Bilgisayarlı görü projen için doğru uç cihazı seçme

Uç yapay zeka (Edge AI), yapay zeka ve bilgisayarlı görü alanındaki en büyük trendlerden biri haline geliyor. Verilerin işlenmek üzere başka bir yere gönderildiği bulut bilişime güvenmek yerine, gerçek zamanlı zekayı doğrudan cihazlara getiriyor. Hatta, küresel uç yapay zeka pazarının 2034 yılına kadar yaklaşık 143,06 milyar dolara ulaşması bekleniyor.

Son teknolojik gelişmeler sayesinde uç yapay zeka, birçok sektörde gerçek zamanlı, görü tabanlı otomasyonu yeniden tanımlıyor. Üretimde kalite kontrol buna harika bir örnektir.

Burada, görüntüleme yapay zeka kameraları bir taşıma bandındaki ürünleri sürekli olarak analiz eder. Hataları ve anormallikleri hızla tespit etmek için kullanılabilirler. Bu, cerrahi aletlerin üretimi gibi yüksek hassasiyet gerektiren sektörlerde özellikle önemlidir.

Şekil 1. Cerrahi aletleri tespit etmek için yapay görü kullanımına bir örnek

Peki, uç cihazlar tam olarak nedir? Bunlar, Ultralytics YOLO26 gibi yapay zeka ve bilgisayarlı görü modellerini, verinin üretildiği yerde veya yakınında çalıştırabilen donanım sistemleridir.

Bu bir fabrika alanı, akıllı bir kamera içi veya otonom araçlar olabilir. Bu cihazlar, çıkarımı yerel olarak gerçekleştirerek daha hızlı tepki süreleri sağlar. Ayrıca, görsel verilerin buluta aktarılmasına gerek kalmadığı için bant genişliği kullanımını da azaltırlar.

Ancak, bilgisayarlı görü projen için doğru uç cihazı seçmek zor olabilir. Bir ortamda iyi çalışan donanım, diğeri için uygun olmayabilir.

Örneğin, fabrika zemininde güvenilir bir şekilde çalışan bir cihaz, ağırlık ve güç kısıtlamalarının çok farklı olduğu drone denetimleri için uygun olmayabilir. Yanlış cihazı seçmek maliyetleri artırabilir, kurulumları yavaşlatabilir ve ölçeklendirmeyi zorlaştırabilir.

İşte bu yüzden ekipler sadece işlem gücüne değil, cihaz boyutu, güç zarfı, termal limitler ve endüstriyel bulunabilirlik gibi faktörleri değerlendirmelidir. Bu makalede, uç yapay zekayı ve bilgisayarlı görü uygulaman için doğru uç cihazı nasıl seçeceğini inceleyeceğiz. Hadi başlayalım!

Link to this sectionUç cihaz kullanmanın temel faydaları#

Özel yapay görü projen için doğru uç cihazı nasıl seçeceğine odaklanmadan önce, bir adım geri çekilip yapay görü projelerinde uç cihaz kullanmanın avantajlarından bazılarını konuşalım.

İşte yapay görüyü uçta kullanmanın temel faydalarından bazıları:

• Gerçek zamanlı performans: Veriler, kameranın konuşlandırıldığı yerde veya yakınında işlenir; bu da hata tespiti, güvenlik izleme ve robotik gibi kullanım durumları için anlık yanıtlar sağlar. Bu yerel işleme, gerçek zamanlı karar vermeyi destekler ve sistemlerin bulut bağlantısına bağımlı kalmadan değişen koşullara hemen tepki vermesine olanak tanır.
• Daha düşük bant genişliği maliyeti: Uç cihazlar, ham videoyu buluta aktarmak yerine yalnızca meta verileri, uyarıları veya ilgili içgörüleri iletir. Bu, ağ yükünü ve bulut depolama giderlerini önemli ölçüde azaltır.
• Çevrimdışı çalışabilme: Çoğu uç sistem, fabrikalarda, depolarda ve uzak ortamlarda yaygın olan kararsız veya sınırlı internet bağlantısında bile çalışmaya devam edebilir.
• Daha iyi gizlilik: Video verileri yerinde kalır, bu da gizlilik ve uyumluluk gereksinimlerini karşılamayı kolaylaştırırken hassas bilgilerin açığa çıkma riskini azaltır.
• Birçok konumda kolayca ölçeklenir: Uç mimarileri, merkezi bulut altyapısına olan bağımlılığı azaltır. Bu, ekiplerin aynı kurulumu birden fazla konumda tutarlı performansla çoğaltmasına olanak tanır.

