Intel OpenVINO üzerinde çıkarım için Ultralytics YOLOv8'i dışa aktarın ve optimize edin

Bu blog yazısında, önceden eğitilmiş veya özel olarak eğitilmiş Ultralytics YOLOv8 modelinizi OpenVINO kullanarak çıkarım için nasıl dışa aktarabileceğinize ve optimize edebileceğinize bakacağız. İster CPU ister GPU olsun, Intel tabanlı bir sistem kullanıyorsanız, bu kılavuz modelinizi minimum çabayla nasıl önemli ölçüde hızlandıracağınızı gösterecektir.

Neden YOLOv8'i OpenVINO ile optimize etmelisiniz?

YOLOv8 modelinizi OpenVINO ile optimize etmek, özellikle bir Intel CPU kullanıyorsanız, çıkarım görevlerinde 3 kata kadar hız artışı sağlayabilir. Bu performans artışı, nesne tespitinden segmentasyona ve güvenlik sistemlerine kadar gerçek zamanlı uygulamalarda büyük bir fark yaratabilir.

YOLOv8 modelinizi dışa aktarma ve optimize etme adımları

Süreci anlamak

Öncelikle süreci parçalayalım. Bir PyTorch modelini ONNX'e dönüştüreceğiz ve ardından OpenVINO kullanarak optimize edeceğiz. Bu işlem birkaç basit adım içerir ve TensorFlow, PyTorch, Caffe ve ONNX dahil olmak üzere çeşitli modellere ve formatlara uygulanabilir.

Modeli dışa aktarma

Ultralytics dokümantasyonuna baktığımızda, bir YOLOv8 modelini dışa aktarmanın Ultralytics çatısından export yöntemini kullanmayı içerdiğini görüyoruz. Bu yöntem, modelimizi PyTorch'tan ONNX'e dönüştürmemize ve son olarak OpenVINO için optimize etmemize olanak tanır. Sonuç, Intel'in güçlü donanımından yararlanarak önemli ölçüde daha hızlı çalışan bir modeldir.

Bağımlılıkları yükleme

Dışa aktarma komut dosyasını çalıştırmadan önce, gerekli tüm bağımlılıkların yüklü olduğundan emin olmanız gerekir. Bunlar arasında Ultralytics kütüphanesi, ONNX ve OpenVINO bulunur. Bu paketleri yüklemek, Python paket yükleyicisi olan pip aracılığıyla yapılabilecek basit bir işlemdir.

Dışa aktarma komut dosyasını çalıştırma

Ortamınız ayarlandıktan sonra, dışa aktarma komut dosyanızı çalıştırabilirsiniz. Bu komut dosyası, PyTorch modelinizi ONNX'e ve ardından OpenVINO'ya dönüştürecektir. İşlem basittir ve dışa aktarmayı işlemek için tek bir fonksiyonu çağırmayı içerir. Ultralytics çerçevesi, modellerinizi dönüştürmeyi ve optimize etmeyi kolaylaştırır ve minimum güçlükle en iyi performansı elde etmenizi sağlar.

Performansı karşılaştırma

Dışa aktardıktan sonra, orijinal ve optimize edilmiş modellerin performansını karşılaştırmak önemlidir. Her iki modelin çıkarım süresini kıyaslayarak, performans kazanımlarını açıkça görebilirsiniz. Tipik olarak, OpenVINO modeli, orijinal PyTorch modeline kıyasla çıkarım süresinde önemli bir azalma gösterecektir. Bu, performans artışının en belirgin olduğu daha büyük modeller için özellikle doğrudur.

Gerçek dünya uygulamaları ve faydaları

YOLOv8 modellerini OpenVINO ile optimize etmek, özellikle gerçek zamanlı işlem gerektiren uygulamalar için faydalıdır. İşte birkaç örnek:

• Güvenlik Sistemleri: Gerçek zamanlı nesne tespiti, güvenlik personelini anında uyararak güvenliği ve yanıt verme hızını artırabilir.
  ‍
• Otonom Araçlar: Daha hızlı çıkarım hızları, otonom sürüş sistemlerinin tepki verme hızını artırarak onları daha güvenli ve daha güvenilir hale getirir.
  ‍
• Sağlık hizmetleri: Tanı araçları için hızlı görüntü işleme, daha hızlı sonuçlar sağlayarak ve zamanında müdahalelere olanak tanıyarak hayat kurtarabilir.

Bu optimizasyonları uygulayarak, yalnızca performansı iyileştirmekle kalmaz, aynı zamanda uygulamalarınızın güvenilirliğini ve verimliliğini de artırırsınız. Bu, daha iyi kullanıcı deneyimlerine, artan üretkenliğe ve daha yenilikçi çözümlere yol açabilir.

Özet

Bir YOLOv8 modelini OpenVINO için dışa aktarmak ve optimize etmek, Intel donanımından daha hızlı ve daha verimli yapay zeka uygulamaları için yararlanmanın güçlü bir yoludur. Sadece birkaç basit adımla, modelinizin performansını dönüştürebilir ve gerçek dünya senaryolarına etkili bir şekilde uygulayabilirsiniz.

Yapay zeka projelerinizi geliştirmeye devam etmek için Ultralytics'in daha fazla eğitimini ve kılavuzunu incelemeyi unutmayın. Daha fazla bilgi ve güncelleme için GitHub depomuzu ziyaret edin ve Ultralytics topluluğuna katılın. Birlikte yenilik yapalım!

Unutmayın, modellerinizi optimize etmek sadece hızla ilgili değil, aynı zamanda yeni olasılıkların kilidini açmak ve yapay zeka çözümlerinizin sağlam, verimli ve geleceğe hazır olmasını sağlamakla ilgilidir.