YOLO26 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi

Giriş

YOLO26 ile çıktığın yolda çok mesafe kat ettin. Verilerini özenle topladın, titizlikle etiketledin ve kendi özel YOLO26 modelini eğitip kapsamlı bir şekilde değerlendirmek için saatlerini harcadın. Şimdi, modelini özel uygulaman, kullanım durumun veya projen için işe koyma vakti. Ancak önünde duran kritik bir karar var: modelini nasıl verimli bir şekilde dışa aktarıp dağıtacaksın?

Bu rehber, YOLO26'nın dağıtım seçenekleri ve projen için doğru seçeneği belirlerken göz önünde bulundurman gereken temel faktörler konusunda sana yol gösteriyor.

YOLO26 Modelin İçin Doğru Dağıtım Seçeneği Nasıl Seçilir

YOLO26 modelini dağıtma zamanı geldiğinde, uygun bir dışa aktarma formatı seçmek çok önemlidir. Ultralytics YOLO26 Modlar dokümantasyonunda belirtildiği gibi, model.export() fonksiyonu, eğitilmiş modelini farklı ortamlara ve performans gereksinimlerine göre uyarlanmış çeşitli formatlara dönüştürmeni sağlar.

İdeal format, hız, donanım kısıtlamaları ve entegrasyon kolaylığını dengeleyerek modelinin amaçlanan operasyonel bağlamına bağlıdır. Manuel dışa aktarma gerektirmeyen yönetilen dağıtım için, Ultralytics Platform, 43 küresel bölgede otomatik ölçeklendirme ile kullanıma hazır çıkarım uç noktaları sunar. Bir sonraki bölümde, her bir dışa aktarma seçeneğini daha yakından inceleyecek ve hangisini ne zaman seçeceğini anlayacağız.

YOLO26'nın Dağıtım Seçenekleri

Hadi farklı YOLO26 dağıtım seçeneklerini gözden geçirelim. Dışa aktarma süreci hakkında ayrıntılı bir izlenecek yol için, Ultralytics'in dışa aktarma hakkındaki dokümantasyon sayfasını ziyaret et.

PyTorch

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 Kıyaslamaları: PyTorch, kullanım kolaylığı ve esnekliği ile bilinir; bu, daha özelleşmiş ve optimize edilmiş diğer çerçevelere kıyasla 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: Öğrenme ve sorun giderme için geniş kaynaklara sahip, en canlı topluluklardan birine sahiptir.
• Örnek Çalışmalar: Araştırma prototiplerinde yaygın olarak kullanılır; birçok akademik makale PyTorch'ta dağıtılan modellere atıfta bulunur.
• Bakım ve Güncellemeler: Aktif geliştirme ile düzenli güncellemeler ve yeni özellikler için destek sunulur.
• Güvenlik Hususları: Güvenlik sorunları için düzenli yamalar çıkarılır, ancak güvenlik büyük ölçüde dağıtıldığı genel ortama bağlıdır.
• Donanım Hızlandırma: Model eğitimi ve çıkarımını hızlandırmak için gerekli olan GPU hızlandırması için CUDA'yı destekler.

TorchScript

TorchScript, modellerin bir C++ çalışma zamanı ortamında çalıştırılmak üzere dışa aktarılmasına izin vererek PyTorch'un yeteneklerini genişletir. Bu, Python'un kullanılamadığı üretim ortamları için uygun olmasını sağlar.

• Performans Kıyaslamaları: 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 yelpazesine sahiptir.
• Örnek Çalışmalar: Python'un performans yükünün bir darboğaz olduğu endüstri ortamlarında yaygın olarak kullanılır.
• Bakım ve Güncellemeler: Tutarlı güncellemelerle PyTorch ile birlikte korunur.
• Güvenlik Hususları: Modellerin tam Python kurulumları olmayan ortamlarda çalıştırılmasını sağlayarak gelişmiş güvenlik sunar.
• Donanım Hızlandırma: Verimli GPU kullanımını sağlayan PyTorch'un CUDA desteğini devralır.

ONNX

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

• Performans Kıyaslamaları: ONNX modelleri, dağıtıldıkları çalışma zamanına bağlı olarak değişken performans gösterebilir.
• Uyumluluk ve Entegrasyon: Çerçeveden bağımsız doğası nedeniyle birden fazla platform ve donanımda yüksek birlikte çalışabilirlik sağlar.
• Topluluk Desteği ve Ekosistem: Birçok kuruluş tarafından desteklenir, bu da geniş bir ekosisteme ve optimizasyon için çeşitli araçlara yol açar.
• Örnek Çalışmalar: Esnekliğini kanıtlayan, modelleri farklı makine öğrenimi çerçeveleri arasında taşımak için sıklıkla kullanılır.
• Bakım ve Güncellemeler: Açık bir standart olarak ONNX, yeni operasyonları ve modelleri desteklemek için düzenli olarak güncellenir.
• Güvenlik Hususları: Herhangi bir platformlar arası araçta olduğu gibi, dönüştürme ve dağıtım hattında güvenli uygulamaların sağlanması esastır.
• Donanım Hızlandırma: ONNX Runtime ile modeller çeşitli donanım optimizasyonlarından yararlanabilir.

