Ultralytics Platform bilgisayarlı görü modeli dağıtımını nasıl kolaylaştırıyor?

Ultralytics, görü yapay zekâsını herkes için daha erişilebilir kılan modeller ve araçlar geliştirerek bilgisayarlı görü topluluğuyla yıllardır birlikte çalışıyor. Ultralytics Platform ile veri kümesi yönetimi ve etiketlemeden model eğitimi, doğrulama ve dağıtımına kadar tüm bilgisayarlı görü geliştirme iş akışını tek bir birleşik ortamda bir araya getirerek bunu bir adım ileri taşıyoruz.

Özellikle, bilgisayarlı görü modeli dağıtımını kolaylaştırmayı heyecanla bekliyoruz. Bilgisayarlı görü gerçek dünya uygulamalarında giderek yaygınlaşsa da görüntüleri ve videoları kontrollü ortamların dışında analiz etmek hâlâ karmaşık.

Koşulların öngörülebilir olduğu test düzeneklerinin aksine gerçek dünya senaryolarında değişken ışıklandırma, değişen girdiler ve öngörülemeyen iş yükleri bulunur; bu da dağıtımı görü iş akışının en zorlu aşamalarından biri hâline getirir.

Dağıtım, bir modeli kullanıma sunmaktan daha fazlasını kapsar. Gerçek dünya verileriyle başa çıkabilecek süreçler kurmayı ve kullanım arttıkça, projeler ölçeklendikçe her şeyin sorunsuz çalışmasını sağlamayı gerektirir.

Ekiplerin ayrıca performansı izlemesi ve zaman içinde güvenilirliği koruması gerekir. Bu genellikle test, entegrasyon, dağıtım ve izleme için farklı yapay zekâ araçları arasında geçiş yapmak anlamına gelir; bu da model geliştirmeyi yavaşlatabilir ve gereksiz karmaşıklık yaratabilir.

İş akışları zamanla parçalı hâle gelir. Ultralytics Platform bu süreci birleştirir ve basitleştirir.

Tek bir ortamda model sunma, test etme ve izleme için yerleşik destek sağlar. Ekipler, tarayıcı tabanlı çıkarım kullanarak modelleri doğrulayabilir, paylaşılan çıkarım hizmetleri aracılığıyla uygulamalara entegre edebilir ve performans izleme özelliklerine sahip özel uç noktalara dağıtabilir.

Şekil 1. Ultralytics Platform içindeki dağıtım sayfasına bir bakış (Kaynak)

Bu makalede Ultralytics Platform’un bilgisayarlı görü model dağıtımını, test ve entegrasyondan üretim ortamında dağıtım ve izlemeye kadar nasıl kolaylaştırdığını inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görü model dağıtımına genel bakış#

Makine öğrenimi yaşam döngüsünde model dağıtımı, bir modelin deney aşamasından gerçek dünyada kullanıma geçtiği aşamadır. Derin öğrenme ve evrişimli sinir ağları kullanılarak oluşturulan bilgisayarlı görü modelleri için bu genellikle modelleri görüntüleri ve videoları gerçek zamanlı olarak işlemek üzere kullanılabilir hâle getirmek anlamına gelir.

Dağıtıldıktan sonra bu modeller yeni veriler alır; bu veriler genellikle yeniden boyutlandırma, normalleştirme veya biçimlendirme gibi ön işleme adımlarından geçer. İşlenen veriler daha sonra modele aktarılır ve model, yüksek hassasiyetli tahminler oluşturmak için eğitim sırasında öğrendiği örüntüleri uygular.

Kullanım senaryosuna bağlı olarak bu süreç farklı bilgisayarlı görü görevlerini içerebilir. Örneğin, Ultralytics YOLO26 gibi Ultralytics YOLO modelleri; nesne tespiti, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti dahil olmak üzere çok çeşitli görsel görevleri destekler.

Gerçek dünya uygulamalarında bunu mümkün kılmak için modellerin çoğu zaman hem ön işlemeyi hem de çıkarımı verimli biçimde yürütebilen sistemlere entegre edilmesi gerekir. Dağıtım altyapısı bu noktada kritik hâle gelir.

Üretim ortamlarında modellere genellikle REST API'ler veya model sunma sistemleri üzerinden erişilir. Bu arayüzler, uygulamaların programlı olarak veri gönderip tahmin almasını sağlar ve modellerin gerçek zamanlı görsel anlayışa dayanan harici uygulamalarla, IoT cihazlarıyla veya robotik sistemlerle entegrasyonunu kolaylaştırır.

