MNN entegrasyonunu kullanarak Ultralytics YOLO11'i sorunsuz bir şekilde dağıtın

Abirami Vina

4 dakika okuma

25 Haziran 2025

Mobil, gömülü ve düşük güçlü platformlarda hızlı çıkarım için Ultralytics YOLO11 modellerini MNN entegrasyonu ile nasıl dışa aktaracağınızı ve dağıtacağınızı öğrenin.

Günümüzde yapay zeka inovasyonları uzak sunucu ortamlarının ötesine geçmiştir. YZ çözümleri sensörler ve akıllı telefonlar gibi uç cihazlara entegre ediliyor. Bu teknolojik değişim sayesinde, veriler artık doğrudan üretildikleri yerde işlenebilmekte, daha hızlı yanıtlar alınabilmekte, gizlilik artmakta ve sürekli bulut bağlantısına olan bağımlılık azalmaktadır.

Sonuç olarak, yapay zeka birçok sektörde ilgi görmeye başladı. Daha fazla sistem daha hızlı ve daha yerel işlemeye doğru ilerledikçe, yapay zeka yazılım pazarının 2031 yılına kadar 8,88 milyar dolara ulaşması bekleniyor.

Özellikle, görüntüleri ve videoları anlamaya odaklanan bir yapay zeka dalı olan bilgisayarla görme, uç noktalarda hızla benimseniyor. Paketlenen gıda maddelerini saymaktan araçların yayaları tespit etmesine yardımcı olmaya kadar, bilgisayar görüşü farklı sektörlerde sayısız pratik uygulamayı desteklemektedir.

Bu, bilgisayarla görme modelleri aracılığıyla mümkün olmaktadır. Örneğin, Ultralytics YOLO11 nesne algılama, örnek segmentasyonu, nesne izleme ve poz tahmini gibi çeşitli Görme Yapay Zeka görevlerini destekleyen bir modeldir. Hızlı ve verimli olacak şekilde tasarlanmıştır ve sınırlı donanım kaynaklarına sahip cihazlarda iyi performans gösterir.

Şekil 1. YOLO11 kullanılarak paketlenen gıdaların tespit edilmesi ve izlenmesi(Kaynak).

Uç dağıtım için uygun olmasının yanı sıra, Ultralytics tarafından desteklenen çeşitli entegrasyonlar aracılığıyla 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). YOLO11'in MNN'ye aktarılması, doğrudan cep telefonlarında, gömülü sistemlerde ve hızlı, cihaz üzerinde işlemenin gerekli olduğu diğer uç platformlarda çalışmasını sağlar.

Bu makalede, MNN entegrasyonunun nasıl çalıştığını keşfedecek, yaygın kullanım durumlarını vurgulayacak ve dışa aktarılan bir YOLO11 modelini kullanarak çıkarımları çalıştırmaya nasıl başlayacağınızı anlatacağız. Hadi başlayalım!

MNN'ye genel bir bakış: Bir derin öğrenme çerçevesi

Bilgisayarla görme 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 verimli bir şekilde çalışmasını sağlamak ve gerçek zamanlı performansı korumak 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.

Şekil 2. MNN çerçevesine bir bakış(Kaynak).

Ultralytics tarafından desteklenen MNN entegrasyonu, YOLO11 modellerinin MNN formatına kolayca aktarılmasını mümkün kılar. Basitçe söylemek gerekirse, bu, modellerin YOLO formatından MNN'ye dönüştürülebileceği anlamına gelir. 

Dönüştürüldükten sonra, verimli, cihaz üzerinde çıkarım için MNN çerçevesini destekleyen cihazlara dağıtılabilirler. MNN formatını kullanmanın önemli bir avantajı, boyut, hız ve kaynak verimliliğinin kritik olduğu senaryolarda YOLO11'in dağıtımını basitleştirmesidir.

MNN çıkarım arka ucunun temel özellikleri

MNN entegrasyonunu nasıl kullanacağımıza geçmeden önce, MNN çerçevesini gerçek dünya cihazlarında yapay zeka modellerini çalıştırmak için mükemmel bir seçim yapan şeylere bir göz atalım. Hızlı ve güvenilir performans sunarken uç ortamların benzersiz kısıtlamalarının üstesinden gelmek için tasarlanmıştır.

