YOLO26 modelini uçta ve bulutta verimli şekilde dağıtmak için en iyi 5 ipucu

Geçen ay Ultralytics, makinelerin görüntü ve videolardaki görsel bilgileri yorumlayıp anlamasını sağlayan bir yapay zeka dalı olan vision AI için yeni bir standart belirleyerek Ultralytics YOLO26'yı resmi olarak piyasaya sürdü. Yalnızca görüntüleri kaydetmekle kalmayan Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleri; nesne algılama, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırma gibi görü görevlerini destekler.

Bilgisayarlı görünün gerçekte çalıştığı cihazlar, kameralar, robotlar ve üretim sistemleri için geliştirilen Ultralytics YOLO26, gerçek dünya ortamlarında daha hızlı merkezi işlem birimi (CPU) çıkarımı, basitleştirilmiş dağıtım ve uçtan uca verimli performans sunan son teknoloji bir modeldir. YOLO26 modelleri ayrıca bilgisayarlı görü çözümlerinin deneme aşamasından üretime kolayca taşınabilmesi için tasarlanmıştır.

Şekil 1. YOLO26 nano modeli, YOLO11'e göre %43'e kadar daha hızlı CPU çıkarımı sunar. (Kaynak)

Model dağıtımı genellikle doğru donanımı seçme, uygun bir dışa aktarma biçimi belirleme, performansı optimize etme ve sonuçları gerçek dünya koşullarında doğrulama gibi çeşitli unsurları içerir. YOLO26'yı dağıtırken bu adımları yönetmek, birden fazla dağıtım hedefinde eğitimi, çıkarımı ve model dışa aktarmayı kolaylaştıran Ultralytics Python paketi sayesinde oldukça kolaydır.

Ancak iş akışları basitleştirilmiş olsa bile doğru dağıtım kararlarını almak kritik öneme sahiptir. Bu makalede, Ultralytics YOLO26'yı uç ve bulut ortamlarında verimli şekilde dağıtmana yardımcı olacak, üretimde güvenilir ve ölçeklenebilir vision AI performansı sağlayan beş pratik ipucunu ele alacağız. Hadi başlayalım!

Bilgisayarlı görmede model dağıtımı nedir?#

Ultralytics YOLO26 için dağıtım stratejilerine geçmeden önce bir adım geri çekilip bilgisayarlı görmede model dağıtımının ne anlama geldiğini anlayalım.

Model dağıtımı, eğitilmiş bir derin öğrenme modelinin geliştirme ortamından, yeni görüntüleri veya video akışlarını işleyebildiği ve sürekli tahminler üretebildiği gerçek dünya uygulamasına taşınması sürecidir. Model, statik veri kümelerinde deneyler çalıştırmak yerine canlı bir sistemin parçası haline gelir.

Bilgisayarlı görmede bu genellikle modelin kameralarla, uç yapay zeka cihazlarıyla, API'lerle veya bulut altyapısıyla entegre edilmesi anlamına gelir. Modelin donanım kısıtları içinde çalışması, gecikme gereksinimlerini karşılaması ve değişen gerçek dünya koşullarında tutarlı performansı koruması gerekir.

Deneme aşamasından üretime geçişi anlamak önemlidir; çünkü dağıtım kararları, bir modelin laboratuvar veya deney ortamı dışında ne kadar iyi performans göstereceğini doğrudan etkiler.

Ultralytics YOLO26 dağıtım iş akışlarını anlama#

Şimdi tipik bir Ultralytics YOLO26 dağıtım iş akışının gerçekte neleri içerdiğine bakalım. Basitçe ifade etmek gerekirse bu, bir görüntünün yakalanmasından analiz edilip tahmine dönüştürülmesine kadar geçen adımlar dizisidir.

Tipik bir kurulumda kamera bir görüntü veya video karesi yakalar. Bu veri, çıkarım için Ultralytics YOLO26'ya aktarılmadan önce yeniden boyutlandırma veya doğru biçimlendirme gibi ön işlemlerden geçirilir.

Model girdiyi analiz eder ve sınırlayıcı kutular, segmentasyon maskeleri veya kilit noktalar gibi çıktılar üretir. Bu sonuçlar daha sonra uyarı göndermek, bir gösterge tablosunu güncellemek veya robotik bir sistemi yönlendirmek gibi eylemleri tetiklemek için kullanılabilir.