Geleneksel bilgisayarlı görü dağıtım araçlarının sınırlamaları#

Bilgisayarlı görü modeli dağıtımı kulağa basit gelebilir, ancak şimdiye kadar uygulamada oldukça farklı görünüyordu. Yaygın bir kurulumu düşün: Veriler önce kameralardan veya sensörlerden alınır, çıkarım için bir modele gönderilir ve ardından tahminler olarak bir uygulamaya geri iletilir.

Gerçekte bu adımların her biri çoğu zaman ayrı araçlar ve hizmetler tarafından yürütülür. Bir sistem veri alımını yönetirken bir başkası model sunumunu yönetebilir; ölçeklendirme, izleme ve günlük kaydı içinse ek araçlar kullanılır. Bu bileşenleri birbirine bağlı ve güvenilir biçimde çalışır durumda tutmak hızla karmaşıklaşabilir.

Kullanım arttıkça bu karmaşıklık da artar. Altyapıyı yönetmek, bağımlılıkları ele almak ve uçtan uca işlem hattında tutarlı performansı korumak geliştirmeyi yavaşlatabilir ve bilgisayarlı görü modellerini gerçek dünya uygulamalarına dağıtmayı zorlaştırabilir.

Ultralytics Platform bu bileşenleri tek ve bütünleşik bir ortamda bir araya getirir. Böylece ölçek boyunca performans ve güvenilirliği desteklerken tüm dağıtım iş akışını yönetmek için daha tutarlı bir yol sunar.

Ultralytics Platform'un sunduğu model dağıtım seçenekleri#

Ultralytics Platform, model dağıtım sürecini birleştirmenin yanı sıra modellerin nasıl dağıtıldığı ve kullanıldığı konusunda da esneklik sağlar.

Bilgisayarlı görü modeli dağıtımının farklı aşamalarını desteklemek için platform dört seçenek sunar: anında çıkarım sağlayan tarayıcı tabanlı test, geliştirme için API'ler üzerinden paylaşımlı çıkarım, küresel bölgelerde ölçeklenebilir üretim dağıtımları için özel uç noktalar ve modelleri harici altyapıda veya uç cihazlarda çalıştırmaya yönelik model dışa aktarma.

Öyleyse bu seçeneklerin her birinin nasıl çalıştığına daha yakından bakalım.

Predict sekmesini kullanarak modelleri hızla doğrula#

Bir modeli üretime almadan önce, yeni ve daha önce görülmemiş verilerde nasıl performans gösterdiğini anlamak önemlidir. Ultralytics Platform, herhangi bir kurulum, altyapı veya bağımlılık olmadan doğrudan tarayıcıda çıkarım çalıştırmanı sağlayan yerleşik bir Predict sekmesi içerir.

Predict sekmesi, model doğrulamayı hızlı ve etkileşimli hâle getirir. Görüntü yükleyebilir, önceden yüklenmiş örnekleri kullanabilir veya web kamerasıyla girdi yakalayabilirsin; veri sağlanır sağlanmaz çıkarım otomatik olarak çalışır.

Sonuçlar görsel katmanlar, güven puanları ve ayrıntılı çıktılarla anında görüntülenir; böylece modelin davranışını net biçimde görebilirsin.

Şekil 2. Predict sekmesini kullanarak model doğrulama örneği (Kaynak)

Böylece dağıtıma geçmeden önce birkaç tıklamayla farklı girdileri deneyebilir, parametreleri ayarlayabilir ve performansı tek bir arayüzde değerlendirebilirsin.

Test veya hafif kullanım için paylaşımlı çıkarım çalıştırma#

Bir model eğittiğini ve Predict sekmesini kullanarak doğruladığını varsayalım. Sonraki adım genellikle bu modeli bir uygulamaya veya iş akışına entegre etmeye başlamaktır.

Altyapı kurmak veya sunucuları yönetmek yerine Ultralytics Platform, verileri modeline gönderip basit REST API'ler aracılığıyla tahminler almanı sağlayan paylaşımlı çıkarım hizmetleri sunar.

Arka planda paylaşımlı çıkarım, birkaç temel bölgede çok kiracılı bir sistem üzerinde çalışır ve istekler otomatik olarak kullanılabilir en yakın hizmete yönlendirilir. Bu, farklı konumlardaki kullanıcıların modellere tutarlı biçimde erişmesini sağlarken performansın duyarlı kalmasına yardımcı olur.

Standart HTTP istekleriyle girdi gönderebilir ve karşılığında yapılandırılmış çıktılar alabilirsin; böylece modelleri uygulamalara, betiklere veya otomasyon iş akışlarına kolayca bağlayabilirsin. Bu kurulum, daha ölçeklenebilir üretim dağıtımlarına geçmeden önce geliştirme, test, entegrasyon veya daha hafif kullanımlar için harika bir seçenektir.

