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

En yeni bilgisayarlı görü modelimiz Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görü çözümlerinin dağıtımını kolaylaştırma konusunda ileriye doğru bir adım atıyor. Başka bir deyişle, denemelerden gerçek donanım üzerinde sürekli çalışan sistemlere daha sorunsuz geçiş sağlamak üzere 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 tek tek modellerin performansından modelin daha büyük bir yazılım sistemine ne kadar iyi uyum sağladığına kayıyor. Güvenilirlik, verimlilik ve entegrasyon kolaylığı gibi faktörler de doğruluk kadar önemli.

Bu değişimin bilgisayarlı görü modellerinin nasıl tasarlanıp değerlendirildiği üzerinde önemli etkileri var. Üretimde başarı yalnızca bir modelin neyi tespit edebildiğine değil, aynı zamanda ne kadar kolay entegre edilip dağıtılabildiğine ve zaman içinde bakımının ne kadar kolay yapılabildiğine bağlı.

YOLO26 bu pratik ihtiyaçlar göz önünde bulundurularak geliştirildi. Uçtan uca çıkarıma, uç öncelikli performansa ve daha basit entegrasyona odaklanarak dağıtım sürecindeki karmaşıklığı azaltıyor.

Bu makalede Ultralytics YOLO26'nın araştırma ile üretim arasındaki boşluğu nasıl kapatmaya yardımcı olduğunu ve özelliklerinin gerçek zamanlı bilgisayarlı görü sistemlerini gerçek dünya uygulamalarına almayı neden daha kolay hale getirdiğini inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görüde araştırmadan üretime geçiş boşluğu#

Bilgisayarlı görü daha yaygın kullanıldıkça, birçok ekip araştırmanın ötesine geçerek modelleri gerçek uygulamalarda dağıtmaya başlıyor. Üretime doğru atılan bu sonraki adım, denemeler sırasında görünür olmayan zorlukları çoğu zaman ortaya çıkarıyor.

Araştırma ortamlarında modeller genellikle sabit veri kümeleri kullanılarak kontrollü ortamlarda test edilir. Bu testler doğruluğu ölçmek için faydalıdır, ancak bir modelin dağıtıldıktan sonra nasıl davranacağını tam olarak yansıtmaz. Üretimde bilgisayarlı görü sistemleri canlı verileri işlemeli, sürekli çalışmalı ve diğer yazılımlarla birlikte gerçek donanım üzerinde çalışmalıdır.

Bir model üretim sisteminin parçası olduğunda, doğruluğun ötesindeki faktörler daha önemli hale gelir. Çıkarım işlem hatları ek adımlar içerebilir; performans cihazlar arasında değişebilir ve sistemlerin zaman içinde tutarlı davranması gerekir. Bu pratik hususlar, uygulamalar ölçeklendikçe bir modelin ne kadar kolay entegre edilip bakımının yapılabileceğini etkiler.

Bu faktörler nedeniyle araştırmadan üretime geçiş, çoğu zaman model sonuçlarını iyileştirmekten çok dağıtımı ve işletimi basitleştirmekle ilgilidir. Entegrasyonu 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 denemelerden gerçek dünya üretim ortamlarına daha verimli biçimde taşımasına yardımcı olur.

Uçtan uca çıkarım, Ultralytics YOLO26'nın dağıtımını kolaylaştırıyor#

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

Geleneksel birçok bilgisayarlı görü sisteminde çıkarım, modelin çalışması tamamlandığında sona ermez. Bunun yerine model, kullanılmadan önce filtrelenmesi ve iyileştirilmesi gereken çok sayıda ara tahmin üretir.

Bu ek adımlar genellikle genel sisteme karmaşıklık katan Non-Maximum Suppression (NMS) adlı ayrı bir son işleme aşaması tarafından gerçekleştirilir. Üretim ortamlarında bu karmaşıklık sorun oluşturabilir.

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 eklerler.

Ultralytics YOLO26 farklı bir yaklaşım benimsiyor. Yinelenen tahminleri çözümlemek ve nihai çıktıları model içinde üretmek, çıkarım işlem hattında gereken adımların sayısını azaltıyor. Böylece yönetilmesi gereken harici mantık azalıyor ve ortamlar arasındaki tutarsızlık fırsatları düşüyor; dağıtım da kolaylaşıyor.

