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

En yeni bilgisayarlı görü modelimiz Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görü çözümlerinin dağıtımını kolaylaştırma yolunda atılmış ileri bir adımı temsil ediyor. Başka bir deyişle, deney aşamasından gerçek donanım üzerinde sürekli çalışan sistemlere daha sorunsuz bir geçiş yapması için tasarlandı.

Bilgisayarlı görü artık üretim, robotik, perakende ve altyapı dahil olmak üzere birçok gerçek dünya uygulamasında kullanılıyor. Bu sistemler test aşamasından günlük kullanıma geçtikçe, odak noktası bireysel model performansından modelin daha geniş bir yazılım sistemine ne kadar iyi uyum sağladığına kayıyor. Güvenilirlik, verimlilik ve entegrasyon kolaylığı gibi faktörler en az doğruluk kadar önemli.

Bu değişim, bilgisayarlı görü modellerinin nasıl tasarlandığı ve değerlendirildiği konusunda önemli etkilere sahip. Üretimde başarı, yalnızca bir modelin neyi tespit edebildiğine değil, aynı zamanda zaman içinde ne kadar kolay entegre edilebildiğine, dağıtıldığına ve bakımının yapılabildiğine de bağlıdır.

YOLO26 bu pratik ihtiyaçlar göz önünde bulundurularak oluşturuldu. Uçtan uca çıkarım, uç öncelikli performans ve daha basit entegrasyona odaklanarak dağıtım süreci boyunca karmaşıklığı azaltır.

Bu makalede, Ultralytics YOLO26'nın araştırma ile üretim arasındaki boşluğu nasıl kapattığını ve özelliklerinin neden gerçek zamanlı bilgisayarlı görü sistemlerini gerçek dünya uygulamalarına dahil etmeyi daha anlaşılır kıldığını inceleyeceğiz. Hadi başlayalım!

Link to this sectionBilgisayarlı görüde araştırmadan üretime geçiş boşluğu#

Bilgisayarlı görü daha yaygın hale geldikçe, birçok ekip araştırmanın ötesine geçiyor ve modelleri gerçek uygulamalarda dağıtmaya başlıyor. Üretime giden bu sonraki adım, genellikle deney sırasında görülmeyen zorlukları ortaya çıkarır.

Araştırma ortamlarında modeller genellikle sabit veri kümeleri kullanılarak kontrollü ortamlarda test edilir. Bu testler doğruluğu ölçmek için yararlıdır, ancak bir modelin dağıtıldıktan sonra nasıl davranacağını tam olarak yansıtmazlar. Üretimde, bilgisayarlı görü sistemleri canlı verileri işlemeli, sürekli çalışmalı ve diğer yazılımların yanında gerçek donanım üzerinde faaliyet göstermelidir.

Bir model bir üretim sisteminin parçası olduğunda, doğruluk dışındaki faktörler daha önemli hale gelir. Çıkarım hatları ek adımlar içerebilir; performans cihazlar arasında farklılık gösterebilir ve sistemlerin zaman içinde tutarlı bir şekilde davranması gerekir. Bu pratik hususlar, bir modelin entegre edilme ve uygulamalar ölçeklendikçe bakımının yapılma kolaylığını etkiler.

Bu faktörler nedeniyle, araştırmadan üretime geçiş genellikle model sonuçlarını iyileştirmekten ziyade dağıtım ve operasyonu basitleştirmekle ilgilidir. Entegre edilmesi daha kolay olan, hedef donanımda verimli çalışan ve öngörülebilir şekilde davranan modeller üretime daha sorunsuz bir şekilde geçer.

Ultralytics YOLO26 bu geçiş düşünülerek oluşturuldu. Dağıtım sürecindeki karmaşıklığı azaltmak, ekiplerin bilgisayarlı görü modellerini deney aşamasından gerçek dünya üretimine daha verimli bir şekilde taşımasına yardımcı olur.

Link to this sectionUçtan uca çıkarım, Ultralytics YOLO26'nın dağıtımını kolaylaştırır#

Ultralytics YOLO26'nın dağıtımı için daha pratik olmasının ana nedenlerinden biri uçtan uca çıkarım tasarımıdır. Basitçe söylemek gerekirse bu, modelin kendisi dışında ek işlem sonrası adımlarına güvenmeden doğrudan nihai tahminleri üretmek üzere tasarlandığı anlamına gelir.