Modelleri özel uç noktalar aracılığıyla küresel ölçekte dağıt#

Bir model üretime hazır olduğunda gerçek dünya trafiğini güvenilir biçimde ve büyük ölçekte yönetebilmelidir. Ultralytics Platform bunu, modellerin dünya genelindeki 42 bölgede tek kiracılı hizmetler olarak çalıştığı özel uç noktalarla destekler. Son kullanıcılara daha yakın dağıtım, gecikmeyi azaltmaya ve farklı konumlarda tutarlı performansı korumaya yardımcı olur.

Her uç nokta, kendisine ayrılmış işlem kaynaklarıyla ve çıkarım istekleri için benzersiz bir URL ile çalışır. Bu kontrol düzeyi, dağıtımları hafif kullanım senaryolarından daha fazla işlem kaynağı gerektiren yoğun ve yüksek verimli uygulamalara kadar performans ihtiyaçlarına göre ayarlamayı kolaylaştırır.

Şekil 3. Ultralytics Platform'u kullanarak modelleri dünya genelindeki 42 bölgeye dağıtabilirsin (Kaynak)

Varsayılan kaynaklarla boştaki özel uç noktalar sıfıra ölçeklenir ve yeni istekler geldiğinde yeniden başlar; bu da elle müdahale gerektirmeden kaynak kullanımını optimize etmeye yardımcı olur. Özel boyutlandırılmış uç noktalar ise bir örneği çalışır durumda tutar.

Ultralytics Platform ile modelini kolayca dışa aktar#

Günümüzde daha fazla uygulama modelleri akıllı telefonlar, kameralar ve gömülü sistemler gibi cihazlarda doğrudan çalıştırmaya dayandıkça uç yapay zekâ giderek daha önemli hâle geliyor. Modelleri yerel olarak çalıştırmak, görüntüler veya video akışları gibi hassas verilerin harici sunuculara gönderilmeden doğrudan cihaz üzerinde işlenmesini sağlayarak veri gizliliği gereksinimlerini karşılamaya da yardımcı olabilir.

Bu senaryolarda modellerin Ultralytics Platform dışında çalışması gerekir; bu nedenle model dışa aktarımı dağıtım sürecinin kritik bir parçasıdır. Ultralytics YOLO modelleri genellikle Python ve PyTorch kullanılarak eğitilir ve ardından ONNX, TensorRT, CoreML ve OpenVINO dahil 17’den fazla farklı biçime dışa aktarılabilir.

Bu geniş biçim yelpazesi, yüksek performanslı grafik işlem birimlerinden (GPUs) mobil ve gömülü cihazlara kadar çeşitli donanımlarla uyumluluk sağlar. Dışa aktarma, buna ek olarak belirli ortamlar için performans ayarlaması yapılmasına olanak tanır.

Biçime bağlı olarak modeller, TensorRT ile daha iyi GPU performansı veya ONNX ve OpenVINO ile optimize edilmiş CPU çalıştırması gibi daha hızlı çıkarım hızlarına ulaşabilir. FP16 ve INT8 niceleme gibi seçenekler model boyutunu daha da küçültebilir ve verimi artırabilir; bu da özellikle uç dağıtımlarda kullanışlıdır.

Ultralytics Platform’da dışa aktarma doğrudan iş akışına entegre edilmiştir; böylece optimize edilmiş modelleri yalnızca birkaç tıklamayla hızlıca oluşturabilirsin. Ekipler ek yük oluşturmadan eğitimden harici sistemlerde model çalıştırmaya geçebilir.

Şekil 4. Ultralytics Platform'daki dışa aktarma biçimlerinden bazıları.

Doğru model dağıtım seçeneğini belirleme#

Ultralytics Platform'daki her dağıtım seçeneği, erken testlerden üretim kullanımına kadar iş akışının farklı bir aşamasını destekler. Her bir seçeneği ne zaman kullanabileceğine dair genel bir bakış:

• Predict sekmesi: Genellikle eğitim veya ince ayar sonrasında, tarayıcı tabanlı çıkarım kullanarak modelin yeni verilerdeki performansını doğrulamak istediğinde kullanılır.
• Paylaşımlı çıkarım: Bu aşamada modeller, API'ler aracılığıyla uygulamalara entegre edilebilir ve geliştirme sırasında gerçek dünya etkileşimlerini test etmek mümkün olur.
• Özel uç noktalar: Modellerin tutarlı performans, ayrılmış kaynaklar ve küresel bölgelerde ölçeklenme olanağı gerektirdiği üretim dağıtımlarında kullanılır.
• Model dışa aktarma: Modellerin platform dışında çalışması gerektiğinde, dışa aktarma seçeneği uç cihazlara, mobil uygulamalara veya özel altyapıya dağıtım yapılmasını sağlar.

