PaddlePaddle entegrasyonunu kullanarak Ultralytics YOLO11'i dışa aktarma

Yapay zekâ (AI) geliştikçe makineler çevrelerindeki dünyayı daha iyi anlamaya başlıyor. Bu ilerlemeyi sağlayan temel alanlardan biri, makinelerin görsel verileri yorumlayıp bu verilere göre karar vermesini sağlayan yapay zekânın bir dalı olan bilgisayarlı görü.

Arabaların trafik işaretlerini tanımasına yardımcı olmaktan perakende mağazalarındaki rafları kontrol etmeye kadar bilgisayarlı görü, artık gündelik hayatta kullanılan birçok aracın parçası. Bu görevler, fotoğraf veya videoyu hızla tarayıp önemli olanı belirleyebilen görsel yapay zekâ modellerine dayanıyor.

Zaman içinde bu modeller daha hızlı ve doğru hâle gelerek tarım, sağlık, güvenlik ve perakende gibi alanlarda kullanışlı oldu. Örneğin Ultralytics YOLO11, çeşitli bilgisayarlı görü görevlerini hız ve hassasiyetle yerine getirmek üzere geliştirilmiş bir modeldir. Nesneleri algılayıp sınıflandırabilir, hareketi izleyebilir ve vücut duruşlarını tahmin edebilir.

Bilgisayarlı görüyü araştırmadan gerçek dünya uygulamalarına taşımada dağıtım kritik bir adımdır. Bir model eğitildikten sonraki adım, modeli telefonlar, uç donanımlar 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 dağıtımını ve çıkarımı mümkün kılan açık kaynaklı bir yapay zekâ çerçevesi olan PaddlePaddle'dır.

Bu makalede, çeşitli platformlarda verimli dağıtım sağlamak için Ultralytics tarafından desteklenen PaddlePaddle entegrasyonunu kullanarak Ultralytics YOLO11'i nasıl dışa aktarabileceğini inceleyeceğiz.

PaddlePaddle nedir?#

Yapay zekâ modellerini araştırma ortamlarının dışında, örneğin mobil cihazlarda veya uç donanımlarda dağıtmak bazen zor olabilir; özellikle de modellerin verimli çalışmasını ve minimum kaynak kullanmasını istiyorsan. PaddlePaddle, tam da bu konuda yardımcı olmak için tasarlanmış bir derin öğrenme çerçevesidir.

Adı Paralel Dağıtık Derin Öğrenme ifadesini temsil eden PaddlePaddle, Çin menşeli açık kaynaklı bir platformdur. Yapay zekâ 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, düşük kodlu ve kodsuz seçenekler dâhil olmak üzere yapay zekâ geliştirmeyi kolaylaştıran araçları da destekler. Güçlü bir geliştirici topluluğuna sahip olan platform; sağlık, tarım, üretim ve finans dâhil çeşitli sektörlerde kullanılır.

PaddlePaddle'ın temel özellikleri#

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

• Dinamik grafikten statik grafiğe dönüştürme: Bu özellik, esnek bir modeli daha sorunsuz ve öngörülebilir çalışan sabit bir sürüme dönüştürür. Sabit bir modeli optimize etmek daha kolaydır ve model tahmin üretirken daha hızlı çalışır.
• Operatör birleştirme: PaddlePaddle, modeldeki birden fazla adımı tek bir adımda birleştirebilir. Bu, modelin kullandığı bellek miktarını azaltır ve daha hızlı çalışmasına yardımcı olur. Zaman kazanmak için birkaç görevi tek bir eylemde birleştirmek gibi düşünebilirsin.
• Niceleme: Bu işlem, daha basit sayılar kullanarak (örneğin, daha az ondalık basamağa yuvarlayarak) modeli küçültür. Modelin, fazla doğruluk kaybetmeden telefonlar veya akıllı kameralar gibi gücü sınırlı cihazlarda çalışmasına yardımcı olur.

Şekil 2. PaddlePaddle kullanmanın avantajları. Görselin sahibi: yazar.

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 modellerini doğrudan PaddlePaddle biçimine dışa aktarmayı destekler. Böylece geliştiriciler, ek araçlara veya manuel dönüştürme adımlarına ihtiyaç duymadan eğitilmiş modelleri dağıtabilir.

Dışa aktarma işlemini komut satırından veya Python koduyla gerçekleştirebilirsin; böylece geliştiriciler iş akışlarına en uygun yöntemi seçebilir. Bu, süreci basitleştirir ve kurulum sorunları yaşama olasılığını azaltır. Dışa aktarıldıktan sonra model; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini gibi bilgisayarlı görü görevlerinde kullanılabilir.

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

Ultralytics YOLO11 modellerini PaddlePaddle biçimine dışa aktarma#

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

İlk adım, pip gibi bir paket yöneticisi kullanarak Ultralytics Python paketini yüklemektir. Başlamak için komut isteminde veya terminalde pip install ultralytics komutunu çalıştırabilirsin.