Birçok geleneksel bilgisayarlı görü sisteminde, çıkarım model çalışmayı bitirdiğinde durmaz. Bunun yerine model, kullanılmadan önce filtrelenmesi ve iyileştirilmesi gereken çok sayıda ara tahmin çıktısı üretir.

Bu ek adımlar genellikle, genel sisteme karmaşıklık katan NMS (Non-Maximum Suppression) adı verilen ayrı bir işlem sonrası aşaması tarafından yönetilir. Üretim ortamlarında bu karmaşıklık bir sorun olabilir.

İşlem sonrası adımları gecikmeyi artırabilir, donanım platformları arasında farklı davranabilir ve ek entegrasyon çalışması gerektirebilir. Ayrıca sistemler ölçeklendikçe test edilmesi, bakımı yapılması ve tutarlı tutulması gereken daha fazla bileşen ortaya çıkarırlar.

YOLO26 farklı bir yaklaşım benimser. Yinelenen tahminleri çözümlemek ve nihai çıktıları model içinde üretmek, çıkarım hattında gereken adım sayısını azaltır. Yönetilecek daha az harici mantık ve ortamlar arasında tutarsızlık olasılığı daha az olduğundan, bu durum dağıtımı basitleştirir.

Görüntü sistemlerini dağıtan ekipler için bu uçtan uca, NMS içermeyen tasarım entegrasyonu kolaylaştırmaya yardımcı olur. Model dağıtıldıktan sonra daha öngörülebilir davranır ve eğitim ortamı dışında hedef donanımda çalışmak üzere hazırlanan dışa aktarılmış modeller kendi kendine daha fazla yeterlidir.

Sonuç olarak, geliştirme sırasında test edilenler üretimde çalışanlarla daha yakından eşleşir. Bu, Ultralytics YOLO26'yı gerçek yazılım sistemlerine entegre etmeyi ve ölçekli olarak sevk etmeyi daha kolay hale getirir.

Link to this sectionSevkiyata uygun olarak tasarlandı: Riski azaltan performans ve eğitim seçimleri#

Uçtan uca çıkarımın ötesinde, Ultralytics YOLO26, üretim dağıtımını daha öngörülebilir hale getirmek için tasarlanmış bir dizi performans ve eğitim seçeneği içerir.

İşte Ultralytics YOLO26'yı üretimde sevk etmeyi ve işletmeyi kolaylaştıran temel özelliklerden bazıları:

• Uç öncelikli performans: Ultralytics YOLO26, yalnızca grafik işleme birimlerinde (GPU'lar) değil, merkezi işlem birimlerinde (CPU'lar) ve uç donanımlarda da verimli çalışacak şekilde optimize edilmiştir. Ultralytics YOLO11 ile karşılaştırıldığında, YOLO26 nano modeli %43'e kadar daha hızlı CPU çıkarımı sağlayarak, işlem kaynaklarının sınırlı olabileceği üretim ortamları için daha uygun hale gelir.
• Daha kararlı eğitim: YOLO26, modelin zaman içinde nasıl öğrendiğine rehberlik etmek için Progressive Loss Balancing adlı bir eğitim tekniği kullanır. Eğitimin başlarında modele kararlı modelleri öğrenebilmesi için daha fazla rehberlik verilir. Eğitim devam ettikçe, bu rehberlik modelin üretimde kullanıldığında nasıl davranacağıyla eşleşecek şekilde kademeli olarak azaltılır. Bu yaklaşım, eğitimin daha sorunsuz çalışmasına yardımcı olur ve modeller eğitildiğinde veya yeniden eğitildiğinde daha tutarlı sonuçlar üretir.
• Daha iyi küçük nesne tespiti: Modelin eğitim sırasında çok küçük nesneleri gözden kaçırmaması için STAL (Small-Target-Aware Label Assignment) adlı bir eğitim yöntemi de kullanılır. Bu, nesnelerin küçük veya uzakta olabileceği senaryolarda güvenilirliği artırır.
• Yeni optimize edici: Yeni model ayrıca, eğitim kararlılığını ve tutarlılığını artırmak için tasarlanmış MuSGD adlı bir eğitim optimize edicisini de tanıtır. MuSGD, geleneksel Stokastik Gradyan İnişi (SGD) optimize edicisini, büyük dil modeli eğitimindeki son gelişmelerden esinlenen fikirlerle birleştirir. Yalnızca daha hızlı eğitime odaklanmak yerine, modellerin daha sorunsuz bir şekilde yakınsamasına ve üretim kullanımı için yeniden eğitildiklerinde, ince ayar yapıldıklarında veya güncellendiklerinde daha öngörülebilir davranmalarına yardımcı olur.

