Link to this sectionUltralytics Entegrasyonları#

Ultralytics Entegrasyonları sayfasına hoş geldin! Bu sayfa, makine öğrenimi iş akışlarını kolaylaştırmak, veri kümesi yönetimini geliştirmek, model eğitimini basitleştirmek ve verimli dağıtımı kolaylaştırmak için tasarlanmış çeşitli araç ve platformlarla yaptığımız ortaklıklara genel bir bakış sunar.

Link to this sectionEğitim Entegrasyonları#

• Albumentations: Model sağlamlığını ve genellemesini artırmak için güçlü görüntü büyütmeleri ile Ultralytics modellerini geliştir.

• Amazon SageMaker: ML yaşam döngüsü için hepsi bir arada bir platform sağlayarak Ultralytics modellerini verimli bir şekilde oluşturmak, eğitmek ve dağıtmak için Amazon SageMaker'dan yararlan.

• ClearML: Ultralytics ML iş akışlarını otomatikleştir, deneyleri izle ve ekip iş birliğini destekle.

• Comet ML: Makine öğrenimi deneylerini takip ederek, karşılaştırarak ve optimize ederek Ultralytics ile model geliştirme sürecini geliştir.

• DVC: Verileri, kodu ve modelleri etkili bir şekilde senkronize ederek Ultralytics makine öğrenimi projelerin için sürüm kontrolünü uygula.

• Google Colab: İş birliğini ve paylaşımı destekleyen bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Google Colab'ı kullan.

• IBM Watsonx: IBM Watsonx'in en son AI araçları, zahmetsiz entegrasyonu ve gelişmiş model yönetim sistemi ile Ultralytics modellerinin eğitimini ve değerlendirmesini nasıl basitleştirdiğini gör.

• JupyterLab: Ultralytics modellerini kolaylıkla ve verimli bir şekilde eğitmek ve değerlendirmek için JupyterLab'in etkileşimli ve özelleştirilebilir ortamını nasıl kullanacağını öğren.

• Kaggle: Önceden yüklenmiş kütüphaneler, GPU desteği ve iş birliği ile paylaşım için canlı bir topluluk içeren bulut tabanlı bir ortamda Ultralytics modellerini eğitmek ve değerlendirmek için Kaggle'ı nasıl kullanabileceğini keşfet.

• Modal: Otomatik GPU sağlama, saniye başına ücretlendirme ve çıkarım ile eğitim iş yükleri için sorunsuz ölçeklendirme ile Ultralytics modellerini Modal'ın sunucusuz bulut platformunda çalıştır.

• MLFlow: Deneylerden ve tekrarlanabilirlikten dağıtıma kadar Ultralytics modellerinin tüm ML yaşam döngüsünü kolaylaştır.

• Neptune: MLOps için tasarlanmış bu meta veri deposu ile Ultralytics içeren ML deneylerinin kapsamlı bir günlüğünü tut.

• Paperspace Gradient: Paperspace Gradient, modellerini hızlı bir şekilde eğitmek, test etmek ve dağıtmak için kullanımı kolay bulut araçları sağlayarak YOLO26 projeleri üzerinde çalışmayı basitleştirir.

• Ray Tune: Ultralytics modellerinin hiperparametrelerini her ölçekte optimize et.

• TensorBoard: Ultralytics ML iş akışlarını görselleştir, model metriklerini izle ve ekip iş birliğini destekle.

• Ultralytics Platform: Önceden eğitilmiş Ultralytics modellerinden oluşan bir topluluğa eriş ve katkıda bulun.

• VS Code: Ultralytics geliştirme iş akışlarını hızlandırmak için kod parçacıkları sağlayan ve herkesin öğrenmesine veya başlamasına yardımcı olacak örnekler sunan bir VS Code uzantısı.

• Weights & Biases (W&B): Deneyleri izle, metrikleri görselleştir ve Ultralytics projelerinde tekrarlanabilirliği ve iş birliğini destekle.

Link to this sectionDağıtım Entegrasyonları#

• Axelera: Ultralytics modellerini verimli uç çıkarımla çalıştırmak için Metis hızlandırıcılarını ve Voyager SDK'yı keşfet.

• CoreML: Apple tarafından geliştirilen CoreML, makine öğrenimi modellerini iOS, macOS, watchOS ve tvOS genelindeki uygulamalara etkili bir şekilde entegre etmek ve Apple donanımını etkili ve güvenli model dağıtımı için kullanmak üzere tasarlanmış bir çerçevedir.

• DEEPX: Gömülü ve uç AI uygulamalarını hedefleyen DEEPX NPU donanımı üzerinde güç verimli INT8 çıkarımı için Ultralytics YOLO modellerini DEEPX .dxnn formatına dışa aktar.

• ExecuTorch: Meta tarafından geliştirilen ExecuTorch, Ultralytics YOLO modellerini uç cihazlarda dağıtmak için PyTorch'un birleşik çözümüdür.

• Gradio: Gerçek zamanlı, etkileşimli nesne algılama demoları için Ultralytics modellerini Gradio ile dağıt.

