─░├žeri─če ge├ž

Ultralytics Android Uygulamas─▒: YOLO Modelleri ile Ger├žek Zamanl─▒ Nesne Alg─▒lama

Ultralytics HUB ├Ânizleme g├Âr├╝nt├╝s├╝

Ultralytics GitHub uzay Ultralytics LinkedIn uzay Ultralytics Twitter uzay Ultralytics YouTube uzay Ultralytics TikTok uzay Ultralytics Instagram uzay Ultralytics Discord

Google Play ma─čazas─▒┬á

Ultralytics Android Uygulamas─▒, ger├žek zamanl─▒ nesne tespiti i├žin YOLO modellerini do─črudan Android cihaz─▒n─▒zda ├žal─▒┼čt─▒rman─▒za olanak tan─▒yan g├╝├žl├╝ bir ara├žt─▒r. Bu uygulama, model optimizasyonu i├žin TensorFlow Lite'─▒ ve h─▒zland─▒rma i├žin ├že┼čitli donan─▒m delegelerini kullanarak h─▒zl─▒ ve verimli nesne tespiti sa─člar.



─░zle: Ultralytics HUB Uygulamas─▒na Ba┼člarken (IOS & Android)

Kuantizasyon ve ─░vme

Android cihaz─▒n─▒zda ger├žek zamanl─▒ performans elde etmek i├žin YOLO modelleri FP16 veya INT8 hassasiyetine g├Âre nicelendirilir. Niceleme, modelin weights and biases say─▒sal hassasiyetini azaltan, b├Âylece modelin boyutunu ve gereken hesaplama miktar─▒n─▒ azaltan bir i┼člemdir. Bu, modelin do─črulu─čunu ├Ânemli ├Âl├ž├╝de etkilemeden daha h─▒zl─▒ ├ž─▒kar─▒m s├╝releri ile sonu├žlan─▒r.

FP16 Kuantizasyon

FP16 (veya yar─▒m hassasiyetli) niceleme, modelin 32 bit kayan noktal─▒ say─▒lar─▒n─▒ 16 bit kayan noktal─▒ say─▒lara d├Ân├╝┼čt├╝r├╝r. Bu, modelin boyutunu yar─▒ yar─▒ya azalt─▒r ve ├ž─▒kar─▒m s├╝recini h─▒zland─▒r─▒rken do─čruluk ve performans aras─▒nda iyi bir denge sa─člar.

INT8 Kuantizasyon

INT8 (veya 8 bit tamsay─▒) niceleme, 32 bit kayan nokta say─▒lar─▒n─▒ 8 bit tamsay─▒lara d├Ân├╝┼čt├╝rerek modelin boyutunu ve hesaplama gereksinimlerini daha da azalt─▒r. Bu niceleme y├Ântemi ├Ânemli bir h─▒zlanma sa─člayabilir, ancak daha d├╝┼č├╝k say─▒sal hassasiyet nedeniyle ortalama ortalama hassasiyette (mAP) hafif bir azalmaya yol a├žabilir.

INT8 Modellerinde mAP Azalt─▒m─▒

INT8 modellerindeki azalt─▒lm─▒┼č say─▒sal hassasiyet, niceleme i┼člemi s─▒ras─▒nda bir miktar bilgi kayb─▒na yol a├žabilir ve bu da mAP'de hafif bir d├╝┼č├╝┼če neden olabilir. Ancak INT8 niceleme i┼čleminin sundu─ču ├Ânemli performans kazan─▒mlar─▒ g├Âz ├Ân├╝ne al─▒nd─▒─č─▒nda bu ├Âd├╝nle┼čme genellikle kabul edilebilir.

Delegeler ve Performans De─či┼čkenli─či

Model ├ž─▒kar─▒m─▒n─▒ h─▒zland─▒rmak i├žin Android cihazlarda farkl─▒ temsilciler mevcuttur. Bu temsilciler CPU, GPU, Hexagon ve NNAPI'yi i├žerir. Bu temsilcilerin performans─▒, cihaz─▒n donan─▒m sat─▒c─▒s─▒na, ├╝r├╝n hatt─▒na ve cihazda kullan─▒lan belirli yonga setlerine ba─čl─▒ olarak de─či┼čir.

  1. CPU: ├ço─ču cihazda makul performans sa─člayan varsay─▒lan se├ženek.
  2. GPU: Daha h─▒zl─▒ ├ž─▒kar─▒m i├žin cihaz─▒n GPU'sunu kullan─▒r. G├╝├žl├╝ GPU'lara sahip cihazlarda ├Ânemli bir performans art─▒┼č─▒ sa─člayabilir.
  3. Hexagon: Daha h─▒zl─▒ ve daha verimli i┼čleme i├žin Qualcomm'un Hexagon DSP'sinden yararlan─▒r. Bu se├ženek Qualcomm Snapdragon i┼člemcili cihazlarda kullan─▒labilir.
  4. NNAPI: Android Neural Networks API (NNAPI), Android cihazlarda ML modellerini ├žal─▒┼čt─▒rmak i├žin bir soyutlama katman─▒ g├Ârevi g├Âr├╝r. NNAPI, CPU, GPU ve ├Âzel yapay zeka ├žipleri (├Ârne─čin, Google'─▒n Edge TPU veya Pixel Neural Core) gibi ├že┼čitli donan─▒m h─▒zland─▒r─▒c─▒lar─▒n─▒ kullanabilir.

