Intel OpenVINO üzerinde çıkarım için Ultralytics YOLOv8'i dışa aktar ve optimize et
OpenVINO kullanarak Ultralytics YOLOv8 modelini çıkarım için optimize et. PyTorch modellerini ONNX'e dönüştürmek ve bunları gerçek zamanlı uygulamalar için optimize etmek üzere kılavuzumuzu izle.
Bu blog yazısında, önceden eğitilmiş veya özel olarak eğitilmiş Ultralytics YOLOv8 modelini OpenVINO kullanarak çıkarım yapmak üzere nasıl dışa aktarabileceğine ve optimize edebileceğine göz atacağız. İster CPU ister GPU olsun, Intel tabanlı bir sistem kullanıyorsan, bu rehber sana modelini en az çabayla nasıl önemli ölçüde hızlandırabileceğini gösterecek.
Link to this sectionYOLOv8 neden OpenVINO ile optimize edilmeli?#
YOLOv8 modelini OpenVINO ile optimize etmek, özellikle Intel CPU kullanıyorsan çıkarım görevlerinde 3 kata kadar hız artışı sağlayabilir. Bu performans artışı, nesne algılamadan segmentasyona ve güvenlik sistemlerine kadar gerçek zamanlı uygulamalarda büyük bir fark yaratabilir.
Link to this sectionYOLOv8 modelini dışa aktarma ve optimize etme adımları#
Link to this sectionSüreci anlama#
Öncelikle süreci parçalara ayıralım. Bir PyTorch modelini ONNX'e dönüştüreceğiz ve ardından OpenVINO kullanarak optimize edeceğiz. Bu süreç birkaç basit adımdan oluşur ve TensorFlow, PyTorch, Caffe ve ONNX dahil olmak üzere çeşitli modeller ve formatlar için uygulanabilir.
Link to this sectionModeli dışa aktarma#
Ultralytics dokümantasyonuna daldığımızda, bir YOLOv8 modelini dışa aktarmanın Ultralytics çerçevesinden export yöntemini kullanmayı gerektirdiğini görüyoruz. Bu yöntem, modelimizi PyTorch'tan ONNX formatına dönüştürmemize ve son olarak OpenVINO için optimize etmemize olanak tanır. Sonuç, Intel'in güçlü donanımından yararlanarak çok daha hızlı çalışan bir modeldir.
Link to this sectionBağımlılıkları yükleme#
Dışa aktarma betiğini çalıştırmadan önce, gerekli tüm bağımlılıkların yüklü olduğundan emin olman gerekir. Bunlar arasında Ultralytics kütüphanesi, ONNX ve OpenVINO bulunur. Bu paketleri yüklemek, Python paket yükleyicisi pip aracılığıyla yapılabilen basit bir işlemdir.
Link to this sectionDışa aktarma betiğini çalıştırma#
Ortamını kurduktan sonra dışa aktarma betiğini çalıştırabilirsin. Bu betik, PyTorch modelini ONNX'e ve ardından OpenVINO'ya dönüştürecektir. Süreç basittir ve dışa aktarma işlemini gerçekleştirmek için tek bir fonksiyonu çağırmayı içerir. Ultralytics çerçevesi, modellerini dönüştürmeyi ve optimize etmeyi kolaylaştırarak en az zahmetle en iyi performansı almanı sağlar.
Şekil 1. Nicolai Nielsen dışa aktarma betiğinin nasıl çalıştırılacağını anlatıyor.
Link to this sectionPerformansı karşılaştırma#
Dışa aktardıktan sonra, orijinal ve optimize edilmiş modellerin performansını karşılaştırmak önemlidir. Her iki modelin çıkarım süresini kıyaslayarak performans kazanımlarını net bir şekilde görebilirsin. Genellikle OpenVINO modeli, orijinal PyTorch modeline kıyasla çıkarım süresinde önemli bir azalma gösterecektir. Bu, performans artışının en belirgin olduğu daha büyük modeller için özellikle geçerlidir.
Link to this sectionGerçek dünya uygulamaları ve avantajları#
YOLOv8 modellerini OpenVINO ile optimize etmek, özellikle gerçek zamanlı işleme gerektiren uygulamalar için faydalıdır. İşte birkaç örnek:
- Güvenlik Sistemleri: Gerçek zamanlı nesne algılama, güvenlik personelini anında uyararak güvenliği ve yanıt süresini artırabilir.
- Otonom Araçlar: Daha hızlı çıkarım hızları, otonom sürüş sistemlerinin yanıt verebilirliğini iyileştirerek onları daha güvenli ve güvenilir kılar.
- Sağlık Hizmetleri: Tanı araçları için hızlı görüntü işleme, daha hızlı sonuçlar sunarak zamanında müdahalelere olanak tanır ve hayat kurtarabilir.
Bu optimizasyonları uygulayarak sadece performansı iyileştirmekle kalmaz, aynı zamanda uygulamalarının güvenilirliğini ve verimliliğini de artırırsın. Bu, daha iyi kullanıcı deneyimleri, artan üretkenlik ve daha yenilikçi çözümlerle sonuçlanabilir.
Link to this sectionToparlarken#
Bir YOLOv8 modelini OpenVINO için dışa aktarmak ve optimize etmek, daha hızlı ve daha verimli yapay zeka uygulamaları için Intel donanımından yararlanmanın güçlü bir yoludur. Sadece birkaç basit adımla, modelinin performansını dönüştürebilir ve gerçek dünya senaryolarına etkili bir şekilde uygulayabilirsin.
Yapay zeka projelerini geliştirmeye devam etmek için Ultralytics'in daha fazla eğitim ve rehberine göz atmayı unutma. GitHub depomuzu ziyaret et ve daha fazla bilgi ve güncelleme için Ultralytics topluluğuna katıl. Birlikte yenilikler yapalım!
Unutma, modellerini optimize etmek sadece hız ile ilgili değildir; yeni olasılıkların kilidini açmak ve yapay zeka çözümlerinin sağlam, verimli ve geleceğe hazır olduğundan emin olmakla ilgilidir.
