Link to this sectionYOLO26 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi#

Link to this sectionGiriş#

YOLO26 ile çıktığın yolculukta epey mesafe katettin. Verilerini özenle topladın, titizlikle etiketledin ve kendi özel YOLO26 modelini eğitip kapsamlı bir şekilde değerlendirmek için saatlerini harcadın. Artık modelini belirli bir uygulama, kullanım durumu veya proje için işe koyma zamanı. Ancak önünde duran kritik bir karar var: modelini nasıl verimli bir şekilde dışa aktaracak ve dağıtacaksın?

Bu kılavuz, YOLO26'nın dağıtım seçeneklerini ve projen için doğru seçeneği belirlerken göz önünde bulundurman gereken temel faktörleri sana anlatıyor.

Link to this sectionYOLO26 Modelin İçin Doğru Dağıtım Seçeneği Nasıl Seçilir#

YOLO26 modelini dağıtma zamanı geldiğinde, uygun bir dışa aktarma biçimi seçmek çok önemlidir. Ultralytics YOLO26 Modları belgelerinde belirtildiği gibi, model.export() işlevi, eğitilmiş modelini çeşitli ortamlara ve performans gereksinimlerine göre uyarlanmış birçok formata dönüştürmeni sağlar.

İdeal biçim, modelinin hedeflenen operasyonel bağlamına, hız, donanım kısıtlamaları ve entegrasyon kolaylığı arasındaki dengeye bağlıdır. Manuel dışa aktarma olmadan yönetilen dağıtım için Ultralytics Platform, 43 küresel bölgede otomatik ölçeklendirme ile kullanıma hazır çıkarım uç noktaları sunar. Aşağıdaki bölümde, her bir dışa aktarma seçeneğini daha yakından inceleyecek ve her birini ne zaman seçeceğini anlayacağız.

Link to this sectionYOLO26'nın Dağıtım Seçenekleri#

Farklı YOLO26 dağıtım seçeneklerini inceleyelim. Dışa aktarma sürecine ilişkin ayrıntılı bir izlenecek yol için Ultralytics dışa aktarma belgeleri sayfasına git.

Link to this sectionPyTorch#

PyTorch, derin öğrenme ve yapay zeka uygulamalarında yaygın olarak kullanılan açık kaynaklı bir makine öğrenimi kütüphanesidir. Sunduğu yüksek esneklik ve hız, onu araştırmacılar ve geliştiriciler arasında favori haline getirmiştir.

• Performans Karşılaştırmaları: PyTorch, kullanım kolaylığı ve esnekliği ile bilinir; bu durum, daha özelleşmiş ve optimize edilmiş diğer çerçevelerle karşılaştırıldığında ham performansta küçük bir ödünleşmeye neden olabilir.
• Uyumluluk ve Entegrasyon: Python'daki çeşitli veri bilimi ve makine öğrenimi kütüphaneleriyle mükemmel uyumluluk sunar.
• Topluluk Desteği ve Ekosistem: En canlı topluluklardan birine sahiptir ve öğrenme ile sorun giderme için kapsamlı kaynaklar sunar.
• Vaka Çalışmaları: Araştırma prototiplerinde yaygın olarak kullanılır; birçok akademik makale, PyTorch'ta dağıtılan modelleri referans gösterir.
• Bakım ve Güncellemeler: Yeni özellikler için aktif geliştirme ve destek ile düzenli güncellemeler alır.
• Güvenlik Hususları: Güvenlik sorunları için düzenli yamalar alır, ancak güvenlik büyük ölçüde dağıtıldığı genel ortama bağlıdır.
• Donanım Hızlandırma: Model eğitimi ve çıkarımını hızlandırmak için gerekli olan GPU hızlandırması adına CUDA'yı destekler.