İlginç bir şekilde MNN, Alibaba'da Taobao, Tmall, Youku, DingTalk ve Xianyu dahil olmak üzere 30'dan fazla uygulamada canlı video, kısa biçimli içerik, görsel arama ve cihaz üzerinde güvenlik kontrolleri gibi çok çeşitli senaryolarda dahili olarak kullanılmaktadır. Büyük ölçekli dağıtımı destekler ve üretim ortamlarında günde milyonlarca çıkarım çalıştırır.

İşte MNN çerçevesinin bazı temel özellikleri:

  • Arka uç otomatik seçimi: MNN, üzerinde çalıştığı donanıma bağlı olarak CPU veya GPU gibi en uygun yürütme arka ucunu otomatik olarak seçebilir.
  • Çok iş parçacıklı yürütme: Çoklu iş parçacığını destekleyerek daha hızlı çıkarım için çok çekirdekli işlemcilerden tam olarak yararlanmasını sağlar.
  • Model nicelemeyi destekler: FP16 veya INT8 niceleme kullanarak model boyutunu önemli ölçüde azaltmanıza olanak tanıyarak daha az bellek kullanırken çıkarım hızını artırmanıza yardımcı olur.
  • Hafif ve hızlı: MNN, Android'de yaklaşık 400 KB ve iOS'ta yaklaşık 5 MB çekirdek kütüphanesi ile çok küçük bir ayak izine sahiptir, bu da onu mobil ve gömülü cihazlar için ideal hale getirir.

MNN entegrasyonunun nasıl çalıştığını anlama

Daha sonra, YOLO11 modellerinin MNN formatına nasıl aktarılacağını inceleyelim.

İlk adım, YOLO11 modellerini MNN formatına aktarmak için gereken her şeyi sağlayan Ultralytics Python paketini yüklemektir. Bunu terminalinizde "pip install ultralytics" komutunu çalıştırarak veya komut istemini kullanarak yapabilirsiniz. Jupyter Notebook veya Google Colab kullanıyorsanız, komuttan önce bir ünlem işareti ekleyin.

Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları için Ortak 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 yolu ile değiştirerek 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 videosu üzerinde test etmek istediğinizi varsayalım. Bu durumda, aşağıdaki örnekte gösterildiği gibi araçlar, yayalar ve trafik işaretleri gibi nesneleri doğrudan cihaz üzerinde tespit etmek 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, algılanan nesneleri içeren çıktı videosu otomatik olarak 'runs/detect/predict' klasörüne kaydedilir. Ayrıca, doğrudan MNN Python paketini kullanarak çıkarım yapmak istiyorsanız, daha fazla ayrıntı ve örnek için resmi Ultralytics belgelerine göz atabilirsiniz.

Şekil 3. MNN formatına aktarılmış bir YOLO11 modeli kullanarak trafik analizi. Yazar tarafından resim.

YOLO11 ve MNN tarafından etkinleştirilen uç yapay zeka modeli dağıtımının kullanım örnekleri

YOLO11'i MNN ile dağıtmak, bulut tabanlı işlemenin pratik veya mümkün olmadığı ortamlarda nesne algılama gibi hızlı ve verimli bilgisayarla görme görevlerine olanak sağlar. Bu entegrasyonun özellikle gerçek dünya senaryolarında nasıl faydalı olabileceğini görelim.

Bitki hastalıklarının tespiti için mobil uç yapay zeka

Görüntü sınıflandırması kullanan bitki hastalığı tanımlama uygulamaları bahçıvanlar, araştırmacılar ve doğa meraklıları arasında popülerlik kazanıyor. Kullanıcılar sadece bir fotoğrafla yaprak lekeleri veya renk değişikliği gibi erken hastalık belirtilerini hızlı bir şekilde tespit edebiliyor. Bu uygulamalar genellikle internet erişiminin sınırlı olabileceği veya kullanılamayacağı açık alanlarda kullanıldığından, bulut işlemeye güvenmek güvenilmez olabilir.

Eğitimden sonra, bir YOLO11 modeli MNN formatına aktarılabilir ve doğrudan mobil cihazlarda çalıştırılabilir. Model daha sonra bir sunucuya herhangi bir veri göndermeden bitki türlerini sınıflandırabilir ve görünür hastalık belirtilerini yerel olarak tespit edebilir. 

Şekil 4. Bir yapraktaki pas (bir bitki hastalığı) belirtilerini tespit etmek için YOLO11 kullanımına bir örnek(Kaynak).

