TinyML

Genellikle TinyML olarak adlandırılan küçük makine öğrenimi, modellerin mikrodenetleyiciler ve küçük IoT cihazları gibi ultra düşük güç tüketen, kaynakları kısıtlı cihazlarda çalıştırılmasına odaklanan makine öğreniminin özel bir alt dalını temsil eder. Devasa hesaplama kaynaklarına dayanan geleneksel bulut tabanlı sistemlerin aksine, TinyML tamamen uç noktada (edge) çalışır. Zeki algoritmaları, güç kısıtlamaları genellikle sadece miliwatt ile ölçülen cihazlarda yerel olarak çalıştırarak, bu yaklaşım gecikmeyi en aza indirir, veri gizliliğini sağlar ve bant genişliği kullanımını büyük ölçüde azaltır; bu paradigma TinyML Foundation gibi topluluklar tarafından desteklenmekte ve geliştirilmektedir.

Karmaşık sinir ağı mimarilerini ARM Cortex-M işlemcileri gibi oldukça kısıtlı donanımlara başarıyla sığdırmak için modellerin titiz bir optimizasyondan geçmesi gerekir. 32-bit kayan noktalı ağırlıkları 8-bit tamsayılara dönüştüren model niceleme ve model budama gibi teknikler, toplam bellek kullanımını önemli ölçüde azaltmak için kullanılır. Günümüzde, Google'ın TensorFlow Lite for Microcontrollers ve PyTorch'un ExecuTorch gibi özel çerçeveleri, bu hassas sıkıştırma iş akışlarını kolaylaştırarak gelişmiş görsel ve işitsel zekayı günlük gömülü donanımlara taşır.

Link to this sectionTinyML ve Edge AI#

TinyML, Edge AI ile yakından ilişkili olsa da, temel ayrım donanım ölçeği ve güç bütçesinde yatar. Edge AI, genellikle Raspberry Pi gibi tek kartlı bilgisayarlar veya NVIDIA Jetson gibi güçlü gömülü GPU'lar kullanan, AI modellerinin herhangi bir yerel çalıştırılmasını kapsayan daha geniş bir terimdir. Buna karşılık TinyML, Arduino kartları veya STMicroelectronics yongaları gibi aylarca veya yıllarca pille çalışan, derinlemesine gömülü sistemleri özel olarak hedefler. Bu cihazlar genellikle sadece birkaç yüz kilobayt RAM'e sahiptir, bu da agresif model sıkıştırmayı zorunlu kılar.

Link to this sectionGerçek Dünya Uygulamaları#

Zekayı doğrudan minimal donanım üzerine konuşlandırma yeteneği, çeşitli endüstrilerde çok sayıda pratik kullanım alanı yaratmıştır:

• Akıllı Üretimde Kestirimci Bakım: Fabrikalar, ultra düşük güç tüketen titreşim ve ses sensörlerini doğrudan makinelere yerleştirir. Bu TinyML sensörleri, motor frekanslarını sürekli analiz ederek arıza sinyali veren ince anormallikleri tespit eder ve bakım ekiplerinin maliyetli duruş süreleri gerçekleşmeden sorunları çözmesine olanak tanır.
• Akıllı Hassas Tarım: Pille çalışan TinyML cihazları, yerel çevresel koşulları izlemek ve temel kamera modüllerini kullanarak haşere istilasının veya hastalığın erken belirtilerini tespit etmek için geniş tarım arazilerine dağıtılır; ağır görüntü dosyaları yerine sadece hafif uyarılar iletirler.
• Yaban Hayatı Koruma Ses İzleme: Araştırmacılar, nesli tükenmekte olan türlerin spesifik seslerini veya yoğun ormanlardaki yasadışı ağaç kesme faaliyetlerini (motorlu testere gibi) tespit etmek için TinyML ile çalışan gizli akustik sensör dizileri kullanırlar. Güneş veya pil enerjisiyle çalışan bu cihazlar, sesi yerel olarak analiz eder ve anında uzun menzilli uyarılar tetikler.

Link to this sectionTinyML için Modelleri Dışa Aktarma#

Preparing a model for a microcontroller requires strict export formatting. Using Ultralytics YOLO26, developers can build robust object detection pipelines and compress them down for embedded targets. You can manage your dataset and model versioning seamlessly on the Ultralytics Platform before exporting locally. The native TFLite integration allows effortless conversion to the 8-bit integer formats required for microcontrollers, complementing other hardware-specific model deployment options like Apple's CoreML, Google's Edge TPU, and NVIDIA's TensorRT.

Aşağıdaki örnek, TinyML uyumlu uç platformlarda dağıtım için uygun hale getirilmiş, özellikle INT8 niceleme ile optimize edilmiş hafif bir YOLO26 modelinin nasıl dışa aktarılacağını göstermektedir:

from ultralytics import YOLO

# Initialize the lightweight YOLO26 Nano model for edge use cases
model = YOLO("yolo26n.pt")

# Export to TFLite format with INT8 quantization and a reduced image size
# This minimizes the memory footprint and accelerates inference on microcontrollers
model.export(format="tflite", int8=True, imgsz=160)