Ultralytics paketi, çeşitli bilgisayarlı görü görevlerine yönelik modelleri eğitmek, değerlendirmek, ince ayar yapmak, dışa aktarmak ve dağıtmak için araçlar sunar. Yükleme sırasında herhangi bir sorunla karşılaşırsan sorun giderme ipuçları için Yaygın Sorunlar kılavuzuna göz at.

Ortamını kurduktan sonra aşağıda gösterildiği gibi YOLO11n (yolo11n.pt) gibi önceden eğitilmiş bir YOLO11 modelini yükleyip dışa aktarabilirsin. Kendi özel eğitimli 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 kod parçacığında, PaddlePaddle biçimine dışa aktarılmış bir Ultralytics YOLO11 modelini yüklüyor ve tahmin yapmak için kullanıyoruz. Çıkarım çalıştırma olarak bilinen bu süreç, modelin yeni verileri analiz etmek için kullanılması anlamına gelir. Burada modelimizi iki köpeğin görseliyle test ediyoruz.

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

Kodu çalıştırdıktan sonra modelin tahminlerini içeren çıktı görseli otomatik olarak runs/detect/predict klasörüne kaydedilir.

Şekil 3. Görüntüdeki nesneleri algılamak için dışa aktarılan Ultralytics YOLO11 modelini kullanma. Görselin sahibi: yazar.

PaddlePaddle çerçevesini kullanarak Ultralytics YOLO11'i dağıtma#

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

• Paddle Serving: Modelleri REST API'leri olarak dağıtmaya yardımcı olur; bu nedenle sürüm denetimi ve çevrimiçi test gibi özelliklere ihtiyaç duyan bulut veya sunucu ortamları için iyi bir seçenektir.
• Paddle Inference API: Modellerin nasıl çalıştırılacağı konusunda daha fazla denetim sağlar; bu da performansa ince ayar yapman veya özel uygulama mantığı oluşturman gerektiğinde işe yarar.
• Paddle Lite: Mobil cihazlarda, tabletlerde ve gömülü sistemlerde hafif dağıtım için tasarlanmıştır. Daha küçük modeller ve kaynakları sınırlı donanımlarda daha hızlı çıkarım için optimize edilmiştir.
• Paddle.js: WebGL ve WebAssembly gibi teknolojileri kullanarak yapay zekâ modellerini web tarayıcılarında çalıştırmanı sağlar; bu özellik etkileşimli demolar ve tarayıcı tabanlı araçlar için kullanışlıdır.

Şekil 4. PaddlePaddle'ın sunduğu dağıtım seçenekleri. Görselin sahibi: yazar.

Kurulumuna uygun aracı seçtikten sonra dışa aktarılan modeli yükleyebilirsin. Sonraki adımları PaddlePaddle motoru halleder. Modeli yükler, giriş görüntüsünü işler ve sonuçları döndürür.

PaddlePaddle entegrasyonunu ne zaman tercih etmelisin?#

Ultralytics Python paketi çeşitli diğer dışa aktarma biçimlerini de destekler. Bu yüzden kendine şu soruyu sorabilirsin: PaddlePaddle ne zaman doğru tercih olur?

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

Bunun yanı sıra, projenin çevrimdışı veya bağlantının zayıf olduğu ortamlarda çalışması gerekiyorsa PaddlePaddle entegrasyonunu kullanmayı düşünebilirsin. Üretimdeki görsel denetim araçları, saha araştırmalarında kullanılan el cihazları veya yapay zekâ destekli perakende tarayıcıları gibi uygulamalar PaddlePaddle'ın hafif çalışma zamanından ve esnek dağıtım seçeneklerinden yararlanabilir.

PaddlePaddle'ın göz önünde bulundurulması gereken sınırlamaları#

PaddlePaddle ilgi çekici dağıtım olanakları sunsa da bilmen gereken bazı kısıtlayıcı etkenler şunlardır:

• Küresel topluluğun daha küçük olması: Çin dışındaki kullanıcı ve katkıda bulunan topluluğu görece küçüktür. Bu durum topluluktan destek, çözüme kavuşmuş GitHub sorunları veya Stack Overflow yanıtları bulmayı zorlaştırabilir.
• Baidu dışındaki araçlar için daha dik bir öğrenme eğrisi: PaddlePaddle, Baidu ekosistemiyle sorunsuz biçimde bütünleşir; ancak bu ekosistemin dışında kullanmak ek yapılandırma ve kurulum adımları gerektirebilir.
• Yaygın ML araçlarıyla daha az entegrasyon: PaddlePaddle'ın Hugging Face Transformers, MLflow veya Kubernetes tabanlı yapay zekâ hizmetleri gibi yaygın araçlarla uyumluluğu sınırlıdır.

Önemli çıkarımlar#

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

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

Büyüyen topluluğumuza bugün katıl! GitHub depomuzu inceleyerek yapay zekâ hakkında daha fazla bilgi edin. Kendi bilgisayarlı görü projelerini geliştirmek mi istiyorsun? Lisans seçeneklerimizi incele. Çözümler sayfalarımızı ziyaret ederek sağlıkta bilgisayarlı görünün verimliliği nasıl artırdığını öğren ve perakendede yapay zekânın etkisini keşfet!