─░┼čte ba┼čl─▒ca sat─▒c─▒lar─▒, ├╝r├╝n gruplar─▒n─▒, pop├╝ler cihazlar─▒ ve desteklenen delegeleri g├Âsteren bir tablo:

Sat─▒c─▒ ├ťr├╝n Hatlar─▒ Pop├╝ler Cihazlar Desteklenen Delegeler
Qualcomm Snapdragon (├Ârn. 800 serisi) Samsung Galaxy S21, OnePlus 9, Google Pixel 6 CPU, GPU, Hexagon, NNAPI
Samsung Exynos (├Ârn. Exynos 2100) Samsung Galaxy S21 (Global s├╝r├╝m) CPU, GPU, NNAPI
MediaTek Dimensity (├Ârn. Dimensity 1200) Realme GT, Xiaomi Redmi Note CPU, GPU, NNAPI
HiSilicon Kirin (├Ârn. Kirin 990) Huawei P40 Pro, Huawei Mate 30 Pro CPU, GPU, NNAPI
NVIDIA Tegra (├Ârn. Tegra X1) NVIDIA Shield TV, Nintendo Switch CPU, GPU, NNAPI

L├╝tfen belirtilen cihaz listesinin kapsaml─▒ olmad─▒─č─▒n─▒ ve belirli yonga setlerine ve cihaz modellerine ba─čl─▒ olarak de─či┼čebilece─čini unutmay─▒n. Uyumluluk ve optimum performans sa─člamak i├žin modellerinizi her zaman hedef cihazlar─▒n─▒zda test edin.

Temsilci se├žiminin performans─▒ ve model uyumlulu─čunu etkileyebilece─čini unutmay─▒n. ├ľrne─čin, baz─▒ modeller belirli temsilcilerle ├žal─▒┼čmayabilir veya bir temsilci belirli bir cihazda mevcut olmayabilir. Bu nedenle, en iyi sonu├žlar─▒ elde etmek i├žin modelinizi ve se├žti─činiz temsilciyi hedef cihazlar─▒n─▒zda test etmeniz ├žok ├Ânemlidir.

Ultralytics Android Uygulamas─▒ ile Ba┼člarken

Ultralytics Android Uygulamas─▒n─▒ kullanmaya ba┼člamak i├žin a┼ča─č─▒daki ad─▒mlar─▒ izleyin:

  1. Google Play Store'dan Ultralytics Uygulamas─▒n─▒ indirin.

  2. Android cihaz─▒n─▒zda uygulamay─▒ ba┼člat─▒n ve Ultralytics hesab─▒n─▒zla oturum a├ž─▒n. Hen├╝z bir hesab─▒n─▒z yoksa, buradan bir hesap olu┼čturun.

  3. Oturum a├žt─▒ktan sonra, e─čitilmi┼č YOLO modellerinizin bir listesini g├Âreceksiniz. Nesne alg─▒lama i├žin kullanmak ├╝zere bir model se├žin.

  4. Uygulamaya cihaz─▒n─▒z─▒n kameras─▒na eri┼čim izni verin.

  5. Cihaz─▒n─▒z─▒n kameras─▒n─▒ tespit etmek istedi─činiz nesnelere do─črultun. Uygulama, nesneleri alg─▒lad─▒k├ža s─▒n─▒rlay─▒c─▒ kutular─▒ ve s─▒n─▒f etiketlerini ger├žek zamanl─▒ olarak g├Âr├╝nt├╝leyecektir.

  6. Alg─▒lama e┼či─čini ayarlamak, belirli nesne s─▒n─▒flar─▒n─▒ etkinle┼čtirmek veya devre d─▒┼č─▒ b─▒rakmak ve daha fazlas─▒ i├žin uygulaman─▒n ayarlar─▒n─▒ ke┼čfedin.

Ultralytics Android Uygulamas─▒ ile YOLO modellerini kullanarak ger├žek zamanl─▒ nesne alg─▒lama g├╝c├╝ art─▒k parmaklar─▒n─▒z─▒n ucunda. Uygulaman─▒n ├Âzelliklerini ke┼čfetmenin ve ayarlar─▒n─▒ ├Âzel kullan─▒m durumlar─▒n─▒za uyacak ┼čekilde optimize etmenin keyfini ├ž─▒kar─▒n.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (6), sergiuwaxmann (2), RizwanMunawar (1)

Yorumlar