25 Haziran 2025
Mobil, gömülü ve düşük güçlü platformlarda hızlı çıkarım için MNN entegrasyonu ile Ultralytics YOLO11 modellerini nasıl dışa aktaracağınızı ve dağıtacağınızı öğrenin.
Günümüzde, yapay zeka yenilikleri uzak sunucu ortamlarının ötesine geçti. Yapay zeka çözümleri, sensörler ve akıllı telefonlar gibi uç cihazlara entegre ediliyor. Bu teknolojik değişim sayesinde, veriler artık doğrudan üretildiği yerde işlenebiliyor, bu da daha hızlı yanıtlar, gelişmiş gizlilik ve sürekli bulut bağlantısına daha az bağımlılık sağlıyor.
Sonuç olarak, uç yapay zeka (edge AI) birçok sektörde ivme kazanıyor. Sistemlerin daha hızlı ve daha yerel işlemeye yönelmesiyle, uç yapay zeka yazılım pazarının 2031 yılına kadar 8,88 milyar dolara ulaşması bekleniyor.
Özellikle, görüntüleri ve videoyu anlamaya odaklanan bir yapay zeka dalı olan bilgisayarlı görü, uçta hızla benimseniyor. Paketlenirken yiyecek maddelerini saymaktan, araçların yayaları tespit etmesine yardımcı olmaya kadar, bilgisayarlı görü farklı sektörlerde sayısız pratik uygulamayı desteklemektedir.
Bu, bilgisayarlı görü modelleri aracılığıyla mümkün olmaktadır. Örneğin, Ultralytics YOLO11, nesne algılama, örnek segmentasyonu, nesne takibi ve poz tahmini gibi çeşitli Görsel Yapay Zeka görevlerini destekleyen bir modeldir. Hızlı ve verimli olacak şekilde tasarlanmıştır ve sınırlı donanım kaynaklarına sahip cihazlarda iyi performans gösterir.
Ultralytics tarafından desteklenen çeşitli entegrasyonlar sayesinde, uç dağıtımına uygun olmasının yanı sıra, YOLO11 farklı donanım ortamlarına uygun çeşitli formatlara aktarılabilir.
En verimli seçeneklerden biri, düşük kaynaklı cihazlar için tasarlanmış hafif bir çıkarım motoru olan MNN'dir (Mobile Neural Network). YOLOv8'i MNN'ye aktarmak, hızlı, cihaz üzerinde işlemenin gerekli olduğu cep telefonlarında, gömülü sistemlerde ve diğer uç platformlarda doğrudan çalışmasını sağlar.
Bu makalede, MNN entegrasyonunun nasıl çalıştığını inceleyecek, yaygın kullanım alanlarını vurgulayacak ve dışa aktarılmış bir YOLO11 modeli kullanarak çıkarımlar (inference) çalıştırmaya nasıl başlayacağınızı adım adım göstereceğiz. Haydi başlayalım!
Bilgisayarlı görü modellerini cep telefonları, endüstriyel sensörler ve taşınabilir sistemler gibi daha küçük cihazlarda çalıştırmak her zaman kolay değildir. Bu cihazlar genellikle sınırlı belleğe, daha yavaş işlemcilere ve katı güç sınırlarına sahiptir.
Mobil Sinir Ağı veya MNN, yapay zeka modellerinin düşük kaynaklı donanımlarda gerçek zamanlı performansı korurken verimli bir şekilde çalışmasını sağlamak için Alibaba tarafından geliştirilen hafif ve yüksek performanslı bir çıkarım motorudur. MNN, Android, iOS ve Linux dahil olmak üzere çok çeşitli platformları destekler ve merkezi işlem birimleri (CPU'lar) ve grafik işlem birimleri (GPU'lar) gibi çeşitli donanım türlerinde çalışır.
Ultralytics tarafından desteklenen MNN entegrasyonu, YOLO11 modellerini MNN formatına kolayca aktarmayı mümkün kılar. Basitçe söylemek gerekirse, bu, modellerin YOLO formatından MNN'ye dönüştürülebileceği anlamına gelir.
Dönüştürüldükten sonra, verimli, cihaz üzerinde çıkarım için MNN çerçevesini destekleyen cihazlarda dağıtılabilirler. MNN formatını kullanmanın temel bir faydası, boyut, hız ve kaynak verimliliğinin kritik olduğu senaryolarda YOLO11'i dağıtmayı basitleştirmesidir.
MNN entegrasyonunun nasıl kullanılacağına dalmadan önce, MNN çerçevesini gerçek dünya cihazlarında yapay zekâ modellerini çalıştırmak için neden harika bir seçim yaptığına bir göz atalım. Hızlı ve güvenilir performans sunarken, uç ortamların benzersiz kısıtlamalarını ele almak için oluşturulmuştur.
İlginç bir şekilde, MNN, Alibaba bünyesinde Taobao, Tmall, Youku, DingTalk ve Xianyu dahil olmak üzere 30'dan fazla uygulamada canlı video, kısa içerik, görsel arama ve cihaz üzerinde güvenlik kontrolleri gibi çok çeşitli senaryolarda dahili olarak kullanılmaktadır. Geniş ölçekli dağıtımı destekler ve üretim ortamlarında günde milyonlarca çıkarım gerçekleştirir.
MNN çerçevesinin temel özelliklerinden bazıları şunlardır:
Şimdi de YOLO11 modellerinin MNN formatına nasıl aktarılacağını inceleyelim.
İlk adım, YOLO11 modellerini MNN formatına aktarmak için gereken her şeyi sağlayan Ultralytics Python paketini kurmaktır. Bunu terminalinizde "pip install ultralytics" komutunu çalıştırarak veya komut istemini kullanarak yapabilirsiniz. Bir Jupyter Notebook veya Google Colab kullanıyorsanız, komutun önüne bir ünlem işareti ekleyin.
Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları için Sık Karşılaşılan Sorunlar kılavuzuna bakın.
Ortamınız kurulduktan sonra, "yolo11n.pt" gibi önceden eğitilmiş bir YOLO11 modelini yükleyebilir ve aşağıdaki kod parçasında gösterildiği gibi MNN formatına aktarabilirsiniz. Kendi özel YOLO11 modelinizi eğittiyseniz, dosya adını modelinizin yoluyla değiştirerek kolayca dışa aktarabilirsiniz.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
model.export(format="mnn")Modelinizi MNN'ye dönüştürdükten sonra, uygulama ihtiyaçlarınıza bağlı olarak farklı mobil ve gömülü platformlarda kullanabilirsiniz.
Örneğin, dışa aktarılan modeli bir trafik videosunda test etmek istediğinizi varsayalım. Bu durumda, aşağıdaki örnekte gösterildiği gibi, araçları, yayaları ve trafik işaretlerini doğrudan cihazda algılamak için YOLO11 modelini MNN formatında yükleyebilirsiniz.
mnn_model = YOLO("yolo11n.mnn")
results = mnn_model("https://videos.pexels.com/video-files/27783817/12223745_1920_1080_24fps.mp4", save=True)Çıkarım tamamlandığında, tespit edilen nesneleri içeren çıktı videosu otomatik olarak 'runs\/detect\/predict' klasörüne kaydedilir. Ayrıca, doğrudan MNN Python paketini kullanarak çıkarım yapmak isterseniz, daha fazla ayrıntı ve örnek için resmi Ultralytics dökümanlarına göz atabilirsiniz.
YOLO11'i MNN ile dağıtmak, bulut tabanlı işlemenin pratik veya mümkün olmadığı ortamlarda nesne tespiti gibi hızlı, verimli bilgisayarla görme görevlerini mümkün kılar. Bu entegrasyonun gerçek dünya senaryolarında nasıl özellikle yararlı olabileceğini görelim.
Görüntü sınıflandırması kullanan bitki hastalığı tanımlama uygulamaları, bahçıvanlar, araştırmacılar ve doğa meraklıları arasında giderek daha popüler hale geliyor. Kullanıcılar, yalnızca bir fotoğrafla yaprak lekeleri veya renk değişikliği gibi erken hastalık belirtilerini hızla tanımlayabilir. Bu uygulamalar genellikle internet erişiminin sınırlı veya kullanılamaz olduğu açık alanlarda kullanıldığından, bulut işlemeye güvenmek güvenilmez olabilir.
Eğitimden sonra, bir YOLO11 modeli MNN formatına aktarılabilir ve doğrudan mobil cihazlarda çalıştırılabilir. Model daha sonra bitki türlerini sınıflandırabilir ve herhangi bir veriyi bir sunucuya göndermeden yerel olarak görülebilir hastalık belirtilerini tespit edebilir.
Üretim tesislerindeki yoğun üretim hatlarında doğru paket takibi çok önemlidir. YOLO11, her bir öğeyi önemli kontrol noktalarından geçerken izlemek ve saymak, sayıları gerçek zamanlı olarak güncellemek ve herhangi bir tutarsızlığı işaretlemek için kullanılabilir. Bu, kaçırılan veya hesaba katılmayan gönderileri azaltmaya yardımcı olur ve daha sorunsuz, daha güvenilir operasyonları destekler.
MNN entegrasyonu bu bağlamda özellikle etkili olabilir. YOLO11 modeli MNN formatına aktarıldıktan sonra, doğrudan konveyör boyunca kurulan kompakt, düşük güçlü cihazlarda çalıştırılabilir.
Tüm işlemler yerel olarak gerçekleştiğinden, sistem anında geri bildirim sağlayabilir ve internet bağlantısı gerektirmez. Bu, fabrika zemininde hızlı, güvenilir performans sağlayarak üretimin verimli bir şekilde ilerlemesini sağlarken yüksek doğruluk ve kontrolü de korur.
İşte Ultralytics tarafından sağlanan MNN entegrasyonunun bazı temel faydaları:
MNN'yi dağıtım çerçevesi olarak seçmeden önce, projenizin gereksinimlerine, dağıtım hedeflerine ve teknik sınırlamalarına ne kadar uygun olduğunu değerlendirmek de önemlidir. İşte dikkate alınması gereken bazı önemli faktörler:
Ultralytics'in MNN entegrasyonu desteği, YOLO11 modellerini mobil ve gömülü cihazlarda kullanım için dışa aktarmayı kolaylaştırır. Bulut erişimine veya sürekli bağlantıya bağlı kalmadan hızlı, güvenilir algılama gerektiren uygulamalar için pratik bir seçenektir.
Bu kurulum, performansı korurken ve kaynak taleplerini düşük tutarken dağıtımı kolaylaştırmaya yardımcı olur. İster akıllı ev sistemleri, saha araçları veya kompakt endüstriyel cihazlar geliştiriyor olun, YOLO11'i MNN'ye aktarmak, bilgisayarlı görü görevlerini doğrudan uç cihazlarda çalıştırmanın esnek ve verimli bir yolunu sağlar.
Büyüyen topluluğumuza katılın! AI'ya daha derinlemesine dalmak için GitHub depomuzu keşfedin. Bilgisayarlı görü projelerinize başlamaya hazır mısınız? Lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızda sağlık hizmetlerinde AI ve perakendede bilgisayarlı görü hakkında daha fazla bilgi edinin!
.webp)