• Hailo: Ultralytics YOLO algılama modellerini Hailo-8, Hailo-8L, Raspberry Pi AI Kit ve Hailo-15 cihazları için Hailo'nun harici Dataflow Compiler'ı ile ONNX'ten Hailo HEF formatına dönüştür.

• MNN: Alibaba tarafından geliştirilen MNN, son derece 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.

• NCNN: Tencent tarafından geliştirilen NCNN, mobil cihazlar için özel olarak hazırlanmış verimli bir sinir ağı çıkarım çerçevesidir. AI modellerinin uygulamalara doğrudan dağıtılmasını sağlar ve çeşitli mobil platformlarda performansı optimize eder.

• Neural Magic: Üstün performans ve daha yalın boyut için Ultralytics modellerini optimize etmek amacıyla Nicelik Farkındalıklı Eğitim (QAT) ve budama tekniklerinden yararlan.

• ONNX: AI modellerinin çeşitli çerçeveler arasında aktarımını kolaylaştırmak için Microsoft tarafından oluşturulan ve Ultralytics modellerinin çok yönlülüğünü ve dağıtım esnekliğini artıran açık kaynaklı bir format.

• OpenVINO: Bilgisayarlı görü modellerini çeşitli Intel CPU ve GPU platformlarında verimli bir şekilde optimize etmek ve dağıtmak için Intel'in araç seti.

• PaddlePaddle: Baidu tarafından sunulan açık kaynaklı bir derin öğrenme platformu olan PaddlePaddle, AI modellerinin verimli bir şekilde dağıtılmasını sağlar ve endüstriyel uygulamaların ölçeklenebilirliğine odaklanır.

• Qualcomm QNN: Ultralytics YOLO modellerini, mobil ve uç cihazlardaki Snapdragon CPU, Adreno GPU ve Hexagon NPU donanımlarında hızlandırılmış çıkarım için ONNX Runtime QNN Yürütme Sağlayıcısı ile yerel olarak QNN (AI Engine Direct) bağlam-ikili formatında derle.

• Rockchip RKNN: Rockchip tarafından geliştirilen RKNN, Rockchip'in donanım platformları, özellikle NPU'ları için optimize edilmiş özel bir sinir ağı çıkarım çerçevesidir. AI modellerinin uç cihazlarda verimli bir şekilde dağıtılmasını sağlayarak gerçek zamanlı uygulamalarda yüksek performanslı çıkarımı mümkün kılar.

• Seeed Studio reCamera: Seeed Studio tarafından geliştirilen reCamera, gerçek zamanlı bilgisayarlı görü uygulamaları için tasarlanmış gelişmiş bir uç AI cihazıdır. RISC-V tabanlı SG200X işlemci ile desteklenen cihaz, enerji verimliliği ile yüksek performanslı AI çıkarımı sunar. Modüler tasarımı, gelişmiş video işleme yetenekleri ve esnek dağıtım desteği; onu güvenlik izleme, çevresel uygulamalar ve üretim dahil olmak üzere çeşitli kullanım durumları için ideal bir seçim haline getirir.

• SONY IMX500: Hızlı ve düşük güç tüketimli performans için IMX500 sensörlü Raspberry Pi AI Kameralarında Ultralytics YOLO26 modellerini optimize et ve dağıt.

• TensorRT: NVIDIA tarafından geliştirilen bu yüksek performanslı derin öğrenme çıkarım çerçevesi ve model formatı, NVIDIA GPU'larında hızlandırılmış hız ve verimlilik için AI modellerini optimize ederek sorunsuz dağıtım sağlar.

• TF GraphDef: Google tarafından geliştirilen GraphDef, TensorFlow'un hesaplama grafiklerini temsil etme formatıdır ve makine öğrenimi modellerinin çeşitli donanımlarda optimize edilmiş şekilde yürütülmesini sağlar.

• TF SavedModel: Google tarafından geliştirilen TF SavedModel, TensorFlow modelleri için evrensel bir serileştirme formatıdır ve sunuculardan uç cihazlara kadar çok çeşitli platformlarda kolay paylaşım ve dağıtım sağlar.

• TF.js: Tarayıcılarda ve Node.js'de makine öğrenimini kolaylaştırmak için Google tarafından geliştirilen TF.js, ML modellerinin JavaScript tabanlı dağıtımına izin verir.

• TFLite: Google tarafından geliştirilen TFLite, makine öğrenimi modellerini mobil ve uç cihazlarda dağıtmak için hafif bir çerçevedir ve minimum bellek kullanımıyla hızlı, verimli çıkarım sağlar.

• TFLite Edge TPU: TensorFlow Lite modellerini Edge TPU'larda optimize etmek için Google tarafından geliştirilen bu model formatı, yüksek hızlı ve verimli uç bilişim sağlar.

• TorchScript: PyTorch çerçevesinin bir parçası olarak geliştirilen TorchScript, Python bağımlılıklarına gerek kalmadan çeşitli üretim ortamlarında makine öğrenimi modellerinin verimli bir şekilde yürütülmesini ve dağıtılmasını sağlar.