Link to this sectionUygulamanın gereksinimlerini anlama#

Doğru uç cihazı seçmenin ilk adımı, uygulamanın aslında neye ihtiyaç duyduğunu anlamaktır. Seçtiğin donanım, sistemden yapması beklenen işe, ne kadar hızlı çalışması gerektiğine ve nereye konuşlandırılacağına uygun olmalıdır.

Performans gereksinimlerini tanımlayarak başlayabilirsin. Bazı çözümler yüksek FPS'de (saniyedeki kare sayısı) gerçek zamanlı yapay zeka çıkarımı gerektirirken, diğerleri kareleri gruplar veya partiler halinde işleyebilir.

Model karmaşıklığı ve boyutu da önemli bir rol oynar. Hafif nesne algılama modelleri genellikle daha küçük, düşük güçlü cihazlarda çalışabilirken, daha karmaşık, ağır modeller veya çok aşamalı boru hatları daha fazla işlem gücü ve bellek gerektirir.

Ardından, veri kurulumunu düşün. Bu, kamera çözünürlüğünü, kare hızını, paralel akışların sayısını ve RGB, termal veya derinlik gibi sensör türlerini içerir. Bu faktörler doğrudan bant genişliğini, verimi, bellek kullanımını ve genel sistem yükünü etkiler.

Link to this sectionDoğruluk ve gecikme arasındaki ödünleşim#

Donanım ve veri gereksinimlerinin ötesinde, model seçimi genel sistem performansında kritik bir rol oynar. Çoğu uç dağıtım, gecikme ve doğruluk arasında bir ödünleşim içerir. Daha yüksek doğruluklu modeller genellikle daha fazla hesaplama gerektirir ve çıkarım süresini artırabilir.

Öte yandan daha hızlı modeller, bir miktar hassasiyetten ödün verebilir. Amaç, özel kullanım durumuna ve operasyonel kısıtlamalarına göre hız ve doğruluk arasında doğru dengeyi bulmaktır.

Örneğin, otomatik gıda üretimi hatlarında, bilgisayarlı görü sistemleri ürünleri paketlenip sevk edilmeden önce incelemek için kullanılır. Bu sistemler, taşıma bandını yavaşlatmamak için gerçek zamanlı çalışmalıdır.

Sistemin her pizzanın doğru malzemelere sahip olduğunu doğrulaması gereken bir pizza montaj hattını düşün. Ultralytics YOLO26 gibi bir model, pizzayı ve üzerindeki malzemeleri gerçek zamanlı olarak algılayıp eksik veya yanlış malzemeleri tanımlayabilir. Bu senaryoda model, hataları yakalayacak kadar doğru, ancak uç donanımında üretim hızlarına ayak uyduracak kadar hızlı olmalıdır.

Şekil 2. Bir pizzayı ve malzemelerini tespit edip bölütlemek için Ultralytics YOLO26 kullanımı.

Link to this sectionUç cihazın boyutunu göz önünde bulundur#

İşlem performansının yanı sıra, uç cihazın fiziksel boyutu da dağıtım planlamasında bir diğer önemli faktördür. Cihazın form faktörü (fiziksel boyutu, şekli, montaj stili ve genişletme arayüzleri), ortama ne kadar kolay entegre olduğunu ve gerçek dünya koşullarında nasıl performans gösterdiğini doğrudan etkiler.

Link to this sectionUç yapay zeka cihazları ve form faktörleri#

Uç yapay zeka donanımları, tam rafa monte edilebilir sunuculardan ve Peripheral Component Interconnect Express (PCIe) hızlandırıcı kartlarından kompakt M.2 modüllerine, System-on-Module (SoM) platformlarına, tek kartlı bilgisayarlara (SBC'ler), akıllı kameralara ve hatta çip üstü yapay zeka işlemeli akıllı görü sensörlerine kadar birçok form faktöründe gelir. Her format; performans, güç verimliliği, termal tasarım ve entegrasyon karmaşıklığı açısından farklı ödünleşimler sunar.