Link to this sectionTorchScript#

TorchScript, modellerin bir C++ çalışma zamanı ortamında çalıştırılmak üzere dışa aktarılmasına olanak tanıyarak PyTorch'un yeteneklerini genişletir. Bu, Python'un kullanılamadığı üretim ortamları için uygundur.

• Performans Karşılaştırmaları: Özellikle üretim ortamlarında yerel PyTorch'a göre daha iyi performans sunabilir.
• Uyumluluk ve Entegrasyon: PyTorch'tan C++ üretim ortamlarına sorunsuz geçiş için tasarlanmıştır, ancak bazı gelişmiş özellikler tam olarak aktarılamayabilir.
• Topluluk Desteği ve Ekosistem: PyTorch'un geniş topluluğundan yararlanır ancak daha dar bir uzman geliştirici kitlesine sahiptir.
• Vaka Çalışmaları: Python'un performans yükünün bir darboğaz oluşturduğu endüstriyel ortamlarda yaygın olarak kullanılır.
• Bakım ve Güncellemeler: PyTorch ile birlikte tutarlı güncellemelerle desteklenir.
• Güvenlik Hususları: Modellerin tam Python kurulumları olmayan ortamlarda çalıştırılmasını sağlayarak geliştirilmiş güvenlik sunar.
• Donanım Hızlandırma: Verimli GPU kullanımı sağlamak için PyTorch'un CUDA desteğini miras alır.

Link to this sectionONNX#

Open Neural Network Exchange (ONNX), farklı çerçeveler arasında model birlikte çalışabilirliğine izin veren bir biçimdir ve çeşitli platformlara dağıtım yaparken kritik olabilir.

• Performans Karşılaştırmaları: ONNX modelleri, dağıtıldıkları çalışma zamanına bağlı olarak değişken performans sergileyebilir.
• Uyumluluk ve Entegrasyon: Çerçeveden bağımsız yapısı nedeniyle birden fazla platform ve donanım genelinde yüksek birlikte çalışabilirlik sağlar.
• Topluluk Desteği ve Ekosistem: Birçok kuruluş tarafından desteklenir; bu da geniş bir ekosisteme ve çeşitli optimizasyon araçlarına yol açar.
• Vaka Çalışmaları: Modelleri farklı makine öğrenimi çerçeveleri arasında taşımak için sıklıkla kullanılır ve esnekliğini kanıtlar.
• Bakım ve Güncellemeler: Açık bir standart olarak ONNX, yeni işlemleri ve modelleri desteklemek için düzenli olarak güncellenir.
• Güvenlik Hususları: Her platformlar arası araçta olduğu gibi, dönüştürme ve dağıtım hattında güvenli uygulamaları sağlamak esastır.
• Donanım Hızlandırma: ONNX Runtime ile modeller çeşitli donanım optimizasyonlarından yararlanabilir.

Link to this sectionOpenVINO#

OpenVINO, derin öğrenme modellerinin Intel donanımı genelinde dağıtımını kolaylaştırmak, performansı ve hızı artırmak için tasarlanmış bir Intel araç setidir.

• Performans Karşılaştırmaları: Özellikle Intel CPU'ları, GPU'ları ve VPU'ları için optimize edilmiştir; uyumlu donanımlarda önemli performans artışları sunar.
• Uyumluluk ve Entegrasyon: En iyi Intel ekosistemi içinde çalışır ancak diğer çeşitli platformları da destekler.
• Topluluk Desteği ve Ekosistem: Intel tarafından desteklenir; özellikle bilgisayarlı görü alanında sağlam bir kullanıcı tabanına sahiptir.
• Vaka Çalışmaları: Intel donanımının yaygın olduğu IoT ve uç bilişim senaryolarında sıklıkla kullanılır.
• Bakım ve Güncellemeler: Intel, OpenVINO'yu en son derin öğrenme modellerini ve Intel donanımını desteklemek için düzenli olarak günceller.
• Güvenlik Hususları: Hassas uygulamalarda dağıtım için uygun güçlü güvenlik özellikleri sağlar.
• Donanım Hızlandırma: Özel komut setlerinden ve donanım özelliklerinden yararlanarak Intel donanımı üzerinde hızlandırma için özel olarak tasarlanmıştır.