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

Genel olarak, bu yenilikler bilgisayarlı görü sistemlerini üretimde dağıtmanın riskini ve karmaşıklığını azaltmaya yardımcı olur. Uç öncelikli performansı daha kararlı eğitim ve öngörülebilir model davranışı ile birleştiren Ultralytics YOLO26, ekiplerin geliştirmeden gerçek dünya dağıtımına güvenle geçmesini kolaylaştırır.

Link to this sectionUltralytics paketi entegrasyon hatlarını basitleştirir#

Bir bilgisayarlı görü modelini dağıtmak nadiren sadece modelin kendisi ile ilgilidir. Üretimde ekiplerin modelleri eğitmesi, çıkarımı çalıştırması, performansı izlemesi ve modelleri farklı platformlar ve donanımlar arasında çalışan biçimlere aktarması gerekir. Bu hattaki her ek araç veya özel komut dosyası, karmaşıklığı ve hata riskini artırır.

Ultralytics paketi, bu adımları tek ve tutarlı bir iş akışına getirerek bu karmaşıklığı azaltmak için tasarlanmıştır. Tek bir kütüphane ile ekipler YOLO26 gibi modelleri eğitebilir, tahminleri çalıştırabilir, sonuçları doğrulayabilir ve araç değiştirmeden veya entegrasyon kodunu yeniden yazmadan dağıtım için modelleri dışa aktarabilir.

Ayrıca, eğitim ve değerlendirmeden dışa aktarmaya ve farklı donanım hedeflerine dağıtıma kadar tüm yaşam döngüsü boyunca çok çeşitli entegrasyonları destekler. Bu birleşik yaklaşım, üretim ortamlarında fark yaratır.

Şekil 2. Ultralytics tarafından desteklenen entegrasyon türlerine bir bakış (Kaynak)

Deney sırasında kullanılan aynı komutlar ve arayüzler dağıtıma kadar taşınır, bu da araştırma, mühendislik ve operasyon ekipleri arasındaki teslim sürtünmesini azaltır. YOLO26 modelleri doğrudan ONNX, TensorRT, CoreML, OpenVINO ve üretim sistemlerinde yaygın olarak kullanılan diğer formatlara dönüştürülebildiğinden, modelleri dışa aktarmak da daha öngörülebilir hale gelir.

Tutkal kodu ve özel entegrasyon işini en aza indirerek, Ultralytics paketi ekiplerin karmaşık hatları korumak yerine güvenilir uygulamalar oluşturmaya odaklanmasına yardımcı olur. Bu, dağıtımları ölçeklendirmeyi, modelleri zaman içinde güncellemeyi ve geliştirme ve üretim ortamlarında davranışları tutarlı tutmayı daha erişilebilir hale getirir.

Link to this sectionUltralytics YOLO26'nın gerçek dünya uygulamaları#

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

Link to this sectionRobotik görü sistemlerini Ultralytics YOLO26 ile sevk etmek#

Robotik sistemler, güvenli ve etkili bir şekilde çalışmak için hızlı, güvenilir algılamaya bağlıdır. İster bir depoda gezinen otonom bir mobil robot olsun, ister bir hatta nesneleri taşıyan robotik bir kol olsun, görü modelleri minimum gecikme ile tutarlı sonuçlar vermelidir.

Ultralytics YOLO26, engelleri tespit edebilir, nesneleri tanıyabilir ve insan varlığını doğrudan robotik donanım üzerinde izleyebilir. Uçtan uca çıkarım tasarımı, robotik kontrol yazılımına entegrasyonu basitleştirerek, gerçek dünya ortamlarında sürekli çalışan görü yeteneklerini dağıtmayı kolaylaştırır.

