16 Mayıs 2025
Uç, mobil ve bulut platformlarında verimli dağıtım için Ultralytics YOLO11 gibi Ultralytics YOLO11 modellerini PaddlePaddle ile nasıl dışa aktaracağınızı öğrenin.
Yapay zeka (AI) ilerledikçe, makineler çevrelerindeki dünyayı anlama konusunda daha iyi hale geliyor. Bu ilerlemeyi yönlendiren önemli bir alan, makinelerin görsel verilere dayanarak yorumlama ve karar verme yeteneği sağlayan bir yapay zeka dalı olan bilgisayarlı görü 'dür.
Arabaların trafik işaretlerini tanımasına yardımcı olmaktan, perakende mağazalarındaki rafları kontrol etmeye kadar, bilgisayarlı görü artık birçok günlük aracın bir parçası. Bu görevler, bir fotoğrafı veya videoyu hızla tarayabilen ve neyin önemli olduğunu belirleyebilen Görüntüleme Yapay Zeka modellerine dayanır.
Zaman içinde bu modeller daha hızlı ve daha doğru hale gelerek tarım, sağlık, güvenlik ve perakende gibi alanlarda kullanışlı hale geldi. Örneğin, Ultralytics YOLO11 bir dizi bilgisayarla görme görevini hız ve hassasiyetle yerine getirmek için oluşturulmuş bir modeldir. Nesneleri detect edip classify , hareketi track ve vücut pozlarını tahmin edebilir.
Bilgisayarlı görüyü araştırmadan gerçek dünya uygulamalarına taşımanın hayati bir parçası dağıtımdır. Bir model eğitildikten sonra, bir sonraki adım onu telefonlar, uç donanımlar veya bulut sunucuları gibi cihazlarda çalıştırmaktır.
Bunu desteklemek için, YOLO11 gibi Ultralytics YOLO11 modelleri, hedef platforma bağlı olarak çeşitli formatlara aktarılabilir. Bu formatlardan biri, çok çeşitli cihaz ve sistemlerde verimli model dağıtımı ve çıkarımı sağlayan açık kaynaklı bir AI çerçevesi olan PaddlePaddle'dır.
Bu makalede, Ultralytics YOLO11 'in çeşitli platformlarda verimli bir şekilde dağıtılmasını sağlamak için Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu aracılığıyla nasıl dışa aktarılabileceğini keşfedeceğiz.
Yapay zeka modellerini mobil cihazlar veya uç donanımlar gibi araştırma ortamlarının dışında dağıtmak, özellikle de verimli bir şekilde çalışmaları ve minimum kaynak kullanmaları gerektiğinde zaman zaman zor olabilir. PaddlePaddle , tam da bu konuda yardımcı olmak için tasarlanmış bir derin öğrenme çerçevesidir.
Adı Paralel Dağıtılmış Derin Öğrenme anlamına gelen bir Çin açık kaynak platformudur. Yapay zeka ve yazılım altyapısı alanındaki çalışmalarıyla tanınan Baidu tarafından geliştirilen PaddlePaddle , sadece araştırma için değil, özellikle gerçek dünya uygulamaları için oluşturulmuştur.
Geliştiriciler modelleri sunucularda, uç cihazlarda ve hatta mobil donanımlarda PaddlePaddle formatında çalıştırabilir. Ayrıca, düşük kodlu ve kodsuz seçenekler de dahil olmak üzere yapay zeka geliştirmeyi basitleştiren araçları da destekler. Platform, 4,7 milyondan fazla kullanıcıdan oluşan güçlü bir geliştirici topluluğuna sahiptir ve sağlık, tarım, üretim ve finans dahil olmak üzere çeşitli sektörlerde kullanılmaktadır.
İşte PaddlePaddle 'ın modelleri gerçek dünya cihazlarında daha verimli çalıştırmasına yardımcı olan bazı temel özellikler:
Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu, eğitimden dağıtıma geçmeyi kolaylaştırır. PaddlePaddle araçlarını zaten kullanan geliştiriciler, YOLO11 'i iş akışlarına daha kolay getirebilirler.
Ultralytics Python paketi, YOLO11 modellerinin PaddlePaddle formatına doğrudan aktarılmasını destekleyerek geliştiricilerin eğitilmiş modelleri ekstra araçlar veya manuel dönüştürme adımları olmadan dağıtmasına olanak tanır.
Dışa aktarma işlemi komut satırı veya Python kodu kullanılarak yapılabilir, böylece geliştiriciler iş akışlarına en uygun yöntemi seçebilirler. Bu, işleri basit tutmaya yardımcı olur ve kurulum sorunları olasılığını azaltır. Model dışa aktarıldıktan sonra nesne algılama, görüntü sınıflandırma, poz tahmini ve örnek segmentasyonu gibi bilgisayarla görme görevleri için kullanılabilir.
