YOLO11'in Dağıtım Seçeneklerini Anlama

Giriş

YOLO11 ile yolculuğunuzda uzun bir yol kat ettiniz. Verileri özenle topladınız, titizlikle açıklama eklediniz ve özel YOLO11 modelinizi eğitmek ve titizlikle değerlendirmek için saatler harcadınız. Şimdi, modelinizi özel uygulamanız, kullanım durumunuz veya projeniz için çalıştırma zamanı. Ancak önünüzde duran kritik bir karar var: modelinizi nasıl etkili bir şekilde dışa aktaracağınız ve dağıtacağınız.

Bu kılavuz, YOLO11'in dağıtım seçenekleri ve projeniz için doğru seçeneği seçmek için göz önünde bulundurmanız gereken temel faktörler konusunda size yol gösterir.

YOLO11 Modeliniz için Doğru Dağıtım Seçeneği Nasıl Seçilir?

YOLO11 modelinizi dağıtma zamanı geldiğinde, uygun bir dışa aktarma formatı seçmek çok önemlidir. Ultralytics YOLO11 Modları belgesinde belirtildiği gibi, model.export() işlevi, eğitilmiş modelinizi farklı ortamlara ve performans gereksinimlerine göre uyarlanmış çeşitli biçimlere dönüştürmenize olanak tanır.

İdeal format, hız, donanım kısıtlamaları ve entegrasyon kolaylığını dengeleyerek modelinizin amaçlanan operasyonel bağlamına bağlıdır. Aşağıdaki bölümde, her bir dışa aktarma seçeneğine daha yakından bakacağız ve her birinin ne zaman seçileceğini anlayacağız.

YOLO11'in Dağıtım Seçenekleri

Farklı YOLO11 dağıtım seçeneklerini gözden geçirelim. Dışa aktarma işlemiyle ilgili ayrıntılı bilgi için, dışa aktarma ile ilgiliUltralytics dokümantasyon sayfasını ziyaret edin.

PyTorch

PyTorch derin öğrenme ve yapay zeka uygulamaları için yaygın olarak kullanılan açık kaynaklı bir makine öğrenimi kütüphanesidir. Yüksek düzeyde esneklik ve hız sağlaması, onu araştırmacılar ve geliştiriciler arasında favori haline getirmiştir.

• Performans Kıyaslamaları: PyTorch kullanım kolaylığı ve esnekliği ile bilinir, bu da daha uzmanlaşmış ve optimize edilmiş diğer çerçevelerle karşılaştırıldığında ham performansta hafif bir değiş tokuşa neden olabilir.

• Uyumluluk ve Entegrasyon: Python adresindeki çeşitli veri bilimi ve makine öğrenimi kütüphaneleri ile mükemmel uyumluluk sunar.

• Topluluk Desteği ve Ekosistem: Öğrenme ve sorun giderme için kapsamlı kaynaklara sahip en canlı topluluklardan biri.

• Vaka Çalışmaları: Araştırma prototiplerinde yaygın olarak kullanılan birçok akademik makale, PyTorch adresinde kullanılan modellere atıfta bulunur.

• Bakım ve Güncellemeler: Yeni özellikler için aktif geliştirme ve destek ile düzenli güncellemeler.

• Güvenlik Hususları: Güvenlik sorunları için düzenli yamalar, ancak güvenlik büyük ölçüde dağıtıldığı genel ortama bağlıdır.

• Donanım Hızlandırma: Model eğitimini ve çıkarımını hızlandırmak için gerekli olan GPU hızlandırma için CUDA adresini destekler.

TorchScript

TorchScript Genişletir PyTorch'nin yetenekleri, modellerin dışa aktarılmasına izin vererek bir C++ çalışma zamanı ortamında çalıştırılır. Bu, onu üretim ortamları için uygun hale getirir. Python kullanılamıyor.

• Performans Karşılaştırmaları: Özellikle üretim ortamlarında yerel PyTorch üzerinden gelişmiş performans sunabilir.