OpenVINO kullanarak dağıtım hakkında daha fazla ayrıntı için Ultralytics Entegrasyon belgelerine başvur: Intel OpenVINO Export.

Link to this sectionTensorRT#

TensorRT, hız ve verimlilik gerektiren uygulamalar için ideal olan, NVIDIA'dan yüksek performanslı bir derin öğrenme çıkarım iyileştiricisi ve çalışma zamanıdır.

• Performans Karşılaştırmaları: Yüksek hızlı çıkarım desteğiyle NVIDIA GPU'larında üst düzey performans sunar.
• Uyumluluk ve Entegrasyon: En iyi NVIDIA donanımı için uygundur; bu ortamın dışında sınırlı desteği vardır.
• Topluluk Desteği ve Ekosistem: NVIDIA'nın geliştirici forumları ve belgeleri aracılığıyla güçlü bir destek ağına sahiptir.
• Vaka Çalışmaları: Video ve görüntü verileri üzerinde gerçek zamanlı çıkarım gerektiren endüstrilerde yaygın olarak benimsenmiştir.
• Bakım ve Güncellemeler: NVIDIA, performansı artırmak ve yeni GPU mimarilerini desteklemek için sık güncellemelerle TensorRT'yi korur.
• Güvenlik Hususları: Birçok NVIDIA ürünü gibi güvenlik vurgusu güçlüdür, ancak detaylar dağıtım ortamına bağlıdır.
• Donanım Hızlandırma: Derin optimizasyon ve hızlandırma sağlayan, yalnızca NVIDIA GPU'ları için tasarlanmış bir yapıdır.

TensorRT dağıtımı hakkında daha fazla bilgi için TensorRT entegrasyon kılavuzuna göz at.

Link to this sectionCoreML#

CoreML, iOS, macOS, watchOS ve tvOS dahil olmak üzere Apple ekosisteminde cihaz üzerinde performans için optimize edilmiş Apple'ın makine öğrenimi çerçevesidir.

• Performans Karşılaştırmaları: Minimum pil kullanımıyla Apple donanımı üzerinde cihaz içi performans için optimize edilmiştir.
• Uyumluluk ve Entegrasyon: Yalnızca Apple ekosistemine özeldir; iOS ve macOS uygulamaları için kolaylaştırılmış bir iş akışı sağlar.
• Topluluk Desteği ve Ekosistem: Apple ve özel bir geliştirici topluluğundan gelen güçlü destek; kapsamlı belgeler ve araçlar sunar.
• Vaka Çalışmaları: Apple ürünlerinde cihaz üzerinde makine öğrenimi yetenekleri gerektiren uygulamalarda yaygın olarak kullanılır.
• Bakım ve Güncellemeler: Apple tarafından en son makine öğrenimi gelişmelerini ve Apple donanımını desteklemek için düzenli olarak güncellenir.
• Güvenlik Hususları: Apple'ın kullanıcı gizliliği ve veri güvenliği odağından yararlanır.
• Donanım Hızlandırma: Hızlandırılmış makine öğrenimi görevleri için Apple'ın nöral motorundan ve GPU'sundan tam olarak yararlanır.

Link to this sectionTF SavedModel#

TF SavedModel, özellikle ölçeklenebilir sunucu ortamları için uygun olan, makine öğrenimi modellerini kaydetmek ve sunmak için kullanılan TensorFlow biçimidir.