Link to this sectionVeri Kümesi Entegrasyonları#

• Roboflow: Görüntüleri etiketlemek için ek açıklama araçları sunarak Ultralytics modelleri için veri kümesi etiketlemeyi ve yönetimini kolaylaştır.

Link to this sectionDışa Aktarma Formatları#

Ayrıca farklı ortamlarda dağıtım için çeşitli model dışa aktarma formatlarını destekliyoruz. İşte mevcut formatlar:

Her bir entegrasyon hakkında daha fazla bilgi edinmek ve Ultralytics ile bunlardan en iyi şekilde nasıl yararlanacağını öğrenmek için bağlantıları keşfet. Tüm export ayrıntılarını Dışa Aktarma sayfasında incele.

Link to this sectionEntegrasyonlarımıza Katkıda Bulun#

Topluluğun Ultralytics YOLO'yu diğer teknolojiler, araçlar ve platformlarla nasıl entegre ettiğini görmek bizi her zaman heyecanlandırıyor! YOLO'yu yeni bir sistemle başarıyla entegre ettiysen veya paylaşacak değerli içgörülerin varsa, Entegrasyon Dokümanlarımıza katkıda bulunmayı düşün.

Bir rehber veya eğitim yazarak dokümantasyonumuzu genişletmemize ve topluluğa fayda sağlayan gerçek dünya örnekleri sunmamıza yardımcı olabilirsin. Bu, Ultralytics YOLO etrafında büyüyen ekosisteme katkıda bulunmanın mükemmel bir yoludur.

Katkıda bulunmak için lütfen Çekme İsteği (PR) 🛠️ gönderme talimatları için Katkıda Bulunma Kılavuzumuza göz at. Katkılarını heyecanla bekliyoruz!

Ultralytics YOLO ekosistemini daha kapsamlı ve özellik açısından zengin hale getirmek için iş birliği yapalım 🙏!

Link to this sectionSSS#

Link to this sectionUltralytics Platform nedir ve ML iş akışını nasıl kolaylaştırır?#

Ultralytics Platform, Ultralytics modellerine yönelik makine öğrenimi iş akışlarını sorunsuz ve verimli hale getirmek için tasarlanmış bulut tabanlı bir platformdur. Bu aracı kullanarak geniş kodlama becerilerine ihtiyaç duymadan kolayca veri kümeleri yükleyebilir, modeller eğitebilir, gerçek zamanlı izleme yapabilir ve YOLO modellerini dağıtabilirsin. Platform, veri hazırlamadan dağıtıma kadar tüm ML hattını yönetebileceğin merkezi bir çalışma alanı olarak hizmet eder. Ultralytics Platform sayfasındaki temel özellikleri keşfedebilir ve Hızlı Başlangıç rehberimizle hızlıca başlayabilirsin.

Link to this sectionMLFlow kullanarak Ultralytics modellerimin performansını takip edebilir miyim?#

Evet, edebilirsin. MLFlow ile Ultralytics modellerini entegre etmek; deneyleri izlemeni, tekrarlanabilirliği geliştirmeni ve tüm ML yaşam döngüsünü kolaylaştırmanı sağlar. Bu entegrasyonu kurmak için ayrıntılı talimatlar MLFlow entegrasyon sayfasında bulunabilir. Bu entegrasyon, model metriklerini izlemek, farklı eğitim çalıştırmalarını karşılaştırmak ve ML iş akışını verimli bir şekilde yönetmek için özellikle yararlıdır. MLFlow, parametreleri, metrikleri ve yapıtları günlüğe kaydetmek için merkezi bir platform sağlayarak model davranışını anlamayı ve veriye dayalı iyileştirmeler yapmayı kolaylaştırır.

Link to this sectionYOLO26 model optimizasyonu için Neural Magic kullanmanın faydaları nelerdir?#

Neural Magic, YOLO26 modellerini Nicelik Farkındalıklı Eğitim (QAT) ve budama gibi tekniklerden yararlanarak optimize eder; bu da kaynakları sınırlı donanımda daha iyi performans gösteren, son derece verimli ve daha küçük modellerle sonuçlanır. Üstün performans ve daha yalın modeller için bu optimizasyonların nasıl uygulanacağını öğrenmek üzere Neural Magic entegrasyon sayfasını kontrol et. Bu, özellikle hesaplama kaynaklarının kısıtlı olduğu uç cihazlarda dağıtım için faydalıdır. Neural Magic'in DeepSparse motoru, CPU'larda 6 kata kadar daha hızlı çıkarım sunarak özel donanım olmadan karmaşık modelleri çalıştırmayı mümkün kılar.

Link to this sectionEtkileşimli demolar için Ultralytics YOLO modellerini Gradio ile nasıl dağıtırım?#

To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users. With just a few lines of code, you can build interactive applications that demonstrate your model's performance on custom inputs, facilitating better understanding and evaluation of your computer vision solutions.