─░├žeri─če ge├ž

CoreML YOLOv8 Modelleri i├žin D─▒┼ča Aktarma

Bilgisayarl─▒ g├Âr├╝ modellerini iPhone ve Mac gibi Apple cihazlar─▒na da─č─▒tmak i├žin sorunsuz performans sa─člayan bir format gerekir.

CoreML d─▒┼ča aktarma format─▒, a┼ča─č─▒dakileri optimize etmenize olanak tan─▒r Ultralytics YOLOv8 iOS ve macOS uygulamalar─▒nda verimli nesne alg─▒lama i├žin modeller. Bu k─▒lavuzda, modellerinizi CoreML format─▒na d├Ân├╝┼čt├╝rme ad─▒mlar─▒nda size yol g├Âstererek modellerinizin Apple cihazlar─▒nda iyi performans g├Âstermesini kolayla┼čt─▒raca─č─▒z.

CoreML

CoreML Genel Bak─▒┼č

CoreML Apple'─▒n Accelerate, BNNS ve Metal Performance Shaders'─▒ temel alan temel makine ├Â─črenimi ├žer├ževesidir. iOS uygulamalar─▒na sorunsuz bir ┼čekilde entegre olan ve g├Âr├╝nt├╝ analizi, do─čal dil i┼čleme, sesten metne d├Ân├╝┼čt├╝rme ve ses analizi gibi g├Ârevleri destekleyen bir makine ├Â─črenimi modeli format─▒ sa─člar.

Core ML ├žer├ževesi cihaz ├╝zerinde bilgi i┼člem kullanarak ├žal─▒┼čt─▒─č─▒ i├žin uygulamalar a─č ba─člant─▒s─▒na veya API ├ža─čr─▒lar─▒na ihtiya├ž duymadan Core ML'den faydalanabilir. Bu, model ├ž─▒kar─▒m─▒n─▒n kullan─▒c─▒n─▒n cihaz─▒nda yerel olarak ger├žekle┼čtirilebilece─či anlam─▒na gelir.

CoreML Modellerinin Temel ├ľzellikleri

Apple'─▒n CoreML ├žer├ževesi, cihaz ├╝zerinde makine ├Â─črenimi i├žin g├╝├žl├╝ ├Âzellikler sunuyor. ─░┼čte CoreML 'u geli┼čtiriciler i├žin g├╝├žl├╝ bir ara├ž haline getiren temel ├Âzellikler:

  • Kapsaml─▒ Model Deste─či: TensorFlow , PyTorch, scikit-learn, XGBoost ve LibSVM gibi pop├╝ler ├žer├ževelerden modelleri d├Ân├╝┼čt├╝r├╝r ve ├žal─▒┼čt─▒r─▒r.

CoreML Desteklenen Modeller

  • Cihaz ├ťzerinde Makine ├ľ─črenimi: Modelleri do─črudan kullan─▒c─▒n─▒n cihaz─▒nda ├žal─▒┼čt─▒rarak ve a─č ba─člant─▒s─▒ ihtiyac─▒n─▒ ortadan kald─▒rarak veri gizlili─či ve h─▒zl─▒ i┼čleme sa─člar.

  • Performans ve Optimizasyon: Minimum g├╝├ž ve bellek kullan─▒m─▒ ile optimum performans i├žin cihaz─▒n CPU, GPU ve N├Âral Motorunu kullan─▒r. Do─črulu─ču korurken model s─▒k─▒┼čt─▒rma ve optimizasyon i├žin ara├žlar sunar.

  • Entegrasyon Kolayl─▒─č─▒: ├çe┼čitli model t├╝rleri i├žin birle┼čik bir format ve uygulamalara sorunsuz entegrasyon i├žin kullan─▒c─▒ dostu bir API sa─člar. G├Ârme ve Do─čal Dil gibi ├žer├ževeler arac─▒l─▒─č─▒yla alana ├Âzg├╝ g├Ârevleri destekler.

  • Geli┼čmi┼č ├ľzellikler: Ki┼čiselle┼čtirilmi┼č deneyimler i├žin cihaz ├╝zerinde e─čitim yetenekleri, etkile┼čimli makine ├Â─črenimi deneyimleri i├žin e┼čzamans─▒z tahminler ve model inceleme ve do─črulama ara├žlar─▒ i├žerir.

CoreML Da─č─▒t─▒m Se├ženekleri

Before we look at the code for exporting YOLOv8 models to the CoreML format, let's understand where CoreML models are usually used.

CoreML dahil olmak ├╝zere makine ├Â─črenimi modelleri i├žin ├že┼čitli da─č─▒t─▒m se├ženekleri sunar:

  • Cihaz ├ťzerinde Da─č─▒t─▒m: Bu y├Ântem CoreML modellerini do─črudan iOS uygulaman─▒za entegre eder. D├╝┼č├╝k gecikme s├╝resi, geli┼čmi┼č gizlilik (veriler cihazda kald─▒─č─▒ i├žin) ve ├ževrimd─▒┼č─▒ i┼člevsellik sa─člamak i├žin ├Âzellikle avantajl─▒d─▒r. Ancak bu yakla┼č─▒m, ├Âzellikle daha b├╝y├╝k ve daha karma┼č─▒k modeller i├žin cihaz─▒n donan─▒m ├Âzellikleriyle s─▒n─▒rl─▒ olabilir. Cihaz ├╝zerinde da─č─▒t─▒m a┼ča─č─▒daki iki ┼čekilde ger├žekle┼čtirilebilir.

