YOLO26'yı uçta ve bulutta verimli biçimde dağıtmak için en iyi 5 ipucu
Doğru iş akışını ve dışa aktarma biçimini seçmekten nicelemeye kadar, Ultralytics YOLO26'yı uçta ve bulutta verimli biçimde dağıtmak için en iyi 5 pratik ipucunu öğren.
Geçen ay Ultralytics, yapay zekânın makinelerin görüntü ve videolardaki görsel bilgileri yorumlayıp anlamasını sağlayan bir dalı olan görü yapay zekâsı için yeni bir standart belirleyen Ultralytics YOLO26 modelini resmen kullanıma sundu. Yalnızca görüntü kaydetmekle kalmayan Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleri; nesne algılama, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması gibi görü görevlerini destekler.
Bilgisayarlı görünün cihazlarda, kameralarda, robotlarda ve üretim sistemlerinde gerçekten çalıştığı ortamlar için tasarlanan Ultralytics YOLO26; daha hızlı merkezi işlem birimi (CPU) çıkarımı, kolaylaştırılmış devreye alma ve gerçek dünya ortamlarında verimli uçtan uca performans sunan son teknoloji bir modeldir. YOLO26 modelleri, bilgisayarlı görü çözümlerinin deney aşamasından üretime kolayca aktarılabilmesi için de tasarlanmıştır.
Şekil 1. YOLO26 nano modeli, YOLO11'e kıyasla CPU çıkarımını %43'e kadar hızlandırır. (Kaynak)
Modeli devreye almak genellikle doğru donanımı seçmek, uygun bir dışa aktarma biçimi belirlemek, performansı optimize etmek ve sonuçları gerçek dünya koşullarında doğrulamak gibi çeşitli noktaları göz önünde bulundurmayı gerektirir. YOLO26'yı devreye alırken bu adımları yönetmek, çeşitli hedef platformlarda eğitimi, çıkarımı ve model dışa aktarmayı kolaylaştıran Ultralytics Python paketi sayesinde kolaydır.
Ancak iş akışları basitleştirilmiş olsa bile doğru devreye alma kararlarını vermek önemlidir. Bu yazıda, üretimde güvenilir ve ölçeklenebilir görü yapay zekâ performansı sağlamak için Ultralytics YOLO26'yı uç ve bulut ortamlarında verimli biçimde devreye almana yardımcı olacak beş pratik ipucunu ele alacağız. Hadi başlayalım!
Bilgisayarlı görüde model devreye alma nedir?#
Ultralytics YOLO26 için devreye alma stratejilerine geçmeden önce bir adım geriye gidelim ve bilgisayarlı görüde model devreye almanın ne anlama geldiğini anlayalım.
Model devreye alma, eğitilmiş bir derin öğrenme modelini geliştirme ortamından yeni görüntüleri veya video akışlarını işleyip sürekli tahminler üretebileceği gerçek dünya uygulamasına aktarma sürecidir. Model, statik veri kümeleri üzerinde deneyler yürütmek yerine canlı bir sistemin parçası hâline gelir.
Bilgisayarlı görüde bu genellikle modelin kameralar, uç yapay zekâ cihazları, API'ler veya bulut altyapısıyla bütünleştirilmesi anlamına gelir. Modelin donanım kısıtları içinde çalışması, gecikme gereksinimlerini karşılaması ve değişen gerçek dünya koşullarında tutarlı performansını koruması gerekir.
Deney aşamasından üretime geçişi anlamak çok önemlidir; çünkü devreye alma kararları, modelin laboratuvar veya deney ortamı dışında ne kadar iyi çalışacağını doğrudan etkiler.
Ultralytics YOLO26 devreye alma iş akışlarını anlama#
Şimdi, Ultralytics YOLO26 devreye alma iş akışının gerçekte neleri içerdiğine bakalım. Basitçe ifade etmek gerekirse bu, bir görüntünün yakalanmasından analiz edilip tahmine dönüştürülmesine kadar uzanan adımlar dizisidir.