Cihaz boyutu; soğutma gereksinimleri, güç kullanılabilirliği ve genel sistem mimarisi ile yakından bağlantılıdır. Rafa monte edilebilir endüstriyel PC'ler veya kule tipi iş istasyonları gibi daha büyük sistemler, genellikle tam boy PCIe GPU'ları, çoklu genişletme kartlarını ve aktif soğutmayı destekler. Bu platformlar çoklu kamera işleme, merkezi uç merkezleri veya yüksek verimli video analitiği için çok uygundur.

Buna karşılık, M.2 hızlandırıcılar, özel taşıyıcı kartlara monte edilmiş SoM'ler, SBC'ler veya hepsi bir arada akıllı kameralar gibi kompakt form faktörleri, alan kısıtlı ortamlar için tasarlanmıştır. Bu daha küçük cihazlar genellikle güç verimliliğine ve pasif soğutmaya öncelik verir; bu da onları gömülü sistemler, mobil robotlar, drone'lar, kiosklar ve dağıtılmış denetim üniteleri için ideal hale getirir.

Küçültmenin uç noktasında, bazı dağıtımlar çıkarımın doğrudan görüntü sensörü veya düşük güçlü işlemci üzerinde çalıştığı akıllı görü sensörlerine veya mikrodenetleyici tabanlı (TinyML) platformlara dayanır. Bu sistemler fiziksel ayak izini ve enerji tüketimini önemli ölçüde azaltır, ancak genellikle daha dar, yüksek düzeyde optimize edilmiş iş yükleri için uygundur.

Boyut, modülerlik ve entegrasyon modelindeki bu farklılıklar genellikle iki yaygın uç dağıtım kategorisine yol açar: ölçeklenebilir dağıtımlar ve alan kısıtlı dağıtımlar. Her yaklaşım farklı performans, güç ve çevresel kısıtlamaları ele alırken uzun vadeli bakımı ve sistem tasarımını şekillendirir.

Link to this sectionÖlçeklenebilir dağıtımlar#

PCIe hızlandırıcılar ve rafa monte edilebilir veya endüstriyel kişisel bilgisayarlar (PC'ler), bir proje yüksek işlem gücü gerektirdiğinde veya aynı anda birden fazla kameradan veri işlemesi gerektiğinde yaygın olarak kullanılır. PCIe hızlandırıcı, bir PCIe yuvası aracılığıyla daha büyük bir bilgisayarın içine takılan bir donanım kartıdır.

Sistemin yapay zeka iş yüklerini işleme yeteneğini artırmak için grafik işleme birimi (GPU) veya diğer yapay zeka hızlandırıcıları gibi özel işlem kaynakları ekler. Bu, bir grafik kartının masaüstü bilgisayardaki performansı artırmasına benzer.

Rafa monte edilebilir veya endüstriyel PC'ler, fabrikalar, üretim sahaları veya kontrol odaları gibi ortamlarda sürekli çalışma için tasarlanmış daha büyük, sağlamlaştırılmış sistemlerdir. Soğutma, donanım genişletme ve daha yüksek güçlü bileşenler için daha fazla alan sağlarlar; bu da onları çoklu kamera kalite kontrolü veya büyük ölçekli video analitiği gibi zorlu iş yükleri için çok uygun hale getirir.

Link to this sectionAlan kısıtlı dağıtımlar#

Alan kısıtlı dağıtımlar, bir uç cihazın sıkı fiziksel, termal veya güç limitleri dahilinde çalışması gereken ortamlarda yaygındır. Bu genellikle üretim hatlarına monte edilmiş akıllı kameraları, mobil robotları, drone'ları, kioskları veya kompakt denetim sistemlerini içerir.

Bu durumlarda, donanımın güvenilir yapay zeka performansı sunarken küçük, hafif ve enerji verimli olması gerekir. Bu dağıtımlar için iki yaygın donanım seçeneği M.2 modülleri ve tek kartlı bilgisayarlardır.

M.2 modülü, bir ana sistem içindeki bir M.2 yuvasına uyan kompakt bir genişletme kartıdır. M.2 sadece bir form faktörü ve arayüz standardı olsa da, bazı modüller özellikle yapay zeka hızlandırma için tasarlanmıştır.

