Ultralytics YOLO26'nın üretime alınmasının neden daha kolay olduğunu keşfet!

En yeni bilgisayarlı görü modelimiz Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görü çözümlerinin dağıtımını kolaylaştırma yolunda önemli bir adım. Başka bir deyişle, deneme aşamasından gerçek donanımlarda kesintisiz çalışan sistemlere daha sorunsuz geçiş yapmak üzere tasarlandı.

Bilgisayarlı görü artık üretim, robotik, perakende ve altyapı dâhil birçok gerçek dünya uygulamasında kullanılıyor. Bu sistemler test aşamasından günlük kullanıma geçtikçe odak, tek tek modellerin performansından modelin daha büyük bir yazılım sistemine ne kadar iyi uyum sağladığına kayıyor. Güvenilirlik, verimlilik ve kolay entegrasyon gibi etkenler doğruluk kadar önemli.

Bu değişim, bilgisayarlı görü modellerinin tasarlanma ve değerlendirilme biçimini önemli ölçüde etkiliyor. Üretimde başarı, yalnızca modelin neleri algılayabildiğine değil, aynı zamanda zaman içinde ne kadar kolay entegre edilip dağıtılabildiğine ve bakımının yapılabildiğine de bağlı.

YOLO26, bu pratik gereksinimler göz önünde bulundurularak geliştirildi. Uçtan uca çıkarıma, uç öncelikli performansa ve daha yalın entegrasyona odaklanarak dağıtım sürecindeki karmaşıklığı azaltır.

Bu makalede, Ultralytics YOLO26'nın araştırma ile üretim arasındaki boşluğu kapatmaya nasıl yardımcı olduğunu ve özelliklerinin gerçek zamanlı bilgisayarlı görü sistemlerini gerçek dünya uygulamalarında kullanıma sunmayı neden kolaylaştırdığını inceleyeceğiz.

Bilgisayarlı görüde araştırmadan üretime geçiş boşluğu#

Bilgisayarlı görü yaygınlaştıkça birçok ekip araştırma aşamasını geride bırakıp modelleri gerçek uygulamalarda dağıtmaya başlıyor. Üretime doğru atılan bu sonraki adım, deneme sırasında görünmeyen zorlukları çoğu zaman ortaya çıkarıyor.

Araştırma ortamlarında modeller genellikle sabit veri kümeleri kullanılarak kontrollü koşullarda test edilir. Bu testler doğruluğu ölçmek için yararlıdır, ancak model dağıtıldıktan sonraki davranışını tam olarak yansıtmaz. Üretimde bilgisayarlı görü sistemleri canlı verileri işlemeli, kesintisiz çalışmalı ve diğer yazılımlarla birlikte gerçek donanımlarda faaliyet göstermelidir.

Bir model üretim sisteminin parçası olduğunda doğruluğun ötesindeki etkenler önem kazanır. Çıkarım işlem hatlarında ek adımlar olabilir; performans cihazlar arasında farklılık gösterebilir ve sistemlerin zaman içinde tutarlı davranması gerekir. Bu pratik noktalar, uygulamalar ölçeklendikçe modelin ne kadar kolay entegre edilip bakımının yapılabileceğini etkiler.

Bu etkenler nedeniyle araştırmadan üretime geçiş, çoğu zaman model sonuçlarını iyileştirmekten ziyade dağıtım ve işletim süreçlerini basitleştirmekle ilgilidir. Entegrasyonu daha kolay olan, hedef donanımda verimli çalışan ve öngörülebilir davranan modeller genellikle üretime daha sorunsuz geçer.

Ultralytics YOLO26, bu geçiş göz önünde bulundurularak geliştirildi. Dağıtım sürecindeki karmaşıklığı azaltmak, ekiplerin bilgisayarlı görü modellerini deneme aşamasından gerçek dünya üretim ortamlarına daha verimli biçimde taşımasına yardımcı olur.

Uçtan uca çıkarım, Ultralytics YOLO26'nın dağıtımını kolaylaştırır#

Ultralytics YOLO26'nın dağıtımını daha pratik kılan temel nedenlerden biri uçtan uca çıkarım tasarımıdır. Basitçe söylemek gerekirse, modelin kendi dışındaki ek son işleme adımlarına ihtiyaç duymadan doğrudan nihai tahminler üretecek şekilde tasarlandığı anlamına gelir.