Bu iş akışının nerede çalışacağı dağıtım stratejine bağlıdır. Örneğin uç dağıtımında çıkarım doğrudan cihazda veya kameranın yakınında gerçekleştirilir; bu da gecikmeyi azaltmaya ve veri gizliliğini iyileştirmeye yardımcı olur.

Buna karşılık bulut dağıtımında görüntüler veya video kareleri işlenmek üzere uzak sunuculara gönderilir; bu yaklaşım daha yüksek ölçeklenebilirlik ve merkezi yönetim sağlar. Bazı sistemler hibrit bir yaklaşım kullanarak uçta hafif işlemler, bulutta ise daha ağır iş yükleri gerçekleştirir.

Ultralytics YOLO26 model varyantlarını keşfetme#

Bilinçli dağıtım kararları almak için seçebileceğin farklı Ultralytics YOLO26 model varyantları olduğunu anlamak da önemlidir.

Ultralytics YOLO modelleri, kutudan çıktığı haliyle birden fazla boyutta sunulur; böylece donanımına ve performans gereksinimlerine uygun sürümü kolayca seçebilirsin. YOLO26 beş varyantla gelir: Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x).

YOLO26n gibi daha küçük modeller verimlilik için optimize edilmiştir ve düşük gecikme ile daha düşük güç tüketiminin önemli olduğu uç cihazlar, Nesnelerin İnterneti (IoT) cihazları, gömülü sistemler ve CPU ile çalışan 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 sahneleri işlemek üzere tasarlanmıştır. Bu varyantlar genellikle grafik işlem birimleri (GPUs) bulunan sistemlerde veya daha fazla işlem kaynağının kullanılabildiği bulut ortamlarında en iyi performansı gösterir.

Doğru model boyutunu seçmek dağıtım hedeflerine bağlıdır. Kısıtlı donanımda hız ve verimlilik en önemli önceliklerinse daha küçük bir varyant ideal olabilir. Uygulaman en yüksek doğruluğu gerektiriyor ve daha güçlü donanıma erişimin varsa daha büyük bir model daha iyi bir seçim olabilir.

Ultralytics YOLO26'yı verimli şekilde dağıtmak için ipuçları#

Artık Ultralytics YOLO26 model varyantlarını ve dağıtım iş akışlarını daha iyi anladığımıza göre, YOLO26'yı uç ve bulut ortamlarında verimli şekilde dağıtmak için bazı pratik ipuçlarını inceleyelim.

İpucu 1: Model dağıtım seçeneklerini değerlendir#

Ultralytics YOLO26'yı dağıtırken vermen gereken ilk kararlardan biri modelin nerede çalışacağıdır. Dağıtım ortamın performansı, gecikmeyi, gizliliği ve ölçeklenebilirliği doğrudan etkiler.

İş akışını değerlendirerek başla. Uygulaman düşük gecikme gerektiriyor mu; yani görüntü yakalandıktan hemen sonra neredeyse anında tahminler üretilmesi gerekiyor mu?

Örneğin robotik veya güvenlik sistemlerinde küçük gecikmeler bile performansı etkileyebilir. Bu durumlarda bir uç dağıtımı genellikle en iyi seçenektir. Çıkarımı doğrudan cihazda veya kameranın yakınında çalıştırmak, verilerin işlenmesi için gereken süreyi azaltır ve görüntülerin internet üzerinden gönderilmesini önler; bu da gizliliği iyileştirebilir.

Öte yandan bulut dağıtımı daha yüksek ölçeklenebilirlik ve işlem gücü sağlar. Bulut sunucuları büyük miktarda görüntüyü işleyebilir, birden fazla video akışını yönetebilir ve daha yüksek veri aktarım hızını destekleyebilir.

Örneğin tarımda bir çiftçi binlerce yaprak görüntüsü toplayıp ürünlerde hastalık belirtileri olup olmadığını belirlemek için bunları toplu halde analiz edebilir. Bu tür bir senaryoda anında gerçek zamanlı performans gerekmeyebilir; bu da bulut işlemeyi pratik ve ölçeklenebilir bir seçenek haline getirir.

Şekil 2. Yaprak görüntülerini analiz etmek için Ultralytics YOLO26 kullanımına bir örnek

Ancak verilerin uzak sunuculara gönderilmesi, görüntülerin internet üzerinden iletilmesi ve karşılığında tahminlerin alınmasından kaynaklanan gecikme olan ağ gecikmesini ortaya çıkarır. Zaman hassasiyeti olmayan uygulamalar için bu ödün kabul edilebilir olabilir.