• Uyumluluk ve Entegrasyon: PyTorch adresinden C++ üretim ortamlarına sorunsuz geçiş için tasarlanmıştır, ancak bazı gelişmiş özellikler mükemmel şekilde çevrilemeyebilir.

• Topluluk Desteği ve Ekosistem: PyTorch 'un geniş topluluğundan yararlanır ancak daha dar bir uzman geliştirici kapsamına sahiptir.

• Vaka Çalışmaları: Python 'un performans ek yükünün bir darboğaz olduğu endüstri ortamlarında yaygın olarak kullanılır.

• Bakım ve Güncellemeler: Tutarlı güncellemelerle PyTorch ile birlikte sürdürülür.

• Güvenlik Hususları: Tam Python kurulumlarının olmadığı ortamlarda modellerin çalıştırılmasını sağlayarak gelişmiş güvenlik sunar.

• Donanım Hızlandırma: PyTorch 'un CUDA desteğini devralır ve verimli GPU kullanımı sağlar.

ONNX

Açık Sinir Ağı Değişimi (ONNX), farklı çerçeveler arasında model birlikte çalışabilirliğine izin veren bir formattır ve bu, çeşitli platformlara dağıtılırken kritik olabilir.

• Performans Ölçütleri: ONNX modelleri, üzerinde konuşlandırıldıkları belirli çalışma zamanına bağlı olarak değişken bir performans yaşayabilir.

• Uyumluluk ve Entegrasyon: Çerçeveden bağımsız yapısı sayesinde birden fazla platform ve donanım arasında yüksek birlikte çalışabilirlik.

• Topluluk Desteği ve Ekosistem: Birçok kuruluş tarafından desteklenir, bu da geniş bir ekosistem ve optimizasyon için çeşitli araçlar sağlar.

• Vaka Çalışmaları: Modelleri farklı makine öğrenimi çerçeveleri arasında taşımak için sıklıkla kullanılır ve esnekliğini gösterir.

• Bakım ve Güncellemeler: Açık bir standart olan ONNX , yeni işlemleri ve modelleri desteklemek için düzenli olarak güncellenmektedir.

• Güvenlik Hususları: Tüm platformlar arası araçlarda olduğu gibi, dönüştürme ve dağıtım hattında güvenli uygulamaların sağlanması çok önemlidir.

• Donanım Hızlandırma: ONNX Runtime ile modeller çeşitli donanım optimizasyonlarından yararlanabilir.

OpenVINO

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

• Performans Karşılaştırmaları: Intel CPU'lar, GPU'lar ve VPU'lar için özel olarak optimize edilmiştir ve uyumlu donanımlarda önemli performans artışları sunar.

• Uyumluluk ve Entegrasyon: Intel ekosisteminde en iyi şekilde çalışır, ancak bir dizi başka platformu da destekler.

• Topluluk Desteği ve Ekosistem: Özellikle bilgisayarla görme alanında sağlam bir kullanıcı tabanına sahip Intel tarafından desteklenmektedir.

• Vaka Çalışmaları: Genellikle Intel donanımının yaygın olduğu IoT ve uç bilişim senaryolarında kullanılır.

• Bakım ve Güncellemeler: Intel , en yeni derin öğrenme modellerini ve Intel donanımını desteklemek için OpenVINO adresini düzenli olarak günceller.

• Güvenlik Hususları: Hassas uygulamalarda dağıtıma uygun sağlam güvenlik özellikleri sağlar.

• Donanım Hızlandırma: Özel komut setleri ve donanım özelliklerinden yararlanarak Intel donanımında hızlandırma için uyarlanmıştır.

OpenVINO adresini kullanarak dağıtım hakkında daha fazla bilgi için Ultralytics Entegrasyon belgelerine bakın: Intel OpenVINO Dışa aktarma.

TensorRT

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

• Performans Kıyaslamaları: Yüksek hızlı çıkarım desteği ile NVIDIA GPU'larda üst düzey performans sunar.

• Uyumluluk ve Entegrasyon: Bu ortam dışında sınırlı destek ile NVIDIA donanımı için en uygunudur.