Bu yapay zeka hızlandırıcı modülleri, küçük cihazların bilgisayarlı görü modellerini boyut veya güç tüketimini önemli ölçüde artırmadan daha verimli çalıştırmasını sağlar. M.2 hızlandırıcılar genellikle tam boyutlu bir PCIe genişletme kartı eklemenin pratik olmayacağı gömülü sistemlere entegre edilir.

Bu arada, tek kartlı bilgisayar (SBC), tek bir devre kartı üzerine inşa edilmiş eksiksiz bir bilgisayardır. CPU'yu, belleği, depolama arayüzlerini ve giriş/çıkış (I/O) bağlantılarını kompakt bir form faktöründe entegre eder. Her şey tek bir kartta toplandığından, SBC'ler alanın sınırlı olduğu ve basitliğin önemli olduğu gömülü ve uç uygulamalarda yaygın olarak kullanılır.

Alan kısıtlı sistemler genellikle daha büyük rafa monte edilebilir sistemlerden daha az ham işlem performansı sunsa da, verinin üretildiği yere yakın cihaz içi çıkarımı mümkün kılar. Bu, gecikmeyi azaltır, bant genişliği kullanımını düşürür ve daha büyük donanımların sığmayacağı ortamlarda dağıtım esnekliğini artırır.

Link to this sectionGömülü görü için özel yapay zeka hızlandırma#

Birçok donanım satıcısı, özellikle gömülü görü için kompakt, güç verimli yapay zeka hızlandırmaya odaklanmaktadır. Örneğin, Axelera AI, Metis® AI Processing Unit (AIPU) hızlandırıcılarını, alan kısıtlı dağıtımlar için PCIe kartları, M.2 modülleri ve entegre işlem kartları dahil olmak üzere birden fazla form faktöründe sunar.

Ultralytics ile bir entegrasyon sayesinde, Ultralytics YOLOv8 ve YOLO26 gibi desteklenen YOLO modelleri, Ultralytics Python paketi kullanılarak Axelera formatına aktarılabilir ve verimli uç çıkarımı için derleme ve INT8 nicelemeyi yöneten Voyager SDK aracılığıyla optimize edilebilir.

Şekil 3. Axelera AI'nın Metis AI Processing Unit'ine bir bakış (Kaynak)

Link to this sectionGüç tüketimini hesaba kat#

Güç tüketimi de uç dağıtımlarda önemli bir kısıtlamadır çünkü ısı üretimini ve soğutma gereksinimlerini doğrudan etkiler. Sistemin kapalı muhafazalar veya kompakt endüstriyel gövdeler içinde güvenilir bir şekilde çalışıp çalışamayacağını belirler.

Bu, özellikle mobil robotlar, drone'lar veya uzak izleme istasyonları gibi her bir watt'ın (W) çalışma süresini ve genel sistem kararlılığını etkilediği pille çalışan ortamlarda hayati önem taşır.

Çoğu uç cihaz üç geniş güç kademesine ayrılır. İşte her birine daha yakından bir bakış:

• Düşük güçlü cihazlar (<10W): Bunlar genellikle kompakt boyut ve pasif soğutmanın gerektiği gömülü sistemlerde kullanılır.
• Orta aralıklı cihazlar (10–50W): Bu cihazlar, kontrollü termal sınırlar dahilinde çalışırken daha yüksek verim gerektiren uç ağ geçitlerinde ve fabrika uç noktalarında yaygındır.
• Yüksek güçlü cihazlar (>50W): Bu tür cihazlar genellikle çoklu kamera işleme ve ağır iş yükleri için tasarlanmış PCIe hızlandırıcılar veya endüstriyel PC'lerdir. Genellikle aktif soğutma ve daha büyük muhafazalarla eşleştirilirler.

Hangi güç kademesinin uygun olduğunu belirlemede iş yükü özelliklerinin büyük bir rol oynadığını unutmamak önemlidir. Daha yüksek kare hızları, daha büyük görü modelleri ve çoklu paralel kamera akışlarının tümü, güç tüketimini artıran işlem talebini yükseltir.

