Link to this sectionRaspberry Pi üzerinde Coral Edge TPU ile Ultralytics YOLO26 nasıl çalıştırılır#

Bir Raspberry Pi, uçta bilgisayarlı görü çalıştırmak için güç verimli ve uygun maliyetli bir platformdur, ancak cihaz üzerindeki çıkarım ONNX veya OpenVINO gibi optimize edilmiş formatlarla bile yavaştır. Pi'yi bir Coral Edge TPU yardımcı işlemcisi ile eşleştirmek, çıkarımı özel bir donanıma devrederek süreci önemli ölçüde hızlandırır. Bu kılavuz sana çalışma zamanının nasıl kurulacağını, bir Ultralytics YOLO26 modelinin Edge TPU formatına nasıl aktarılacağını ve hızlandırılmış çıkarımın nasıl çalıştırılacağını gösterir.

Link to this sectionNeden Coral Edge TPU Kullanmalısın?#

Coral Edge TPU, sistemine bir Edge TPU yardımcı işlemcisi ekleyen kompakt bir cihazdır ve TensorFlow Lite modelleri için düşük güçlü, yüksek performanslı makine öğrenimi çıkarımı sağlar. Yalnızca CPU'nun yetersiz kaldığı gömülü ve mobil dağıtımlar için harika bir çözümdür:

• Daha hızlı çıkarım — Edge TPU, optimize edilmiş modelleri Raspberry Pi CPU'sunun tek başına elde edebileceğinden çok daha hızlı bir şekilde hızlandırır.
• Düşük güç tüketimi — Watt başına yüksek iş hacmi sağlar, pil veya güneş enerjisi ile çalışan dağıtımlar için idealdir.
• Tak-çalıştır — USB Accelerator USB 3.0 üzerinden bağlanır, bu nedenle fazladan donanım entegrasyonu gerekmez.

Link to this sectionÖn koşullar#

• Raspberry Pi 4B (2GB veya daha fazlası önerilir) veya Raspberry Pi 5 (Önerilir)
• Masaüstü yüklü Raspberry Pi OS Bullseye/Bookworm (64-bit) (Önerilir)
• Coral USB Accelerator
• Modeli dışa aktarmak için ARM olmayan bir platform (Google Colab, bir x86_64 Linux makinesi veya Ultralytics Docker container), çünkü Edge TPU derleyicisi ARM üzerinde mevcut değildir

Bu kılavuz, halihazırda yüklü ultralytics ve bağımlılıkları ile çalışan bir Raspberry Pi OS kurulumuna sahip olduğunu varsayar. Değilse, önce başlangıç kılavuzunu takip et.

Ön koşullar hazır olduğunda, iş akışı üç adımdan oluşur: Pi üzerinde Edge TPU çalışma zamanını kurmak, ARM olmayan bir makinede modelini dışa aktarmak ve tekrar Pi üzerinde çıkarımı çalıştırmak.

Link to this sectionEdge TPU Çalışma Zamanını Kur#

Çalışma zamanı birkaç farklı sürümle gelir, bu yüzden işletim sisteminle eşleşeni seç. Yüksek frekanslı sürüm, daha iyi performans için Edge TPU'yu daha yüksek saat hızında çalıştırır, ancak bu termal daralmaya neden olabilir — eğer bunu seçersen bir tür soğutma sistemi kullan.

En son sürümü buradan indir, ardından .deb paketini kur:

sudo dpkg -i path/to/package.deb

Çalışma zamanını kurduktan sonra, Coral Edge TPU'nu Raspberry Pi üzerindeki bir USB 3.0 portuna tak ki yeni udev kuralı devreye girebilsin.

# If you installed the standard version
sudo apt remove libedgetpu1-std

# If you installed the high-frequency version
sudo apt remove libedgetpu1-max

Link to this sectionModelini Edge TPU Formatına Aktar#

Edge TPU'yu kullanmak için modelini uyumlu bir formata dönüştür. Dışa aktarma işlemini ARM olmayan bir platformda yap — Google Colab, bir x86_64 Linux makinesi, resmi Ultralytics Docker container veya Ultralytics Platform — çünkü Edge TPU derleyicisi ARM üzerinde mevcut değildir. Kullanılabilir argümanlar için Dışa aktarma moduna bak.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

Dışa aktarılan model <model_name>_saved_model/ klasörüne <model_name>_full_integer_quant_edgetpu.tflite olarak kaydedilir.