• Topluluk Desteği ve Ekosistem: NVIDIA 'un geliştirici forumları ve belgeleri aracılığıyla güçlü destek ağı.

• Vaka Çalışmaları: Video ve görüntü verileri üzerinde gerçek zamanlı çıkarım gerektiren sektörlerde yaygın olarak kullanılmaktadır.

• Bakım ve Güncellemeler: NVIDIA , performansı artırmak ve yeni GPU mimarilerini desteklemek için TensorRT adresini 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 NVIDIA GPU'ları için özel olarak tasarlanmıştır.

CoreML

CoreML Apple'ın makine öğrenimi çerçevesidir ve iOS, macOS, watchOS ve tvOS dahil olmak üzere Apple ekosisteminde aygıt içi performans için optimize edilmiştir.

• Performans Karşılaştırmaları: Minimum pil kullanımıyla Apple donanımında aygıt içi performans için optimize edilmiştir.

• Uyumluluk ve Entegrasyon: Apple ekosistemine özel olarak iOS ve macOS uygulamaları için kolaylaştırılmış bir iş akışı sağlar.

• Topluluk Desteği ve Ekosistem: Kapsamlı belgeler ve araçlarla Apple'dan güçlü destek ve özel bir geliştirici topluluğu.

• Örnek Uygulamalar: Apple ürünlerinde aygıt üzerinde makine öğrenimi özellikleri gerektiren uygulamalarda yaygın olarak kullanılır.

• Bakım ve Güncellemeler: En son makine öğrenimi gelişmelerini ve Apple donanımını desteklemek için Apple tarafından düzenli olarak güncellenir.

• Güvenlikle İlgili Hususlar: Apple'ın kullanıcı gizliliği ve veri güvenliğine odaklanmasından yararlanır.

• Donanım Hızlandırma: Hızlandırılmış makine öğrenimi görevleri için Apple'ın nöral motorundan ve GPU adresinden tam olarak yararlanıyor.

TF SavedModel

TF SavedModel dir TensorFlow'nin makine öğrenimi modellerini kaydetme ve sunma biçimi, özellikle ölçeklenebilir sunucu ortamları için uygundur.

• Performans Kıyaslamaları: Özellikle TensorFlow Serving ile birlikte kullanıldığında sunucu ortamlarında ölçeklenebilir performans sunar.

• Uyumluluk ve Entegrasyon: Bulut ve kurumsal sunucu dağıtımları da dahil olmak üzere TensorFlow ekosisteminde geniş uyumluluk.

• Topluluk Desteği ve Ekosistem: Dağıtım ve optimizasyon için çok çeşitli araçlarla birlikte TensorFlow'un popülaritesi nedeniyle büyük topluluk desteği.

• Vaka Çalışmaları: Derin öğrenme modellerini geniş ölçekte sunmak için üretim ortamlarında yaygın olarak kullanılmaktadır.

• Bakım ve Güncellemeler: Google ve TensorFlow topluluğu tarafından desteklenerek düzenli güncellemeler ve yeni özellikler sağlanır.

• Güvenlik Hususları: TensorFlow Serving kullanılarak yapılan dağıtım, kurumsal düzeyde 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 bir TensorFlow formatıdır ve statik bir hesaplama grafiğinin gerekli olduğu ortamlar için faydalıdır.

• Performans Kıyaslamaları: Tutarlılık ve güvenilirliğe odaklanarak statik hesaplama grafikleri için istikrarlı performans sağlar.

• Uyumluluk ve Entegrasyon: TensorFlow altyapısına kolayca entegre olur ancak SavedModel ile karşılaştırıldığında daha az esnektir.

• Topluluk Desteği ve Ekosistem: Statik grafikleri optimize etmek için birçok kaynağın mevcut olduğu TensorFlow ekosisteminden iyi destek.

• Vaka Çalışmaları: Bazı gömülü sistemlerde olduğu gibi statik bir grafiğin gerekli olduğu senaryolarda kullanışlıdır.

• Bakım ve Güncellemeler: TensorFlow 'un temel güncellemelerinin yanı sıra düzenli güncellemeler.