Günümüzde birçok donanım satıcısı, güç verimli yapay zeka hızlandırmaya odaklanmaktadır. Örneğin, DEEPX'in uç modülleri, uç dağıtımlarda düşük güçle çıkarım için tasarlanmıştır. Intel işlemciler ayrıca, performansın çevresel gereksinimlere ve iş yükü gereksinimlerine göre ayarlanmasına olanak tanıyan güç yönetimi ve ölçeklendirme özellikleri sunar.

Link to this sectionEndüstriyel bulunabilirliği ve yaşam döngüsü desteğini dikkate al#

Başarılı bir pilot uygulama tamamladığını varsayalım. Model iyi performans gösteriyor, donanım performans gereksinimlerini karşılıyor ve sistem testlerde güvenilir bir şekilde çalışıyor.

Bir sonraki zorluk, bu çözümü tam üretime ölçeklendirmektir. İşte endüstriyel bulunabilirlik ve yaşam döngüsü desteğinin kritik hale geldiği nokta burasıdır.

Çoğu uç sistemin yıllarca sürekli çalışması beklenir. Dağıtımdan kısa bir süre sonra üretimi durdurulabilecek donanımı seçmek ciddi bir risk oluşturur. Bir cihaz pilot uygulama sırasında iyi performans gösterse bile, kullanım ömrünün sonuna ulaşırsa veya üretim başladığında temin edilmesi zorlaşırsa bir yük haline gelebilir.

Kısa pazar yaşam döngüleri tedarik zinciri kesintileri yaratabilir, bakım maliyetlerini artırabilir ve beklenmedik yeniden tasarımlara zorlayabilir. Çok sahalı dağıtımlarda, bulunmayan bileşenleri değiştirmek genişlemeyi yavaşlatabilir ve sistem yönetimini karmaşıklaştırabilir.

Endüstriyel kullanım için tasarlanmış donanımlar genellikle daha uzun üretim süreleri, daha net yaşam döngüsü politikaları ve devam eden bellenim veya yazılım desteği sunar. Bu kararlılık, dağıtımları döngü ortasında büyük donanım değişiklikleri yapmadan ölçeklendirmeyi kolaylaştırır.

Bir uç cihazı kesinleştirmeden önce ekipler, üreticinin ürün yol haritasını, yaşam döngüsü taahhütlerini ve uzun vadeli destek stratejisini gözden geçirebilir.

Link to this sectionEkip uzmanlığının ve kullanım kolaylığının önemi#

Bir uç cihazı seçmek ve dağıtmak, ekibinin deneyimine de bağlıdır. Bazı platformlarla çalışmak daha kolaydır ve net belgeler, basit kurulum adımları ve kullanıma hazır araçlar sağlar. Diğerleri performans üzerinde daha fazla kontrol sunar ancak daha derin teknik bilgi ve optimizasyon ile hata ayıklamaya daha fazla zaman harcanmasını gerektirir.

Örneğin, Ultralytics Python paketi, YOLO26 gibi modelleri eğitip test etmeyi ve dağıtmayı basit hale getirir. Yaygın görevleri basitleştirir ve ayrıca modellerin uç dağıtımlarda kullanılan farklı formatlara aktarılmasını destekler. Bu, ekiplerin iş akışlarını sıfırdan yeniden oluşturmadan geliştirmeden gerçek dünya donanımına geçmesini kolaylaştırır.

Uç yapay zekaya daha yeni olan ekipler için güçlü ve iyi belgelenmiş bir yazılım ekosistemi, geliştirme süresini azaltabilir ve dağıtım riskini düşürebilir. Daha deneyimli ekipler, özellikle çoklu kamera işleme veya katı gecikme gereksinimleri gerektiren uygulamalarda daha derin özelleştirme ve ince ayara izin veren platformları tercih edebilir.

Basitçe söylemek gerekirse, satıcı ekosistemleri ve araçlar önemli bir fark yaratabilir. Net belgeler, aktif destek ve esnek dağıtım seçenekleri, ekiplerin pilot projelerden tam üretim sistemlerine daha sorunsuz bir şekilde geçmesine yardımcı olur.

Link to this sectionGözden kaçırılmaya meyilli temel uç dağıtım faktörleri#

Artık bir uç cihaz seçerken rol oynayan ana faktörleri ele aldığımıza göre, gerçek dünya dağıtımlarında büyük fark yaratabilecek bazı pratik detayları inceleyelim. Bu hususlar ilk başta acil görünmeyebilir, ancak genellikle karar verme sürecinde kritik bir rol oynarlar ve bir proje pilot aşamasının ötesine geçtiğinde ne kadar sorunsuz ilerleyeceğini şekillendirirler.

