli kılmak için tasarlanmıştır.
CoreML'in merkezinde, görüntü sınıflandırma, nesne algılama, konuşma tanıma ve doğal dil işleme gibi çok çeşitli yapay zeka görevlerini destekleyen birleşik bir model formatı 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 şekilde optimize edilmiştir.
CoreML çeşitli model türlerini destekler ve TensorFlow, PyTorch, scikit-learn, XGBoost ve LibSVM dahil olmak üzere popüler makine öğrenimi kütüphaneleriyle uyumludur. Bu, geliştiricilerin gelişmiş ML yeteneklerini günlük uygulamalara getirmelerini kolaylaştırırken, bu uygulamaların Apple cihazlarında sorunsuz çalışmasını sağlar.
Şekil 1. CoreML, diğer popüler AI çerçevelerinden modelleri destekler (Kaynak).
CoreML'in temel özellikleri#
İşte CoreML'i yapay zekayı Apple uygulamalarına entegre etmek için güvenilir bir araç haline getiren temel özelliklerden bazıları:
- Model optimization: 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 dayalı olarak yerel olarak eğitilmesini ve güncellenmesini sağlayan cihaz üzerinde kişiselleştirmeyi destekler.
- Asenkron tahminler: Bu çerçeve, uygulamanın tahminleri arka planda çalıştırmasına izin vererek, yapay zeka görevlerini yönetirken kullanıcı arayüzünü pürüzsüz ve duyarlı tutar.
- Çok görevli öğrenme: CoreML, aynı görüntüdeki nesneleri algılama ve metni tanıma gibi birden fazla görevi aynı anda gerçekleştirebilen modelleri destekler.
Ultralytics YOLO11 modelini CoreML formatına nasıl dışarı aktarırsın#
Artık CoreML çerçevesini daha iyi anladığımıza göre, bir YOLO11 modelini CoreML formatına aktarmak için Ultralytics tarafından desteklenen CoreML entegrasyonunun nasıl kullanılacağına bakalım.
Adım 1: Ortamını kurma#
Ultralytics tarafından sağlanan entegrasyon özelliklerine erişmek için Ultralytics Python package (Ultralytics Python paketini) yükleyerek başla. Bu, Ultralytics YOLO modellerini eğitme, değerlendirme, tahmin etme ve dışarı aktarma gibi görevleri basitleştiren hafif, 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 ünlem işareti (!) ekle: "!pip install ultralytics".
Kurulum sırasında veya CoreML'e dışarı aktarırken herhangi bir sorunla karşılaşırsan, resmi Ultralytics belgelerini kontrol et veya yardım için Common Issues guide (Yaygın Sorunlar kılavuzuna) göz at.
Adım 2: Ultralytics YOLO11 modelini CoreML formatına dışarı aktarma#
Paket başarıyla yüklendikten sonra bir Ultralytics YOLO11 modeli yüklemeye ve bunu CoreML formatına dönüştürmeye hazırsın.
Hangi önceden eğitilmiş YOLO11 modelini kullanacağından emin değilsen, Ultralytics tarafından desteklenen modellerin yelpazesini inceleyebilirsin. Her biri farklı bir hız, boyut ve doğruluk dengesi sunar ve projen için en uygun olanı seçebilirsin. Kendi veri setin üzerinde eğittiğin özel bir YOLO11 modelin varsa bunu da kullanabilirsin.
Aşağıdaki kod parçacığında, "yolo11n.pt" adlı önceden eğitilmiş bir YOLO11 model dosyası kullanılmıştır. Dışa aktarma işlemi sırasında, bu dosya "yolo11n.mlpackage" adlı bir CoreML paketine dönüştürülür.
"yolo11n" modeli, hız ve düşük kaynak kullanımı için optimize edilmiş nano sürümdür. Projenin ihtiyaçlarına bağlı olarak, "s" (küçük), "m" (orta), "l" (büyük) veya "x" (ekstra büyük) 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 3: Dışa aktarılan CoreML modelini kullanarak çıkarım yapma#
CoreML formatına aktarıldıktan sonra Ultralytics YOLO11, iOS uygulamalarına kolayca entegre edilebilir; böylece iPhone, iPad ve Mac gibi cihazlarda nesne tespiti gibi gerçek zamanlı bilgisayarlı görü görevleri etkinleştirilir.
Örneğin, aşağıdaki kod parçacığı, dışa aktarılan CoreML modelinin nasıl yükleneceğini ve çıkarımın nasıl gerçekleştirileceğini gösterir. Çıkarım (inference), eğitilmiş bir modelin yeni veriler üzerinde tahmin yapmak için kullanılması sürecidir. Bu örnekte model, top oynayan bir aile fotoğrafını analiz eder.
coreml_model = YOLO("yolo11n.mlpackage")
results = coreml_model("https://images.pexels.com/photos/4933841/pexels-photo-4933841.jpeg", save=True)Kodu çalıştırdıktan sonra, çıktı görüntüsü "runs/detect/predict" klasörüne kaydedilecektir.
Şekil 2. Nesneleri tespit etmek için CoreML formatında dışarı aktarılmış bir Ultralytics YOLO11 modeli kullanma. Görsel: yazar.
Dışa aktarılan CoreML modelleri nerede kullanılabilir?#
Ultralytics YOLO11 modelini CoreML formatına aktarmak, iPhone, iPad ve Mac'lerde verimli bir şekilde çalışabilen çeşitli bilgisayarlı görü uygulamaları oluşturma esnekliği sağlar. Şimdi, bu entegrasyonun özellikle faydalı olabileceği bazı gerçek dünya senaryolarına bakalım.