Geleneksel bilgisayarlı görü sistemlerinin çoğunda çıkarım, model çalışmasını tamamladığında sona ermez. Bunun yerine model, kullanılmadan önce filtrelenip iyileştirilmesi gereken çok sayıda ara tahmin üretir.

Bu ek adımlar genellikle Maksimum Olmayan Bastırma (NMS) adı verilen ayrı bir son işleme aşamasında gerçekleştirilir ve bu da genel sisteme karmaşıklık katar. Üretim ortamlarında bu karmaşıklık sorun yaratabilir.

Son işleme adımları gecikmeyi artırabilir, farklı donanım platformlarında farklı davranabilir ve ek entegrasyon çalışması gerektirebilir. Ayrıca sistemler ölçeklendikçe test edilmesi, bakımının yapılması ve tutarlılığının korunması gereken daha fazla bileşen ekler.

Ultralytics YOLO26 farklı bir yaklaşım benimsiyor. Yinelenen tahminleri çözüp nihai çıktıları modelin içinde üretmek, çıkarım işlem hattındaki adım sayısını azaltıyor. Böylece yönetilecek daha az harici mantık ve ortamlar arasında tutarsızlık oluşması için daha az fırsat bulunduğundan dağıtım kolaylaşıyor.

Görsel sistemleri dağıtan ekipler için bu uçtan uca, NMS içermeyen tasarım entegrasyonu kolaylaştırmaya yardımcı olur. Model dağıtıldıktan sonra daha öngörülebilir biçimde çalışır ve hedef donanımda eğitim ortamının dışında çalışacak şekilde hazırlanmış sürümler olan dışa aktarılmış modeller kendi başlarına daha yeterli olur.

Sonuç olarak, geliştirme sırasında test edilenler üretimde çalıştırılanlarla daha çok örtüşür. Bu, Ultralytics YOLO26'nın gerçek yazılım sistemlerine entegrasyonunu ve geniş ölçekte kullanıma sunulmasını kolaylaştırır.

Kullanıma sunulmak için geliştirildi: Riski azaltan performans ve eğitim tercihleri#

Ultralytics YOLO26, uçtan uca çıkarımın yanı sıra üretim dağıtımını daha öngörülebilir hâle getirmek üzere tasarlanmış bir dizi performans ve eğitim tercihi içerir.

Ultralytics YOLO26'nın üretimde kullanıma sunulmasını ve işletilmesini kolaylaştıran temel özelliklerden bazıları şunlardır:

• Uç öncelikli performans: Ultralytics YOLO26, yalnızca grafik işlem birimlerinde (GPU) değil, merkezi işlem birimlerinde (CPU) ve uç donanımlarda da verimli çalışacak şekilde optimize edilmiştir. Ultralytics YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, CPU çıkarımında %43'e kadar daha hızlıdır. Bu da hesaplama kaynaklarının sınırlı olabileceği üretim ortamları için modeli daha uygun hâle getirir.
• Daha kararlı eğitim: YOLO26, modelin zaman içinde nasıl öğrendiğini yönlendirmek için Aşamalı Kayıp Dengeleme adı verilen bir eğitim tekniği kullanır. Eğitimin başlarında modelin kararlı örüntüler öğrenebilmesi için daha fazla yönlendirme sağlanır. Eğitim devam ettikçe bu yönlendirme, modelin üretimdeki davranışına uyum sağlayacak biçimde kademeli olarak azaltılır. Bu yaklaşım, eğitimin daha sorunsuz ilerlemesine yardımcı olur ve modeller eğitildiğinde veya yeniden eğitildiğinde daha tutarlı sonuçlar verir.
• Küçük nesnelerin daha iyi algılanması: Eğitim sırasında modelin çok küçük nesneleri gözden kaçırmaması için Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL) adlı bir eğitim yöntemi de kullanılır. Bu, nesnelerin küçük veya uzakta olabileceği senaryolarda güvenilirliği artırır.
• Yeni optimize edici: Yeni model, eğitim kararlılığını ve tutarlılığını artırmak üzere tasarlanmış MuSGD adlı bir eğitim optimize edicisi de sunuyor. MuSGD, geleneksel Stokastik Gradyan İnişi (SGD) optimize edicisini, büyük dil modeli eğitimindeki son gelişmelerden esinlenen fikirlerle birleştirir. Yalnızca eğitimi hızlandırmaya odaklanmak yerine modellerin daha sorunsuz yakınsamasına ve yeniden eğitildiklerinde, ince ayar yapıldıklarında veya üretimde kullanılmak üzere güncellendiklerinde daha öngörülebilir davranmasına yardımcı olur.

