1 Temmuz 2025
Ultralytics YOLOv8'i OpenVINO™ biçimine aktarmanın, Intel® donanımında ışık hızında çıkarımı nasıl sağladığını, hızı, ölçeklenebilirliği ve doğruluğu nasıl artırdığını öğrenin.
YZ adaptasyonu, YZ çözümlerinin erişilebilir olmasına bağlıdır ve bunun büyük bir kısmı, insanların halihazırda sahip olduğu donanımlarda kolayca konuşlandırılabilmelerini sağlamaktır. YZ modellerini GPU'lar (grafik işlem birimleri) üzerinde çalıştırmak, performans ve paralel işleme gücü açısından harika bir seçenektir.
Ancak, gerçek şu ki, özellikle uç ortamlarda veya günlük dizüstü bilgisayarlarda herkesin üst düzey GPU'lara erişimi yok. Bu nedenle, modelleri merkezi işlem birimleri (CPU'lar), entegre GPU'lar ve sinirsel işlem birimleri (NPU'lar) gibi daha yaygın olarak bulunan donanımlarda verimli bir şekilde çalışacak şekilde optimize etmek çok önemlidir.
Bilgisayarlı görü örneğin, makinelerin görüntüleri ve video akışlarını gerçek zamanlı olarak analiz etmesini ve anlamasını sağlayan bir yapay zeka dalıdır. Ultralytics YOLO11 gibi Vision AI modelleri, perakende analizlerinden tıbbi teşhislere kadar çeşitli uygulamalara güç veren nesne tespiti ve örnek segmentasyonu gibi temel görevleri destekler.
Ultralytics, bilgisayar görüşünü daha geniş kitlelere erişilebilir kılmak için, CPU'lar, GPU'lar ve NPU'lar genelinde yapay zeka çıkarımını optimize etmek ve çalıştırmak için bir açık kaynaklı proje olan OpenVINO araç setiyle güncellenmiş bir entegrasyon yayınladı.
Bu entegrasyon sayesinde, YOLO11 modellerini CPU'larda 3 kata kadar daha hızlı çıkarım ve Intel GPU'larında ve NPU'larında hızlandırılmış performansla dışa aktarmak ve dağıtmak daha kolaydır. Bu makalede, YOLO11 modellerini OpenVINO formatına aktarmak ve çıkarım için kullanmak üzere Ultralytics Python paketinin nasıl kullanılacağını adım adım inceleyeceğiz. Hadi başlayalım!
Ultralytics tarafından desteklenen OpenVINO entegrasyonunun ayrıntılarına dalmadan önce, YOLO11'i güvenilir ve etkili bir bilgisayarlı görme modeli yapan şeylere daha yakından bakalım. YOLO11, Ultralytics YOLO serisindeki en son modeldir ve hem hız hem de doğrulukta önemli geliştirmeler sunar.
Temel özelliklerinden biri verimliliktir. Örneğin, Ultralytics YOLO11m, Ultralytics YOLOv8m'den %22 daha az parametreye sahiptir, ancak COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde eder. Bu, daha hızlı çalıştığı ve ayrıca nesneleri daha doğru tespit ettiği anlamına gelir, bu da onu performans ve yanıt verme hızının kritik olduğu gerçek zamanlı uygulamalar için ideal kılar.
Nesne tespitinin ötesinde, YOLO11, örnek segmentasyonu, poz tahmini, görüntü sınıflandırması, nesne takibi ve yönlendirilmiş sınırlayıcı kutu tespiti gibi çeşitli gelişmiş bilgisayar görüşü görevlerini destekler. YOLO11 ayrıca geliştirici dostudur; Ultralytics Python paketi, modelleri eğitmek, değerlendirmek ve dağıtmak için basit ve tutarlı bir arayüz sağlar.
Buna ek olarak, Ultralytics Python paketi, YOLO11'i çeşitli dağıtım ardışık düzenlerine kolayca entegre etmenize olanak tanıyan OpenVINO, ONNX, TorchScript dahil olmak üzere çeşitli entegrasyonları ve birden çok dışa aktarma biçimini destekler. İster bulut altyapısını, ister uç cihazları veya gömülü sistemleri hedefliyor olun, dışa aktarma süreci basittir ve donanım ihtiyaçlarınıza uyarlanabilir.
