PaddlePaddle entegrasyonunu kullanarak Ultralytics YOLO11'i dışa aktarma

Yapay zekâ (AI) ilerledikçe makineler çevrelerindeki dünyayı anlamada daha başarılı oluyor. Bu ilerlemeyi destekleyen temel alanlardan biri, makinelerin görsel verileri yorumlamasını ve bunlara dayanarak karar vermesini sağlayan bir AI dalı olan bilgisayarlı görü alanıdır.

Bilgisayarlı görü, arabaların trafik işaretlerini tanımasına yardımcı olmaktan perakende mağazalarındaki rafları kontrol etmeye kadar artık birçok günlük aracın bir parçası. Bu görevler, bir fotoğrafı veya videoyu hızla tarayıp önemli olanı belirleyebilen görsel AI modellerine dayanır.

Zaman içinde bu modeller daha hızlı ve daha isabetli hâle gelerek tarım, sağlık, güvenlik ve perakende gibi alanlarda kullanışlı oldu. Örneğin Ultralytics YOLO11, çeşitli bilgisayarlı görü görevlerini hızlı ve hassas bir şekilde gerçekleştirmek üzere geliştirilmiş bir modeldir. Nesneleri algılayıp sınıflandırabilir, hareketleri izleyebilir ve vücut pozlarını tahmin edebilir.

Bilgisayarlı görüyü araştırmadan gerçek dünya uygulamalarına taşımanın önemli bir bölümü dağıtımdır. Bir model eğitildikten sonra sıradaki adım, modeli telefonlar, uç cihazlar veya bulut sunucuları gibi cihazlarda çalıştırmaktır.

Şekil 1. Model dağıtımı, her bilgisayarlı görü projesinin önemli bir parçasıdır.

Bunu desteklemek için YOLO11 gibi Ultralytics YOLO modelleri, hedef platforma bağlı olarak çeşitli biçimlere dışa aktarılabilir. Bu biçimlerden biri, çok çeşitli cihaz ve sistemlerde verimli model dağıtımı ve çıkarımı sağlayan açık kaynaklı bir AI çatısı olan PaddlePaddle'dır.

Bu makalede, çeşitli platformlarda verimli dağıtım sağlamak için Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu aracılığıyla Ultralytics YOLO11'in nasıl dışa aktarılabileceğini inceleyeceğiz.

PaddlePaddle nedir?#

AI modellerini araştırma ortamlarının dışında, örneğin mobil cihazlarda veya uç donanımlarda dağıtmak; özellikle de modellerin verimli çalışması ve minimum kaynak kullanması gerektiğinde zaman zaman zor olabilir. PaddlePaddle, tam olarak bu amaca yardımcı olmak üzere tasarlanmış bir derin öğrenme çatısıdır.

PaddlePaddle, adını Paralel Dağıtık Derin Öğrenme'den alan Çin merkezli açık kaynaklı bir platformdur. AI ve yazılım altyapısı alanındaki çalışmalarıyla tanınan Baidu tarafından geliştirilen PaddlePaddle, yalnızca araştırma için değil, özellikle gerçek dünya uygulamaları için oluşturulmuştur.

Geliştiriciler PaddlePaddle biçimindeki modelleri sunucularda, uç cihazlarda ve hatta mobil donanımlarda çalıştırabilir. Platform ayrıca düşük kodlu ve kodsuz seçenekler de dâhil olmak üzere AI geliştirmeyi kolaylaştıran araçları destekler. Platformun 4,7 milyondan fazla kullanıcıdan oluşan güçlü bir geliştirici topluluğu vardır ve sağlık, tarım, üretim ve finans dâhil olmak üzere çeşitli sektörlerde kullanılır.

PaddlePaddle'ın temel özellikleri#

PaddlePaddle'ın modelleri gerçek dünya cihazlarında daha verimli çalıştırmasına yardımcı olan temel özelliklerden bazıları şunlardır:

• Dinamikten statik grafiğe dönüştürme: Bu özellik, esnek bir modeli daha sorunsuz ve öngörülebilir şekilde çalışan sabit bir sürüme dönüştürür. Sabit bir modeli optimize etmek daha kolaydır ve tahmin yaparken daha hızlıdır.
• Operatör füzyonu: PaddlePaddle, modeldeki birden çok adımı tek bir adımda birleştirebilir. Bu, modelin kullandığı bellek miktarını azaltır ve daha hızlı çalışmasına yardımcı olur. Bunu, zaman kazanmak için birkaç görevi tek bir eylemde birleştirmek gibi düşünebilirsin.
• Niceleme: Bu işlem, daha basit sayılar kullanarak (ondalık basamakları azaltmak gibi) modeli küçültür. Modelin, doğruluktan fazla kaybetmeden telefonlar veya akıllı kameralar gibi gücü sınırlı cihazlarda çalışmasına yardımcı olur.

