Arm Create 2026'da Ultralytics: Uçta gerçek zamanlı görsel yapay zekâ

11 Eylül 2026'da Pazarlama Uzman Yardımcımız Ziyue Wang ve Kıdemli Makine Öğrenimi Mühendisi Rick Hou, Arm'ın bulut, uç, mobil ve fiziksel yapay zekâ genelinde yapay zekâ geliştirme, optimize etme ve dağıtma konulu geliştirici etkinliği Arm Create'e katıldı. Odağımız Ultralytics YOLO uç dağıtımıydı: Eğitilmiş bir bilgisayarlı görü modelini alıp Arm tabanlı cihazlarda gerçek zamanlı çalıştırmak.

Shenzhen'deki etkinlik, daha önce Şanghay'da yapılan etkinliğin ardından düzenlendi ve her ikisinde de her yapay zekâ geliştiricisinin er ya da geç karşılaştığı bir soru ele alındı: Yetenekli bir modeli gerçek dünyada güvenilir biçimde çalışan bir yazılıma nasıl dönüştürürsün?

Oturumumuzun, model panelinin ve Arm ile Ultralytics'in Arm üzerinde geliştirme yapan geliştiricilerin Ultralytics YOLO'ya daha kolay erişebilmesi için birlikte nasıl çalıştığının özeti şöyle.

Gerçek zamanlı uç yapay zekâ için Ultralytics YOLO'yu dağıtma#

Kıdemli Makine Öğrenimi Mühendisimiz Rick Hou, uç cihazlarda Ultralytics YOLO modellerini optimize etme ve dağıtma üzerine uygulamalı bir oturum olan “Ultralytics YOLO'yu Dağıtma: Uçta Gerçek Zamanlı Görsel Yapay Zekâ” başlıklı sunumu yaptı. Sunumda dağıtım sürecinin tüm aşamaları ele alındı ve üretim ortamındaki uç yapay zekâ uygulamalarında Ultralytics YOLO kullanımından edinilen dersler paylaşıldı.

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

Uç ortam çalışma zamanları için Ultralytics YOLO modellerini dışa aktarma#

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

Cihazda daha hızlı çıkarım için model niceleme#

Niceleme, bir modelin sayısal hassasiyetini örneğin FP32'den FP16'ya veya INT8'e düşürür; böylece model boyutu küçülür ve çıkarım hızlanır, çoğu zaman doğrulukta çok az kayıp yaşanır. Oturumda işlem gücü, bellek ve enerji bütçeleri kısıtlıyken hız ile doğruluğun nasıl dengeleneceği açıklandı.

Uç cihazlarda gerçek zamanlı bilgisayarlı görü performansı elde etme#

Uçta gerçek zamanlı bilgisayarlı görü, modelden fazlasına bağlıdır. Ön işleme, çalışma zamanı seçimi ve donanım hızlandırma gecikmeyi ve verimi etkiler. Rick, darboğazların nasıl belirleneceğini ve çıkarım iş hattının tamamının nasıl optimize edileceğini anlattı.

Üretimdeki uç yapay zekâ dağıtımlarından çıkarılan dersler#

Kıyaslamalar bir başlangıç noktasıdır; ancak asıl sınav, modelin gönderileceği cihazda gerçek çalışma koşullarında nasıl performans gösterdiğidir. Gerçek hedef donanımda doğrulama yapmak, oturumdan çıkarılan önemli bir dersti ve Arm Create boyunca sık sık gündeme gelen bir konuydu.

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

Rick ayrıca Arm, Alibaba Qwen, Tencent ve ModelBest ile bir model paneli tartışmasına katıldı. Panelde modelleri doğrudan karşılaştırmak yerine uygulamaya uygunluk ele alındı: 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'in katıldığı model paneli.

İş yüküne uygun modeli seçme#

Bir mobil uygulamadaki hızlı yanıt özelliği, büyük belge kümeleri üzerinde akıl yürüten bir bulut aracısı ve uçtaki bir görsel yapay zekâ iş hattı birbirinden çok farklı modeller gerektirir. Panelde görsel yapay zekâ perspektifini sunan Rick, gecikmenin, verimliliğin ve cihaz üzerinde güvenilirliğin çoğu zaman model boyutundan daha önemli olduğu uç bilişimi ele aldı.

Arm AI Portal: Ultralytics YOLO'yu Arm'da daha erişilebilir kılma#

Arm Create Shenzhen, Arm'ın geliştiricilerin ve yapay zekâ aracılarını Arm bilgi işlem platformunda yapay zekâ yazılımlarını keşfetmesine, optimize etmesine ve dağıtmasına yardımcı olan bir merkez olan Arm AI Portal'ı kullanıma sunmasından yalnızca birkaç gün sonra gerçekleşti. Geliştiriciler, performans ve doğruluk verileriyle birlikte göreve özel, önceden optimize edilmiş modelleri bulabilir; gecikme, bellek ve model boyutunu karşılaştırabilir; kod örneklerine ve dağıtım iş akışlarına erişebilir.

İlk kullanıma sunulduğunda önceden optimize edilmiş Ultralytics YOLO modelleri#

Ultralytics YOLO, Alibaba Qwen ve Google Gemma'nın yanında ilk kullanıma sunulan önceden optimize edilmiş modeller arasında yer alıyor; Ultralytics de ekosistem iş ortağı olarak portala destek veriyor.

Arm'da Ultralytics YOLO26n performans artışları#

İlk sonuçlar umut verici. Ultralytics YOLO26n, iki kurulumda tek iş parçacıklı yürütmeyle %40'ın üzerinde performans artışı sağladı:

• SME2 destekli vivo X300 akıllı telefonda FP16 ve FP32 karşılaştırması
• NEON'lu bir Raspberry Pi 5 üzerinde FP32'ye kıyasla FP16 ve INT8 karma niceleme

Bu, uç AI geliştiricileri için ne anlama geliyor?#

Arm AI Portal, geliştiricilerin modelleri aramak, kıyaslamak ve elle ayarlamak için harcadığı süreyi azaltarak model seçiminden Arm tabanlı donanımda dağıtıma daha hızlı geçmelerini sağlar. Son teknoloji görüntü yapay zekâsını herkes için basit ve erişilebilir kılma misyonumuzu destekler. Arm AI Portal'da Ultralytics YOLO'yu keşfet.

Önemli çıkarımlar#

Bizi ağırlayan Arm ekibine ve uç dağıtımı, nicelemeyi ve gerçek dünyadaki görüntü yapay zekâsını konuşmak için standımıza uğrayan herkese teşekkür ederiz. Shenzhen'deki sohbetler, modeller, araçlar ve donanımlar birlikte çalışacak şekilde tasarlandığında uç AI ekosisteminin ne kadar hızlı olgunlaştığını gösterdi.

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