Cihazların sınırlı belleğe sahip olduğu veya hızlı işlem gerektirdiği dağıtım senaryoları için harika bir seçenektir. Dışa aktarılan modeller, kaynak kısıtlamalı sistemlerde bile verimli çalışacak şekilde optimize edilmiştir.
YOLO11 'i PaddlePaddle model formatına aktarmak sadece birkaç adım alır.
İlk adım, 'pip' gibi bir paket yöneticisi kullanarak Ultralytics Python paketini yüklemektir. Bu, başlamak için komut isteminizde veya terminalinizde "pip install ultralytics" komutunu çalıştırarak yapılabilir.
Ultralytics paketi, çeşitli bilgisayarla görme görevleri için modelleri eğitmek, değerlendirmek, ince ayar yapmak, dışa aktarmak ve dağıtmak için araçlar sağlar. Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları için Ortak Sorunlar kılavuzuna bakın.
Ortamınız kurulduktan sonra, aşağıda gösterildiği gibi "yolo11n.pt" gibi önceden eğitilmiş bir YOLO11 modelini yükleyebilir ve dışa aktarabilirsiniz. Kendi özel eğitimli YOLO11 modelinizi de dışa aktarabilirsiniz.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="paddle")Modeliniz PaddlePaddle formatına dönüştürüldükten sonra, farklı donanım türleri üzerinde çeşitli senaryolarda kullanılabilir.
Örneğin, aşağıdaki örnekte, PaddlePaddle formatına aktarılmış bir YOLO11 modelini yüklüyor ve bir tahmin yapmak için kullanıyoruz. Çıkarım çalıştırma olarak bilinen bu işlem, basitçe modeli yeni verileri analiz etmek için kullanmak anlamına gelir. Burada, iki köpeğin görüntüsü ile 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 "detect" klasörüne kaydedilecektir.
PaddlePaddle , her biri farklı cihazlar ve bulut ortamları, gömülü sistemler ve web uygulamaları gibi kullanım durumları için uygun olan çeşitli dağıtım araçları sunar. İşte ana dağıtım seçeneklerinden bazıları:
Kurulumunuz için doğru aracı seçtikten sonra, dışa aktarılan modeli yükleyebilirsiniz. PaddlePaddle motoru sonraki adımlarla ilgilenir. Modeli yükler, giriş görüntüsünü işler ve sonuçları geri verir.
Ultralytics Python paketi ayrıca çeşitli diğer dışa aktarma formatlarını da destekler, bu nedenle kendinizi şu soruyu sorarken bulabilirsiniz: PaddlePaddle ne zaman doğru seçimdir?
PaddlePaddle , modelleri akıllı telefonlar, gömülü sistemler veya uç donanımlar gibi sınırlı kaynaklara sahip cihazlara dağıtmak istediğinizde güvenilir bir seçenektir. Ayrıca mobil uygulamalarda nesne algılama, akıllı kameralarda görüş tabanlı izleme veya bulut desteği olmadan doğrudan cihaz üzerinde çalışan poz tahmini gibi hızlı ve verimli performansa ihtiyaç duyan gerçek zamanlı uygulamalar için de mükemmeldir.
Bunun ötesinde, projenin çevrimdışı veya düşük bağlantılı ortamlarda çalışması gerekiyorsa, PaddlePaddle entegrasyonunu kullanmayı düşünebilirsiniz. Üretimde görsel denetim araçları, saha araştırmaları için el cihazları veya yapay zeka özellikli perakende tarayıcılar gibi uygulamalar PaddlePaddle'ın hafif çalışma zamanından ve esnek dağıtım seçeneklerinden yararlanabilir.
PaddlePaddle ilginç dağıtım yetenekleri sunarken, burada dikkat edilmesi gereken bazı kısıtlayıcı faktörler vardır:
Ultralytics tarafından desteklenen PaddlePaddle entegrasyonu, YOLO11 modellerini çeşitli cihazlara aktarmayı ve dağıtmayı kolaylaştırır. Özellikle mobil uygulamalar, akıllı kameralar veya gömülü sistemler gibi verimli, cihaz üzerinde performans gerektiren projeler için kullanışlıdır.
Sadece birkaç adımla güçlü görüntü modellerini gerçek dünya uygulamalarına taşıyabilirsiniz. Bilgisayarlı görü gelişmeye devam ederken, YOLO ve PaddlePaddle gibi araçlar, tüketici cihazlarından endüstriyel araçlara kadar her alanda hızlı ve akıllı sistemler oluşturmayı her zamankinden daha kolay hale getiriyor.
Büyüyen topluluğumuza bugün katılın! GitHub depomuzu keşfederek yapay zekaya daha derinlemesine dalın. Kendi bilgisayarlı görü projelerinizi mi oluşturmak istiyorsunuz? Lisanslama seçeneklerimizi inceleyin. Sağlık hizmetlerinde bilgisayarlı görünün verimliliği nasıl artırdığını öğrenin ve çözümler sayfalarımızı ziyaret ederek yapay zekanın perakendedeki etkisini keşfedin!
.webp)