• Güvenlik Hususları: TensorFlow 'un yerleşik güvenlik uygulamaları ile güvenli dağıtım sağlar.

• Donanım Hızlandırma: SavedModel kadar esnek olmasa da TensorFlow'un donanım hızlandırma seçeneklerini kullanabilir.

TF Lite

TF Lite TensorFlow'nin mobil ve gömülü cihaz makine öğrenimi çözümü, cihaz üzerinde çıkarım için hafif bir kitaplık 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 desteklenen güçlü bir topluluğa ve geliştiriciler için giderek artan sayıda kaynağa sahiptir.

• Örnek Uygulamalar: Minimum 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: Son kullanıcı cihazlarında modelleri çalıştırmak için güvenli bir ortam sağlar.

• Donanım Hızlandırma: GPU ve DSP dahil olmak üzere çeşitli donanım hızlandırma seçeneklerini destekler.

TF Kenar TPU

TF Edge TPU , gerçek zamanlı işlem gerektiren IoT cihazları için mükemmel olan Google'un Edge TPU donanımında yüksek hızlı, verimli bilgi işlem için tasarlanmıştır.

• Performans Kıyaslamaları: Google 's Edge TPU donanımında yüksek hızlı, verimli bilgi işlem için özel olarak optimize edilmiştir.

• Uyumluluk ve Entegrasyon: Edge TPU cihazlarında yalnızca TensorFlow Lite modelleri ile çalışır.

• Topluluk Desteği ve Ekosistem: Google ve üçüncü taraf geliştiriciler tarafından sağlanan kaynaklarla büyüyen destek.

• Örnek Uygulamalar: IoT cihazlarında ve düşük gecikme süresiyle gerçek zamanlı işlem gerektiren uygulamalarda kullanılır.

• Bakım ve Güncellemeler: Yeni Edge TPU donanım sürümlerinin özelliklerinden yararlanmak için sürekli olarak geliştirilir.

• Güvenlik Hususları: IoT ve uç cihazlar için Google'un sağlam güvenliği ile 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 hem web geliştiricileri hem de kullanıcılar için yeni bir olanaklar alanı sunan bir kütüphanedir. Arka uç altyapısına ihtiyaç duymadan makine öğrenimi modellerinin web uygulamalarına entegre edilmesini sağlar.

• Performans Kıyaslamaları: İstemci cihazına bağlı olarak makul bir performansla doğrudan tarayıcıda makine öğrenimini etkinleştirir.

• Uyumluluk ve Entegrasyon: Web teknolojileriyle yüksek uyumluluk, web uygulamalarına kolay entegrasyon sağlar.

• Topluluk Desteği ve Ekosistem: ML modellerini tarayıcılarda dağıtmak için çeşitli araçlarla web ve Node.js geliştiricilerinden oluşan bir topluluktan destek.

• Vaka Çalışmaları: Sunucu tarafı işlemeye ihtiyaç duymadan istemci tarafı makine öğreniminden yararlanan etkileşimli web uygulamaları için idealdir.

• Bakım ve Güncellemeler: Açık kaynak topluluğunun katkılarıyla TensorFlow ekibi tarafından sürdürülmektedir.

• Güvenlik Hususları: Web platformunun güvenlik modelini kullanarak tarayıcının güvenli bağlamı içinde çalışır.

• Donanım Hızlandırma: WebGL gibi donanım hızlandırmaya erişen web tabanlı API'ler ile performans 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 popülerdir ve Çince dil işleme için özel destek sunar.

• Performans Kıyaslamaları: Kullanım kolaylığı ve ölçeklenebilirliğe odaklanarak rekabetçi performans sunar.

• Uyumluluk ve Entegrasyon: Baidu'nun ekosistemine iyi entegre edilmiştir ve geniş bir uygulama yelpazesini destekler.

• Topluluk Desteği ve Ekosistem: Topluluk küresel olarak daha küçük olsa da, özellikle Çin'de hızla büyüyor.

