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

Ultralytics YOLO26, en son bilgisayarlı görü modelimiz, gerçek zamanlı bilgisayarlı görü çözümlerini dağıtmayı daha kolay hale getirmede ileriye doğru bir adım atmaktadır. Başka bir deyişle, deney aşamasından gerçek donanımda sürekli çalışan sistemlere daha sorunsuz geçiş yapmak için tasarlanmıştır.

Computer vision artık üretim, robotik, perakende ve altyapı dahil olmak üzere birçok gerçek dünya uygulamasında kullanılmaktadır. Bu sistemler test aşamasından günlük kullanıma geçtikçe, odak noktası bireysel model performansından modelin daha büyük bir yazılım sistemine ne kadar iyi uyum sağladığına kaymaktadır. Güvenilirlik, verimlilik ve entegrasyon kolaylığı gibi faktörler doğruluk kadar önemlidir.

Bu değişim, computer vision models tasarlanma ve değerlendirilme biçimi üzerinde önemli etkilere sahiptir. Üretimde başarı yalnızca bir modelin neyi tespit edebileceğine değil, aynı zamanda zaman içinde ne kadar kolay entegre edilebileceğine, dağıtılabileceğine ve sürdürülebileceğine de bağlıdır.

YOLO26 bu pratik ihtiyaçlar göz önünde bulundurularak oluşturulmuştur. Uçtan uca çıkarıma, edge-first performance ve daha basit entegrasyona odaklanarak dağıtım sürecindeki 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!

Bilgisayarlı 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.

Uçtan 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.

Ultralytics YOLO26 farklı bir yaklaşım benimsiyor. Yinelenen tahminlerin çözülmesi ve nihai çıktıların model içinde üretilmesi, çıkarım hattında gereken adım sayısını azaltır. Bu, yönetilecek daha az harici mantık ve ortamlar arası tutarsızlık ihtimalinin daha az olması sayesinde dağıtımı daha basit hale getirir.

Görüntüleme sistemleri dağıtan ekipler için bu uçtan uca, NMS-free design entegrasyonu kolaylaştırmaya yardımcı olur. Model dağıtıldıktan sonra daha öngörülebilir davranır ve exported models, yani eğitim ortamının dışında hedef donanımda çalışmaya hazırlanmış sürümler daha kendi kendine 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.

Sevkiyata 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:

• Edge-first performance: 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 %43'e kadar daha hızlı CPU çıkarımı sunarak bilgi işlem kaynaklarının sınırlı olabileceği üretim ortamları için daha uygun hale gelmektedir.
• More stable training: YOLO26, modelin zaman içinde nasıl öğreneceğini yönlendirmek için Progressive Loss Balancing adı verilen bir eğitim tekniği kullanır. Eğitimin başlarında, modelin kararlı kalıpları öğrenebilmesi için ona daha fazla rehberlik sağlanır. 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'e kıyasla %43'e kadar daha hızlı CPU çıkarımı sunar (Source)

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.

Ultralytics 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 package, bu adımları tek ve tutarlı bir iş akışında bir araya getirerek bu karmaşıklığı azaltmak için tasarlanmıştır. 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 dışa aktarmaya ve farklı donanım hedeflerinde dağıtıma kadar tüm yaşam döngüsü boyunca geniş bir integrations yelpazesini destekler. Bu birleştirilmiş yaklaşım üretim ortamlarında fark yaratır.

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

Deneyler sırasında kullanılan komutlar ve arayüzler doğrudan dağıtıma da taşınır; bu da araştırma, mühendislik ve operasyon ekipleri arasındaki devir teslim sürtünmesini azaltır. Ayrıca Ultralytics YOLO26 modelleri üretim sistemlerinde yaygın olarak kullanılan ONNX, TensorRT, CoreML, OpenVINO ve diğer formatlara doğrudan dönüştürülebildiği için modelleri dışarı aktarmak 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.

Ultralytics YOLO26'nın gerçek dünya uygulamaları#

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

Robotik 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.

Ultralytics YOLO26'yı fabrika zeminlerinde dağıtmak#

Fabrika sahalarında bilgisayarla görü, genellikle ekipmanları izlemek, ürünleri denetlemek ve süreçlerin güvenli çalışma sınırları içinde kalmasını sağlamak için kullanılır. Ultralytics YOLO26, kusurları tespit etmek, montaj adımlarını doğrulamak veya mekanik bileşenlerin hareketini gerçek zamanlı olarak takip etmek amacıyla yerel endüstriyel donanımlara 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.

Ultralytics YOLO26'yı drone'lar ve uzak sistemlerde çalıştırmak#

İnsansız hava araçları ve uzaktan erişilen sistemler genellikle sınırlı güç ve güvenilmez bağlantıyla çalışır. Ultralytics YOLO26, görsel verileri doğrudan cihaz üzerinde işleyerek uçuş sırasında denetleme, haritalama veya izleme gibi görevleri mümkün kılar. Sistemler, görüntüleri yerel olarak analiz ederek gerçek zamanlı tepki verebilir ve merkezi bir konuma büyük miktarda veri aktarma ihtiyacını azaltır.

Akıllı 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. Ultralytics YOLO26 kullanılarak bir şehirde bir kişinin, bir köpeğin ve bir bankın tespiti.

Daha 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.

Öne 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.

Yapay zeka hakkında daha fazla bilgi edinmek için community katul ve GitHub repository keşfet. AI in retail ve computer vision in agriculture hakkında okumak için çözüm sayfalarımıza göz at. our licensing seçeneklerimizi keşfet ve bugün bilgisayarlı görü ile geliştirmeye başla!