Link to this sectionUltralytics YOLO26'yı fabrika zeminlerinde dağıtmak#

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

Uç cihazlarda verimli bir şekilde çalışma yeteneği, onu sistemlerin düşük gecikme ve minimum altyapı yükü ile sürekli çalışması gereken üretim hatları için çok uygun kılar.

Şekil 3. Bir aktüatörün hareketini izlemek için YOLO kullanılması.

Link to this sectionUltralytics YOLO26'yı drone'lar ve uzak sistemlerde çalıştırmak#

Drone'lar ve uzak sistemler genellikle sınırlı güç ve güvenilmez bağlantı ile çalışır. YOLO26, görsel verileri doğrudan cihaz üzerinde işleyebilir, uçuş sırasında inceleme, araştırma veya izleme gibi görevleri mümkün kılar. Görüntüleri yerel olarak analiz ederek, sistemler gerçek zamanlı olarak yanıt verebilir ve büyük miktarda veriyi merkezi bir konuma geri gönderme ihtiyacını azaltabilir.

Link to this sectionAkıllı şehir görü sistemlerini Ultralytics YOLO26 ile ölçeklendirmek#

Kavşaklara, halka açık parklara ve toplu taşıma merkezlerine kamera yerleştiren bir şehri düşünün. Her konum farklı donanım kullanabilir ve farklı koşullar altında çalışabilir, ancak görü sisteminin yine de tutarlı bir şekilde davranması gerekir.

Ultralytics YOLO26, trafik izleme, yaya tespiti veya kamusal alan analizi gibi görevler için bu video akışlarını analiz etmeye yardımcı olabilir. Öngörülebilir dağıtım davranışı ve birden fazla donanım platformu desteği, büyük, dağıtılmış kentsel ortamlarda görü sistemlerini kurmayı, güncellemeyi ve bakımını yapmayı kolaylaştırır.

Şekil 4. YOLO26 kullanarak bir şehirde insan, köpek ve bank tespiti.

Link to this sectionDaha kolay sevkiyat, görü yapay zekası için iş durumunu neden değiştirir?#

Birçok kuruluş için görü yapay zekası ile ilgili en büyük zorluk, demoda çalışan bir model oluşturmak değildir. Bu çalışmayı üretimde güvenilir bir şekilde çalışan bir sisteme dönüştürmektir.

Dağıtım genellikle önemli mühendislik çabası, sürekli bakım ve ekipler arası koordinasyon gerektirir, bu da projeleri yavaşlatabilir veya etkilerini sınırlayabilir. Modellerin sevkiyatı kolay olduğunda, bu durum iş denklemini değiştirir.

Daha hızlı dağıtım, değer elde etme süresini azaltır. Daha basit entegrasyon, mühendislik ve operasyonel maliyetleri düşürür. Ortamlar arasında daha öngörülebilir davranış, riski azaltır ve uzun vadeli planlamayı pratik hale getirir.

Ultralytics YOLO26 bu faktörler göz önünde bulundurularak tasarlanmıştır. Dağıtımı basitleştirmek ve üretimde tutarlı davranışı desteklemek, kuruluşların görü yapay zekasını deney aşamasından günlük kullanıma taşımasına yardımcı olur. İş dünyası liderleri için bu, bilgisayarlı görüyü yüksek riskli bir araştırma çabası yerine daha pratik ve güvenilir bir yatırım haline getirir.

Link to this sectionÖne çıkanlar#

Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görüyü dağıtmayı ve bakımını yapmayı kolaylaştırarak araştırma ile üretim arasındaki boşluğu kapatmak için oluşturulmuştur. Uçtan uca tasarımı ve uç öncelikli performansı, genellikle görü yapay zekası projelerini yavaşlatan karmaşıklığı azaltır. Bu, kuruluşların daha hızlı ilerlemesini ve değeri daha erken görmesini sağlar.

Topluluğumuza katılın ve yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Perakendede yapay zeka ve tarımda bilgisayarlı görü hakkında okumak için çözüm sayfalarımıza göz atın. Lisanslama seçeneklerimizi keşfedin ve bugün bilgisayarlı görü ile oluşturmaya başlayın!