Tipik bir kurulumda kamera bir görüntü veya video karesi yakalar. Bu veriler, çıkarım için Ultralytics YOLO26'ya aktarılmadan önce yeniden boyutlandırma veya doğru biçime getirme gibi ön işleme adımlarından geçirilir.
Model girdiyi analiz ederek sınırlayıcı kutular, segmentasyon maskeleri veya anahtar noktalar gibi çıktılar üretir. Ardından bu sonuçlar uyarı gönderme, bir gösterge panelini güncelleme veya robotik bir sistemi yönlendirme gibi eylemleri tetiklemek için kullanılabilir.
Bu iş akışının nerede çalışacağı, devreye alma stratejine bağlıdır. Örneğin uçta devreye almada çıkarım doğrudan cihazda veya kameranın yakınında yapılır; bu da gecikmeyi azaltmaya ve veri gizliliğini iyileştirmeye yardımcı olur.
Bulutta devreye almada ise görüntüler veya video kareleri işlenmek üzere uzak sunuculara gönderilir; bu da daha fazla ölçeklenebilirlik ve merkezi yönetim sağlar. Bazı sistemler, uçta hafif işlemler yapıp daha ağır iş yüklerini buluta aktararak hibrit bir yaklaşım kullanır.
Ultralytics YOLO26 model çeşitlerini inceleme#
Bilinçli devreye alma kararları verebilmek için seçebileceğin farklı Ultralytics YOLO26 model çeşitleri olduğunu anlamak da önemlidir.
Ultralytics YOLO modelleri varsayılan olarak birden fazla boyutta sunulur; böylece donanımına ve performans gereksinimlerine uygun bir sürümü kolayca seçebilirsin. YOLO26'nın beş çeşidi vardır: Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x).
YOLO26n gibi daha küçük modeller verimlilik için optimize edilmiştir; düşük gecikmenin ve daha az güç tüketiminin önemli olduğu uç cihazlar, Nesnelerin İnterneti (IoT) cihazları, gömülü sistemler ve CPU destekli sistemler için idealdir. Kaynak kullanımını en düşük düzeyde tutarken güçlü performans sunarlar.
YOLO26l ve YOLO26x gibi daha büyük modeller, daha yüksek doğruluk sunmak ve daha karmaşık sahnelerin üstesinden gelmek üzere tasarlanmıştır. Bu çeşitler genellikle grafik işlem birimleriyle (GPUs) donatılmış sistemlerde veya daha fazla bilgi işlem kaynağının bulunduğu bulut ortamlarında en iyi performansı gösterir.
Doğru model boyutunu seçmek, devreye alma hedeflerine bağlıdır. Kısıtlı donanımda hız ve verimlilik en önemli önceliklerinse daha küçük bir model çeşidi ideal olabilir. Uygulaman yüksek doğruluk gerektiriyorsa ve daha güçlü donanıma erişimin varsa büyük bir model daha iyi bir tercih olabilir.
Ultralytics YOLO26'yı verimli biçimde devreye alma ipuçları#
Ultralytics YOLO26 model çeşitlerini ve devreye alma iş akışlarını artık daha iyi anladığımıza göre, YOLO26'yı uç ve bulut ortamlarında verimli biçimde devreye almaya yönelik bazı pratik ipuçlarını inceleyelim.
İpucu 1: Model dağıtım seçeneklerini değerlendir#
Ultralytics YOLO26'yı devreye alırken vermen gereken ilk kararlardan biri, modelin nerede çalışacağıdır. Devreye alma ortamın performansı, gecikmeyi, gizliliği ve ölçeklenebilirliği doğrudan etkiler.
İş akışını değerlendirerek başla. Uygulaman, görüntü yakalandıktan hemen sonra neredeyse anında tahminler üretilmesi anlamına gelen düşük gecikme gerektiriyor mu?
