Ultralytics Platform bilgisayarlı görü modeli dağıtımını nasıl basitleştiriyor?

Ultralytics, bilgisayarlı görü topluluğuyla yıllardır çalışarak görü yapay zekâsını herkes için daha erişilebilir hâle getiren modeller ve araçlar oluşturuyor. Ultralytics Platform ile veri kümesi yönetimi ve anotasyondan model eğitimi, doğrulama ve dağıtımına kadar bilgisayarlı görü geliştirme iş akışının tamamını tek bir birleşik ortamda sunarak bunu bir adım ileri taşıyoruz.

Özellikle bilgisayarlı görü modeli dağıtımını kolaylaştırmaktan heyecan duyuyoruz. Bilgisayarlı görü gerçek dünya uygulamalarında giderek daha fazla kullanılmaya devam ederken, görüntüleri ve videoları kontrollü ortamların dışında analiz etmek hâlâ karmaşık.

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

Dağıtım, bir modeli yalnızca kullanıma sunmaktan daha fazlasını içerir. Gerçek dünya verilerini işleyebilecek süreçlerin kurulmasını ve kullanım ile projeler büyüdükçe her şeyin sorunsuz çalışmasını sağlamayı gerektirir.

Ekiplerin ayrıca performansı takip etmesi 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 ekleyebilir.

İş akışları sonunda parçalı hâle gelir. Ultralytics Platform bu süreci birleştirir ve kolaylaştırır.

Tek bir ortamda model sunumu, test ve izleme için yerleşik destek sağlar. Ekipler tarayıcı tabanlı çıkarım kullanarak modelleri doğrulayabilir, paylaşılan çıkarım hizmetleri üzerinden 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 test ve entegrasyondan üretim dağıtımı ve izlemeye kadar bilgisayarlı görü modeli dağıtımını nasıl yeniden tanımladığını inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görü modeli dağıtımına genel bakış#

Makine öğrenimi yaşam döngüsünde model dağıtımı, bir modelin deneme aşamasından gerçek dünya kullanımına geçtiği aşamadır. Derin öğrenme ve evrişimli sinir ağları kullanılarak oluşturulan bilgisayarlı görü modelleri için bu genellikle modelleri görüntüleri ve videoları gerçek zamanlı olarak işleyebilecek şekilde kullanıma sunmak anlamına gelir.

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

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

Bunu gerçek dünya uygulamalarında pratik hâle getirmek için modellerin genellikle hem ön işlemeyi hem de çıkarımı verimli şekilde işleyebilen sistemlere entegre edilmesi gerekir. Dağıtım altyapısının önem kazandığı yer burasıdır.

Üretim ortamlarında modellere genellikle REST API'leri veya model sunum sistemleri üzerinden erişilir. Bu arayüzler, uygulamaların verileri programatik olarak gönderip tahminleri almasını sağlar ve gerçek zamanlı görsel anlayışa dayanan harici uygulamalarla, IoT cihazlarıyla veya robotik sistemlerle entegrasyonu kolaylaştırır.

Geleneksel bilgisayarlı görü dağıtım araçlarının sınırlamaları#

Bilgisayarlı görü modeli dağıtımı kulağa basit gelebilir, ancak şimdiye kadar pratikte 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 döndürülür.

Gerçekte bu adımların her biri genellikle ayrı araçlar ve hizmetler tarafından yürütülür. Bir sistem veri alımını yönetebilir, başka bir sistem model sunumunu yönetirken ölçeklendirme, izleme ve günlük kaydı için ek araçlar kullanılabilir. Bu bileşenleri birbirine bağlı ve güvenilir şekilde çalışır durumda tutmak kısa sürede karmaşık hâle gelebilir.

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

Ultralytics Platform bu bileşenleri tek ve birleşik bir ortamda bir araya getirir. Böylece ölçekli performans ve güvenilirliği desteklerken tüm dağıtım iş akışını yönetmek için daha bütünlüklü bir yol sunar.

Ultralytics Platform'un etkinleştirdiği model dağıtım seçenekleri#

Ultralytics Platform, model dağıtım sürecini birleştirmenin yanı sıra modellerin dağıtılma ve kullanılma biçimine de esneklik kazandırır.

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

Şimdi bu seçeneklerin her birinin nasıl çalıştığına daha yakından bakalım.

Predict sekmesini kullanarak modelleri hızlıca doğrula#

Bir modeli üretime almadan önce yeni ve daha önce görülmemiş veriler üzerindeki performansını 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 girdiler yakalayabilirsin; veri sağlanır sağlanmaz çıkarım otomatik olarak çalışır.

