YOLO26'yı uç cihaz ve bulutta verimli bir şekilde dağıtmak için en iyi 5 ipucu

Geçen ay Ultralytics, makinelerin görüntü ve video verilerini yorumlayıp anlamlandırmasını sağlayan yapay zekanın bir kolu olan vision AI için yeni bir standart belirleyerek Ultralytics YOLO26'yi resmi olarak piyasaya sürdü. Basitçe görüntü yakalamanın ötesinde, Ultralytics YOLO modelleri gibi computer vision modelleri nesne tespiti, örnek bölütleme, poz tahmini ve görüntü sınıflandırma gibi vision görevlerini destekler.

Bilgisayarlı görülerin gerçekte çalıştığı yerler olan cihazlar, kameralar, robotlar ve üretim sistemleri için geliştirilen Ultralytics YOLO26, gerçek dünya ortamlarında daha hızlı merkezi işlem birimi (CPU) çıkarımı, basitleştirilmiş dağıtım ve verimli uçtan uca performans sunan son teknoloji ürünü bir modeldir. YOLO26 modelleri ayrıca bilgisayarlı görü çözümlerini deneme aşamasından üretime taşımayı kolaylaştıracak şekilde tasarlanmıştır.

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

Model dağıtımı genellikle doğru donanımı seçmek, uygun bir dışa aktarma formatı belirlemek, performansı optimize etmek ve gerçek dünya koşullarında sonuçları doğrulamak gibi çeşitli hususları içerir. Eğitim, çıkarım ve model dışa aktarımını birden fazla dağıtım hedefi boyunca kolaylaştıran Ultralytics Python package sayesinde, YOLO26'yı dağıtırken bu adımları izlemek oldukça kolaydır.

Ancak, basitleştirilmiş iş akışlarıyla bile doğru dağıtım kararları almak çok önemlidir. Bu makalede, üretim ortamlarında güvenilir ve ölçeklenebilir bir computer vision yapay zeka performansı sağlayarak Ultralytics YOLO26 modelini uç (edge) ve bulut ortamlarında verimli bir şekilde dağıtmana yardımcı olacak beş pratik ipucunu inceleyeceğiz. Haydi başlayalım!

Bilgisayarlı görüde model dağıtımı nedir?#

Ultralytics YOLO26 için dağıtım stratejilerine dalmadan önce, bir adım geri atalım ve bilgisayarlı görüde model deployment ifadesinin ne anlama geldiğini anlayalım.

Model dağıtımı, eğitilmiş bir derin öğrenme modelini bir geliştirme ortamından, yeni görüntüleri veya video akışlarını işleyebileceği ve sürekli olarak tahminler üretebileceği gerçek dünya uygulamasına taşıma sürecidir. Statik veri kümeleri üzerinde deneyler yapmak yerine model, canlı bir sistemin parçası haline gelir.

Bilgisayarlı görüde bu genellikle modelin kameralar, uç yapay zeka cihazları, API'ler veya bulut altyapısı ile entegre edilmesi anlamına gelir. Donanım kısıtlamaları dahilinde çalışması, gecikme gereksinimlerini karşılaması ve değişen gerçek dünya koşullarında tutarlı performans göstermesi gerekir.

Deney aşamasından üretime geçişi anlamak önemlidir çünkü dağıtım kararları, bir modelin laboratuvar veya deneysel bir kurulumun dışında ne kadar iyi performans gösterdiğini doğrudan etkiler.

Ultralytics YOLO26 dağıtım iş akışlarını anlamak#

Sonra, bir Ultralytics YOLO26 dağıtım iş akışının aslında neleri içerdiğine bakalım. Basitçe söylemek gerekirse, bu; bir görüntünün yakalanmasından analiz edilmesine ve bir tahmine dönüştürülmesine kadar geçen adımlar dizisidir.

Tipik bir kurulumda, bir kamera bir görüntü veya video karesi yakalar. Bu veriler daha sonra çıkarım için Ultralytics YOLO26'ya aktarılmadan önce yeniden boyutlandırma veya doğru biçimlendirme gibi ön işleme adımlarından geçirilir.

Model, girdiyi analiz eder ve bounding box, segmentasyon maskeleri veya keypoints gibi çıktılar üretir. Bu sonuçlar daha sonra uyarı gönderme, bir paneli güncelleme veya robotik bir sisteme rehberlik etme gibi eylemleri tetiklemek için kullanılabilir.