Örneğin robotik veya güvenlik sistemlerinde küçük gecikmeler bile performansı etkileyebilir. Bu durumlarda uçta devreye alma genellikle en iyi seçenektir. Çıkarımı doğrudan cihazda veya kameranın yakınında çalıştırmak, verilerin işlenme süresini azaltır ve görüntülerin internet üzerinden gönderilmesini önleyerek gizliliği de iyileştirebilir.
Öte yandan bulutta devreye alma daha fazla ölçeklenebilirlik ve bilgi işlem gücü sağlar. Bulut sunucuları büyük miktarlarda görüntüyü işleyebilir, birden fazla video akışını yönetebilir ve daha yüksek işlem hacmini destekleyebilir.
Örneğin tarımda bir çiftçi binlerce yaprak görüntüsü toplayıp ürünlerde hastalık belirtileri olup olmadığını belirlemek için bunları toplu hâlde analiz edebilir. Böyle bir senaryoda anında ve gerçek zamanlı performans gerekmeyebilir; bu da bulut işlemeyi pratik ve ölçeklenebilir bir seçenek hâline getirir.
Şekil 2. Yaprak görüntülerini analiz etmek için Ultralytics YOLO26 kullanımına bir örnek
Ancak verileri uzak sunuculara göndermek, görüntüleri internet üzerinden aktarırken ve karşılığında tahminleri alırken yaşanan gecikme olan ağ gecikmesine yol açar. Zamana duyarlı olmayan uygulamalarda bu ödünleşim kabul edilebilir.
Tamamen uçta veya tamamen bulutta çalışmanın dışında başka seçenekler de vardır. Bazı şirketler verilerin üretildiği yere yakın konumlandırılmış şirket içi altyapıyı kullanır. Diğerleri ise uçta hafif filtreleme yapıp seçilen verileri daha derin analiz için buluta göndererek hibrit işlem hatları oluşturur.
Doğru devreye alma seçeneğini belirlemek, uygulamanın gereksinimlerine bağlıdır. Hız, gizlilik ve ölçeklenebilirlik ihtiyaçlarını net biçimde tanımlayarak Ultralytics YOLO26'nın gerçek dünya koşullarında güvenilir biçimde çalışmasını sağlayacak bir strateji seçebilirsin.
İpucu 2: Donanımına uygun dışa aktarma biçimini seç#
Modelinin nerede çalışacağına karar verdikten sonraki adım, doğru dışa aktarma biçimini seçmektir. Modeli dışa aktarmak, modeli eğitim sırasında kullanılan biçimden devreye almaya uygun bir biçime dönüştürmek anlamına gelir.
Ultralytics YOLO26 modelleri yerel olarak PyTorch ile oluşturulur ve eğitilir; ancak üretim ortamlarında çoğunlukla belirli donanımlara daha uygun özel çalışma ortamları kullanılır. Bu çalışma ortamları çıkarım hızını artırmak, bellek kullanımını azaltmak ve hedef cihazla uyumluluğu sağlamak üzere tasarlanmıştır.
YOLO26'yı uygun biçime dönüştürmek, modelin eğitim ortamı dışında verimli çalışmasını sağlar. Ultralytics Python paketi bu süreci kolaylaştırır. Bilgisayarlı görü projeleri oluşturup devreye almak için çok sayıda entegrasyonu destekler.
Bu entegrasyonları daha ayrıntılı incelemek istersen resmî Ultralytics belgelerine göz atabilirsin. Belgeler, geliştirmeden üretime güvenle geçmene yardımcı olacak adım adım eğitimler, donanıma özel yönlendirmeler ve pratik örnekler içerir.