OpenVINO™ (Open Visual Inference and Neural Network Optimization), çok çeşitli donanımlarda yapay zeka çıkarımını optimize etmek ve dağıtmak için kullanılan açık kaynaklı bir araç setidir. Geliştiricilerin CPU'lar, entegre ve ayrık GPU'lar, NPU'lar ve alanda programlanabilir kapı dizileri (FPGA'lar) dahil olmak üzere çeşitli Intel platformlarında yüksek performanslı çıkarım uygulamalarını verimli bir şekilde çalıştırmasını sağlar.
OpenVINO, cihaza özel eklentiler aracılığıyla donanım farklılıklarını soyutlayan birleşik bir çalışma zamanı arayüzü sağlar. Bu, geliştiricilerin kodu bir kez yazıp tutarlı bir API kullanarak birden fazla Intel donanım hedefinde dağıtabilecekleri anlamına gelir.
OpenVINO'yu dağıtım için harika bir seçim yapan temel özelliklerden bazıları şunlardır:
OpenVINO'nun ne olduğunu ve önemini incelediğimize göre, YOLOv8 modellerini OpenVINO formatına nasıl aktaracağımızı ve Intel donanımında nasıl verimli çıkarım yapacağımızı tartışalım.
Bir modeli OpenVINO formatına aktarmak için öncelikle Ultralytics Python paketini yüklemeniz gerekir. Bu paket, YOLO11 dahil olmak üzere YOLO modellerini eğitmek, değerlendirmek ve dışa aktarmak için ihtiyacınız olan her şeyi sağlar.
Terminalinizde veya komut isteminizde "pip install ultralytics" komutunu çalıştırarak kurabilirsiniz. Jupyter Notebook veya Google Colab gibi etkileşimli bir ortamda çalışıyorsanız, komutun önüne bir ünlem işareti eklemeniz yeterlidir.
Ayrıca, kurulum sırasında veya dışa aktarma yaparken herhangi bir sorunla karşılaşırsanız, Ultralytics dokümantasyonu ve sorun giderme kılavuzları tekrar yolunuza girmenize yardımcı olacak harika kaynaklardır.
Ultralytics paketi kurulduktan sonra, bir sonraki adım YOLO11 modelinizi yüklemek ve OpenVINO ile uyumlu bir formata dönüştürmektir.
Aşağıdaki örnekte, önceden eğitilmiş bir YOLO11 modeli kullanıyoruz (“yolo11n.pt”). Dışa aktarma işlevi, onu OpenVINO biçimine dönüştürmek için kullanılır. Bu kodu çalıştırdıktan sonra, dönüştürülen model “yolo11n_openvino_model” adlı yeni bir dizine kaydedilecektir.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="openvino")YOLO11 modeliniz OpenVINO formatına aktarıldıktan sonra, Ultralytics Python paketi veya yerel OpenVINO Çalışma Zamanı'nı kullanarak iki şekilde çıkarım çalıştırabilirsiniz.
Dışa aktarılan YOLO11 modeli, aşağıdaki kod parçasında gösterildiği gibi Ultralytics Python paketi kullanılarak kolayca dağıtılabilir. Bu yöntem, hızlı denemeler ve Intel donanımında akıcı dağıtım için idealdir.
Sisteminizde bulunan Intel donanımına bağlı olarak, çıkarım için kullanılacak cihazı da belirtebilirsiniz; örneğin "intel:cpu", "intel:gpu" veya "intel:npu".
ov_model = YOLO("yolo11n_openvino_model/")
results = ov_model("https://ultralytics.com/images/bus.jpg", device="intel:gpu")Yukarıdaki kodu çalıştırdıktan sonra, çıktı görüntüsü "runs/detect/predict" dizinine kaydedilecektir.
Özellikle üretim ortamlarında çıkarım yürütmek için özelleştirilebilir bir yol arıyorsanız, OpenVINO Runtime, modelinizin nasıl yürütüleceği üzerinde daha fazla kontrol sağlar. Eşzamansız yürütme (birden fazla çıkarım isteğini paralel olarak çalıştırma) ve yük dengeleme (çıkarım iş yüklerini Intel donanımı arasında verimli bir şekilde dağıtma) gibi gelişmiş özellikleri destekler.
Yerel çalışma zamanını kullanmak için, dışa aktarılmış model dosyalarına ihtiyacınız olacaktır: bir .xml dosyası (ağ mimarisini tanımlar) ve bir .bin dosyası (modelin eğitilmiş ağırlıklarını depolar). Uygulamanıza bağlı olarak girdi boyutları veya ön işleme adımları gibi ek parametreleri de yapılandırabilirsiniz.