Link to this sectionI/O, bant genişliği ve yazılım uyumluluğu#

Bağlantı ve I/O uyumluluğu, genellikle uç dağıtımlardaki ilk pratik zorluklar arasındadır. Tipik olarak, bir uç cihazın, USB 3.0, Ethernet üzerinden Güç (PoE) ile GigE ve MIPI gibi yaygın arayüzler dahil olmak üzere kamera ve sensör yapılandırmanı desteklemesi gerekir.

Endüstriyel görü sistemleri, güvenilir çalışma sağlamak için donanım tetikleyicileri, senkronizasyon sinyalleri veya belirli zamanlama desteği de gerektirebilir.

Bant genişliği, özellikle çoklu kamera kurulumlarında bir diğer kritik faktördür. Kamera çıkışı ile cihaz girişi kapasitesi arasındaki küçük uyumsuzluklar bile verimi düşürebilir veya ek gecikme getirebilir.

Yazılım uyumluluğu da çok önemli bir rol oynar. Bazı dağıtımlar, mobil ve gömülü ortamlarda yaygın olarak kullanılan NCNN ve MNN gibi hafif çıkarım çerçevelerine dayanır.

Akıllı sensör dağıtımlarında, Sony IMX500 gibi cihazlar, yapay zeka işlemeyi doğrudan görüntü sensörü üzerinde entegre ederek veri aktarımını ve gecikmeyi azaltır. Bu durumlarda, modelin sensörün araç zinciri tarafından desteklenen bir formata dönüştürülmesi gerektiğinden, model uyumluluğu ve dışa aktarma desteği özellikle önem kazanır.

Örneğin, Ultralytics Python paketi, Ultralytics YOLO11 gibi modellerin, Sony IMX500 gibi cihazların etrafında inşa edilmiş platformlar dahil olmak üzere uç dağıtım boru hatlarıyla uyumlu formatlara aktarılmasını destekler.

Link to this sectionTermal ve çevresel güvenilirlik#

Uç cihazlar görsel verileri sürekli olarak işlediğinde, termal ve çevresel güvenilirlik kritik faktörler haline gelir. Bu bağlamda güvenilirlik, cihazın toz, titreşim veya aşırı sıcaklıklar gibi zorlu koşullarda bile aşırı ısınmadan veya arızalanmadan uzun süre çalışabileceği anlamına gelir.

Uç yapay zeka iş yükleri daha talepkar hale geldikçe, termal verimlilik sistem tasarımında belirleyici bir faktör haline gelmiştir. Termal performansa yapılan bu vurgu, DeepX'in özdeş yapay zeka iş yüklerini üzerinde küçük bir parça tereyağı bulunan birden fazla çip üzerinde çalıştırdığı Las Vegas'taki CES 2026'da vurgulanmıştır.

Rakip çipler tereyağını eritecek kadar ısı üretirken, DeepX uç cihazı üretmedi; bu da daha düşük güç tüketiminin ve daha güçlü termal kararlılığın gerçek dünya güvenilirliğini nasıl doğrudan etkileyebileceğini gösteriyor.

Soğutma tasarımı, kararlı performansı korumada merkezi bir rol oynar. İşlemciler daha çok çalıştıkça ısı üretirler ve bu ısının etkili bir şekilde yönetilmesi gerekir.

Birçok endüstriyel ortamda, mekanik fanlar zamanla aşınabileceği veya arızalanabileceği için, özellikle tozlu veya yüksek titreşimli ortamlarda pasif soğutma tercih edilir. Fansız alüminyum soğutucular, hareketli parçalara güvenmeden ısıyı dağıtmak için yaygın olarak kullanılır, bu da uzun vadeli dayanıklılığı artırır.

Çevresel koşulların da etkisi olabilir. Her cihazın nominal bir çalışma sıcaklığı aralığı vardır ve kapalı dolaplardaki veya dış mekanlardaki dağıtımlar ısıyı hapsedebilir veya donanımı dalgalanan sıcaklıklara maruz bırakabilir. Bu durumlarda, muhafaza tasarımı ve hava akışı, ham işlem performansı kadar önemli hale gelir.