Şekil 3. Ultralytics farklı entegrasyonları destekler (Kaynak)
Özellikle Ultralytics Python paketi, Ultralytics YOLO26'yı farklı donanım platformlarına uygun çeşitli biçimlerde dışa aktarmayı destekler. Örneğin ONNX dışa aktarma biçimi platformlar arası uyumluluk sağlar, TensorRT dışa aktarma biçimi NVIDIA GPU'lar ve NVIDIA Jetson uç cihazları için optimize edilmiştir ve OpenVINO dışa aktarma biçimi Intel donanımları için tasarlanmıştır.
Bazı cihazlar birden fazla dışa aktarma biçimini destekler, ancak seçtiğin biçime bağlı olarak performans değişebilir. Varsayılan olarak bir biçim seçmek yerine kendine şunu sor: Cihazın için en verimli seçenek hangisi?
Bir biçim daha hızlı çıkarım sağlarken diğeri bellek verimliliğini artırabilir veya mevcut işlem hattına daha kolay entegre olabilir. Bu nedenle dışa aktarma biçimini belirli donanımın ve devreye alma ortamınla eşleştirmen önemlidir.
Hedef cihazında farklı dışa aktarma seçeneklerini test etmek için zaman ayırmak, gerçek dünya performansında belirgin bir fark yaratabilir. Donanımla uyumlu bir dışa aktarma biçimi, Ultralytics YOLO26'nın verimli ve güvenilir biçimde, uygulamanın gerektirdiği hızda çalışmasını sağlar.
İpucu 3: Modelinin nicelemeye ihtiyacı olup olmadığını sor#
Bir dışa aktarma biçimi seçtikten sonra modelinin nicelemesinin gerekip gerekmediğini belirlemek de iyi bir fikirdir.
Model niceleme, model ağırlıklarının ve hesaplamalarının sayısal hassasiyetini düşürür; genellikle bunları 32 bit kayan noktadan 16 bit veya 8 bit gibi daha düşük hassasiyetli biçimlere dönüştürür. Bu, model boyutunu ve bellek kullanımını azaltmaya, çıkarım hızını artırmaya yardımcı olur; özellikle uç cihazlarda veya CPU ile çalışan sistemlerde.
Donanımına, dışa aktarma biçimine ve çalışma zamanı bağımlılıklarına bağlı olarak niceleme performansı belirgin ölçüde artırabilir. Bazı çalışma zamanları, düşük hassasiyetli modeller için optimize edilmiştir ve bu modellerin daha hızlı ve verimli çalışmasını sağlar.
Ancak dikkatli uygulanmazsa niceleme doğruluğu bir miktar düşürebilir. Eğitim sonrası niceleme yaparken doğrulama görüntülerini aktardığından emin ol. Bu görüntüler, kalibrasyon sırasında modelin düşük hassasiyete uyum sağlamasına ve kararlı tahminler üretmesine yardımcı olur.
İpucu 4: Veri kaymasını hesaba kat#
En iyi eğitilmiş model bile zaman içinde veri kayması nedeniyle performans kaybedebilir. Veri kayması, modelinin üretimde karşılaştığı verilerin eğitim verilerinden farklı olması durumunda ortaya çıkar.
Başka bir deyişle, gerçek dünya değişir ama modelin değişmez. Sonuç olarak doğruluk zamanla azalabilir.
Örneğin, Ultralytics YOLO26 modelini gündüz çekilmiş görüntülerle eğitebilirsin. Aynı model daha sonra gece, farklı ışık koşullarında kullanılırsa performansı düşebilir. Kamera açıları, hava koşulları, arka planlar veya nesnelerin görünümündeki değişiklikler de aynı soruna yol açabilir.
Gerçek dünyadaki görsel yapay zekâ sistemlerinde veri kayması yaygındır. Ortamlar nadiren sabit kalır ve küçük değişiklikler algılama doğruluğunu etkileyebilir. Kaymanın etkisini azaltmak için eğitim veri kümenin gerçek dünya koşullarını olabildiğince yakından yansıttığından emin olabilirsin.
