1 Temmuz 2025
Ultralytics YOLO11'in OpenVINO™ formatına aktarılmasının Intel® donanımında yıldırım hızında çıkarım yapılmasını sağlayarak hızı, ölçeklenebilirliği ve doğruluğu nasıl artırdığını öğrenin.
YZ'nin benimsenmesi, YZ çözümlerinin erişilebilir olmasına bağlıdır ve bunun büyük bir kısmı, insanların halihazırda sahip olduğu donanımlara kolayca yerleştirilmelerini sağlamaktır. YZ modellerini GPU'lar (grafik işlem birimleri) üzerinde çalıştırmak, performans ve paralel işlem gücü açısından harika bir seçenektir.
Ancak gerçek şu ki, özellikle edge ortamlarda veya günlük dizüstü bilgisayarlarda herkesin üst düzey GPU'lara erişimi yoktur. Bu nedenle modelleri merkezi işlem birimleri (CPU'lar), entegre GPU'lar ve sinir işleme birimleri (NPU'lar) gibi daha yaygın olarak bulunan donanımlarda verimli çalışacak şekilde optimize etmek çok önemlidir.
Örneğin bilgisayarla görme, makinelerin görüntüleri ve video akışlarını gerçek zamanlı olarak analiz etmesini ve anlamasını sağlayan bir yapay zeka dalıdır. Ultralytics YOLO11 gibi vizyon yapay zeka modelleri, perakende analitiğinden tıbbi teşhise kadar uygulamalara güç veren nesne algılama ve örnek segmentasyonu gibi temel görevleri destekler.
Ultralytics, bilgisayarla görmeyi daha geniş çapta erişilebilir hale getirmek için CPU'lar, GPU'lar ve NPU'larda yapay zeka çıkarımını optimize etmek ve çalıştırmak için açık kaynaklı bir proje olan OpenVINO araç seti ile güncellenmiş bir entegrasyon yayınladı.
Bu entegrasyon sayesinde, YOLO11 modellerini CPU'larda 3 kata kadar daha hızlı çıkarım ve Intel GPU'larda ve NPU'larda hızlandırılmış performans ile dışa aktarmak ve dağıtmak daha kolaydır. Bu makalede, YOLO11 modellerini OpenVINO formatına aktarmak ve çıkarım için kullanmak üzere Ultralytics Python paketinin nasıl kullanılacağını anlatacağız. Hadi başlayalım!
Ultralytics tarafından desteklenen OpenVINO entegrasyonunun ayrıntılarına girmeden önce, YOLO11'i güvenilir ve etkili bir bilgisayarla görme modeli yapan şeylere daha yakından bakalım. YOLO11, Ultralytics YOLO serisinin en son modelidir ve hem hız hem de doğruluk açısından önemli geliştirmeler sunar.
En önemli özelliklerinden biri verimliliktir. Örneğin, Ultralytics YOLO11m, Ultralytics YOLOv8m'den %22 daha az parametreye sahiptir, ancak COCO veri kümesinde daha yüksek ortalama ortalama hassasiyet (mAP) elde eder. Bu, daha hızlı çalıştığı ve nesneleri daha doğru algıladığı anlamına gelir, bu da onu performans ve yanıt vermenin kritik olduğu gerçek zamanlı uygulamalar için ideal hale getirir.
YOLO11, nesne algılamanın ötesinde, örnek segmentasyonu, poz tahmini, görüntü sınıflandırması, nesne izleme ve yönlendirilmiş sınırlayıcı kutu algılama gibi çeşitli gelişmiş bilgisayarla görme görevlerini destekler. YOLO11 aynı zamanda geliştirici dostudur ve Ultralytics Python paketi modelleri eğitmek, değerlendirmek ve dağıtmak için basit ve tutarlı bir arayüz sağlar.
Buna ek olarak, Ultralytics Python paketi OpenVINO, ONNX, TorchScript dahil olmak üzere çeşitli entegrasyonları ve çoklu dışa aktarma formatlarını destekleyerek YOLO11'i çeşitli dağıtım işlem hatlarına kolayca entegre etmenizi sağlar. İster bulut altyapısını, ister uç cihazları veya gömülü sistemleri hedefliyor olun, dışa aktarma işlemi basittir ve donanım ihtiyaçlarınıza göre uyarlanabilir.
OpenVINO™ (Open Visual Inference and Neural Network Optimization), yapay zeka çıkarımını geniş bir donanım yelpazesinde optimize etmeye ve dağıtmaya yönelik açık kaynaklı bir araç setidir. Geliştiricilerin CPU'lar, entegre ve ayrık GPU'lar, NPU'lar ve sahada programlanabilir kapı dizileri (FPGA'lar) dahil olmak üzere çeşitli Intel platformlarında yüksek performanslı çıkarım uygulamalarını verimli bir şekilde çalıştırmalarını sağlar.
OpenVINO, cihaza özgü eklentiler aracılığıyla donanım farklılıklarını soyutlayan birleşik bir çalışma zamanı arayüzü sağlar. Bu, geliştiricilerin bir kez kod yazabileceği ve tutarlı bir API kullanarak birden fazla Intel donanım hedefine dağıtabileceği anlamına gelir.