• Performans Karşılaştırmaları: Özellikle TensorFlow Serving ile kullanıldığında sunucu ortamlarında ölçeklenebilir performans sunar.
• Uyumluluk ve Entegrasyon: Bulut ve kurumsal sunucu dağıtımları dahil olmak üzere TensorFlow ekosisteminde geniş uyumluluk sağlar.
• Topluluk Desteği ve Ekosistem: TensorFlow'un popülaritesi sayesinde geniş topluluk desteğine ve dağıtım ile optimizasyon için çok çeşitli araçlara sahiptir.
• Vaka Çalışmaları: Derin öğrenme modellerini ölçekli bir şekilde sunmak için üretim ortamlarında kapsamlı bir şekilde kullanılır.
• Bakım ve Güncellemeler: Google ve TensorFlow topluluğu tarafından desteklenerek düzenli güncellemeler ve yeni özellikler sağlanır.
• Güvenlik Hususları: TensorFlow Serving kullanarak dağıtım, kurumsal düzeydeki uygulamalar için sağlam güvenlik özelliklerini içerir.
• Donanım Hızlandırma: TensorFlow'un arka uçları aracılığıyla çeşitli donanım hızlandırmalarını destekler.

Link to this sectionTF GraphDef#

TF GraphDef, modeli bir çizge olarak temsil eden ve statik bir hesaplama çizgesinin gerekli olduğu ortamlar için yararlı olan bir TensorFlow biçimidir.

• Performans Karşılaştırmaları: Tutarlılık ve güvenilirliğe odaklanarak statik hesaplama çizgeleri için kararlı performans sağlar.
• Uyumluluk ve Entegrasyon: TensorFlow'un altyapısına kolayca entegre olur ancak SavedModel'e kıyasla daha az esnektir.
• Topluluk Desteği ve Ekosistem: TensorFlow ekosisteminden iyi bir destek alır ve statik çizgeleri optimize etmek için birçok kaynak mevcuttur.
• Vaka Çalışmaları: Belirli gömülü sistemler gibi statik bir çizgenin gerekli olduğu senaryolarda kullanışlıdır.
• Bakım ve Güncellemeler: TensorFlow'un temel güncellemeleriyle birlikte düzenli olarak güncellenir.
• Güvenlik Hususları: TensorFlow'un yerleşik güvenlik uygulamalarıyla güvenli dağıtımı sağlar.
• Donanım Hızlandırma: SavedModel kadar esnek olmasa da TensorFlow'un donanım hızlandırma seçeneklerinden yararlanabilir.

TF GraphDef hakkında daha fazla bilgiyi TF GraphDef entegrasyon kılavuzumuzda bulabilirsin.

Link to this sectionTF Lite#

TF Lite, mobil ve gömülü cihaz makine öğrenimi için TensorFlow çözümüdür ve cihaz üzerinde çıkarım için hafif bir kütüphane sağlar.

• Performans Karşılaştırmaları: Mobil ve gömülü cihazlarda hız ve verimlilik için tasarlanmıştır.
• Uyumluluk ve Entegrasyon: Hafif yapısı sayesinde çok çeşitli cihazlarda kullanılabilir.
• Topluluk Desteği ve Ekosistem: Google tarafından desteklenir; sağlam bir topluluğa ve geliştiriciler için artan sayıda kaynağa sahiptir.
• Vaka Çalışmaları: Minimum ayak iziyle cihaz üzerinde çıkarım gerektiren mobil uygulamalarda popülerdir.
• Bakım ve Güncellemeler: Mobil cihazlar için en son özellikleri ve optimizasyonları içerecek şekilde düzenli olarak güncellenir.
• Güvenlik Hususları: Son kullanıcı cihazlarında modelleri çalıştırmak için güvenli bir ortam sağlar.
• Donanım Hızlandırma: GPU ve DSP dahil olmak üzere çeşitli donanım hızlandırma seçeneklerini destekler.

Link to this sectionTF Edge TPU#

TF Edge TPU, Google'ın Edge TPU donanımı üzerinde yüksek hızlı, verimli bilgi işlem için tasarlanmıştır; gerçek zamanlı işleme gerektiren IoT cihazları için mükemmeldir.

