24 Mayıs 2024
Ultralytics YOLOv8 modelinizi OpenVINO kullanarak çıkarım için optimize edin. PyTorch modellerini ONNX'e dönüştürmek ve gerçek zamanlı uygulamalar için optimize etmek için kılavuzumuzu izleyin.
Bu blog yazısında, önceden eğitilmiş veya özel olarak eğitilmiş Ultralytics YOLOv8 modelinizi OpenVINO kullanarak çıkarım için nasıl dışa aktarabileceğinize ve optimize edebileceğinize bir göz atacağız. Intel tabanlı bir sistem kullanıyorsanız, ister CPU ister GPU olsun, bu kılavuz size modelinizi minimum çabayla nasıl önemli ölçüde hızlandıracağınızı gösterecektir.
YOLOv8 modelinizi OpenVINO ile optimize etmek, özellikle Intel CPU kullanıyorsanız, çıkarım görevlerinde 3 kata kadar hız artışı sağlayabilir. Bu performans artışı, nesne algılamadan segmentasyon ve güvenlik sistemlerine kadar gerçek zamanlı uygulamalarda büyük bir fark yaratabilir.
Her şeyden önce, süreci inceleyelim. Bir PyTorch modelini ONNX'e dönüştüreceğiz ve ardından OpenVINO kullanarak optimize edeceğiz. Bu işlem birkaç basit adımdan oluşur ve TensorFlow, PyTorch, Caffe ve ONNX dahil olmak üzere çeşitli model ve formatlara uygulanabilir.
Ultralytics belgelerine baktığımızda, bir YOLOv8 modelini dışa aktarmanın Ultralytics çerçevesinden dışa aktarma yöntemini kullanmayı içerdiğini görüyoruz. Bu yöntem, modelimizi PyTorch'tan ONNX'e dönüştürmemizi ve son olarak OpenVINO için optimize etmemizi sağlar. Sonuç, Intel'in güçlü donanımından yararlanarak önemli ölçüde daha hızlı çalışan bir modeldir.
Dışa aktarma komut dosyasını çalıştırmadan önce, gerekli tüm bağımlılıkların yüklendiğinden emin olmanız gerekir. Bunlar Ultralytics kütüphanesi, ONNX ve OpenVINO'yu içerir. Bu paketlerin yüklenmesi, Python paket yükleyicisi olan pip aracılığıyla yapılabilecek basit bir işlemdir.
Ortamınız kurulduktan 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 işlevi çağırmayı içerir. Ultralytics çerçevesi, modellerinizi dönüştürmeyi ve optimize etmeyi kolaylaştırarak en az güçlükle en iyi performansı elde etmenizi sağlar.
Dışa aktardıktan sonra, orijinal ve optimize edilmiş modellerin performansını karşılaştırmak çok 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 durum özellikle performans artışının en belirgin olduğu büyük modeller için geçerlidir.
YOLOv8 modellerini OpenVINO ile optimize etmek özellikle gerçek zamanlı işleme gerektiren uygulamalar için faydalıdır. İşte birkaç örnek:
Bu optimizasyonları uygulayarak yalnızca performansı artırmakla kalmaz, aynı zamanda uygulamalarınızın güvenilirliğini ve verimliliğini de geliştirirsiniz. Bu da daha iyi kullanıcı deneyimleri, daha fazla üretkenlik ve daha yenilikçi çözümler sağlayabilir.
OpenVINO için bir YOLOv8 modelini dışa aktarmak ve optimize etmek, daha hızlı ve daha verimli yapay zeka uygulamaları için Intel donanımından 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'ten daha fazla öğretici ve kılavuza göz attığınızdan emin olun. GitHub depomuzu ziyaret edin ve daha fazla bilgi ve güncelleme için Ultralytics topluluğuna katılın. Birlikte yenilik yapalım!
Unutmayın, modellerinizi optimize etmek sadece hız ile ilgili değildir; yeni olasılıkların kilidini açmak ve yapay zeka çözümlerinizin sağlam, verimli ve geleceğe hazır olmasını sağlamakla ilgilidir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
VI
AR