Üretimde cihaz üzerinde verimli çıkarımlar

Üretim tesislerindeki yoğun üretim hatlarında doğru paket takibi çok önemlidir. YOLO11, önemli kontrol noktalarından geçerken her bir öğeyi izlemek ve saymak, sayımları gerçek zamanlı olarak güncellemek ve herhangi bir tutarsızlığı işaretlemek için kullanılabilir. Bu, gözden kaçan veya hesaba katılmayan sevkiyatların azaltılmasına yardımcı olur ve daha sorunsuz, daha güvenilir operasyonları destekler.

Şekil 5. YOLO11 kullanarak paketlerin izlenmesi ve sayılması(Kaynak).

MNN entegrasyonu bu bağlamda özellikle etkili olabilir. YOLO11 modeli MNN formatına aktarıldıktan sonra, doğrudan konveyör boyunca kurulu kompakt, düşük güçlü cihazlarda çalışabilir. 

Tüm işlemler yerel olarak gerçekleştiğinden, sistem anında geri bildirim sağlayabilir ve internet bağlantısı gerektirmez. Bu, fabrika katında hızlı ve güvenilir performans sağlayarak üretimin verimli bir şekilde ilerlemesini sağlarken yüksek doğruluk ve kontrolü de korur.

YOLO11'i MNN model formatına aktarmanın avantajları

Ultralytics tarafından sağlanan MNN entegrasyonunun bazı önemli faydaları şunlardır:

  • Daha hızlı yanıt süreleri: Çıkarım cihaz üzerinde çalıştığından, tahminler minimum gecikme ile gerçek zamanlı olarak gerçekleşir.
  • Geliştirilmiş veri gizliliği: Veriler cihazda kalır ve hassas görüntülerin veya videoların buluta gönderilmesi ihtiyacını azaltır.
  • Açık kaynaklıdır ve aktif olarak bakımı yapılır: Alibaba tarafından desteklenen ve aktif bir topluluk tarafından desteklenen MNN güvenilirdir ve performans iyileştirmeleriyle düzenli olarak güncellenir.

MNN çerçevesini kullanırken göz önünde bulundurulması gereken faktörler

Dağıtım çerçeveniz olarak MNN'yi seçmeden önce, projenizin gereksinimlerine, dağıtım hedeflerine ve teknik sınırlamalara ne kadar uygun olduğunu değerlendirmek de önemlidir. İşte dikkate alınması gereken bazı temel faktörler:

  • Sürekli uyumluluk: Çerçeve güncellemeleri veya hedef platformlarınızdaki değişiklikler, her şeyin sorunsuz çalışmasını sağlamak için yeniden test edilmesini veya ayarlamalar yapılmasını gerektirebilir.
  • Daha az hata ayıklama aracı: Daha büyük çerçevelerle karşılaştırıldığında, MNN model davranışında hata ayıklama ve inceleme için daha sınırlı araçlara sahiptir, bu da sorun gidermeyi zorlaştırabilir.
  • Performans donanıma bağlıdır: Modelinizin hızı ve verimliliği cihaza bağlı olarak değişecektir. Performans hedeflerinizi karşıladığından emin olmak için hedef donanımınızı test edin.

Önemli çıkarımlar

Ultralytics'in MNN entegrasyonu desteği, mobil ve gömülü cihazlarda kullanılmak üzere YOLO11 modellerinin dışa aktarılmasını kolaylaştırır. Bulut erişimine veya sürekli bağlantıya bağlı olmadan 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, ister saha araçları veya kompakt endüstriyel cihazlar geliştiriyor olun, YOLO11'i MNN'ye aktarmak, bilgisayarla görme görevlerini doğrudan uç cihazlarda çalıştırmak için esnek ve verimli bir yol sağlar.

Büyüyen topluluğumuza katılın! Yapay zekaya daha derinlemesine dalmak için GitHub depomuzu keşfedin. Bilgisayarla görme projelerinize başlamaya hazır mısınız? Lisanslama seçeneklerimize göz atın. Çözüm sayfalarımızda sağlık sektöründe yapay zeka ve perakende sektöründe bilgisayar la görme hakkında daha fazlasını keşfedin!

Yapay zekanın gelecekteki
adresini birlikte inşa edelim!

Makine öğreniminin geleceği ile yolculuğunuza başlayın

Ücretsiz başlayın
Panoya kopyalanan bağlantı