Günün farklı saatlerinde, farklı ışık koşullarında ve çeşitli ortamlarda çekilmiş görüntüleri ekle. Dağıtımdan sonra performansı izlemeyi sürdürebilir, gerektiğinde modeli güncelleyebilir veya ince ayar yapabilirsin.
İpucu 5: Gerçek dünya koşullarında kıyaslama yap#
Modelini tamamen dağıtıma almadan önce gerçek dünya koşullarında kıyaslama yapabilirsin.
Şekil 4. YOLO26'nın diğer modellerle kıyaslanmasına bir bakış (Kaynak)
Örnek görüntüler veya küçük veri kümeleriyle kontrollü ortamlarda performansı test etmek yaygındır. Ancak gerçek dünya sistemleri genellikle farklı davranır. Donanım kısıtlamaları, ağ gecikmeleri, birden fazla video akışı ve sürekli girişin tümü performansı etkileyebilir.
Kıyaslama, modelinin çalışacağı gerçek cihaz ve kurulumdaki performansını ölçmeyi ifade eder. Buna çıkarım hızını, toplam gecikmeyi, bellek kullanımını ve sistem kararlılığını kontrol etmek dahildir. Yalnızca modelin kendisini değil, ön işleme ve son işleme adımları da dahil olmak üzere tüm işlem hattını test etmek önemlidir.
Bir model tek görüntü testinde iyi performans gösterebilir, ancak canlı videoyu sürekli işlerken zorlanabilir. Benzer şekilde, güçlü bir geliştirme makinesindeki performans, modelin düşük güçlü bir uç cihazda nasıl davranacağını yansıtmayabilir.
Gerçekçi koşullarda kıyaslama yaparak darboğazları erken belirleyebilir ve yayına almadan önce düzenlemeler yapabilirsin. Ultralytics YOLO26'nın çalışacağı ortamda test yapmak, üretimde güvenilir, kararlı ve tutarlı performans sağlamaya yardımcı olur.
Model dağıtımında dikkate alınması gereken diğer önemli noktalar#
Ultralytics YOLO26'yı dağıtırken göz önünde bulundurman gereken bazı ek etkenler şunlardır:
- İzleme ve günlük kaydı: Dağıtımdan sonra gecikme, doğruluk ve sistem sağlığı gibi metrikleri takip etmek için izleme araçları kur.
- Güvenlik ve gizlilik: Özellikle bulut veya uzak altyapı kullanırken hassas görsel verileri korumak için güvenlik önlemleri uygula.
- İşlem hattındaki darboğazların optimizasyonu: Gecikmeler modelin dışında da oluşabileceğinden ön işleme, çıkarım, son işleme ve veri aktarımı gibi modüller dahil tüm işlem hattını değerlendir.
- Ölçeklenebilirlik planlaması: Sisteminin artan trafiği, ek kameraları veya genişleyen iş yüklerini kaldırabileceğinden emin olarak büyümeyi önceden planla.
Önemli çıkarımlar#
YOLO26'yı verimli bir şekilde dağıtmak, modelinin nerede çalışacağını ve uygulamanın gerçekte neye ihtiyaç duyduğunu anlamakla başlar. Doğru dağıtım yaklaşımını seçerek, dışa aktarma biçimini donanımına uygun hale getirerek ve performansı gerçek dünya koşullarında test ederek güvenilir ve hızlı yanıt veren görsel yapay zekâ sistemleri oluşturabilirsin. Doğru kurulumla Ultralytics YOLO26, üretime hazır hızlı bilgisayarlı görü çözümlerini uca ve buluta taşımayı kolaylaştırır.
Topluluğumuza katıl ve GitHub depomuzu incele. Tarımda yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi çeşitli uygulamaları keşfetmek için çözümler sayfalarımıza göz at. Lisanslama seçeneklerimizi keşfet ve bugün görü yapay zekâsını kullanmaya başla!