Şekil 1. YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sağlar (Kaynak)

Genel olarak bu yenilikler, bilgisayarlı görü sistemlerinin üretimde dağıtılmasının riskini ve karmaşıklığını azaltmaya yardımcı olur. Uç öncelikli performansı daha kararlı eğitim ve öngörülebilir model davranışıyla birleştiren Ultralytics YOLO26, ekiplerin geliştirme aşamasından gerçek dünya dağıtımına güvenle geçmesini kolaylaştırır.

Ultralytics paketi entegrasyon işlem hatlarını basitleştirir#

Bir bilgisayarlı görü modelini dağıtmak nadiren yalnızca modelin kendisiyle ilgilidir. Üretimde ekiplerin modelleri eğitmesi, çıkarım çalıştırması, performansı izlemesi ve farklı platformlarla donanımlarda çalışan biçimlere aktarması gerekir. İşlem hattındaki her ek araç veya özel betik karmaşıklığı ve hata riskini artırır.

Ultralytics paketi, bu adımları tutarlı ve tek bir iş akışında bir araya getirerek karmaşıklığı azaltmak üzere tasarlanmıştır. Ekipler tek bir kütüphaneyle YOLO26 gibi modelleri eğitebilir, tahminler çalıştırabilir, sonuçları doğrulayabilir ve araç değiştirmeden veya entegrasyon kodunu yeniden yazmadan modelleri dağıtım için dışa aktarabilir.

Paket ayrıca eğitim ve değerlendirmeden dışa aktarma ile farklı donanım hedeflerine dağıtıma kadar tüm yaşam döngüsünde geniş bir entegrasyon yelpazesini destekler. Bu birleşik yaklaşım, üretim ortamlarında fark yaratır.

Şekil 2. Ultralytics'in desteklediği entegrasyon türlerine genel bakış (Kaynak)

Deneme sırasında kullanılan aynı komutlar ve arayüzler dağıtım aşamasında da kullanılabildiğinden araştırma, mühendislik ve operasyon ekipleri arasındaki devir sürecindeki pürüzler azalır. Ultralytics YOLO26 modelleri ONNX, TensorRT, CoreML, OpenVINO ve üretim sistemlerinde yaygın olarak kullanılan diğer biçimlere doğrudan dönüştürülebildiğinden, modelleri dışa aktarma süreci de daha öngörülebilir hâle gelir.

Bağlayıcı kodu ve özel entegrasyon çalışmalarını en aza indiren Ultralytics paketi, ekiplerin karmaşık işlem hatlarını sürdürmek yerine güvenilir uygulamalar geliştirmeye odaklanmasına yardımcı olur. Böylece dağıtımları ölçeklendirmek, modelleri zaman içinde güncellemek ve geliştirme ile üretim ortamlarında tutarlı davranışı korumak daha kolay hâle gelir.

Ultralytics YOLO26'nın gerçek dünya uygulamaları#

Şimdi, güvenilir ve üretime hazır bilgisayarlı görü yetenekleri gerektiren gerçek dünya uygulamalarında Ultralytics YOLO26'nın nasıl kullanılabileceğine göz atalım.

Ultralytics YOLO26 ile robotik görü sistemlerini kullanıma alma#

Robotik sistemlerin güvenli ve etkili çalışabilmesi için hızlı ve güvenilir algılama gerekir. İster depoda otonom hareket eden bir mobil robot, ister üretim hattında nesneleri işleyen robotik bir kol olsun, görü modellerinin tutarlı sonuçları minimum gecikmeyle sunması gerekir.

Ultralytics YOLO26, engelleri algılayabilir, nesneleri tanıyabilir ve insanların varlığını doğrudan robotik donanımda izleyebilir. Uçtan uca çıkarım tasarımı, robotik kontrol yazılımına entegrasyonu basitleştirerek gerçek dünya ortamlarında sürekli çalışan görü yeteneklerinin kullanıma alınmasını kolaylaştırır.