Tipik bir dağıtım akışı, OpenVINO çekirdeğini başlatmayı, modeli hedef bir cihaz için yükleyip derlemeyi, girdiyi hazırlamayı ve çıkarım yürütmeyi içerir. Ayrıntılı örnekler ve adım adım rehberlik için resmi Ultralytics OpenVINO belgelerine bakın.
Ultralytics entegrasyonlarını keşfederken, Ultralytics Python paketinin YOLO11 modellerini TorchScript, CoreML, TensorRT ve ONNX gibi çeşitli formatlara aktarmayı desteklediğini fark edeceksiniz. Peki, neden OpenVINO entegrasyonunu seçmelisiniz?
İşte OpenVINO dışa aktarım formatının, modelleri Intel donanımında dağıtmak için neden harika bir uyum sağladığına dair bazı nedenler:
Ayrıca, OpenVINO™ Model Hub'da çeşitli Intel® platformlarında YOLO11 modelinin performans kıyaslamalarını değerlendirebilirsiniz. OpenVINO Model Hub, geliştiricilerin Intel donanımı üzerinde yapay zeka modellerini değerlendirmeleri ve Intel CPU'ları, yerleşik GPU'lar, NPU'lar ve ayrık grafik kartları genelinde OpenVINO'nun performans avantajını keşfetmeleri için bir kaynaktır.
OpenVINO entegrasyonu sayesinde, YOLO11 modellerini gerçek dünya durumlarında Intel donanımı üzerinde dağıtmak çok daha kolay hale geliyor.
Buna harika bir örnek, YOLO11'in gerçek zamanlı olarak boş rafları tespit etmeye, hangi ürünlerin azaldığını izlemeye ve müşterilerin mağazada nasıl hareket ettiğini analiz etmeye yardımcı olabileceği akıllı perakendedir. Bu, perakendecilerin envanter yönetimini iyileştirmesini ve daha iyi müşteri etkileşimi için mağaza düzenlerini optimize etmesini sağlar.
Benzer şekilde, akıllı şehirlerde YOLO11, araçları sayarak, yayaları izleyerek ve kırmızı ışık ihlallerini gerçek zamanlı olarak tespit ederek trafiği izlemek için kullanılabilir. Bu bilgiler, trafik akışı optimizasyonunu destekleyebilir, yol güvenliğini artırabilir ve otomatik uygulama sistemlerine yardımcı olabilir.
Bir diğer ilginç kullanım alanı ise, YOLO11'in eksik bileşenler, yanlış hizalamalar veya yüzey hasarı gibi görsel kusurları otomatik olarak tespit etmek için üretim hatlarına yerleştirilebildiği endüstriyel incelemedir. Bu, verimliliği artırır, maliyetleri düşürür ve daha iyi ürün kalitesini destekler.
OpenVINO ile YOLO11 modellerini dağıtırken, en iyi sonuçları almak için akılda tutulması gereken birkaç önemli nokta şunlardır:
Ultralytics YOLO11'i OpenVINO formatına aktarmak, Intel donanımında hızlı ve verimli Görüntü İşleme Yapay Zeka modellerini çalıştırmayı kolaylaştırır. Kodunuzu yeniden eğitmenize veya değiştirmenize gerek kalmadan CPU'lar, GPU'lar ve NPU'lar arasında dağıtım yapabilirsiniz. İşleri basit ve ölçeklenebilir tutarken performansı artırmanın harika bir yoludur.
Ultralytics Python paketine yerleşik desteği sayesinde, OpenVINO ile dışa aktarım ve çıkarım çalıştırma oldukça kolaydır. Sadece birkaç adımda modelinizi optimize edebilir ve çeşitli Intel platformlarında çalıştırabilirsiniz. İster akıllı perakende, ister trafik izleme veya endüstriyel denetim üzerinde çalışıyor olun, bu iş akışı geliştirme aşamasından dağıtıma hızla ve güvenle geçmenize yardımcı olur.
YOLO topluluğuna katılın ve Ultralytics tarafından desteklenen etkili entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics GitHub deposuna göz atın. Ayrıca, bilgisayarlı görüye bugün başlamak için Ultralytics lisanslama seçeneklerine bir göz atın!
Ultralytics × OpenVINO entegrasyonunu iş başında görmek için yaklaşan web seminerimize kaydolun ve yapay zekayı ölçekte optimize etmek ve dağıtmak için araçları keşfetmek için OpenVINO web sitesini ziyaret edin.
.webp)