Arm Create 2026'da Ultralytics: Uçta Gerçek Zamanlı Görsel Yapay Zeka

11 Eylül 2026'da Pazarlama Sorumlumuz Ziyue Wang ve Kıdemli Makine Öğrenimi Mühendisimiz Rick Hou, bulut, uç nokta, mobil ve fiziksel yapay zeka genelinde yapay zeka oluşturma, optimize etme ve dağıtma üzerine düzenlenen Arm geliştirici etkinliği Arm Create'e katıldı. Odağımız Ultralytics YOLO uç nokta dağıtımıydı: eğitilmiş bir bilgisayarlı görü modelini alıp Arm tabanlı cihazlarda gerçek zamanlı olarak nasıl çalıştıracağınız.

Şanghay'daki önceki durağın ardından Shenzhen'de gerçekleştirilen etkinlikte, her yapay zeka geliştiricisinin er ya da geç karşılaştığı bir soru ele alındı: yetenekli bir modeli gerçek dünyada güvenilir bir şekilde çalışan yazılıma nasıl dönüştürürsünüz?

Oturumumuzun, model panelinin ve Arm ile Ultralytics'in Ultralytics YOLO'yu Arm üzerinde geliştirme yapan geliştiriciler için nasıl daha erişilebilir hale getirmek üzere birlikte çalıştığının bir özetini burada bulabilirsin.

Gerçek zamanlı uç nokta yapay zekası için Ultralytics YOLO'yu dağıtma#

Kıdemli Makine Öğrenimi Mühendisimiz Rick Hou, uç cihazlarda Ultralytics YOLO modellerini optimize etme ve dağıtma üzerine pratik bir oturum olan “Ultralytics YOLO'yu Dağıtma: Uç Noktada Gerçek Zamanlı Görsel Yapay Zeka” başlıklı sunumu gerçekleştirdi. Konuşmada tam dağıtım yolu adım adım ele alındı ve üretim ortamındaki uç nokta yapay zeka uygulamalarında Ultralytics YOLO'dan elde edilen dersler paylaşıldı.

Şekil 1. Ultralytics'ten Rick, Arm Create'te Ultralytics YOLO uç nokta dağıtımını sunuyor.

Uç nokta çalışma zamanları için Ultralytics YOLO modellerini dışarı aktarma#

Uç nokta dağıtımındaki ilk adım, eğitilmiş bir modeli hedef çalışma zamanının desteklediği bir biçime dışarı aktarmaktır. Rick, doğru dışarı aktarma biçiminin cihaza, çıkarım motoruna ve uygulamanın performans hedeflerine nasıl bağlı olduğunu ele aldı.

Daha hızlı cihaz içi çıkarım için model nicemleme#

Nicemleme, bir modelin sayısal duyarlılığını azaltır (örneğin FP32'den FP16 veya INT8'e); bu da model boyutunu küçültür ve minimum doğruluk kaybıyla çıkarımı hızlandırır. Oturumda, bilgi işlem, bellek ve güç bütçeleri kısıtlı olduğunda hız ile doğruluğun nasıl dengeeneceği açıklandı.

Uç cihazlarda gerçek zamanlı bilgisayarlı görü performansı elde etme#

Uç noktada gerçek zamanlı bilgisayarlı görü, modelden fazlasına bağlıdır. Ön işleme, çalışma zamanı seçimi ve donanım hızlandırma, gecikmeyi ve veri akışını etkiler. Rick, darboğazları nasıl belirleyeceğini ve tüm çıkarım boru hattını nasıl optimize edeceğini paylaştı.

Üretim ortamındaki uç nokta yapay zeka dağıtımlarından çıkarılan dersler#

Kıyaslama testleri bir başlangıç noktasıdır, ancak gerçek test, bir modelin sevk edileceği cihazda gerçek çalışma koşulları altında nasıl performans gösterdiğidir. Gerçek hedef donanım üzerinde doğrulama yapmak, oturumdan çıkarılan temel bir ders ve Arm Create boyunca öne çıkan bir temaydı.