Link to this sectionYazılım ekosistemi ve dağıtım hazırlığı#

Doğru uç cihazı seçerken, yazılım ekosisteminin gücü donanım özellikleri kadar kritiktir. Bir cihaz kağıt üzerinde güçlü işlem performansı sunabilir, ancak güvenilir araçlar ve platform desteği olmadan prototipten üretime geçmek yavaş ve karmaşık hale gelebilir.

İyi desteklenen bir platform, model hazırlığından hedef donanım üzerinde optimize edilmiş çıkarıma kadar tüm dağıtım yolunu kolaylaştırır. Niceleme, performans ayarlama ve hata ayıklama için yerleşik araçlar sağlayan ekosistemler, modelleri gerçek iş yükleri altında doğrulamayı kolaylaştırır ve kurulum sırasında beklenmedik sorunları azaltır.

Örneğin, YOLO26 gibi Ultralytics YOLO modelleri, Intel CPU'lar, entegre GPU'lar ve Sinir İşleme Birimleri (NPU'lar) üzerinde optimize edilmiş çıkarım sağlayarak doğrudan OpenVINO formatına aktarılabilir. OpenVINO; model dönüştürme, niceleme (FP16 ve INT8 dahil) ve desteklenen Intel donanımında heterojen yürütme gibi performans optimizasyonları sağlar.

Ekipler, Ultralytics Python paketini kullanarak modelleri basit bir komutla dışa aktarabilir ve Ultralytics'in yüksek seviyeli arayüzü aracılığıyla veya doğrudan yerel OpenVINO Runtime ile çıkarım çalıştırarak Intel tabanlı uç sistemler için düzenli ve üretime hazır bir dağıtım iş akışı oluşturabilir.

Link to this sectionYük altında gerçek performans#

Birçok uç cihaz kağıt üzerinde etkileyici görünür, ancak eksiksiz bir görü boru hattı çalıştırdıklarında performans değişebilir. Gerçek dağıtımlarda sistem sadece çıkarım çalıştırmaz.

Ayrıca ön işleme, son işleme ve bazen aynı anda birden fazla kamera akışını yönetir. Bu nedenle, saniyedeki ortalama kare sayısının ötesine bakmak önemlidir.

Tutarlı gecikme süresi genellikle en yüksek performanstan daha önemlidir. Bellek darboğazlarına dikkat etmek ve sistemin istikrarlı bir yük altında ne kadar kararlı kaldığını kontrol etmek, üretim aşamasında nasıl bir performans sergileyeceğine dair daha net bir resim sunar.

Soğuk başlatma süresini, saatlerce süren operasyonlarda uzun vadeli yüksek performansı ve kodlama, günlük kaydı veya ağ oluşturma gibi diğer görevler çıkarım ile birlikte çalışırken cihazın nasıl tepki verdiğini test etmek yararlıdır. Çoğu gerçek dünya kullanım senaryosunda, istikrarlı ve öngörülebilir bir performans, ara sıra görülen hız artışlarından çok daha kritiktir.

Link to this sectionGüvenlik, yaşam döngüsü ve kurulum sonrası yönetim#

Uç (edge) kurulumlarının zaman içinde güvenli ve güvenilir kalması gerekir; özellikle sistemlerin sürekli çalışmasının beklendiği üretim gibi ortamlarda bu daha da önemlidir. Güvenli önyükleme, şifrelenmiş depolama ve düzenli satıcı güncellemeleri gibi özellikler, cihazları yetkisiz müdahalelerden korumaya yardımcı olur ve güvenlik açıkları veya beklenmedik kesinti riskini azaltır.

Kurulum sonrası cihazları yönetmek, doğru donanımı seçmek kadar önemlidir. Uzaktan izleme ve güncelleme yetenekleri, ekiplerin her bir cihaza fiziksel erişime ihtiyaç duymadan yazılım, donanım yazılımı ve modelleri korumasını sağlar. Projeler küçük bir denemeden daha geniş bir yayılıma geçtikçe bu durum giderek daha kritik hale gelir.