CoreML modelleri tarafından desteklenen artırılmış gerçeklik ve oyun uygulamaları#
Augmented reality (AR) (Artırılmış gerçeklik), canlı kamera görüntüleri üzerine sanal öğeler bindirerek dijital içeriği gerçek dünya ile harmanlar. Mobil oyunların temel bir parçası haline gelerek daha interaktif ve sürükleyici deneyimler yaratmaktadır.
Ultralytics YOLO11, CoreML formatına aktarıldığında iOS geliştiricileri, telefonunamerasını kullanarak banklar, ağaçlar veya tabelalar gibi gerçek dünya nesnelerini tanıyan AR oyunları oluşturabilir. Oyun daha sonra oyuncunun çevresini geliştirmek için bu nesnelerin üzerine parsel, ipucu veya yaratık gibi sanal öğeler yerleştirebilir.
Perde arkasında bu, nesne tespiti ve nesne takibi kullanılarak çalışır. Ultralytics YOLO11 nesneleri gerçek zamanlı olarak tespit eder ve tanımlar; takip ise kamera hareket ederken bu nesnelerin görüş alanında kalmasını sağlayarak sanal öğelerin gerçek dünya ile hizalı kalmasını garanti eder.
Oyuncular telefonlarını yönlendirebilir, çevrelerini keşfedebilir ve öğeleri toplamak veya hızlı görevleri tamamlamak için gördükleriyle etkileşime girebilirler. Tüm bunlar, internet bağlantısına ihtiyaç duymadan doğrudan cihaz üzerinde çalışarak deneyimi pürüzsüz ve ilgi çekici hale getirebilir.
Gerçek zamanlı ANPR için CoreML modelleri ile entegre edilmiş iOS uygulamaları#
Automatic Number Plate Recognition (ANPR) (Otomatik Plaka Tanıma), araç plakalarını tespit etmek ve okumak için kullanılan bir bilgisayarlı görü uygulamasıdır. Yaygın olarak güvenlik, trafik izleme ve erişim kontrol sistemlerinde kullanılır. CoreML ve YOLO11 gibi modellerle ANPR artık iOS cihazlarda verimli bir şekilde çalışabilir.
iPhone'unda bir ANPR uygulamasına sahip olmak, özellikle güvenlik odaklı ortamlarda çok yararlı olabilir. Örneğin, ekiplerin kısıtlı bir alana giren bir aracın yetkili olup olmadığını hızlıca belirlemesine yardımcı olabilir.
Böyle bir uygulama, cihazın kamerasını kullanarak araçları tespit etmek ve plakalarını gerçek zamanlı olarak bulmak için CoreML aracılığıyla entegre edilmiş Ultralytics YOLO11 gibi bir görü AI modelini kullanabilir. Bir plaka tespit edildiğinde, Optik Karakter Tanıma (OCR) teknolojisi lisans numarasını okuyabilir. Uygulama daha sonra erişimi doğrulamak veya yetkisiz araçları işaretlemek için bu numarayı yerel veya bulut tabanlı bir veritabanıyla karşılaştırabilir.
Şekil 3. Vision AI, plaka numaralarını tespit etmek ve okumak için kullanılabilir. (Kaynak).
Erişilebilirlik odaklı uygulamalar CoreML modellerinden yararlanabilir#
AI, görme engelli kişiler için engelleri kaldırmaya yardımcı olarak erişilebilirlik üzerinde büyük bir etkiye sahip olmuştur. CoreML gibi araçlar ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle geliştiriciler, kullanıcıların etrafındaki dünyayı gerçek zamanlı olarak betimleyen iOS uygulamaları oluşturabilir, böylece günlük görevleri daha kolay ve daha bağımsız hale getirebilir.
Örneğin, görme engelli bir kişi iPhone kamerasını çevresine doğrultabilir. Uygulama, araçlar, insanlar veya sokak tabelaları gibi temel unsurları tanımak için nesne algılamayı kullanır ve gördüklerini seslendirir. Bu, yoğun bir caddede gezinmek veya acil bir durumu anlamak gibi durumlarda kullanılabilir.
Şekil 4. İnsanları tespit etmek için Ultralytics YOLO11 kullanma örneği
Öne çıkanlar#
Ultralytics YOLO11 modelini CoreML formatına aktarmak, iOS cihazlarda çevrimdışı nesne tespiti de dahil olmak üzere gerçek zamanlı uygulamalar için yeni fırsatlar yaratır. Tarım ve güvenlikten erişilebilirliğe kadar bu kombinasyon, geliştiricilerin tamamen cihaz üzerinde çalışan akıllı, verimli ve gizlilik odaklı uygulamalar oluşturmasına olanak tanır.
Yalnızca birkaç basit adımla Ultralytics YOLO11 modelini dönüştürebilir ve iPhone'lara güvenilir bilgisayarlı görü özellikleri ekleyebilirsin. En güzeli de internet bağlantısına ihtiyaç duymadan çalışmasıdır. Genel olarak CoreML entegrasyonu, gelişmiş AI gücünü günlük mobil uygulamalara taşıyarak onları daha hızlı, daha duyarlı ve her yerde çalışmaya hazır hale getirir.
Yapay zeka hakkında daha fazla bilgi edinmek ister misin? Bilgisayarlı görü projeni hızlandırmak için GitHub repository (GitHub deponumuzu) keşfet, topluluğumuzla bağlantı kur ve lisanslama seçeneklerimize göz at. Çözüm sayfalarımızda perakendede yapay zeka ve lojistikte bilgisayarlı görü gibi yeniliklerin geleceği nasıl şekillendirdiğini öğren.