Sonuçlar görsel katmanlar, güven skorları ve ayrıntılı çıktılarla anında görüntülenir; böylece modelin nasıl davrandığını net biçimde görebilirsin.

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

Böylece dağıtıma geçmeden önce birkaç tıklamayla farklı girdileri test edebilir, parametreleri ayarlayabilir ve tek bir arayüz içinde performansı değerlendirebilirsin.

Test veya hafif kullanım için paylaşılan çıkarımları çalıştırma#

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

Altyapı kurmak veya sunucuları yönetmek yerine Ultralytics Platform, basit REST API'leri üzerinden modeline veri gönderip tahminleri almanı sağlayan paylaşılan çıkarım hizmetleri sunar.

Arka planda paylaşılan çıkarım, birkaç temel bölgeye yayılan çok kiracılı bir sistemde çalışır ve istekler otomatik olarak en yakın kullanılabilir hizmete yönlendirilir. Bu, duyarlı performansın korunmasına yardımcı olurken farklı konumlardaki kullanıcıların modellere tutarlı şekilde erişebilmesini sağlar.

Standart HTTP isteklerini kullanarak girdiler gönderebilir ve karşılığında yapılandırılmış çıktılar alabilirsin; bu da modelleri uygulamalara, betiklere veya otomasyon iş akışlarına bağlamayı kolaylaştırır. Bu kurulum, daha ölçeklenebilir üretim dağıtımlarına geçmeden önce geliştirme, test, entegrasyonlar veya daha hafif kullanım için harika bir seçenektir.

Özel uç noktalar üzerinden modelleri küresel olarak dağıt#

Bir model üretime hazır olduğunda gerçek dünya trafiğini güvenilir ve ölçekli biçimde işleyebilmesi gerekir. Ultralytics Platform bunu, modellerin 43 küresel bölgede tek kiracılı hizmetler olarak çalıştığı özel uç noktalar ile destekler. Son kullanıcılara daha yakın dağıtım yapmak gecikmeyi azaltmaya ve farklı konumlarda tutarlı performansı korumaya yardımcı olur.

Her uç nokta kendi tahsis edilmiş işlem kaynakları ve çıkarım istekleri için benzersiz bir URL ile çalışır. Bu düzeydeki kontrol, dağıtımları hafif kullanım senaryolarından daha fazla işlem kaynağı gerektiren, yüksek hacimli ve daha talepkâr uygulamalara kadar performans ihtiyaçlarına göre ayarlamayı kolaylaştırır.

Şekil 3. Ultralytics Platform'u kullanarak modelleri 43 küresel bölgeye dağıtabilirsin (Kaynak)

Bununla birlikte özel uç noktalar, değişen iş yüklerini otomatik ölçeklendirme ile kendileri yönetecek şekilde tasarlanmıştır; kaynaklar gelen trafiğe göre ayarlanır. Talebin yüksek olduğu dönemlerde ölçek büyütülür, kullanım azaldığında ise küçültülür. Sıfıra ölçekleme varsayılan olarak etkin olduğundan boşta olan uç noktalar otomatik olarak kapanır ve yeni istekler geldiğinde yeniden başlatılır; bu da manuel müdahale olmadan kaynak kullanımını optimize etmeye yardımcı olur.

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 işlenebilmesi sayesinde veri gizliliği gereksinimlerinin karşılanmasına da yardımcı olabilir.

Bu senaryolarda modellerin Ultralytics Platform dışında çalışması gerekir; bu nedenle model dışa aktarma, dağıtım sürecinin kritik bir parçasıdır. Ultralytics YOLO modelleri genellikle Python ve PyTorch kullanılarak eğitilir ve ardından ONNX, TensorRT, CoreML ve OpenVINO dâhil 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. Ayrıca dışa aktarma, belirli ortamlar için performans ayarlamasını mümkün kılar.

Biçime bağlı olarak modeller daha yüksek çıkarım hızlarına ulaşabilir; örneğin TensorRT ile GPU performansı iyileştirilebilir veya ONNX ve OpenVINO ile CPU yürütmesi optimize edilebilir. FP16 ve INT8 niceleme gibi seçenekler model boyutunu daha da küçültebilir ve aktarım hızını artırabilir; bu özellikle uç dağıtımları için kullanışlıdır.

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

Şekil 4. Ultralytics Platform'daki dışa aktarma biçimleri seçimi.