Bu iş akışının nerede çalışacağı, dağıtım stratejine bağlıdır. Örneğin, uç dağıtımda çıkarım doğrudan cihaz üzerinde veya kameranın yakınında gerçekleşir, bu da gecikmeyi azaltmaya ve veri gizliliğini iyileştirmeye yardımcı olur.

Bu arada, bulut dağıtımında görüntüler veya video kareleri işleme için uzak sunuculara gönderilir, bu da daha fazla ölçeklenebilirlik ve merkezi yönetim sağlar. Bazı sistemler, uçta hafif işlem yapıp bulutta daha ağır iş yüklerini çalıştırarak hibrit bir yaklaşım kullanır.

Ultralytics YOLO26 model varyantlarını keşfetme#

Bilinçli dağıtım kararları almak için, aralarından seçim yapabileceğiniz farklı Ultralytics YOLO26 model varyantları olduğunu anlamak da önemlidir.

Kutudan çıktığı gibi, Ultralytics YOLO models birden fazla boyutta mevcuttur; bu da donanımınıza ve performans ihtiyaçlarınıza uygun bir sürüm seçmenizi kolaylaştırır. 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 süresinin ve daha düşük güç tüketiminin önemli olduğu uç cihazlar, Nesnelerin İnterneti (IoT) cihazları, gömülü sistemler ve CPU tarafından desteklenen sistemler için harikadır. Kaynak kullanımını minimumda tutarken güçlü performans sunarlar.

YOLO26l ve YOLO26x gibi daha büyük modeller, daha yüksek doğruluk sağlamak ve daha karmaşık sahneleri işlemek için tasarlanmıştır. Bu varyantlar genellikle grafik işlem birimleri (GPU) ile donatılmış sistemlerde veya daha fazla bilgi işlem kaynağının bulunduğu bulut ortamlarında en iyi performansı gösterir.

Doğru model boyutunu seçmek, dağıtım hedeflerine bağlıdır. Kısıtlı donanımda hız ve verimlilik en önemli önceliğinse, daha küçük bir varyant ideal olabilir. Uygulaman maksimum doğruluk gerektiriyorsa ve daha güçlü donanıma erişimin varsa, daha büyük bir model daha iyi bir seçim olabilir.

Ultralytics YOLO26 modelini verimli bir şekilde dağıtmak için ipuçları#

Ultralytics YOLO26 model varyantları ve dağıtım iş akışları hakkında daha iyi bir anlayışa sahip olduğumuza göre, YOLO26'yı uç ve bulut ortamlarında verimli bir şekilde dağıtmak için bazı pratik ipuçlarını keşfedelim.

İpucu: 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 süresi gerektiriyor mu, yani tahminlerin bir görüntü yakalandıktan hemen sonra oluşturulması mı gerekiyor?

Örneğin robotikte veya güvenlik sistemlerinde küçük gecikmeler bile performansı etkileyebilir. Bu gibi durumlarda edge deployment genellikle en iyi seçenektir. Çıkarımı doğrudan bir cihazda veya kameranın yakınında çalıştırmak, verileri işlemek için geçen süreyi azaltır ve görüntülerin internet üzerinden gönderilmesini önler; bu da gizliliği artırabilir.

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

Örneğin tarımda, bir çiftçi binlerce yaprak görüntüsü toplayabilir ve mahsullerin hastalık belirtisi gösterip göstermediğini belirlemek için bunları partiler halinde analiz edebilir. Bu tür bir senaryoda, anlık gerçek zamanlı performans gerekli olmayabilir, bu da bulut işlemini pratik ve ölçeklenebilir bir seçim haline getirir.

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

Ancak, verileri uzak sunuculara göndermek, görüntüleri internet üzerinden iletmenin ve karşılığında tahminleri almanın neden olduğu bir gecikme olan ağ gecikmesini ortaya çıkarır. Zamana duyarlı olmayan uygulamalar için bu takas kabul edilebilir olabilir.

Tamamen uç ve tamamen bulut arasında seçenekler de mevcuttur. Bazı şirketler, verilerin oluşturulduğu yere yakın yerinde altyapı kullanır. Diğerleri uçta hafif filtreleme yaparak ve daha derin analiz için seçilen verileri buluta göndererek hibrit boru hatları kurar.

Doğru dağıtım seçeneğini seçmek, uygulamanın gereksinimlerine bağlıdır. Hız, gizlilik ve ölçeklenebilirlik ihtiyaçlarını net bir şekilde tanımlayarak, Ultralytics YOLO26 modelinin gerçek dünya koşullarında güvenilir bir şekilde çalışmasını sağlayacak bir strateji seçebilirsin.