OpenVINO

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

• Performans Kıyaslamaları: Özellikle Intel CPU'lar, GPU'lar ve VPU'lar için optimize edilmiştir ve 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 ve özellikle bilgisayarlı görü alanında sağlam bir kullanıcı tabanına sahiptir.
• Örnek Çalışmalar: 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 destekleyecek şekilde düzenli olarak günceller.
• Güvenlik Hususları: Hassas uygulamalarda dağıtım için uygun, sağlam 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 dokümantasyonuna başvur: Intel OpenVINO Export.

TensorRT

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

• Performans Kıyaslamaları: NVIDIA GPU'larında yüksek hızlı çıkarım desteğiyle en üst düzey performans sunar.
• Uyumluluk ve Entegrasyon: En iyi NVIDIA donanımı için uygundur, bu ortamın dışında sınırlı desteğe sahiptir.
• Topluluk Desteği ve Ekosistem: NVIDIA'nın geliştirici forumları ve dokümantasyonu aracılığıyla güçlü bir destek ağı vardır.
• Örnek Çalışmalar: 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 TensorRT'yi sık güncellemelerle korur.
• Güvenlik Hususları: Birçok NVIDIA ürünü gibi güvenliğe güçlü bir vurgu yapar, ancak ayrıntılar dağıtım ortamına bağlıdır.
• Donanım Hızlandırma: Derin optimizasyon ve hızlandırma sağlayan, özel olarak NVIDIA GPU'lar için tasarlanmıştır.

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

CoreML

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

• Performans Kıyaslamaları: Apple donanımında, minimum pil kullanımıyla cihaz üzerinde performans için optimize edilmiştir.
• Uyumluluk ve Entegrasyon: iOS ve macOS uygulamaları için kolaylaştırılmış bir iş akışı sunan, yalnızca Apple ekosistemine özeldir.
• Topluluk Desteği ve Ekosistem: Apple ve özel bir geliştirici topluluğundan güçlü destek, kapsamlı dokümantasyon ve araçlar sunar.
• Örnek Çalışmalar: 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 güvenliğine verdiği önemden yararlanır.
• Donanım Hızlandırma: Hızlandırılmış makine öğrenimi görevleri için Apple'ın nöral motorundan ve GPU'sundan tam olarak yararlanır.

TF SavedModel

TF SavedModel, TensorFlow'un makine öğrenimi modellerini kaydetmek ve sunmak için kullandığı, özellikle ölçeklenebilir sunucu ortamları için uygun olan formatıdır.

• Performans Kıyaslamaları: Özellikle TensorFlow Serving ile kullanıldığında, sunucu ortamlarında ölçeklenebilir performans sunar.
• Uyumluluk ve Entegrasyon: Bulut ve kurumsal sunucu dağıtımları dahil, TensorFlow ekosisteminde geniş uyumluluk sağlar.
• Topluluk Desteği ve Ekosistem: TensorFlow'un popülaritesi sayesinde geniş topluluk desteği ve dağıtım ve optimizasyon için çok çeşitli araçlara sahiptir.
• Örnek Çalışmalar: 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 kullanılarak yapılan dağıtım, kurumsal düzeydeki uygulamalar için sağlam güvenlik özellikleri içerir.
• Donanım Hızlandırma: TensorFlow'un arka uçları aracılığıyla çeşitli donanım hızlandırmalarını destekler.

TF GraphDef

TF GraphDef, modeli bir grafik olarak temsil eden, statik bir hesaplama grafiğinin gerekli olduğu ortamlar için faydalı olan bir TensorFlow formatıdır.

• Performans Kıyaslamaları: Tutarlılığa ve güvenilirliğe odaklanarak statik hesaplama grafikleri için kararlı bir performans sağlar.
• Uyumluluk ve Entegrasyon: TensorFlow'un altyapısı içinde kolayca entegre olur ancak SavedModel'e kıyasla daha az esnektir.
• Topluluk Desteği ve Ekosistem: Statik grafikleri optimize etmek için birçok kaynağın mevcut olduğu, TensorFlow ekosisteminden iyi bir destek alır.
• Örnek Çalışmalar: Bazı gömülü sistemlerde olduğu gibi, statik bir grafiğin gerekli olduğu senaryolarda kullanışlıdır.
• Bakım ve Güncellemeler: TensorFlow'un temel güncellemeleriyle birlikte düzenli güncellemeler alır.
• Güvenlik Hususları: TensorFlow'un yerleşik güvenlik uygulamalarıyla güvenli dağıtımı sağlar.
• Donanım Hızlandırma: SavedModel kadar esnek olmasa da TensorFlow'un donanım hızlandırma seçeneklerini kullanabilir.