    • G├Âm├╝l├╝ Modeller: Bu modeller uygulama paketine dahil edilir ve hemen eri┼čilebilir. S─▒k g├╝ncelleme gerektirmeyen k├╝├ž├╝k modeller i├žin idealdir.

    • ─░ndirilen Modeller: Bu modeller gerekti─činde bir sunucudan al─▒n─▒r. Bu yakla┼č─▒m, daha b├╝y├╝k modeller veya d├╝zenli g├╝ncellemelere ihtiya├ž duyanlar i├žin uygundur. Uygulama paketi boyutunun daha k├╝├ž├╝k tutulmas─▒na yard─▒mc─▒ olur.

  • Cloud-Based Deployment: CoreML models are hosted on servers and accessed by the iOS app through API requests. This scalable and flexible option enables easy model updates without app revisions. It's ideal for complex models or large-scale apps requiring regular updates. However, it does require an internet connection and may pose latency and security issuesÔÇő.

YOLOv8 Modellerini D─▒┼ča Aktarma CoreML

YOLOv8 adresinin CoreML adresine aktar─▒lmas─▒, Apple'─▒n ekosisteminde optimize edilmi┼č, ayg─▒t ├╝zerinde makine ├Â─črenimi performans─▒ sa─člayarak verimlilik, g├╝venlik ve iOS, macOS, watchOS ve tvOS platformlar─▒yla sorunsuz entegrasyon a├ž─▒s─▒ndan avantajlar sunuyor.

Kurulum

Gerekli paketi y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required package for YOLOv8
pip install ultralytics

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin YOLOv8 Kurulum k─▒lavuzumuza g├Âz at─▒n. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, Ultralytics taraf─▒ndan sunulanYOLOv8 model yelpazesine g├Âz att─▒─č─▒n─▒zdan emin olun. Bu, proje gereksinimleriniz i├žin en uygun modeli se├žmenize yard─▒mc─▒ olacakt─▒r.

Kullan─▒m

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to CoreML format
model.export(format="coreml")  # creates 'yolov8n.mlpackage'

# Load the exported CoreML model
coreml_model = YOLO("yolov8n.mlpackage")

# Run inference
results = coreml_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to CoreML format
yolo export model=yolov8n.pt format=coreml  # creates 'yolov8n.mlpackage''

# Run inference with the exported model
yolo predict model=yolov8n.mlpackage source='https://ultralytics.com/images/bus.jpg'

D─▒┼ča aktarma i┼člemi hakk─▒nda daha fazla bilgi i├žin, d─▒┼ča aktarma ile ilgiliUltralytics dok├╝mantasyon sayfas─▒n─▒ ziyaret edin.

D─▒┼ča Aktar─▒lan YOLOv8 CoreML Modellerini Da─č─▒tma

Ultralytics YOLOv8 modellerinizi CoreML adresine ba┼čar─▒yla aktard─▒ktan sonra, bir sonraki kritik a┼čama bu modelleri etkili bir ┼čekilde da─č─▒tmakt─▒r. CoreML modellerini ├že┼čitli ortamlarda da─č─▒tma konusunda ayr─▒nt─▒l─▒ rehberlik i├žin bu kaynaklara g├Âz at─▒n:

  • CoreML Ara├žlar: Bu k─▒lavuz, TensorFlow, PyTorch ve di─čer k├╝t├╝phanelerdeki modelleri Core ML'ye d├Ân├╝┼čt├╝rmek i├žin talimatlar ve ├Ârnekler i├žerir.

  • Makine ├ľ─črenimi ve Vizyon: CoreML modellerini kullanman─▒n ve uygulaman─▒n ├že┼čitli y├Ânlerini kapsayan kapsaml─▒ bir video koleksiyonu.

  • Uygulaman─▒za Temel Makine ├ľ─črenimi Modeli Entegre Etme: Bir CoreML modelinin bir iOS uygulamas─▒na entegre edilmesine ili┼čkin, modelin haz─▒rlanmas─▒ndan ├že┼čitli i┼člevler i├žin uygulamaya uygulanmas─▒na kadar ayr─▒nt─▒l─▒ ad─▒mlar i├žeren kapsaml─▒ bir k─▒lavuz.

├ľzet

Bu k─▒lavuzda, Ultralytics YOLOv8 modellerinin CoreML format─▒na nas─▒l aktar─▒laca─č─▒n─▒ ele ald─▒k. Bu k─▒lavuzda ├Âzetlenen ad─▒mlar─▒ izleyerek, YOLOv8 modellerini CoreML format─▒na aktar─▒rken maksimum uyumluluk ve performans sa─člayabilirsiniz.

Kullan─▒m hakk─▒nda daha fazla bilgi i├žin CoreML resmi belgelerini ziyaret edin.

Also, if you'd like to know more about other Ultralytics YOLOv8 integrations, visit our integration guide page. You'll find plenty of valuable resources and insights there.



Created 2024-02-07, Updated 2024-06-10
Authors: glenn-jocher (5), RizwanMunawar (1), abirami-vina (1)

Yorumlar