Ultralytics YOLOv8'i Intel OpenVINO'da çıkarım için dışa aktar ve optimize et

Bu blog yazısında, önceden eğitilmiş veya özel olarak eğitilmiş Ultralytics YOLOv8 modelini OpenVINO ile çıkarım için nasıl dışa aktarabileceğine ve optimize edebileceğine bakacağız. İster CPU ister GPU olsun, Intel tabanlı bir sistem kullanıyorsan bu kılavuz modelini minimum çabayla önemli ölçüde hızlandırmana yardımcı olacak.

Ultralytics YOLOv8'i OpenVINO ile neden optimize etmelisin?#

Ultralytics 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 fark yaratabilir.

Ultralytics YOLOv8 modelini dışa aktarma ve optimize etme adımları#

Süreci anlama#

Önce süreci adım adım ele alalım. Bir PyTorch modelini OpenVINO biçimine dönüştürüp optimize edeceğiz. Video çekildiği sırada bu dönüşümde ara adım olarak ONNX kullanılıyordu; güncel Ultralytics sürümleri ise PyTorch'tan doğrudan dönüşüm yapıyor. Bu süreç birkaç basit adımdan oluşuyor ve TensorFlow, PyTorch ve ONNX dahil olmak üzere çeşitli modellerle biçimlere uygulanabiliyor.

Modeli dışa aktarma#

Ultralytics belgelerine göz attığımızda, bir YOLOv8 modelini dışa aktarmak için Ultralytics çatısındaki dışa aktar yönteminin kullanıldığını görüyoruz. Bu yöntem, modelimizi PyTorch'tan dönüştürür ve OpenVINO için optimize eder. Sonuçta Intel donanımında önemli ölçüde daha hızlı çalışan bir model elde edilir.

Bağımlılıkları kurma#

Dışa aktarma betiğini çalıştırmadan önce gerekli tüm bağımlılıkların yüklü olduğundan emin olman gerekir. Bunlar arasında Ultralytics kütüphanesi ve OpenVINO bulunur. Bu paketleri, Python paket yükleyicisi pip aracılığıyla kolayca yükleyebilirsin.

Dışa aktarma betiğini çalıştırma#

Ortamını kurduktan sonra dışa aktarma betiğini çalıştırabilirsin. Bu betik, PyTorch modelini OpenVINO'ya dönüştürür. Süreç oldukça basittir ve dışa aktarma işlemini gerçekleştiren tek bir işlevi çağırmayı içerir. Ultralytics çatısı modellerini kolayca dönüştürüp optimize eder ve minimum uğraşla en iyi performansı almanı sağlar.

Şekil 1. Nicolai Nielsen, dışa aktarma betiğinin nasıl çalıştırılacağını açıklıyor.

Performansı karşılaştırma#

Dışa aktarma işleminden sonra özgün ve optimize edilmiş modellerin performansını karşılaştırmak önemlidir. Her iki modelin çıkarım süresini ölçerek performans kazanımlarını net biçimde görebilirsin. OpenVINO modeli genellikle özgün PyTorch modeline kıyasla çıkarım süresini önemli ölçüde azaltır. Performans artışının en belirgin olduğu büyük modellerde bu durum özellikle geçerlidir.

Gerçek dünya uygulamaları ve faydaları#

Ultralytics YOLOv8 modellerini OpenVINO ile optimize etmek, özellikle gerçek zamanlı işlem gerektiren uygulamalara fayda sağlar. İşte birkaç örnek:

• Güvenlik sistemleri: Gerçek zamanlı nesne algılama, güvenlik personelini anında uyararak güvenliği ve müdahale hızını artırabilir.
• Otonom araçlar: Daha hızlı çıkarım, otonom sürüş sistemlerinin tepki hızını artırarak onları daha güvenli ve güvenilir hâle getirir.
• Sağlık hizmetleri: Tanı araçlarında görüntülerin hızla işlenmesi, daha hızlı sonuçlar sağlayarak ve zamanında müdahaleye olanak tanıyarak hayat kurtarabilir.

Bu optimizasyonları uygulayarak yalnızca performansı artırmakla kalmaz, uygulamalarının güvenilirliğini ve verimliliğini de geliştirirsin. Böylece daha iyi kullanıcı deneyimleri, daha yüksek üretkenlik ve daha yenilikçi çözümler elde edebilirsin.

Kapanış#

Bir Ultralytics YOLOv8 modelini OpenVINO için dışa aktarıp optimize etmek, daha hızlı ve verimli yapay zekâ uygulamaları geliştirmek üzere Intel donanımından yararlanmanın etkili bir yoludur. Birkaç basit adımla modelinin performansını önemli ölçüde artırabilir ve modeli gerçek dünya senaryolarında etkili bir şekilde kullanabilirsin.

Yapay zekâ projelerini geliştirmeye devam etmek için Ultralytics Academy'deki CPU'da OpenVINO dersi gibi Ultralytics'in diğer eğitim ve kılavuzlarına da göz at. Daha fazla bilgi ve güncelleme için GitHub depomuzu ziyaret et ve Ultralytics topluluğuna katıl.

Unutma, modellerini optimize etmek yalnızca hızla ilgili değildir; yeni olanakların kapısını aralamak ve yapay zekâ çözümlerinin sağlam, verimli ve geleceğe hazır olmasını sağlamakla ilgilidir.