Tamamen uçta ve tamamen bulutta çalıştırma arasında da seçenekler vardır. Bazı şirketler, verilerin üretildiği yere yakın konumlandırılmış şirket içi altyapı kullanır. Diğerleri ise uçta hafif filtreleme yapıp seçilen verileri daha derin analiz için buluta gönderen hibrit işlem hatları oluşturur.

Doğru dağıtım seçeneğini belirlemek uygulamanın gereksinimlerine bağlıdır. Hız, gizlilik ve ölçeklenebilirlik ihtiyaçlarını açıkça tanımlayarak Ultralytics YOLO26'nın gerçek dünya koşullarında güvenilir şekilde çalışmasını sağlayan 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 dağıtım için optimize edilmiş bir biçime dönüştürmek anlamına gelir.

Ultralytics YOLO26 modelleri yerel olarak PyTorch ile oluşturulup eğitilir; ancak üretim ortamları genellikle belirli donanımlara daha uygun özel çalışma zamanlarına dayanır. Bu çalışma zamanları çıkarım hızını artırmak, bellek kullanımını azaltmak ve hedef cihazla uyumluluğu sağlamak üzere tasarlanmıştır.

YOLO26'yı uygun biçime dönüştürmek, eğitim ortamının dışında verimli şekilde çalışmasını sağlar. Ultralytics Python paketi bu süreci kolaylaştırır. Bilgisayarlı görü projeleri oluşturmak ve dağıtmak için geniş bir entegrasyon yelpazesini destekler.

Bu entegrasyonları daha ayrıntılı incelemek istersen resmi Ultralytics belgelerine göz atabilirsin. Belgelerde, geliştirmeden üretime güvenle geçmene yardımcı olacak adım adım öğreticiler, donanıma özel yönlendirmeler ve pratik örnekler yer alır.

Şekil 3. Ultralytics farklı entegrasyonları destekler (Kaynak)

Özellikle Ultralytics Python paketi, Ultralytics YOLO26'yı farklı donanım platformlarına göre uyarlanmış birden çok biçime aktarmayı destekler. Örneğin ONNX dışa aktarma biçimi platformlar arası uyumluluk sağlarken TensorRT dışa aktarma biçimi NVIDIA GPU'ları ve NVIDIA Jetson uç cihazları için optimize edilmiştir; OpenVINO dışa aktarma biçimi ise Intel donanımları için tasarlanmıştır.

Bazı cihazlar birden fazla dışa aktarma biçimini destekler; ancak performans seçtiğin biçime göre değişebilir. Varsayılan olarak bir biçim seçmek yerine kendine şu soruyu sor: Cihazın için en verimli seçenek hangisi?

Bir biçim daha hızlı çıkarım sunarken diğeri daha iyi bellek verimliliği veya mevcut işlem hattına daha kolay entegrasyon sağlayabilir. Bu nedenle dışa aktarma biçimini belirli donanımın ve dağıtım ortamınla eşleştirmen önemlidir.

Hedef cihazında farklı dışa aktarma seçeneklerini test etmek için zaman ayırman, gerçek dünya performansında gözle görülür bir fark yaratabilir. Donanımla iyi eşleştirilmiş bir dışa aktarma biçimi, Ultralytics YOLO26'nın verimli ve güvenilir şekilde, 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 kesinliğini azaltır; bunları genellikle 32 bit kayan noktadan 16 bit veya 8 bit gibi daha düşük kesinlikli biçimlere dönüştürür. Bu, model boyutunu ve bellek kullanımını azaltmaya, özellikle uç cihazlarda veya CPU ile çalışan sistemlerde çıkarım hızını artırmaya yardımcı olur.

Donanımına, dışa aktarma biçimine ve çalışma zamanı bağımlılıklarına bağlı olarak niceleme performansı belirgin şekilde iyileştirebilir. Bazı çalışma zamanları daha düşük kesinlikli modeller için optimize edilmiştir ve bu modellerin daha hızlı ve verimli çalışmasını sağlar.

Ancak dikkatli uygulanmazsa niceleme doğruluğu bir miktar etkileyebilir. Eğitim sonrası niceleme gerçekleştirirken doğrulama görüntülerini aktardığından emin ol. Bu görüntüler, kalibrasyon sırasında modelin daha düşük kesinliğe uyum sağlamasına ve kararlı tahminleri korumasına yardımcı olmak için kullanılır.