Arm, Alibaba Qwen, Tencent ve ModelBest ile model paneli#

Rick ayrıca Arm, Alibaba Qwen, Tencent ve ModelBest ile birlikte bir model paneli tartışmasına katıldı. Modelleri birebir karşılaştırmak yerine panel, uygulama uyumuna odaklandı: bir iş yükünün neye ihtiyaç duyduğu, nerede çalışması gerektiği ve dağıtıldıktan sonra nasıl davrandığı.

Şekil 2. Arm Create'te Arm, Alibaba Qwen, Tencent, ModelBest ve Ultralytics ile model paneli.

İş yükü için doğru modeli seçme#

Bir mobil uygulamadaki hızlı yanıt özelliği, geniş belge kümeleri üzerinde akıl yürüten bir bulut ajanı ve bir uç nokta görü boru hattı, çok farklı modeller gerektirir. Paneldeki görsel yapay zeka ses tanımı olarak Rick, gecikmenin, verimliliğin ve cihaz içi güvenilirliğin genellikle model boyutundan daha önemli olduğu uç nokta perspektifini getirdi.

Arm AI Portal: Arm üzerinde Ultralytics YOLO'yu daha erişilebilir hale getirme#

Arm Create Shenzhen, Arm'ın geliştiricilerin ve yapay zeka ajanlarının Arm bilgi işlem platformu genelinde yapay zeka yazılımlarını keşfetmesine, optimize etmesine ve dağıtmasına yardımcı olan bir merkez olan Arm AI Portal'ı yayınlamasından sadece birkaç gün sonra gerçekleşti. Geliştiriciler performans ve doğruluk verileri içeren, göreve özel, önceden optimize edilmiş modeller bulabilir, gecikmeyi, belleği ve model boyutunu karşılaştırabilir ve kod örnekleri ile dağıtım iş akışlarına erişebilir.

Lansmanda önceden optimize edilmiş Ultralytics YOLO modelleri#

Ultralytics YOLO, Alibaba Qwen ve Google Gemma ile birlikte lansmanda mevcut olan önceden optimize edilmiş modeller arasında yer alıyor ve Ultralytics ekosistem ortağı olarak portali destekliyor.

Arm üzerinde Ultralytics YOLO26n performans artışları#

Erken sonuçlar umut verici. Ultralytics YOLO26n, iki kurulumda tek iş parçacıklı yürütme ile %40'tan fazla performans iyileştirmesi elde etti:

• SME2 içeren bir vivo X300 akıllı telefonda FP16 ile FP32 karşılaştırması
• NEON içeren bir Raspberry Pi 5 üzerinde FP16 ve INT8 karma nicemleme ile FP32 karşılaştırması

Bunun uç nokta yapay zeka geliştiricileri için anlamı nedir#

Arm AI Portal, geliştiricilerin modelleri aramak, kıyaslamak ve elle ayarlamak için harcadığı süreyi azaltarak Arm tabanlı donanımda model seçiminden dağıtıma kadar daha hızlı bir yol oluşturur. Herkes için son teknoloji görsel yapay zekayı basit ve erişilebilir kılma misyonumuzu destekler. Arm AI Portal üzerinde Ultralytics YOLO'yu keşfet.

Önemli çıkarımlar#

Bize ev sahipliği yapan Arm ekibine ve uç nokta dağıtımı, nicemleme ve gerçek dünya görsel yapay zekası hakkında konuşmak için uğrayan herkese teşekkür ederiz. Shenzhen'deki konuşmalar, modeller, araçlar ve donanım birlikte çalışacak şekilde tasarlandığında uç nokta yapay zeka ekosisteminin ne kadar hızlı olgunlaştığını gösterdi.

Bir sonraki Arm Create ABD'ye gidiyor ve sohbeti sürdürmeyi dört gözle bekliyoruz. Bu arada, kendi uç cihazlarında Ultralytics YOLO'yu dağıtmaya başlamak için Ultralytics belgelerini ziyaret et.