• Vaka Çalışmaları: Çin pazarlarında ve diğer büyük çerçevelere alternatif arayan geliştiriciler tarafından yaygın olarak kullanılmaktadır.

• Bakım ve Güncellemeler: Çince yapay zeka uygulamaları ve hizmetleri sunmaya odaklanarak düzenli olarak güncellenir.

• Güvenlik Hususları: Çin veri yönetişimi standartlarına uygun olarak veri gizliliği ve güvenliğini vurgular.

• Donanım Hızlandırma: Baidu'nun kendi Kunlun çipleri de dahil olmak üzere çeşitli donanım hızlandırmalarını destekler.

NCNN

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

• Performans Karşılaştırmaları: Mobil platformlar için son derece optimize edilmiştir ve ARM tabanlı cihazlarda verimli çıkarım sunar.

• Uyumluluk ve Entegrasyon: ARM mimarisine sahip cep telefonları ve gömülü sistemlerdeki uygulamalar için uygundur.

• Topluluk Desteği ve Ekosistem: Mobil ve gömülü makine öğrenimi uygulamalarına odaklanan niş ancak aktif bir topluluk tarafından desteklenmektedir.

• Vaka Çalışmaları: Android ve diğer ARM tabanlı sistemlerde verimlilik ve hızın kritik olduğu mobil uygulamalar için tercih edilir.

• Bakım ve Güncellemeler: Çeşitli ARM cihazlarında yüksek performansı korumak için sürekli olarak geliştirilmiştir.

• Güvenlik Hususları: Cihaz üzerinde yerel olarak çalışmaya odaklanır ve cihaz üzerinde işlemenin doğal güvenliğinden yararlanır.

• Donanım Hızlandırma: ARM CPU'lar ve GPU'lar için bu mimarilere özel optimizasyonlarla uyarlanmıştır.

MNN

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

YOLO11 Dağıtım Seçeneklerinin Karşılaştırmalı Analizi

Aşağıdaki tablo, YOLO11 modelleri için mevcut olan çeşitli dağıtım seçeneklerinin anlık bir görüntüsünü sunarak, birkaç kritik kritere dayalı olarak proje ihtiyaçlarınıza en uygun olanı değerlendirmenize yardımcı olur. Her bir dağıtım seçeneğinin formatına derinlemesine bakmak için lütfen dışa aktarma formatları hakkındakiUltralytics dokümantasyon sayfasına bakın.

Bu karşılaştırmalı analiz size üst düzey bir genel bakış sunar. Dağıtım için, projenizin özel gereksinimlerini ve kısıtlamalarını göz önünde bulundurmanız ve her seçenek için mevcut olan ayrıntılı belgelere ve kaynaklara başvurmanız çok önemlidir.

Topluluk ve Destek

YOLO11'e başlarken, yardımcı bir topluluğa ve desteğe sahip olmak önemli bir etki yaratabilir. İlgi alanlarınızı paylaşan diğer kişilerle nasıl bağlantı kuracağınızı ve ihtiyacınız olan yardımı nasıl alacağınızı burada bulabilirsiniz.

Daha Geniş Bir Toplumla Etkileşim Kurun

• GitHub Tartışmaları: GitHub'daki YOLO11 deposunda soru sorabileceğiniz, sorunları bildirebileceğiniz ve iyileştirmeler önerebileceğiniz bir "Tartışmalar" bölümü vardır.

• Ultralytics Discord Sunucusu: Ultralytics , diğer kullanıcılar ve geliştiricilerle etkileşime girebileceğiniz bir Discord sunucusuna sahiptir.

Resmi Dokümantasyon ve Kaynaklar

• Ultralytics YOLO11 Belgeleri: Resmi belgeler, kurulum, kullanım ve sorun giderme kılavuzlarının yanı sıra YOLO11'e kapsamlı bir genel bakış sağlar.

Bu kaynaklar, zorlukların üstesinden gelmenize ve YOLO11 topluluğundaki en son trendler ve en iyi uygulamalar hakkında güncel kalmanıza yardımcı olacaktır.