OpenVINO'yu dağıtım için mükemmel bir seçim haline getiren temel özelliklerden bazıları şunlardır:
OpenVINO'nun ne olduğunu ve önemini keşfettiğimize göre, şimdi YOLO11 modellerinin OpenVINO formatına nasıl aktarılacağını ve Intel donanımında verimli çıkarımın nasıl çalıştırılacağını 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 isteminde"pip install ultralytics" komutunu çalıştırarak yükleyebilirsiniz. Jupyter Notebook veya Google Colab gibi etkileşimli bir ortamda çalışıyorsanız, komuttan önce bir ünlem işareti eklemeniz yeterlidir.
Ayrıca, kurulum sırasında veya dışa aktarırken herhangi bir sorunla karşılaşırsanız, Ultralytics belgeleri ve sorun giderme kılavuzları, yolunuza devam etmenize 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 ("yolo11n.pt") kullanıyoruz. Bunu OpenVINO formatına dönüştürmek için dışa aktarma işlevi kullanılır. Bu kodu çalıştırdıktan sonra, dönüştürülen model "yolo11n_openvino_model" adlı yeni bir dizine kaydedilecektir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
VI
ARfrom ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="openvino")YOLO11 modeliniz OpenVINO formatına aktarıldıktan sonra, çıkarımları iki şekilde çalıştırabilirsiniz: Ultralytics Python paketini veya yerel OpenVINO Runtime'ı kullanarak.
Dışa aktarılan YOLO11 modeli, aşağıdaki kod parçasında gösterildiği gibi Ultralytics Python paketi kullanılarak kolayca dağıtılabilir. Bu yöntem, Intel donanımında hızlı deneme ve kolaylaştırılmış dağıtım için idealdir.
Sisteminizde bulunan Intel donanımına bağlı olarak "intel:cpu", "intel:gpu" veya "intel:npu" gibi çıkarım için hangi aygıtın kullanılacağını da belirtebilirsiniz.
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 yapmak için özelleştirilebilir bir yol arıyorsanız, OpenVINO Runtime modelinizin nasıl yürütüleceği konusunda size daha fazla kontrol sağlar. Eşzamansız yürütme (birden fazla çıkarım isteğini paralel olarak çalıştırma) ve yük dengeleme (çıkarım iş yüklerini Intel donanımına verimli bir şekilde dağıtma) gibi gelişmiş özellikleri destekler.
Yerel çalışma zamanını kullanmak için dışa aktarılan 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 çekirdeğinin başlatılmasını, bir hedef cihaz için modelin yüklenmesini ve derlenmesini, girdinin hazırlanmasını ve çıkarımın yürütülmesini 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?
OpenVINO dışa aktarma formatının Intel donanımı üzerinde model dağıtımı için mükemmel bir seçim olmasının bazı nedenleri şunlardır:
Ayrıca OpenVINO™ Model Hub'daki çeşitli Intel® platformlarında YOLO11 modelinin performans kıyaslamalarını da değerlendirebilirsiniz. OpenVINO Model Merkezi, geliştiricilerin yapay zeka modellerini Intel donanımında değerlendirmeleri ve OpenVINO'nun Intel CPU'lar, yerleşik GPU'lar, NPU'lar ve ayrı grafikler üzerindeki performans avantajını keşfetmeleri için bir kaynaktır.
OpenVINO entegrasyonunun yardımıyla, YOLO11 modellerini gerçek dünya koşullarında Intel donanımına dağıtmak çok daha basit hale geliyor.
YOLO11'in boş rafları gerçek zamanlı olarak tespit etmesine, hangi ürünlerin azaldığını izlemesine ve müşterilerin mağazada nasıl hareket ettiğini analiz etmesine yardımcı olabileceği akıllı perakende buna harika bir örnektir. Bu, perakendecilerin envanter yönetimini iyileştirmesini ve daha iyi müşteri etkileşimi için mağaza düzenlerini optimize etmesini sağlar.
Benzer şekilde, akıllı şehirlerde YOLO11 araçları sayarak, yayaları takip ederek ve kırmızı ışık ihlallerini gerçek zamanlı olarak tespit ederek trafiği izlemek için kullanılabilir. Bu bilgiler trafik akışı optimizasyonunu destekleyebilir, yol güvenliğini artırabilir ve otomatik yaptırım 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 denetimdir. Bu da 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 vardır:
Ultralytics YOLO11'i OpenVINO formatına aktarmak, Intel donanımında hızlı, verimli Vision AI modellerini çalıştırmayı kolaylaştırır. Kodunuzu yeniden eğitmenize veya değiştirmenize gerek kalmadan CPU'lara, GPU'lara ve NPU'lara dağıtabilirsiniz. Bu, işleri basit ve ölçeklenebilir tutarken performansı artırmanın harika bir yoludur.
Ultralytics Python paketinde yerleşik destek sayesinde, OpenVINO ile çıkarımı dışa aktarmak ve çalıştırmak 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 dağıtım aşamasına hızlı ve güvenli bir şekilde geçmenize yardımcı olur.
Ultralytics tarafından desteklenen etkili entegrasyonlar hakkında daha fazla bilgi edinmek için YOLO topluluğuna katılın ve Ultralytics GitHub deposuna göz atın. Ayrıca, bilgisayarla görmeye bugün başlamak için Ultralytics lisanslama seçeneklerine bir göz atın!
Ultralytics × OpenVINO entegrasyonunu çalışırken görmek için yaklaşan web seminerimize kaydolun ve yapay zekayı geniş ölçekte optimize etmeye ve dağıtmaya yönelik araçları keşfetmek için OpenVINO web sitesini ziyaret edin.
.webp)