İpucu: Donanımınla eşleşen dışa aktarma formatını seç#

Modelinin nerede çalışacağına karar verdikten sonraki adım, doğru dışa aktarma formatını seçmektir. Exporting a model, onu eğitim sırasında kullanılan formatından dağıtım için optimize edilmiş bir forma dönüştürmek anlamına gelir.

Ultralytics YOLO26 modelleri yerel olarak PyTorch ile oluşturulur ve eğitilir, ancak üretim ortamları genellikle belirli donanımlar için daha uygun olan özel çalışma zamanlarına güvenir. Bu çalışma zamanları, çıkarım hızını artırmak, bellek kullanımını azaltmak ve hedef cihazla uyumluluğu sağlamak için tasarlanmıştır.

YOLO26'yı uygun formata dönüştürmek, eğitim ortamının dışında verimli bir şekilde çalışmasını sağlar. Ultralytics Python paketi bu süreci basitleştirir. Bilgisayarlı görü projeleri oluşturmak ve dağıtmak için çok çeşitli entegrasyonları destekler.

Bu entegrasyonları daha ayrıntılı olarak incelemek istersen official Ultralytics documentation sayfasına göz atabilirsin. Geliştirmeden üretime güvenle geçmene yardımcı olacak adım adım kılavuzlar, donanıma özel yönergeler ve pratik örnekler içerir.

Şekil 3. Ultralytics farklı entegrasyonları destekler (Kaynak)

Özellikle Ultralytics Python paketi, Ultralytics YOLO26'nın farklı donanım platformlarına göre uyarlanmış birden fazla formata dışa aktarılmasını destekler. Örneğin, ONNX dışa aktarma formatı platformlar arası uyumluluk sağlar, TensorRT dışa aktarma formatı NVIDIA GPU'ları ve NVIDIA Jetson uç cihazları için optimize edilmiştir ve OpenVINO dışa aktarma formatı Intel donanımı için tasarlanmıştır.

Bazı cihazlar birden fazla dışa aktarma formatını destekler, ancak performans seçtiğin formata bağlı olarak değişebilir. Varsayılan olarak bir format seçmek yerine kendine şunu sor: cihazın için en verimli seçenek hangisi?

Bir format daha hızlı çıkarım sağlarken, diğeri daha iyi bellek verimliliği veya mevcut boru hattına daha kolay entegrasyon sunabilir. İşte bu yüzden dışa aktarma formatını özel donanımın ve dağıtım ortamınla eşleştirmek önemlidir.

Hedef cihazında farklı dışa aktarım seçeneklerini test etmek için zaman ayırmak, gerçek dünya performansında fark edilir bir değişiklik yaratabilir. İyi eşleştirilmiş bir dışa aktarım formatı, Ultralytics YOLO26 modelinin verimli, güvenilir ve uygulamanın gerektirdiği hızda çalışmasını sağlamaya yardımcı olur.

İpucu: Modelinin nicemlemeye (quantization) ihtiyacı olup olmadığını sor#

Bir dışa aktarma formatı seçtikten sonra, modelinin nicemlenmesi gerekip gerekmediğini belirlemek de iyi bir fikirdir.

Model quantization, bir modelin ağırlıklarının ve hesaplamalarının sayısal hassasiyetini azaltarak genellikle bunları 32-bit kayan noktalı sayıdan 16-bit veya 8-bit gibi daha düşük hassasiyetli formatlara dönüştürür. Bu, özellikle edge cihazlarında veya CPU tabanlı sistemlerde model boyutunu küçültmeye, bellek kullanımını azaltmaya ve çıkarım hızını artırmaya yardımcı olur.

Donanımına, dışa aktarma formatına ve çalışma zamanı bağımlılıklarına bağlı olarak nicemleme performansı gözle görülür şekilde artırabilir. Bazı çalışma zamanları daha düşük hassasiyetli modeller için optimize edilmiştir ve bunların daha hızlı ve daha verimli çalışmasını sağlar.

Ancak nicemleme, dikkatli uygulanmazsa doğruluğu biraz etkileyebilir. Eğitim sonrası nicemleme yaparken doğrulama görüntülerini kullandığından emin ol. Bu görüntüler, kalibrasyon sırasında modelin daha düşük hassasiyete uyum sağlamasına ve tahminleri sabit tutmasına yardımcı olmak için kullanılır.