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

TF Lite

TF Lite, TensorFlow'un mobil ve gömülü cihaz makine öğrenimi için geliştirdiği, cihaz üzerinde çıkarım için hafif bir kütüphane sunan çözümüdür.

• Performans Kıyaslamaları: Mobil ve gömülü cihazlarda hız ve verimlilik için tasarlanmıştır.
• Uyumluluk ve Entegrasyon: Hafif yapısı sayesinde çok çeşitli cihazlarda kullanılabilir.
• Topluluk Desteği و Ekosistem: Google tarafından desteklenir, güçlü bir topluluğa ve geliştiriciler için giderek artan sayıda kaynağa sahiptir.
• Örnek Çalışmalar: Minimal ayak izi ile 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: Modelleri son kullanıcı cihazlarında çalıştırmak için güvenli bir ortam sağlar.
• Donanım Hızlandırma: GPU ve DSP dahil olmak üzere çeşitli donanım hızlandırma seçeneklerini destekler.

TF Edge TPU

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

• Performans Kıyaslamaları: Özellikle Google'ın Edge TPU donanımı üzerinde yüksek hızlı, verimli bilgi işlem için 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 giderek artan bir destek sunar.
• Örnek Çalışmalar: Düşük gecikmeyle gerçek zamanlı işlem gerektiren IoT cihazlarında ve uygulamalarda kullanılır.
• Bakım ve Güncellemeler: Yeni Edge TPU donanım sürümlerinin yeteneklerinden yararlanmak için sürekli geliştirilir.
• Güvenlik Hususları: IoT ve uç cihazlar için Google'ın sağlam güvenliğiyle entegre olur.
• Donanım Hızlandırma: Google Coral cihazlarından tam olarak yararlanmak için özel olarak tasarlanmıştır.

TF.js

TensorFlow.js (TF.js), makine öğrenimi yeteneklerini doğrudan tarayıcıya getiren ve web geliştiricileri ile kullanıcılar için yepyeni olasılıklar dünyası sunan bir kütüphanedir. Arka uç altyapısına ihtiyaç duymadan web uygulamalarında makine öğrenimi modellerinin entegrasyonuna olanak tanır.

• Performans Kıyaslamaları: İstemci cihazına bağlı olarak, doğrudan tarayıcıda makul performansla makine öğrenimini etkinleştirir.
• Uyumluluk ve Entegrasyon: Web teknolojileriyle yüksek uyumluluk, web uygulamalarına kolay entegrasyona olanak tanır.
• Topluluk Desteği ve Ekosistem: Tarayıcılarda ML modellerini dağıtmak için çeşitli araçlara sahip, web ve Node.js geliştiricilerinden oluşan bir topluluk tarafından desteklenir.
• Örnek Olaylar: Sunucu tarafında işleme gereksinimi duymadan, istemci tarafındaki makine öğreniminden faydalanan etkileşimli web uygulamaları için idealdir.
• Bakım ve Güncellemeler: Açık kaynak topluluğunun katkılarıyla TensorFlow ekibi tarafından sürdürülmektedir.
• Güvenlik Hususları: Web platformunun güvenlik modelinden yararlanarak tarayıcının güvenli bağlamı içinde çalışır.
• Donanım Hızlandırma: Performans, WebGL gibi donanım hızlandırmaya erişen web tabanlı API'lerle artırılabilir.

PaddlePaddle

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 oldukça popülerdir ve Çin dili işleme için özel destek sunar.

• Performans Kıyaslamaları: Kullanım kolaylığı ve ölçeklenebilirliğe odaklanarak rekabetçi bir performans sunar.
• Uyumluluk ve Entegrasyon: Baidu'nun ekosistemiyle iyi entegre olmuştur ve çok çeşitli uygulamaları destekler.
• Topluluk Desteği ve Ekosistem: Küresel ölçekte topluluk daha küçük olsa da, özellikle Çin'de hızla büyümektedir.
• 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 odaklanılarak düzenli olarak güncellenir.
• Güvenlik Hususları: Çin veri yönetişimi standartlarına hitap eden veri gizliliği ve güvenliğe vurgu yapar.
• Donanım Hızlandırma: Baidu'nun kendi Kunlun çipleri dahil olmak üzere çeşitli donanım hızlandırmalarını destekler.