Link to this sectionEdge TPU üzerinde Çıkarımı Çalıştır#

Modeli çalıştırmadan önce, Raspberry Pi üzerine gerekli kütüphaneleri kur. Eğer TensorFlow halihazırda yüklüyse, önce onu kaldır:

pip uninstall tensorflow tensorflow-aarch64

Ardından tflite-runtime kur veya güncelle:

pip install -U tflite-runtime

Şimdi çıkarımı çalıştırabilirsin:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

Tahmin moduyla ilgili tüm detayları Tahmin sayfasında bulabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")  # Inference defaults to the first TPU

model.predict("path/to/source.png", device="tpu:0")  # Select the first TPU

model.predict("path/to/source.png", device="tpu:1")  # Select the second TPU

Link to this sectionKıyaslamalar#

Aşağıdaki rakamlar Raspberry Pi OS Bookworm 64-bit ve bir USB Coral Edge TPU ile ölçülmüştür. Sadece çıkarım süresini gösterir (ön/son işleme hariç) ve Edge TPU'nun Pi modelleri ve modları arasında sağladığı hızlanma için göreceli bir referans görevi görür.

Ortalama olarak:

• Raspberry Pi 5, standart modda Raspberry Pi 4B'den %22 daha hızlıdır.
• Raspberry Pi 5, yüksek frekanslı modda Raspberry Pi 4B'den %30.2 daha hızlıdır.
• Yüksek frekanslı mod, standart moddan %28.4 daha hızlıdır.

Link to this sectionSonuç#

Bir Coral Edge TPU, Raspberry Pi'yi Ultralytics YOLO26 için yetenekli, düşük güçlü bir çıkarım cihazına dönüştürür. Modelini ARM olmayan bir makinede dışa aktar, _edgetpu.tflite son ekini koru ve hızlandırılmış uç çıkarımı elde etmek için Pi üzerinde tflite-runtime ile çalıştır. Daha fazla dağıtım seçeneği için Raspberry Pi kılavuzuna bak.

Link to this sectionSSS#

Link to this sectionCoral Edge TPU nedir ve Raspberry Pi'nin performansını Ultralytics YOLO26 ile nasıl artırır?#

Coral Edge TPU, sistemine bir Edge TPU yardımcı işlemcisi ekleyen kompakt bir cihazdır. Bu yardımcı işlemci, özellikle TensorFlow Lite modelleri için optimize edilmiş düşük güçlü, yüksek performanslı makine öğrenimi çıkarımını mümkün kılar. Raspberry Pi üzerinde, çıkarımı CPU'nun tek başına elde edebileceğinin çok ötesine taşır, bu da Ultralytics YOLO26 modelleri için performansı önemli ölçüde artırır.

Link to this sectionRaspberry Pi üzerinde Coral Edge TPU çalışma zamanını nasıl kurarım?#

Raspberry Pi OS sürümüne uygun .deb paketini bu bağlantıdan indir ve ardından yükle:

sudo dpkg -i path/to/package.deb

Edge TPU Çalışma Zamanını Kur bölümündeki adımları takip ederek önceki Coral Edge TPU çalışma zamanı sürümlerini kaldırdığından emin ol.

Link to this sectionUltralytics YOLO26 modelimi Coral Edge TPU ile uyumlu olacak şekilde dışa aktarabilir miyim?#

Evet. Dışa aktarma işlemini Google Colab, bir x86_64 Linux makinesi veya Ultralytics Docker container üzerinde çalıştır; ayrıca Ultralytics Platform da kullanabilirsin. Python ve CLI ile nasıl dışa aktarılacağı aşağıdadır:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/model.pt")  # Load an official model or custom model

# Export the model
model.export(format="edgetpu")

Daha fazla bilgi için Dışa aktarma modu belgelerine başvur.

Link to this sectionRaspberry Pi'mde TensorFlow halihazırda yüklüyse ancak bunun yerine tflite-runtime kullanmak istiyorsam ne yapmalıyım?#

Eğer TensorFlow yüklüyse ve tflite-runtime sürümüne geçmen gerekiyorsa, önce TensorFlow'u kaldır:

pip uninstall tensorflow tensorflow-aarch64

Ardından tflite-runtime kur veya güncelle:

pip install -U tflite-runtime

Detaylı talimatlar için Edge TPU Üzerinde Çıkarımı Çalıştır bölümüne bak.

Link to this sectionCoral Edge TPU kullanarak Raspberry Pi üzerinde dışa aktarılmış bir YOLO26 modeli ile nasıl çıkarım yaparım?#

YOLO26 modelini Edge TPU uyumlu bir formata aktardıktan sonra, aşağıdaki kod parçacıklarıyla çıkarımı çalıştır. Model dosyası, Ultralytics'in onu Edge TPU üzerinde yüklemesi için _edgetpu.tflite son ekini korumalıdır:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/<model_name>_full_integer_quant_edgetpu.tflite")  # Load an official model or custom model

# Run Prediction
model.predict("path/to/source.png")

Tahmin moduyla ilgili kapsamlı detaylar Tahmin sayfasındadır.