Fabrika sahalarında Ultralytics YOLO26'yı kullanıma alma#

Fabrika sahalarında bilgisayarlı görü; ekipmanları izlemek, ürünleri incelemek ve süreçlerin güvenli çalışma sınırları içinde kalmasını sağlamak için yaygın olarak kullanılır. Ultralytics YOLO26, kusurları tespit etmek, montaj adımlarını doğrulamak veya mekanik bileşenlerin hareketini gerçek zamanlı izlemek için yerel endüstriyel donanımlara dağıtılabilir.

Uç cihazlarda verimli çalışabilmesi, onu düşük gecikme ve minimum altyapı yüküyle sürekli çalışması gereken üretim hatları için çok uygun hâle getirir.

Şekil 3. Bir aktüatörün hareketini izlemek için YOLO kullanımı.

Ultralytics YOLO26'yı dronlarda ve uzaktan çalışan sistemlerde kullanma#

Dronlar ve uzaktan çalışan sistemler genellikle sınırlı güçle ve güvenilir olmayan bağlantılarla çalışır. Ultralytics YOLO26, görsel verileri doğrudan cihazda işleyerek uçuş sırasında denetim, haritalama veya izleme gibi görevleri mümkün kılar. Sistemler görüntüleri yerel olarak analiz ederek gerçek zamanlı tepki verebilir ve büyük miktarda veriyi merkezi bir konuma aktarma ihtiyacını azaltabilir.

Ultralytics YOLO26 ile akıllı şehir görü sistemlerini ölçeklendirme#

Bir şehrin kavşaklara, halka açık parklara ve ulaşım merkezlerine kameralar yerleştirdiğini düşün. Her konumda farklı donanımlar kullanılabilir ve koşullar değişebilir; ancak görü sisteminin yine de tutarlı çalışması gerekir.

Ultralytics YOLO26, bu video akışlarının trafik izleme, yaya algılama veya kamusal alan analizi gibi görevler için incelenmesine yardımcı olabilir. Öngörülebilir dağıtım davranışı ve birden fazla donanım platformunu desteklemesi, geniş ve dağıtık kentsel ortamlardaki görü sistemlerini kullanıma almayı, güncellemeyi ve yönetmeyi kolaylaştırır.

Şekil 4. Ultralytics YOLO26 ile şehirde bir kişiyi, bir köpeği ve bir bankı algılama.

Daha kolay kullanıma almanın görü yapay zekâsı için iş gerekçesini değiştirmesi#

Birçok kuruluş için görü yapay zekâsındaki en büyük zorluk, demoda çalışan bir model oluşturmak değildir. Asıl zorluk, yapılan işi üretimde güvenilir biçimde çalışan bir sisteme dönüştürmektir.

Dağıtım genellikle ciddi mühendislik çalışması, sürekli bakım ve ekipler arası koordinasyon gerektirir; bu da projeleri yavaşlatabilir veya etkilerini sınırlayabilir. Modellerin kullanıma alınması kolay olduğunda işin ekonomik dengesi değişir.

Daha hızlı dağıtım, değere ulaşma süresini kısaltır. Daha basit entegrasyon, mühendislik ve işletme maliyetlerini düşürür. Ortamlar arasında daha öngörülebilir davranış riski azaltır ve uzun vadeli planlamayı uygulanabilir kılar.

Ultralytics YOLO26 bu etkenler göz önünde bulundurularak tasarlandı. Dağıtımı basitleştirmek ve üretimde tutarlı davranışı desteklemek, kuruluşların görü yapay zekâsını deneme aşamasından günlük kullanıma taşımasına yardımcı olur. Bu sayede bilgisayarlı görü, iş liderleri için yüksek riskli bir araştırma çalışması olmaktan çıkar ve daha uygulanabilir, güvenilir bir yatırıma dönüşür.

Önemli çıkarımlar#

Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görünün dağıtımını ve bakımını kolaylaştırarak araştırma ile üretim arasındaki boşluğu kapatmak için geliştirildi. Uçtan uca tasarımı ve uç cihazları önceleyen performansı, görü yapay zekâsı projelerini çoğu zaman yavaşlatan karmaşıklığı azaltır. Böylece kuruluşlar daha hızlı ilerleyebilir ve değeri daha erken görebilir.

Yapay zekâ hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Perakendede yapay zekâ ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görüyle geliştirmeye başla!