İpucu 4: Veri kaymasını hesaba kat#

En iyi eğitilmiş model bile veri kayması nedeniyle zaman içinde performans kaybedebilir. Veri kayması, modelinin üretimde gördüğü verilerin eğitildiği verilerden farklı olması durumunda meydana gelir.

Başka bir deyişle gerçek dünya değişir, ancak modelin değişmez. Bunun sonucunda doğruluk yavaşça azalabilir.

Örneğin Ultralytics YOLO26 modelini gün içinde çekilmiş görüntüleri kullanarak eğitebilirsin. Aynı model daha sonra farklı aydınlatma koşullarında gece kullanılırsa performans düşebilir. Benzer sorun kamera açıları, hava koşulları, arka planlar veya nesnelerin görünümündeki değişikliklerde de yaşanabilir.

Veri kayması, gerçek dünyadaki vision AI sistemlerinde yaygındır. Ortamlar nadiren sabit kalır ve küçük değişiklikler algılama doğruluğunu etkileyebilir. Kaymanın etkisini azaltmak için eğitim veri kümenin gerçek dünya koşullarını mümkün olduğunca yakından yansıtmasını sağlayabilirsin.

Günün farklı saatlerinde, farklı aydınlatma koşullarında ve çeşitli ortamlarda çekilmiş görüntüleri dahil et. Dağıtımdan sonra performansı izlemeye devam edebilir, gerektiğinde modeli güncelleyebilir veya ince ayar yapabilirsin.

İpucu 5: Gerçek dünya koşullarında kıyaslama yap#

Modelini tamamen dağıtmadan önce gerçek dünya koşullarında kıyaslama yapabilirsin.

Şekil 4. YOLO26'nın diğer modellerle kıyaslanmasına bir bakış (Kaynak)

Örnek görüntüler veya küçük veri kümeleri kullanarak kontrollü ortamlarda performansı test etmek yaygındır. Ancak gerçek dünya sistemleri genellikle farklı davranır. Donanım sınırlamaları, ağ gecikmeleri, birden fazla video akışı ve sürekli girdi performansı etkileyebilir.

Kıyaslama, modelinin çalışacağı gerçek cihaz ve kurulum üzerindeki performansını ölçmek anlamına gelir. Buna çıkarım hızını, toplam gecikmeyi, bellek kullanımını ve sistem kararlılığını kontrol etmek dahildir. Yalnızca modelin kendisini değil, ön işleme ve tüm son işleme adımları dahil olmak üzere işlem hattının tamamını 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 güç tüketimli bir uç cihazda nasıl davranacağını yansıtmayabilir.

Gerçekçi koşullarda kıyaslama yaparak darboğazları erken belirleyebilir ve canlıya geçmeden önce ayarlamalar yapabilirsin. Ultralytics YOLO26'nın çalışacağı ortamın aynısında test yapmak, üretimde güvenilir, kararlı ve tutarlı performans sağlamaya yardımcı olur.

Model dağıtımıyla ilgili diğer önemli hususlar#

Ultralytics YOLO26'yı dağıtırken göz önünde bulundurman gereken bazı ek unsurlar 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 hattı darboğazlarını optimize etme: Gecikmeler modelin dışında da oluşabileceğinden ön işleme, çıkarım, son işleme ve veri aktarımı gibi modüller dahil olmak üzere tüm işlem hattını değerlendir.
• Ölçeklenebilirlik planlaması: Sisteminin artan trafiği, ek kameraları veya genişleyen iş yüklerini yönetebilmesini sağlayarak büyümeyi önceden planla.

Önemli çıkarımlar#

YOLO26'yı verimli şekilde dağıtmak, modelinin nerede çalışacağını ve uygulamanın gerçekte neye ihtiyaç duyduğunu anlamakla başlar. Doğru dağıtım yaklaşımını seçerek, dışa aktarma biçimini donanımınla eşleştirerek ve performansı gerçek dünya koşullarında test ederek güvenilir ve duyarlı vision AI sistemleri oluşturabilirsin. Doğru kurulumla Ultralytics YOLO26, hızlı ve üretime hazır bilgisayarlı görüyü uçta ve bulutta kullanıma sunmanı kolaylaştırır.

Topluluğumuza katıl ve GitHub depomuzu keşfet. Tarımda yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi çeşitli uygulamaları keşfetmek için çözümler sayfalarımıza göz at. Lisanslama seçeneklerimizi keşfet ve vision AI kullanmaya bugün başla!