Doğru model dağıtım seçeneğini belirleme#

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

• Predict sekmesi: Bu seçenek genellikle eğitim veya ince ayardan hemen sonra, tarayıcı tabanlı çıkarım kullanarak bir modelin yeni verilerdeki performansını doğrulamak istediğinde kullanılır.
• Paylaşılan çıkarım: Bu aşamada modeller API'ler üzerinden uygulamalara entegre edilebilir ve geliştirme sırasında gerçek dünya etkileşimlerini test etmek mümkün olur.
• Özel uç noktalar: Bunlar, modellerin tutarlı performansa, tahsis edilmiş kaynaklara ve küresel bölgelerde ölçeklenebilme özelliğine ihtiyaç duyduğu üretim dağıtımları için kullanılır.
• Model dışa aktarma: Modellerin platform dışında çalışması gerektiğinde dışa aktarma seçeneği, uç cihazlara, mobil uygulamalara veya özel altyapıya dağıtımı mümkün kılar.

Ekipler genellikle bu seçenekler arasında adım adım ilerleyerek doğrulamadan entegrasyona ve son olarak üretim dağıtımına geçer; tüm bunları platform içinde yapar.

Dağıtılan modelleri Ultralytics Platform üzerinden izleme#

Dağıtım ne kadar kritik olursa olsun görü işlem hattı burada sona ermez. Bir model üretimde çalışmaya başladıktan sonra zaman içinde güvenilir performans göstermesini sağlamak için sürekli izleme kritik önem taşır.

Ultralytics Platform, ekiplerin görü yapay zekâ modellerinin zaman içindeki davranışını net biçimde görmesini sağlayan yerleşik izleme araçları sunar ve daha yapılandırılmış bir makine öğrenimi operasyonları (MLOps) iş akışını destekler.

Deploy sayfasında toplam istekler, etkin dağıtımlar, yanıt gecikmesi ve hata oranları gibi temel ölçümleri takip eden bir gösterge paneli bulunur. Bu içgörüler ekiplerin kullanım örüntülerini anlamasına, sistemin yanıt verebilirliğini değerlendirmesine ve farklı iş yüklerinde düşük gecikmeli performansı güvence altına almasına yardımcı olur.

Şekil 5. Ultralytics Platform dağıtılan modellerin izlenmesini kolaylaştırır. (Kaynak)

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

Üretim ortamları geliştikçe değişen girdi verileri, ölçeklendirme gereksinimleri veya değişen kullanım örüntüleri 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 önlemler alabilir.

Bilgisayarlı görü modeli dağıtımlarına ölçeklenebilirlik kazandırma#

Bilgisayarlı görü sistemlerini ölçeklendirmek geleneksel olarak, birlikte çalışmak üzere tasarlanmamış iş akışlarını ve çerçeveleri bir araya getirmek anlamına geliyordu. Veri işlem hatları, eğitim döngüleri, dağıtım altyapısı ve izleme sistemleri genellikle ayrı yerlerde bulunur ve her aşamada sürtüşme yaratır.

Asıl zorluk yalnızca modeller oluşturmak değil, onları ilerletmeye devam etmektir. Veriden üretime geçmek, yeni girdilere uyum sağlamak, artan talebi karşılamak ve yavaşlamadan sürekli iyileştirmek.

Ultralytics Platform'un öne çıkan yanı, bu ilerleme sürecinin yerleşik olmasıdır. Her aşamayı ayrı bir adım olarak ele almak yerine bunları, modellerin aynı ortam içinde geliştirilebildiği, dağıtılabildiği, gözlemlenebildiği ve güncellenebildiği sürekli bir döngüde birbirine bağlar.

Bu değişim ekiplerin ölçeklendirme biçimini de değiştirir. Artık mesele araçların veya altyapının orkestrasyonu 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 sunumu, dağıtım ve izleme gibi çeşitli işlevleri tek bir birleşik ortamda bir araya getirerek bu süreci kolaylaştırır. Esnek dağıtım seçenekleri ve yerleşik araçlar sayesinde ekipler denemeden üretime daha hızlı ve daha az karmaşıklıkla geçebilir.

Daha fazla bilgi edinmek için [topluluğumuza](https://ultralytics-translation-0.invalid göz at ve GitHub depomuzu keşfet. Sağlık hizmetlerinde yapay zekâ ve lojistikte bilgisayarlı görü gibi çeşitli uygulamaları görmek için çözüm sayfalarımızı incele. Lisanslama seçeneklerimizi keşfet ve bugün geliştirmeye başla!