• Performans Karşılaştırmaları: Google'ın Edge TPU donanımı üzerinde yüksek hızlı, verimli bilgi işlem için özel olarak optimize edilmiştir.
• Uyumluluk ve Entegrasyon: Edge TPU cihazlarında yalnızca TensorFlow Lite modelleriyle çalışır.
• Topluluk Desteği ve Ekosistem: Google ve üçüncü taraf geliştiriciler tarafından sağlanan kaynaklarla desteği artmaktadır.
• Vaka Çalışmaları: Düşük gecikme süresi ile gerçek zamanlı işleme gerektiren IoT cihazlarında ve uygulamalarda kullanılır.
• Bakım ve Güncellemeler: Yeni Edge TPU donanım sürümlerinin yeteneklerinden yararlanmak için sürekli olarak geliştirilir.
• Güvenlik Hususları: IoT ve uç cihazlar için Google'ın sağlam güvenliği ile entegre olur.
• Donanım Hızlandırma: Google Coral cihazlarından tam olarak yararlanmak için özel olarak tasarlanmıştır.

Link to this sectionHailo HEF#

Hailo HEF, Hailo-8, Hailo-8L ve Hailo-15 cihazları dahil olmak üzere Hailo yapay zeka hızlandırıcıları için derlenmiş bir yürütülebilir biçimdir. Ultralytics YOLO algılama modelleri önce ONNX'e aktarılır, ardından harici Hailo Dataflow Compiler ile HEF'e derlenir. HEF doğrudan bir Ultralytics dışa aktarma hedefi değildir; desteklenen uç hızlandırma iş akışları için önce Axelera AI ve DeepX seçeneklerini karşılaştır.

• Performans Karşılaştırmaları: Hailo donanımına, Hailo SDK sürümüne, model betiğine, NMS yapılandırmasına ve kalibrasyon verilerine bağlıdır.
• Uyumluluk ve Entegrasyon: Sadece Hailo destekli gömülü sistemler, endüstriyel ağ geçitleri ve Raspberry Pi AI Kit dağıtımları içindir.
• Topluluk Desteği ve Ekosistem: Hailo Developer Zone, HailoRT, TAPPAS ve Hailo Model Zoo aracılığıyla desteklenir.
• Örnek Olaylar: Kameralar, robotik, erişim kontrolü, akıllı şehir ve endüstriyel denetim cihazlarında gerçek zamanlı nesne tespiti için kullanışlıdır.
• Bakım ve Güncellemeler: Yeni hızlandırıcı hedefleri için Hailo SDK, aygıt yazılımı ve model-zoo güncellemelerine bağlıdır.
• Güvenlik Hususları: Verilerin uçta kaldığı yerel, cihaz üzerinde çıkarımı destekler.
• Donanım Hızlandırma: Derlenmiş HEF yapıtları aracılığıyla Hailo NPU yürütmeyi kullanır.

Adım adım bir iş akışı için Hailo entegrasyon kılavuzuna bak.

Link to this sectionTF.js#

TensorFlow.js (TF.js), makine öğrenimi yeteneklerini doğrudan tarayıcıya getiren ve hem web geliştiricileri hem de kullanıcılar için yeni bir olasılıklar dünyası sunan bir kütüphanedir. Arka uç altyapısına ihtiyaç duymadan web uygulamalarına makine öğrenimi modellerinin entegre edilmesini sağlar.