Kurulumlar büyüdükçe, merkezi filo yönetimi her şeyi düzenli tutmaya yardımcı olur. Ekiplerin cihaz sağlığını takip etmesini, güncellemeleri yönetmesini, performansı izlemesini ve birden fazla konumdaki sorunları gidermesini kolaylaştırır. Net bir yönetim stratejisi olmadan, düzinelerce hatta yüzlerce uç sistemini korumak hızla zorlaşabilir.

Link to this sectionBilgisayarlı görü ve uç (edge) AI'nın yaygın gerçek dünya uygulamaları#

Doğru uç cihazını seçerken yer alan faktörleri değerlendirirken, bu sistemlerin aslında nerede kullanıldığını merak ediyor olabilirsin. Bugün uç (edge) AI, üretim ve perakendeden robotik ve akıllı altyapıya kadar neredeyse her sektördeki uygulamalara güç veriyor.

İşte uç cihazların düşük gecikme süresi, azaltılmış bant genişliği tüketimi ve güvenilir cihaz içi işlemeyi mümkün kıldığı beş yaygın derin öğrenme kullanım senaryosu:

• Endüstriyel sahalarda güvenlik izleme: Uç bilişim donanımı üzerinde konuşlandırılan bilgisayarlı görü hatları, kişisel koruyucu ekipman (PPE) uyumluluğu için anlık uyarılar sağlayabilir; yani işçilerin kask, eldiven, güvenlik yeleği veya gözlük gibi gerekli güvenlik ekipmanlarını takıp takmadıklarını otomatik olarak algılayabilir ve güvensiz davranışları tanımlayabilir. Bu, hassas video verilerini yerinde güvenli bir şekilde işlerken iş yeri kazalarını azaltarak operasyonel güvenilirliği artırır.
• Perakende analitiği: Uç cihazlar, envanter yönetimi, raf uygunluğu ve kuyruk algılama için görsel verileri yerel olarak işleyebilir; böylece birçok mağazada maliyet etkinliğini ve ölçeklenebilirliği korurken bant genişliği ve bulut maliyetlerini düşürür.
• Robotik: Robotikte, cihaz içi AI gerçek zamanlı nesne algılamayı ve otonom navigasyonu mümkün kılar. Örneğin, NVIDIA Jetson uç cihazları, robotların YOLO26 gibi bilgisayarlı görü modellerini yerel olarak çalıştırmasına olanak tanıyan, güç verimliliğini korurken düşük gecikmeli performans sunan kompakt, GPU hızlandırmalı bilişim platformları sağlayabilir.
• Akıllı şehirler ve trafik izleme: Akıllı şehir kurulumları, gerçek zamanlı trafik akışı analizi, olay algılama ve yaya güvenliği izleme için uç bilgisayarlı görü işlemcilerini kullanabilir. Buluta sürekli video akışından kaçınarak, bu sistemler bant genişliği gereksinimlerini azaltır ve yanıt sürelerini iyileştirir.
• Üretimde kalite kontrolü: Üretim hatlarında uç cihazlar, ürünler konveyör boyunca ilerlemeden önce kusurları, eksik bileşenleri veya montaj hatalarını tespit etmek için ürünleri gerçek zamanlı olarak denetleyebilir. Bu sistemler, iş hacmine ve güç kısıtlamalarına bağlı olarak CPU'lar, GPU'lar veya özel AI hızlandırıcıları üzerinde YOLO26 gibi modelleri çalıştırabilir.

Şekil 4. YOLO26, üretim tesislerindeki kusurları tespit etmek için uçta konuşlandırılabilir.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü projen için doğru uç cihazını seçmek; performans, güç verimliliği, güvenilirlik ve uzun vadeli kullanılabilirliği dengelemeyi gerektirir. Ekipler yalnızca en yüksek teknik özelliklere odaklanmak yerine, gerçek dünya koşullarını, yazılım ekosistemi olgunluğunu ve yaşam döngüsü desteğini değerlendirmelidir. Kurulumunu ölçeklendirmeden önce bir pilot kurulumla doğrulayarak riski azaltabilir, maliyetleri kontrol edebilir ve prototipten üretime daha sorunsuz bir yol sağlayabilirsin.

Topluluğumuza katıl ve GitHub depomuzu keşfet. Tarımda yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi çeşitli uygulamaları keşfetmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimize göz at ve vizyon yapay zekasına bugün başla!