MNN

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

• Performans Kıyaslamaları: ARM sistemleri için mükemmel optimizasyonla mobil cihazlarda yüksek performans sağlar.
• Uyumluluk ve Entegrasyon: Mobil ve gömülü ARM sistemleri ve X86-64 CPU mimarileriyle 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 güncellenir.
• Güvenlik Hususları: Verileri yerel tutarak cihaz üzerinde güvenlik avantajları sağlar.
• Donanım Hızlandırma: Maksimum verimlilik için ARM CPU'lar ve GPU'lar için optimize edilmiştir.

NCNN

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

• Performans Kıyaslamaları: Mobil platformlar için yüksek düzeyde optimize edilmiş olup ARM tabanlı cihazlarda verimli çıkarım sunar.
• Uyumluluk ve Entegrasyon: Cep telefonlarındaki ve ARM mimarisine sahip 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 verimliliğin 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 getirdiği doğal güvenlikten yararlanarak doğrudan cihazda çalışmaya odaklanır.
• Donanım Hızlandırma: Bu mimarilere özel optimizasyonlarla ARM CPU'lar ve GPU'lar için uyarlanmıştır.

YOLO26 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi

Aşağıdaki tablo, YOLO26 modelleri için mevcut olan çeşitli dağıtım seçeneklerinin bir anlık görüntüsünü sunarak, birkaç kritik kritere dayanarak projenin ihtiyaçlarına en uygun olanı değerlendirmene yardımcı olur. Her dağıtım seçeneğinin formatına dair derinlemesine bir inceleme için lütfen Ultralytics dışa aktarma formatları hakkındaki dokümantasyon sayfasına bak.

Bu karşılaştırmalı analiz sana üst düzey bir genel bakış sunar. Dağıtım için projenin özel gereksinimlerini ve kısıtlamalarını dikkate alman, ayrıca her seçenek için mevcut olan ayrıntılı belgelere ve kaynaklara başvurman önemlidir.

Topluluk ve Destek

YOLO26 ile çalışmaya başladığında, yardımcı bir topluluğa ve desteğe sahip olmak önemli bir fark yaratabilir. İlgi alanlarını paylaşan diğer kişilerle bağlantı kurman ve ihtiyacın olan yardımı alman için yapabileceklerin şunlardır.

Geniş Toplulukla Etkileşime Geç

• GitHub Discussions: GitHub'daki YOLO26 deposunda, soru sorabileceğin, sorun bildirebileceğin ve iyileştirmeler önerebileceğin bir "Discussions" bölümü bulunur.
• Ultralytics Discord Sunucusu: Ultralytics'in, diğer kullanıcılar ve geliştiricilerle etkileşim kurabileceğin bir Discord sunucusu vardır.

Resmi Belgeler ve Kaynaklar

• Ultralytics YOLO26 Belgeleri: Resmi belgeler, kurulum, kullanım ve sorun giderme kılavuzlarıyla birlikte YOLO26 hakkında kapsamlı bir genel bakış sunar.

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

Sonuç

Bu kılavuzda, YOLO26 için farklı dağıtım seçeneklerini inceledik. Ayrıca seçimini yaparken dikkate alman 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 belgelerde bulamayacağın benzersiz ipuçlarını ve çözümleri öğrenmek için diğer geliştiricilerle ve uzmanlarla bağlantı kur. Bilgi aramaya, yeni fikirler keşfetmeye ve deneyimlerini paylaşmaya devam et.

SSS

Farklı donanım platformlarında YOLO26 için mevcut dağıtım seçenekleri nelerdir?

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

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

Her formatın kendine özgü avantajları vardır. Ayrıntılı bir izlenecek yol için dışa aktarma süreci belgelerimize bak.

Bir Intel CPU üzerinde YOLO26 modelimin çıkarım hızını nasıl artırabilirim?

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

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

Daha fazla bilgi için blog yazımıza göz at.

YOLO26 modellerini mobil cihazlarda dağıtabilir miyim?

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

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

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

YOLO26 modelim için bir dağıtım formatı seçerken hangi faktörleri dikkate almalıyım?

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

• Performans: TensorRT gibi bazı formatlar NVIDIA GPU'larda olağanüstü hızlar sağlarken, OpenVINO Intel donanımı için optimize edilmiştir.
• Uyumluluk: ONNX, farklı platformlarda geniş bir 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 analiz için dışa aktarma formatları belgelerimize başvur.

YOLO26 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 altyapısı ihtiyacını ortadan kaldırır ve gerçek zamanlı performans sağlar.

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

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