• Performans Karşılaştırmaları: İstemci cihazına bağlı olarak makine öğrenimini doğrudan tarayıcıda makul bir performansla mümkün kılar.
• Uyumluluk ve Entegrasyon: Web teknolojileriyle yüksek uyumluluk, web uygulamalarına kolay entegrasyon sağlar.
• Topluluk Desteği ve Ekosistem: Web ve Node.js geliştiricilerinden oluşan bir topluluk tarafından desteklenir ve tarayıcılarda ML modellerini dağıtmak için çeşitli araçlara sahiptir.
• Örnek Olaylar: Sunucu tarafında işleme gerektirmeden istemci tarafındaki makine öğreniminden yararlanan etkileşimli web uygulamaları için idealdir.
• Bakım ve Güncellemeler: Açık kaynak topluluğunun katkılarıyla TensorFlow ekibi tarafından sürdürülür.
• Güvenlik Hususları: Web platformunun güvenlik modelinden yararlanarak tarayıcının güvenli bağlamında çalışır.
• Donanım Hızlandırma: Performans, WebGL gibi donanım hızlandırmaya erişen web tabanlı API'lerle artırılabilir.

Link to this sectionPaddlePaddle#

PaddlePaddle, Baidu tarafından geliştirilen açık kaynaklı bir derin öğrenme çerçevesidir. Hem araştırmacılar için verimli hem de geliştiriciler için kullanımı kolay olacak şekilde tasarlanmıştır. Özellikle Çin'de popülerdir ve Çince dil işleme için özel destek sunar.

• Performans Karşılaştırmaları: Kullanım kolaylığı ve ölçeklenebilirliğe odaklanarak rekabetçi performans sunar.
• Uyumluluk ve Entegrasyon: Baidu'nun ekosistemi içinde iyi bir şekilde entegre edilmiştir ve çok çeşitli uygulamaları destekler.
• Topluluk Desteği ve Ekosistem: Topluluk küresel olarak daha küçük olsa da, özellikle Çin'de hızla büyüyor.
• Örnek Olaylar: Yaygın olarak Çin pazarlarında ve diğer büyük çerçevelere alternatif arayan geliştiriciler tarafından kullanılır.
• Bakım ve Güncellemeler: Çince dilindeki yapay zeka uygulamalarına ve hizmetlerine hizmet etmeye odaklanarak düzenli olarak güncellenir.
• Güvenlik Hususları: Çin veri yönetişimi standartlarına hitap eden veri gizliliğine ve güvenliğe vurgu yapar.
• Donanım Hızlandırma: Baidu'nun kendi Kunlun çipleri de dahil olmak üzere çeşitli donanım hızlandırmalarını destekler.

Link to this sectionMNN#

MNN, oldukça verimli ve hafif bir derin öğrenme çerçevesidir. Derin öğrenme modellerinin çıkarımını ve eğitimini destekler ve cihaz üzerinde çıkarım ve eğitim için sektör lideri performansa sahiptir. Ayrıca MNN, IoT gibi gömülü cihazlarda da kullanılır.

• Performans Karşılaştırmaları: ARM sistemleri için mükemmel optimizasyonla mobil cihazlar için yüksek performans sunar.
• Uyumluluk ve Entegrasyon: Mobil ve gömülü ARM sistemleri ve X86-64 CPU mimarileri ile iyi çalışır.
• Topluluk Desteği ve Ekosistem: Mobil ve gömülü makine öğrenimi topluluğu tarafından desteklenir.
• Örnek Olaylar: Mobil sistemlerde verimli performans gerektiren uygulamalar için idealdir.
• Bakım ve Güncellemeler: Mobil cihazlarda yüksek performansı sağlamak için düzenli olarak korunur.
• Güvenlik Hususları: Verileri yerel tutarak cihaz üzerinde güvenlik avantajları sağlar.
• Donanım Hızlandırma: Maksimum verimlilik için ARM CPU'ları ve GPU'ları için optimize edilmiştir.

Link to this sectionNCNN#

NCNN, mobil platform için optimize edilmiş yüksek performanslı bir sinir ağı çıkarım çerçevesidir. Hafif yapısı ve verimliliği ile öne çıkar, bu da onu özellikle kaynakların sınırlı olduğu mobil ve gömülü cihazlar için çok uygun hale getirir.