Şekil 2. PaddlePaddle kullanmanın avantajları. Görsel, yazar tarafından hazırlanmıştır.

PaddlePaddle ile Ultralytics YOLO11 dağıtımına genel bakış#

Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu, eğitimden dağıtıma geçişi kolaylaştırır. PaddlePaddle araçlarını zaten kullanan geliştiriciler, YOLO11'i iş akışlarına daha kolay dâhil edebilir.

Ultralytics Python paketi, YOLO11 modellerinin doğrudan PaddlePaddle biçimine dışa aktarılmasını destekler ve geliştiricilerin eğitilmiş modelleri ek araçlar veya manuel dönüştürme adımları olmadan dağıtmasına olanak tanır.

Dışa aktarma işlemi komut satırı veya Python kodu kullanılarak gerçekleştirilebilir; böylece geliştiriciler iş akışlarına en uygun yöntemi seçebilir. Bu, süreci basitleştirir ve kurulum sorunları yaşama olasılığını azaltır. Dışa aktarıldıktan sonra model; nesne algılama, görüntü sınıflandırma, poz tahmini ve örnek bölütleme gibi bilgisayarlı görü görevlerinde kullanılabilir.

Belleği sınırlı olan veya hızlı işlem gerektiren cihazlardaki dağıtım senaryoları için harika bir seçenektir. Dışa aktarılan modeller, kaynakları kısıtlı sistemlerde bile verimli çalışacak şekilde optimize edilir.

Ultralytics YOLO11 modelleri PaddlePaddle biçimine nasıl dışa aktarılır?#

Ultralytics YOLO11'i PaddlePaddle model biçimine dışa aktarmak yalnızca birkaç adım sürer.

İlk adım, Ultralytics Python paketini ‘pip’ gibi bir paket yöneticisi kullanarak yüklemektir. Başlamak için komut isteminde veya terminalinde “pip install ultralytics” komutunu çalıştırabilirsin.

Ultralytics paketi, çeşitli bilgisayarlı görü görevleri için modelleri eğitirmeye, değerlendirmeye, ince ayar yapmaya, dışa aktarmaya ve dağıtmaya yönelik araçlar sağlar. Yükleme sırasında herhangi bir sorunla karşılaşırsan sorun giderme ipuçları için Yaygın Sorunlar kılavuzuna göz at.

Ortamın kurulduktan sonra aşağıda gösterildiği gibi “yolo11n.pt” gibi önceden eğitilmiş bir YOLO11 modelini yükleyip dışa aktarabilirsin. Kendi özel olarak eğittiğin YOLO11 modelini de dışa aktarabilirsin.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.export(format="paddle")

Modelin PaddlePaddle biçimine dönüştürüldükten sonra farklı donanım türlerinde çeşitli senaryolarda dağıtılabilir.

Örneğin aşağıdaki örnekte, PaddlePaddle biçimine dışa aktarılmış bir Ultralytics YOLO11 modelini yüklüyor ve bunu tahmin yapmak için kullanıyoruz. Çıkarım çalıştırma olarak bilinen bu işlem, basitçe modelin yeni verileri analiz etmek için kullanılması anlamına gelir. Burada modeli iki köpeğin görüntüsüyle test ediyoruz.

paddle_model = YOLO("./yolo11n_paddle_model")
paddle_model("https://images.pexels.com/photos/33287/dog-viszla-close.jpg", save=True)

Kod çalıştırıldıktan sonra modelin tahminlerini içeren çıktı görüntüsü otomatik olarak “runs/detect/predict” klasörüne kaydedilir.

Şekil 3. Görüntüdeki nesneleri algılamak için dışa aktarılan Ultralytics YOLO11 modelinin kullanılması. Görsel, yazar tarafından hazırlanmıştır.