Ekipler genellikle bu seçeneklerde adım adım ilerleyerek doğrulamadan entegrasyona ve son olarak üretim dağıtımına geçer; bunların tümünü platform içinde gerçekleştirir.

Ultralytics Platform aracılığıyla dağıtılmış modelleri izleme#

Dağıtım ne kadar kritik olsa da bilgisayarlı görü hattı orada bitmez. Bir model üretimde çalışmaya başladıktan sonra, zaman içinde güvenilir performans gösterdiğinden emin olmak için sürekli izleme şarttır.

Ultralytics Platform, görü yapay zekâ modellerinin zaman içinde nasıl davrandığını ekiplere net biçimde gösteren ve daha yapılandırılmış bir makine öğrenimi operasyonları (MLOps) iş akışını destekleyen yerleşik izleme araçları sunar.

Deploy sayfasında toplam istek sayısı, etkin dağıtımlar, yanıt gecikmesi ve hata oranları gibi temel ölçümleri izleyen bir kontrol paneli bulunur. Bu bilgiler, ekiplerin kullanım örüntülerini anlamasına, sistemin yanıt verme hızını değerlendirmesine ve farklı iş yüklerinde düşük gecikmeli performans sağlamasına yardımcı olur.

Şekil 5. Ultralytics Platform, dağıtılmış modellerin izlenmesini kolaylaştırır. (Kaynak)

Her özel uç nokta, ayrı dağıtım görünümleri aracılığıyla ayrıntılı gözlemlenebilirlik de sağlar. Buna günlük kayıtlarına, model sağlık durumuna ve gerçek zamanlı performans verilerine erişim dâhildir. Günlük kayıtları sorunları ayıklamak, başarısız istekleri izlemek ve bağımlılıklar veya altyapıyla ilgili olası sorunları belirlemek için kullanılabilir.

Üretim ortamları değiştikçe, değişen girdi verileri, ölçeklendirme gereksinimleri veya kullanım örüntülerindeki kaymalar gibi etkenler model doğruluğunu ve sağlamlığını etkileyebilir. Ekipler performans ölçümlerini sürekli izleyerek anormallikleri ve darboğazları tespit edebilir; tutarlı ve güvenilir model sunumunu korumak için model optimizasyonu veya kaynak ayarlamaları gibi düzeltici adımlar atabilir.

Bilgisayarlı görü modeli dağıtımlarında ölçeklenebilirlik oluşturma#

Bilgisayarlı görü sistemlerini ölçeklendirmek, geleneksel olarak tek bir sistem olarak çalışacak biçimde tasarlanmamış iş akışlarını ve çerçeveleri bir araya getirmek anlamına geliyordu. Veri işlem hatları, eğitim döngüleri, dağıtım altyapısı ve izleme sistemleri çoğu zaman ayrı yerlerde bulunarak her aşamada sürtüşme yaratır.

Asıl zorluk yalnızca modeller oluşturmak değil, onları ilerletmektir: veriden üretime taşımak, yeni girdilere uyarlamak, artan talebi karşılamak ve süreci yavaşlatmadan sürekli iyileştirmek.

Ultralytics Platform'un öne çıkan özelliği, bu ilerleyişin yerleşik olmasıdır. Her aşamayı ayrı bir adım olarak ele almak yerine aşamaları modellerin aynı ortamda geliştirilebildiği, dağıtılabildiği, gözlemlenebildiği ve güncellenebildiği sürekli bir döngüde birleştirir.

Bu değişim, ekiplerin ölçeklendirme yaklaşımını dönüştürür. Artık konu araçları veya altyapıyı orkestre etmek değil, sistemler büyürken ivmeyi korumaktır.

Önemli çıkarımlar#

Bilgisayarlı görü modelleri gibi makine öğrenimi modellerini gerçek dünya uygulamalarına taşımak, bu modellerin güvenilir, ölçeklenebilir ve kolay yönetilebilir olmasını gerektirir. Ultralytics Platform; model sunma, dağıtım ve izleme gibi çeşitli işlevleri tek ve bütünleşik bir ortamda birleştirerek bu süreci basitleştirir. Esnek dağıtım seçenekleri ve yerleşik araçlarla ekipler, deney aşamasından üretime daha hızlı ve daha az karmaşıklıkla geçebilir.

Daha fazla bilgi edinmek için topluluğumuza göz at ve GitHub depomuzu keşfet. Sağlık hizmetlerinde yapay zekâ ve lojistikte bilgisayarlı görü gibi çeşitli uygulamaları görmek için çözümler sayfalarımızı keşfet. Lisanslama seçeneklerimizi keşfet ve bugün geliştirmeye başla!