• Performans Karşılaştırmaları: Mobil platformlar için oldukça optimize edilmiştir ve ARM tabanlı cihazlarda verimli çıkarım sunar.
• Uyumluluk ve Entegrasyon: Cep telefonlarındaki ve ARM mimarili gömülü sistemlerdeki uygulamalar için uygundur.
• Topluluk Desteği ve Ekosistem: Mobil ve gömülü ML uygulamalarına odaklanan niş ancak aktif bir topluluk tarafından desteklenir.
• Örnek Olaylar: Android ve diğer ARM tabanlı sistemlerde verimlilik ve hızın kritik olduğu mobil uygulamalar için tercih edilir.
• Bakım ve Güncellemeler: Çeşitli ARM cihazlarında yüksek performansı sürdürmek için sürekli olarak geliştirilir.
• Güvenlik Hususları: Cihaz üzerinde işlemenin doğal güvenliğinden yararlanarak yerel olarak cihaz üzerinde çalışmaya odaklanır.
• Donanım Hızlandırma: Bu mimariler için özel optimizasyonlarla ARM CPU'ları ve GPU'ları için uyarlanmıştır.

Link to this sectionYOLO26 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi#

Aşağıdaki tablo, YOLO26 modelleri için mevcut olan çeşitli dağıtım seçeneklerinin bir anlık görüntüsünü sunarak, birkaç kritik kritere dayanarak projenizin ihtiyaçlarına hangisinin en uygun olduğunu değerlendirmenize yardımcı olur. Her bir dağıtım seçeneğinin formatına dair ayrıntılı bir bakış için lütfen dışa aktarma formatlarına ilişkin Ultralytics dokümantasyon sayfasına bak.

Bu karşılaştırmalı analiz size üst düzey bir genel bakış sunar. Dağıtım için projenizin özel gereksinimlerini ve kısıtlamalarını dikkate almanız ve her seçenek için mevcut ayrıntılı belgelere ve kaynaklara başvurmanız önemlidir.

Link to this sectionTopluluk ve Destek#

YOLO26 ile çalışmaya başladığında, yardımsever bir topluluğa ve desteğe sahip olmak önemli bir fark yaratabilir. İlgi alanlarını paylaşan diğer kişilerle bağlantı kurmanın ve ihtiyacın olan yardımı almanın yolları şunlardır.

Link to this sectionDaha Geniş Toplulukla Etkileşim Kur#

• GitHub Tartışmaları: YOLO26 deposu GitHub üzerinde, soru sorabileceğin, sorun bildirebileceğin ve iyileştirme önerisinde bulunabileceğin bir "Discussions" bölümüne sahiptir.
• Ultralytics Discord Sunucusu: Ultralytics, diğer kullanıcılar ve geliştiricilerle etkileşim kurabileceğin bir Discord sunucusuna sahiptir.

Link to this sectionResmi Belgeler ve Kaynaklar#

• Ultralytics YOLO26 Dokümanları: Resmi dokümantasyon, YOLO26 hakkında kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme konularında kılavuzlar sağlar.

Bu kaynaklar, zorlukların üstesinden gelmene ve YOLO26 topluluğundaki en son trendler ve en iyi uygulamalar hakkında güncel kalmana yardımcı olacaktır.

Link to this sectionSonuç#

Bu kılavuzda, YOLO26 için farklı dağıtım seçeneklerini inceledik. Ayrıca seçimini yaparken göz önünde bulundurman gereken önemli faktörleri de tartıştık. Bu seçenekler, modelini çeşitli ortamlar ve performans gereksinimleri için özelleştirmeni sağlayarak onu gerçek dünya uygulamaları için uygun hale getirir.

YOLO26 ve Ultralytics topluluğunun değerli bir yardım kaynağı olduğunu unutma. Normal dokümantasyonda bulamayacağın benzersiz ipuçlarını ve çözümleri öğrenmek için diğer geliştiriciler ve uzmanlarla bağlantı kur. Bilgi aramaya, yeni fikirler keşfetmeye ve deneyimlerini paylaşmaya devam et.