PaddlePaddle çatısını kullanarak Ultralytics YOLO11 dağıtımı#

PaddlePaddle; bulut ortamları, gömülü sistemler ve web uygulamaları gibi farklı cihaz ve kullanım alanlarına uygun çeşitli dağıtım araçları sunar. Başlıca dağıtım seçeneklerinden bazıları şunlardır:

• Paddle Serving: Modelleri REST API'leri olarak dağıtmana yardımcı olur; bu da sürüm denetimi ve çevrim içi test gibi özelliklere ihtiyaç duyan bulut veya sunucu ortamları için iyi bir seçimdir.
• Paddle Inference API: Modellerin nasıl çalıştığı üzerinde daha fazla denetim sağlar; bu özellik, performansa ince ayar yapman veya özel uygulama mantığı oluşturman gerektiğinde yararlıdır.
• Paddle Lite: Mobil cihazlarda, tabletlerde ve gömülü sistemlerde hafif dağıtım için tasarlanmıştır. Küçük modeller ve kaynakları sınırlı donanımlarda daha hızlı çıkarım için optimize edilmiştir.
• Paddle.js: WebGL ve WebAssembly gibi teknolojileri kullanarak AI modellerini web tarayıcılarında çalıştırmana olanak tanır; bu özellik etkileşimli demolar ve tarayıcı tabanlı araçlar için yararlıdır.

Şekil 4. PaddlePaddle tarafından etkinleştirilen dağıtım seçenekleri. Görsel, yazar tarafından hazırlanmıştır.

Kurulumun için doğru aracı seçtikten sonra dışa aktarılan modeli yükleyebilirsin. Sonraki adımları PaddlePaddle motoru üstlenir. Modeli yükler, girdi görüntüsünü işler ve sonuçları geri döndürür.

PaddlePaddle entegrasyonunu ne zaman seçmelisin?#

Ultralytics Python paketi çeşitli diğer dışa aktarma biçimlerini de destekler; bu nedenle kendine şu soruyu sorabilirsin: PaddlePaddle ne zaman doğru seçimdir?

Akıllı telefonlar, gömülü sistemler veya uç donanımlar gibi kaynakları sınırlı cihazlarda model dağıtmak istiyorsan PaddlePaddle güvenilir bir seçenektir. Ayrıca mobil uygulamalarda nesne algılama, akıllı kameralarda görsel tabanlı izleme veya bulut desteği olmadan doğrudan cihaz üzerinde çalışan poz tahmini gibi hızlı ve verimli performans gerektiren gerçek zamanlı uygulamalar için de harikadır.

Bunun ötesinde, projenin çevrim dışı veya bağlantının zayıf olduğu ortamlarda çalışması gerekiyorsa PaddlePaddle entegrasyonunu değerlendirebilirsin. Üretimde görsel denetim araçları, saha araştırmaları için el tipi cihazlar veya AI destekli perakende tarayıcıları gibi uygulamalar, PaddlePaddle'ın hafif çalışma zamanından ve esnek dağıtım seçeneklerinden yararlanabilir.

Dikkate alınması gereken PaddlePaddle sınırlamaları#

PaddlePaddle ilgi çekici dağıtım özellikleri sunsa da dikkat etmen gereken bazı kısıtlayıcı faktörler şunlardır:

• Daha küçük küresel topluluk: Çin dışında kullanıcı ve katkıda bulunan topluluğu görece küçüktür. Bu durum topluluk desteği, çözülmüş GitHub sorunları veya Stack Overflow yanıtları bulmayı zorlaştırabilir.
• Baidu dışı araçlar için daha dik öğrenme eğrisi: PaddlePaddle, Baidu ekosistemiyle sorunsuz bir şekilde bütünleşir; ancak bu bağlamın dışında kullanılması ek yapılandırma ve kurulum adımları gerektirebilir.
• Yaygın ML araçlarıyla daha az entegrasyon: PaddlePaddle; Hugging Face Transformers, MLflow veya Kubernetes tabanlı AI hizmetleri gibi yaygın araçlarla sınırlı uyumluluğa sahiptir.

Önemli çıkarımlar#

Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu, YOLO11 modellerini çeşitli cihazlarda dışa aktarmayı ve dağıtmayı kolaylaştırır. Özellikle mobil uygulamalar, akıllı kameralar veya gömülü sistemler gibi verimli cihaz üstü performans gerektiren projeler için kullanışlıdır.

Yalnızca birkaç adımla güçlü görsel modelleri gerçek dünya uygulamalarına taşıyabilirsin. Bilgisayarlı görü ilerlemeye devam ederken YOLO ve PaddlePaddle gibi araçlar, tüketici cihazlarından endüstriyel araçlara kadar her alanda hızlı ve akıllı sistemler oluşturmayı hiç olmadığı kadar kolaylaştırıyor.

Büyüyen topluluğumuza bugün katıl! GitHub depomuzu keşfederek AI hakkında daha fazla bilgi edin. Kendi bilgisayarlı görü projelerini mi oluşturmak istiyorsun? Lisanslama seçeneklerimizi incele. Sağlık hizmetlerinde bilgisayarlı görünün verimliliği nasıl artırdığını öğren ve çözüm sayfalarımızı ziyaret ederek perakendede AI'ın etkisini keşfet!