"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Mobil, gömülü ve düşük güçlü platformlarda hızlı çıkarım için Ultralytics YOLO11 modellerini MNN entegrasyonu ile 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 videoları anlamaya odaklanan bir yapay zeka dalı olan bilgisayarla görme, uç noktalarda hızla benimseniyor. Paketlenen gıda maddelerini saymaktan araçların yayaları detect etmesine yardımcı olmaya kadar, bilgisayar görüşü farklı sektörlerde sayısız pratik uygulamayı desteklemektedir.
Bu, bilgisayarla görme modelleri sayesinde mümkün olmaktadır. Mesela, Ultralytics YOLO11 nesne algılama, örnek segmentasyonu, nesne izleme ve poz tahmini gibi çeşitli Vision AI 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
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 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.
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 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:
Arka uç otomatik seçimi: MNN, üzerinde çalıştığı donanıma bağlı olarak CPU veya GPU gibi en uygun yürütme arka ucunu otomatik olarak seçebilir.
Çoklu iş parçacıklı yürütme: Çoklu iş parçacığını destekler ve daha hızlı çıkarım için çok çekirdekli işlemcilerden tam olarak yararlanmasını sağlar.
Model nicelemesini destekler: FP16 veya INT8 nicelemesini kullanarak model boyutunu önemli ölçüde azaltmanızı sağlayarak, daha az bellek kullanırken çıkarım hızını artırmaya 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.
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 cihazda detect etmek için YOLO11 modelini MNN formatında yükleyebilirsiniz.
Çıkarım tamamlandığında, algılanan nesneleri içeren çıktı videosu otomatik olarak 'detect' 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 hastalığı tespiti için mobil uç yapay zeka
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 bir sunucuya herhangi bir veri göndermeden bitki türlerini classify ve görünür hastalık belirtilerini yerel olarak detect edebilir.
Şekil 4. Bir yapraktaki pas (bir bitki hastalığı) belirtilerini detect etmek için YOLO11 kullanımına bir örnek(Kaynak).
Üretimde cihaz üzerinde verimli çıkarımlar
Üretim tesislerindeki yoğun üretim hatlarında doğru paket takibi çok önemlidir. YOLO11 , her bir ürünü kilit kontrol noktalarından geçerken track ve saymak, sayımları gerçek zamanlı olarak güncellemek ve herhangi bir tutarsızlığı track 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 zemininde hızlı, 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 gecikmeyle gerçek zamanlı olarak gerçekleşir.
Geliştirilmişveri gizliliği: Veriler cihazda kalır, bu da hassas görüntüleri veya videoları buluta gönderme ihtiyacını azaltır.
Açık kaynaklı ve aktif olarak sürdürülüyor: Alibaba tarafından desteklenen ve aktif bir topluluk tarafından desteklenen MNN, güvenilirdir ve performans iyileştirmeleriyle düzenli olarak güncellenir.
MNN çerçevesini kullanırken dikkate alınması gereken faktörler
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:
Devamlı uyumluluk: Çerçeve güncellemeleri veya hedef platformlarınızdaki değişiklikler, her şeyin sorunsuz çalışmaya devam etmesi için yeniden test etme veya ayarlamalar gerektirebilir.
Daha az hata ayıklama aracı: Daha büyük çerçevelerle karşılaştırıldığında, MNN'nin model davranışını hata ayıklamak ve incelemek için daha sınırlı araçları vardır, bu da sorun gidermeyi zorlaştırabilir.
Performans donanıma bağlıdır: Modelinizin hızı ve verimliliği cihaza göre 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.
.webp)