Link to this sectionSSS#

Link to this sectionFarklı donanım platformlarında YOLO26 için mevcut dağıtım seçenekleri nelerdir?#

Ultralytics YOLO26, her biri belirli ortamlar ve donanım platformları için tasarlanmış çeşitli dağıtım formatlarını destekler. Temel formatlar şunlardır:

• Mükemmel Python entegrasyonu ile araştırma ve prototipleme için PyTorch.
• Python'un mevcut olmadığı üretim ortamları için TorchScript.
• Platformlar arası uyumluluk ve donanım hızlandırma için ONNX.
• Intel donanımında optimize edilmiş performans için OpenVINO.
• NVIDIA GPU'larında yüksek hızlı çıkarım için TensorRT.

Her formatın kendine özgü avantajları vardır. Ayrıntılı bir anlatım için dışa aktarma süreci dokümantasyonumuza bakın.

Link to this sectionBir Intel CPU üzerinde YOLO26 modelimin çıkarım hızını nasıl artırabilirim?#

Intel CPU'larında çıkarım hızını artırmak için YOLO26 modelini Intel'in OpenVINO araç setini kullanarak dağıtabilirsin. OpenVINO, modelleri Intel donanımından verimli bir şekilde yararlanacak şekilde optimize ederek önemli performans artışları sunar.

1. YOLO26 modelini model.export() işlevini kullanarak OpenVINO formatına dönüştür.
2. Intel OpenVINO Dışa Aktarma dokümantasyonundaki ayrıntılı kurulum kılavuzunu izle.

Daha fazla bilgi için blog yazımıza göz at.

Link to this sectionYOLO26 modellerini mobil cihazlara dağıtabilir miyim?#

Evet, YOLO26 modelleri, hem Android hem de iOS platformları için TensorFlow Lite (TF Lite) kullanılarak mobil cihazlara dağıtılabilir. TF Lite, mobil ve gömülü cihazlar için tasarlanmıştır ve cihaz üzerinde verimli çıkarım sağlar.

# Export command for TFLite format
model.export(format="tflite")

Modelleri mobile dağıtma hakkında daha fazla ayrıntı için TF Lite entegrasyon kılavuzumuza başvur.

Link to this sectionYOLO26 modelim için bir dağıtım formatı seçerken hangi faktörleri göz önünde bulundurmalıyım?#

YOLO26 için bir dağıtım formatı seçerken şu faktörleri göz önünde bulundur:

• Performans: TensorRT gibi bazı formatlar NVIDIA GPU'larında olağanüstü hızlar sağlarken, OpenVINO Intel donanımı için optimize edilmiştir.
• Uyumluluk: ONNX, farklı platformlar arasında geniş uyumluluk sunar.
• Entegrasyon Kolaylığı: CoreML veya TF Lite gibi formatlar sırasıyla iOS ve Android gibi belirli ekosistemler için özel olarak hazırlanmıştır.
• Topluluk Desteği: PyTorch ve TensorFlow gibi formatlar kapsamlı topluluk kaynaklarına ve desteğine sahiptir.

Karşılaştırmalı bir analiz için dışa aktarma formatları dokümantasyonumuza başvur.

Link to this sectionYOLO26 modellerini bir web uygulamasında nasıl dağıtabilirim?#

YOLO26 modellerini bir web uygulamasında dağıtmak için, makine öğrenimi modellerini doğrudan tarayıcıda çalıştırmaya olanak tanıyan TensorFlow.js (TF.js) kullanabilirsin. Bu yaklaşım, arka uç altyapısına olan ihtiyacı ortadan kaldırır ve gerçek zamanlı performans sağlar.

1. YOLO26 modelini TF.js formatına dışa aktar.
2. Dışa aktarılan modeli web uygulamana entegre et.

Adım adım talimatlar için TensorFlow.js entegrasyonu hakkındaki kılavuzumuza başvur.