İpucu: Veri kaymasını (data drift) hesaba kat#

Data drift nedeniyle en iyi eğitilmiş model bile zamanla performans kaybedebilir. Veri kayması, modelinin üretim ortamında gördüğü verilerin üzerinde eğitildiği verilerden farklı olması durumunda gerçekleşir.

Başka bir deyişle, gerçek dünya değişir ama modelin değişmez. Sonuç olarak, doğruluk yavaş yavaş azalabilir.

Örneğin, Ultralytics YOLO26 modelini gündüz çekilen görüntüleri kullanarak eğitebilirsin. Aynı model daha sonra geceleri, farklı aydınlatma koşullarında kullanılırsa performans düşebilir. Aynı sorun kamera açılarındaki, hava koşullarındaki, arka planlardaki veya nesne görünümlerindeki değişikliklerle de yaşanabilir.

Veri kayması, gerçek dünya vision AI sistemlerinde yaygındır. Ortamlar nadiren statiktir ve küçük değişiklikler algılama doğruluğunu etkileyebilir. Kaymanın etkisini azaltmak için, eğitim veri kümenin gerçek dünya koşullarını mümkün olduğunca doğru yansıttığından emin olabilirsin.

Günün farklı saatlerinde, farklı aydınlatma koşullarında ve çeşitli ortamlarda çekilmiş görüntüleri dahil et. Dağıtımdan sonra performansı izlemeye ve gerektiğinde modeli güncelleyerek veya ince ayar yaparak iyileştirmeye devam edebilirsin.

İpucu: Gerçek dünya koşullarında kıyaslama yap (benchmark)#

Modelini tam olarak dağıtmadan önce gerçek dünya koşullarında kıyaslayabilirsin.

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

Performansı örnek görüntüler veya küçük veri kümeleri kullanarak kontrollü ortamlarda 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 üzerinde nasıl performans gösterdiğini ölçmek anlamına gelir. Buna çıkarım hızı, toplam gecikme, bellek kullanımı ve sistem kararlılığını kontrol etmek dahildir. Sadece modelin kendisini değil, ön işleme ve tüm son işleme adımları dahil olmak üzere tüm boru hattını test etmek önemlidir.

Bir model tek bir 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 davrandığını yansıtmayabilir.

Gerçekçi koşullar altında kıyaslama yaparak dar boğazları erkenden tespit edebilir ve yayına girmeden önce ayarlamalar yapabilirsin. Ultralytics YOLO26 modelinin çalışacağı aynı ortamda test yapmak, üretimde güvenilir, kararlı ve tutarlı bir performans sağlamaya yardımcı olur.

Diğer önemli model dağıtım hususları#

İşte Ultralytics YOLO26 dağıtımı yaparken aklında bulundurman gereken ek faktörlerden bazıları:

• İzleme ve günlüğe kaydetme: Dağıtımdan sonra gecikme, doğruluk ve sistem sağlığı gibi metrikleri izlemek için izleme araçları ayarla.
• Güvenlik ve gizlilik: Özellikle bulut veya uzak altyapı kullanırken hassas görsel verileri korumak için önlemler uygula.
• Boru hattı darboğazlarının optimizasyonu: Gecikmeler modelin dışında oluşabileceğinden, ön işleme, çıkarım, son işleme ve veri aktarımı gibi modüller dahil olmak üzere tüm boru hattını değerlendir.
• Ölçeklenebilirlik planlaması: Sistemin artan trafiği, ek kameraları veya genişletilmiş iş yüklerini kaldırabildiğinden emin olarak büyüme için önceden plan yap.

Öne çıkanlar#

YOLO26'yı verimli bir şekilde dağıtmak, modelinin nerede çalışacağını ve uygulamanın gerçekten neye ihtiyaç duyduğunu anlamakla başlar. Doğru dağıtım yaklaşımını seçerek, dışa aktarma formatını donanımınla eşleştirerek ve gerçek dünya koşullarında performansı test ederek güvenilir ve duyarlı vision AI sistemleri oluşturabilirsin. Doğru kurulumla Ultralytics YOLO26, hızlı ve üretime hazır bilgisayarlı görüyü uç noktaya ve buluta taşımayı kolaylaştırır.

community topluluğumuza katılın ve GitHub repository deponuzu keşfedin. AI in agriculture ve computer vision in healthcare gibi çeşitli uygulamaları keşfetmek için çözüm sayfalarımıza göz atın. licensing options lisans seçeneklerimizi keşfedin ve bugün vision AI ile başlayın!