Ultralytics YOLOv8'i Intel OpenVINO üzerinde çıkarım için aktar ve optimize et
OpenVINO kullanarak Ultralytics YOLOv8 modelini çıkarım için optimize et. PyTorch modellerini ONNX'e dönüştürmek ve gerçek zamanlı uygulamalar için optimize etmek üzere kılavuzumuzu takip et.
Bu blog yazısında, önceden eğitilmiş veya özel olarak eğitilmiş Ultralytics YOLOv8 modelini OpenVINO kullanarak çıkarım için nasıl dışa aktarabileceğine ve optimize edebileceğine göz atacağız. CPU veya GPU fark etmeksizin Intel tabanlı bir sistem kullanıyorsan bu kılavuz, minimum çabayla modelini önemli ölçüde nasıl hızlandırabileceğini gösterecek.
Ultralytics YOLOv8 neden OpenVINO ile optimize edilmeli?#
Ultralytics YOLOv8 modelini OpenVINO ile optimize etmek, özellikle Intel CPU kullanıyorsan çıkarım görevlerinde 3 kata kadar hız artışı sağlayabilir. Bu performans artışı, nesne algılama, segmentasyon ve güvenlik sistemleri gibi gerçek zamanlı uygulamalarda büyük fark yaratabilir.
Ultralytics YOLOv8 modelini dışa aktarma ve optimize etme adımları#
Süreci anlama#
Öncelikle süreci adım adım inceleyelim. Bir PyTorch modelini ONNX'e dönüştürecek ve ardından OpenVINO kullanarak optimize edeceğiz. Bu süreç birkaç basit adımdan oluşur ve TensorFlow, PyTorch, Caffe ve ONNX dahil olmak üzere çeşitli model ve biçimlere uygulanabilir.
Modeli dışa aktarma#
Ultralytics belgelerine göz attığımızda, bir YOLOv8 modelini dışa aktarmak için Ultralytics çatısındaki export yönteminin kullanıldığını görüyoruz. Bu yöntem, modelimizi PyTorch'tan ONNX'e dönüştürmemize ve son olarak OpenVINO için optimize etmemize olanak tanır. Sonuç, Intel'in güçlü donanımından yararlanarak çok daha hızlı çalışan bir modeldir.
Bağımlılıkları yükleme#
Dışa aktarma betiğini çalıştırmadan önce gerekli tüm bağımlılıkların yüklü olduğundan emin olmalısın. Bunlar arasında Ultralytics kütüphanesi, ONNX ve OpenVINO bulunur. Bu paketleri yüklemek, Python paket yükleyicisi pip aracılığıyla kolayca gerçekleştirilebilir.
Dışa aktarma betiğini çalıştırma#
Ortamını kurduktan sonra dışa aktarma betiğini çalıştırabilirsin. Bu betik, PyTorch modelini ONNX'e ve ardından OpenVINO'ya dönüştürür. Süreç oldukça basittir ve dışa aktarmayı yönetmek için tek bir işlevin çağrılmasını gerektirir. Ultralytics çatısı, modellerini kolayca dönüştürüp optimize etmeni ve minimum uğraşla en iyi performansı elde etmeni sağlar.
Şekil 1. Nicolai Nielsen dışa aktarma betiğinin nasıl çalıştırılacağını açıklıyor.
Performansı karşılaştırma#
Dışa aktarma işleminden sonra, orijinal ve optimize edilmiş modellerin performansını karşılaştırmak çok önemlidir. Her iki modelin çıkarım süresini karşılaştırmalı olarak ölçerek performans kazanımlarını net bir şekilde görebilirsin. Genellikle OpenVINO modeli, orijinal PyTorch modeline kıyasla çıkarım süresinde önemli bir azalma gösterir. Bu durum, performans artışının en belirgin olduğu daha büyük modeller için özellikle geçerlidir.
Gerçek dünya uygulamaları ve avantajları#
Ultralytics YOLOv8 modellerini OpenVINO ile optimize etmek, gerçek zamanlı işlem gerektiren uygulamalar için özellikle faydalıdır. İşte birkaç örnek:
- Güvenlik sistemleri: Gerçek zamanlı nesne algılama, güvenlik personelini anında uyararak güvenliği ve müdahale hızını artırabilir.
- Otonom araçlar: Daha yüksek çıkarım hızları, otonom sürüş sistemlerinin tepki verme kapasitesini artırarak onları daha güvenli ve güvenilir hâle getirir.
- Sağlık hizmetleri: Tanı araçları için görüntülerin hızlı işlenmesi, daha hızlı sonuçlar sunarak zamanında müdahaleye olanak tanıyabilir ve hayat kurtarabilir.
Bu optimizasyonları uygulayarak yalnızca performansı artırmakla kalmaz, aynı zamanda uygulamalarının güvenilirliğini ve verimliliğini de geliştirirsin. Bu da daha iyi kullanıcı deneyimlerine, artan üretkenliğe ve daha yenilikçi çözümlere yol açabilir.
Sonuç#
Bir Ultralytics YOLOv8 modelini OpenVINO için dışa aktarmak ve optimize etmek, daha hızlı ve verimli AI uygulamaları için Intel donanımından yararlanmanın güçlü bir yoludur. Yalnızca birkaç basit adımla modelinin performansını dönüştürebilir ve onu gerçek dünya senaryolarına etkili bir şekilde uygulayabilirsin.
AI projelerini geliştirmeye devam etmek için Ultralytics'in daha fazla öğreticisine ve kılavuzuna göz atmayı unutma. Daha fazla bilgi ve güncelleme için GitHub depomuzu ziyaret et ve Ultralytics topluluğuna katıl. Birlikte yenilik yapalım!
Unutma, modellerini optimize etmek yalnızca hızla ilgili değildir—aynı zamanda yeni olanakların önünü açmak ve AI çözümlerinin sağlam, verimli ve geleceğe hazır olmasını sağlamakla ilgilidir.