Görü sistemleri dağıtan ekipler için bu uçtan uca, NMS'siz tasarım entegrasyonu kolaylaştırıyor. Model dağıtıldıktan sonra daha öngörülebilir davranıyor ve eğitim ortamı dışında hedef donanımda çalışmaya hazırlanmış sürümler anlamına gelen dışa aktarılmış modeller daha bağımsız hale geliyor.

Bunun sonucunda geliştirme sırasında test edilenler, üretimde çalışanlarla daha yakından örtüşüyor. Bu da Ultralytics YOLO26'nın gerçek yazılım sistemlerine entegre edilmesini ve geniş ölçekte kullanıma alınmasını kolaylaştırıyor.

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

Ultralytics YOLO26, uçtan uca çıkarımın yanı sıra üretim dağıtımını daha öngörülebilir hale getirmek üzere tasarlanmış çeşitli performans ve eğitim tercihleri içeriyor.

Ultralytics YOLO26'nın üretimde kullanıma alınmasını ve işletilmesini kolaylaştıran temel özelliklerden bazıları şunlar:

• Uç öncelikli performans: Ultralytics YOLO26, yalnızca grafik işlem birimlerinde (GPUs) değil, merkezi işlem birimlerinde (CPUs) ve uç donanımda da verimli çalışacak şekilde optimize edildi. Ultralytics YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, CPU çıkarımında %43'e kadar daha yüksek hız sunuyor. Bu da onu işlem kaynaklarının sınırlı olabileceği üretim ortamları için daha uygun hale getiriyor.
• Daha kararlı eğitim: YOLO26, modelin zaman içinde nasıl öğrendiğini yönlendirmek için Progressive Loss Balancing adlı bir eğitim tekniği kullanıyor. Eğitimin ilk aşamalarında modelin kararlı örüntüleri öğrenebilmesi için daha fazla yönlendirme sağlanıyor. Eğitim devam ettikçe bu yönlendirme, modelin üretimde kullanıldığında nasıl davranacağına uyum sağlayacak şekilde kademeli olarak azaltılıyor. Bu yaklaşım, eğitimin daha sorunsuz ilerlemesine ve modeller eğitildiğinde veya yeniden eğitildiğinde daha tutarlı sonuçlar üretilmesine yardımcı oluyor.
• Daha iyi küçük nesne tespiti: Modelin eğitim sırasında çok küçük nesneleri gözden kaçırmaması için Small-Target-Aware Label Assignment veya STAL adlı bir eğitim yöntemi de kullanılıyor. Bu, nesnelerin küçük veya uzakta olabileceği senaryolarda güvenilirliği artırıyor.
• Yeni optimizer: Yeni model, eğitim kararlılığını ve tutarlılığını artırmak üzere tasarlanmış MuSGD adlı bir eğitim optimizer'ı da sunuyor. MuSGD, geleneksel Stochastic Gradient Descent (SGD) optimizer'ını büyük dil modeli eğitimindeki son gelişmelerden esinlenen fikirlerle birleştiriyor. Yalnızca daha hızlı eğitime odaklanmak yerine modellerin daha sorunsuz yakınsamasına ve yeniden eğitildiklerinde, ince ayarlandıklarında veya üretim kullanımı için güncellendiklerinde daha öngörülebilir davranmasına yardımcı oluyor.

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

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

Ultralytics paketi entegrasyon işlem hatlarını basitleştiriyor#

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

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

Ayrıca eğitim ve değerlendirmeden farklı donanım hedeflerine dışa aktarma ve dağıtıma kadar tüm yaşam döngüsü boyunca çok çeşitli entegrasyonları destekliyor. Bu birleşik yaklaşım üretim ortamlarında fark yaratıyor.

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

Denemeler sırasında kullanılan komutlar ve arayüzler dağıtıma da taşınarak araştırma, mühendislik ve operasyon ekipleri arasındaki devir teslim sürtüşmesini azaltıyor. Ultralytics YOLO26 modelleri doğrudan ONNX, TensorRT, CoreML, OpenVINO ve üretim sistemlerinde yaygın olarak kullanılan diğer biçimlere dönüştürülebildiğinden, model dışa aktarma da daha öngörülebilir hale geliyor.

Ultralytics paketi, bağlayıcı kodu ve özel entegrasyon çalışmalarını en aza indirerek ekiplerin karmaşık işlem hatlarını sürdürmek yerine güvenilir uygulamalar geliştirmeye odaklanmasına yardımcı oluyor. Bu, dağıtımları ölçeklendirmeyi, modelleri zaman içinde güncellemeyi ve geliştirme ile üretim ortamları arasında davranışın tutarlı kalmasını daha erişilebilir hale getiriyor.