Sonuç

Bu kılavuzda, YOLO11 için farklı dağıtım seçeneklerini inceledik. Ayrıca seçiminizi yaparken göz önünde bulundurmanız gereken önemli faktörleri de tartıştık. Bu seçenekler, modelinizi çeşitli ortamlar ve performans gereksinimleri için özelleştirmenize olanak tanıyarak gerçek dünya uygulamaları için uygun hale getirir.

YOLO11 ve Ultralytics topluluğunun değerli bir yardım kaynağı olduğunu unutmayın. Normal belgelerde bulamayabileceğiniz benzersiz ipuçları ve çözümler öğrenmek için diğer geliştiriciler ve uzmanlarla bağlantı kurun. Bilgi aramaya, yeni fikirler keşfetmeye ve deneyimlerinizi paylaşmaya devam edin.

Mutlu konuşlandırmalar!

SSS

Farklı donanım platformlarında YOLO11 için mevcut dağıtım seçenekleri nelerdir?

Ultralytics YOLO11, her biri belirli ortamlar ve donanım platformları için tasarlanmış çeşitli dağıtım biçimlerini destekler. Temel formatlar şunları içerir:

• PyTorch mükemmel Python entegrasyonu ile araştırma ve prototipleme için.
• TorchScriptPython adresinin kullanılamadığı üretim ortamları için.
• ONNX platformlar arası uyumluluk ve donanım hızlandırma için.
• OpenVINOIntel donanımında optimize edilmiş performans için.
• TensorRTNVIDIA GPU'larda yüksek hızlı çıkarım için.

Her formatın kendine özgü avantajları vardır. Ayrıntılı bilgi için ihracat süreci belgelerimize bakın.

YOLO11 modelimin çıkarım hızını Intel CPU adresinde nasıl artırabilirim?

Intel CPU'larda çıkarım hızını artırmak için YOLO11 modelinizi Intel'un OpenVINO araç setini kullanarak dağıtabilirsiniz. OpenVINO , Intel donanımından verimli bir şekilde yararlanmak için modelleri optimize ederek önemli performans artışları sunar.

1. YOLO11 modelinizi OpenVINO formatına dönüştürmek için model.export() fonksiyon.
2. Intel OpenVINO Dışa Aktarma belgelerindeki ayrıntılı kurulum kılavuzunu izleyin.

Daha fazla bilgi için blog yazımıza göz atın.

YOLO11 modellerini mobil cihazlara dağıtabilir miyim?

Evet, YOLO11 modelleri aşağıdakiler kullanılarak mobil cihazlara dağıtılabilir TensorFlow Lite (TF Lite) hem Android hem de iOS platformları için. TF Lite, mobil ve gömülü cihazlar için tasarlanmıştır ve cihaz üzerinde verimli çıkarım sağlar.

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

# CLI command for TFLite export
yolo export --format tflite

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

YOLO11 modelim için bir dağıtım formatı seçerken hangi faktörleri göz önünde bulundurmalıyım?

YOLO11 için bir dağıtım biçimi seçerken aşağıdaki faktörleri göz önünde bulundurun:

• Performans: TensorRT gibi bazı formatlar NVIDIA GPU'larda 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 uyarlanmıştır.
• Topluluk Desteği: Gibi formatlar PyTorch ve TensorFlow kapsamlı topluluk kaynaklarına ve desteğine sahiptir.

Karşılaştırmalı bir analiz için ihracat formatları dokümantasyonumuza bakınız.

YOLO11 modellerini bir web uygulamasında nasıl dağıtabilirim?

YOLO11 modellerini bir web uygulamasında dağıtmak için, makine öğrenimi modellerini doğrudan tarayıcıda çalıştırmaya olanak tanıyan TensorFlow.js (TF.js) kullanabilirsiniz. Bu yaklaşım, arka uç altyapısı ihtiyacını ortadan kaldırır ve gerçek zamanlı performans sağlar.

1. YOLO11 modelini TF.js formatına aktarın.
2. Dışa aktarılan modeli web uygulamanıza entegre edin.

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

📅 Created 1 year ago ✏️ Updated 20 days ago

Yorumlar