Ultralytics YOLO26'nın gerçek dünya uygulamaları#

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

Ultralytics YOLO26 ile robotik görü sistemlerini kullanıma alma#

Robotik sistemler güvenli ve etkili biçimde çalışmak için hızlı ve güvenilir algılamaya ihtiyaç duyar. İster bir depoda yol alan otonom mobil robot ister bir üretim hattında nesneleri taşıyan robot kolu olsun, görü modellerinin minimum gecikmeyle tutarlı sonuçlar sunması gerekir.

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 yeteneklerinin dağıtımını kolaylaştırıyor.

Ultralytics YOLO26'yı fabrika zeminlerinde dağıtma#

Fabrika zeminlerinde bilgisayarlı görü; ekipmanları izlemek, ürünleri denetlemek 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 olarak izlemek için yerel endüstriyel donanıma dağıtılabilir.

Uç cihazlarda verimli çalışabilmesi, onu sistemlerin düşük gecikmeyle ve minimum altyapı yüküyle sürekli çalışması gereken üretim hatları için oldukça uygun hale getiriyor.

Şekil 3. Bir aktüatörün hareketini izlemek için YOLO kullanımı.

Ultralytics YOLO26'yı dronlarda ve uzak sistemlerde çalıştırma#

Dronlar ve uzak sistemler çoğu zaman sınırlı güç ve güvenilmez bağlantıyla çalışır. Ultralytics YOLO26, görsel verileri doğrudan cihaz üzerinde işleyerek uçuş sırasında inceleme, ölçüm veya izleme gibi görevleri mümkün kılar. Sistemler görüntüleri yerel olarak analiz ederek gerçek zamanlı yanıt verebilir ve büyük miktarda verinin merkezi bir konuma aktarılması ihtiyacını azaltabilir.

Ultralytics YOLO26 ile akıllı şehir görü sistemlerini ölçeklendirme#

Bir şehrin kavşaklara, halka açık parklara ve toplu taşıma merkezlerine kameralar yerleştirdiğini düşün. Her konum farklı donanım kullanabilir ve farklı koşullarda çalışabilir, ancak görü sisteminin yine de tutarlı davranması gerekir.

Ultralytics YOLO26, bu video akışlarını trafik izleme, yaya tespiti veya kamusal alan analizi gibi görevler için analiz etmeye yardımcı olabilir. Öngörülebilir dağıtım davranışı ve birden çok donanım platformunu desteklemesi, geniş ve dağıtık kentsel ortamlardaki görü sistemlerinin kullanıma alınmasını, güncellenmesini ve bakımının yapılmasını kolaylaştırıyor.

Şekil 4. Ultralytics YOLO26 kullanarak bir şehirde bir insanı, bir köpeği ve bir bankı tespit etme.

Daha kolay kullanıma alım, görü yapay zekasının iş gerekçesini neden değiştiriyor#

Birçok kuruluş için görü yapay zekasındaki en büyük zorluk, demoda çalışan bir model geliştirmek değildir. Zorluk, bu çalışmayı üretimde güvenilir biçimde çalışan bir sisteme dönüştürmektir.

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

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

Ultralytics YOLO26 bu faktörler göz önünde bulundurularak tasarlandı. Dağıtımı basitleştirmek ve üretimde tutarlı davranışı desteklemek, kuruluşların görü yapay zekasını denemelerden günlük kullanıma taşımasına yardımcı oluyor. Bu da iş liderleri için bilgisayarlı görüyü yüksek riskli bir araştırma çalışması olmaktan çıkarıp daha pratik ve güvenilir bir yatırıma dönüştürüyor.

Önemli çıkarımlar#

Ultralytics YOLO26, gerçek zamanlı bilgisayarlı görünün dağıtımını ve bakımını kolaylaştırarak araştırma ile üretim arasındaki boşluğu kapatmak üzere geliştirildi. Uçtan uca tasarımı ve uç öncelikli performansı, görü yapay zekası projelerini çoğu zaman yavaşlatan karmaşıklığı azaltıyor. Bu, kuruluşların daha hızlı ilerlemesini ve daha kısa sürede değer elde etmesini sağlıyor.

Topluluğumuza katıl ve yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu incele. Perakendede yapay zeka ve tarımda bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Lisans seçeneklerimizi keşfet ve bugün bilgisayarlı görü ile geliştirmeye başla!