YOLO26 Modelinden TFLite Edge TPU Formatına Dışa Aktarmayı Öğrenin#

Mobil veya gömülü sistemler gibi hesaplama gücü sınırlı cihazlarda bilgisayarlı görü modellerini dağıtmak zor olabilir. Daha hızlı performans için optimize edilmiş bir model formatı kullanmak süreci kolaylaştırır. TensorFlow Lite Edge TPU veya TFLite Edge TPU model formatı, sinir ağları için hızlı performans sunarken minimum güç tüketimi sağlayacak şekilde tasarlanmıştır.

TFLite Edge TPU formatına dışa aktarma özelliği, Ultralytics YOLO26 modellerini yüksek hızlı ve düşük güç tüketimli çıkarım için optimize etmeni sağlar. Bu kılavuzda modellerini TFLite Edge TPU formatına nasıl dönüştüreceğini açıklayacağız; böylece modellerinin çeşitli mobil ve gömülü cihazlarda iyi performans göstermesi kolaylaşacak.

Neden TFLite Edge TPU'ya Dışa Aktarmalısın?#

Modelleri TensorFlow Edge TPU'ya dışa aktarmak, makine öğrenimi görevlerini hızlı ve verimli hâle getirir. Bu teknoloji, güç, hesaplama kaynakları ve bağlantı olanaklarının sınırlı olduğu uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilen bir donanım hızlandırıcısıdır. Uç cihazlarda TensorFlow Lite modellerini hızlandırır. Aşağıdaki görsel, süreçte yer alan adımlara bir örnek gösterir.

Edge TPU, niceleştirilmiş modellerle çalışır. Niceleştirme, fazla doğruluk kaybı olmadan modelleri küçültür ve hızlandırır. Bu özellik, uç bilişimin sınırlı kaynakları için idealdir; gecikmeyi azaltarak ve verilerin buluta bağlı olmadan yerel olarak hızlı işlenmesini sağlayarak uygulamaların hızlı yanıt vermesine olanak tanır. Yerel işleme, kullanıcı verileri uzak bir sunucuya gönderilmediği için verileri gizli ve güvenli tutar.

TFLite Edge TPU'nun Temel Özellikleri#

TFLite Edge TPU'yu geliştiriciler için harika bir model formatı seçeneği hâline getiren temel özellikler şunlardır:

• Uç Cihazlarda Optimize Edilmiş Performans: TFLite Edge TPU; niceleştirme, model optimizasyonu, donanım hızlandırma ve derleyici optimizasyonu sayesinde yüksek hızlı sinir ağı performansı sağlar. Minimalist mimarisi, daha küçük boyutuna ve maliyet verimliliğine katkıda bulunur.

• Yüksek Hesaplama Verimi: TFLite Edge TPU, yüksek hesaplama verimi elde etmek için özel donanım hızlandırmayı verimli çalışma zamanı yürütmesiyle birleştirir. Uç cihazlarda sıkı performans gereksinimleri olan makine öğrenimi modellerini dağıtmak için oldukça uygundur.

• Verimli Matris Hesaplamaları: TensorFlow Edge TPU, sinir ağı hesaplamaları için kritik olan matris işlemleri bakımından optimize edilmiştir. Bu verimlilik, özellikle çok sayıda ve karmaşık matris çarpımı ile dönüşümü gerektiren makine öğrenimi modellerinde kritik öneme sahiptir.

TFLite Edge TPU ile Dağıtım Seçenekleri#

YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağını açıklamaya başlamadan önce, TFLite Edge TPU modellerinin genellikle nerelerde kullanıldığını anlayalım.

TFLite Edge TPU, makine öğrenimi modelleri için aşağıdakiler de dâhil olmak üzere çeşitli dağıtım seçenekleri sunar:

• Cihaz Üzerinde Dağıtım: TensorFlow Edge TPU modelleri doğrudan mobil ve gömülü cihazlara dağıtılabilir. Cihaz üzerinde dağıtım, modelin uygulama paketine gömülmesi veya isteğe bağlı olarak indirilmesi yoluyla bulut bağlantısına ihtiyaç duymadan doğrudan donanım üzerinde çalışmasını sağlar.

• Hibrit Dağıtım: Hibrit yaklaşım, cihaz üzerinde dağıtımı bulut dağıtımıyla birleştirerek makine öğrenimi modellerini dağıtmak için esnek ve ölçeklenebilir bir çözüm sunar. Avantajları arasında hızlı yanıtlar için cihaz üzerinde işleme ve daha karmaşık hesaplamalar için bulut bilişim bulunur.

Desteklenen Görevler#

Edge TPU dışa aktarma, yedi Ultralytics görevinin altısını destekler. Anlamsal segmentasyon yalnızca bu başlığı sunan tek aile olan YOLO26 ile kullanılabilir. Derinlik tahmini desteklenmez; çünkü INT8 modeli, Edge TPU derleyicisinin ayrıştıramadığı bir EXP v2 operatörü üretir.

Edge TPU derleyicisi, desteklediği işlemleri hızlandırıcıya eşler ve geri kalanları CPU üzerinde bırakır; bu nedenle görev desteği, her işlemin TPU üzerinde çalıştığı anlamına gelmez.

YOLO26 Modellerini TFLite Edge TPU'ya Dışa Aktarma#

YOLO26 modellerini TensorFlow Edge TPU'ya dönüştürerek model uyumluluğunu ve dağıtım esnekliğini artırabilirsin.

Kurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Kullanım#

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı hâliyle dışa aktarmayı destekleyecek şekilde tasarlanmıştır; böylece bunları tercih ettiğin dağıtım iş akışına kolayca entegre edebilirsin. Uygulaman için en iyi kurulumu seçmek üzere desteklenen dışa aktarma biçimlerinin ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsin.

TFLite Edge TPU formatı Dışa Aktarma, Tahmin ve Doğrulama modlarını destekler. Çıkarım ve doğrulama Coral Edge TPU donanımı üzerinde çalışır. Modelini dışa aktar, ardından çıkarım çalıştırmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolo26n_full_integer_quant_edgetpu.tflite'

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported TFLite Edge TPU model
model = YOLO("yolo26n_full_integer_quant_edgetpu.tflite")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

Dışa Aktarma Bağımsız Değişkenleri#

Dışa aktarma süreci hakkında daha fazla ayrıntı için Ultralytics'in dışa aktarma dokümantasyonu sayfasını ziyaret et.

Dışa Aktarılan YOLO26 TFLite Edge TPU Modellerini Dağıtma#

Ultralytics YOLO26 modellerini TFLite Edge TPU formatına başarıyla dışa aktardıktan sonra bunları dağıtabilirsin. TFLite Edge TPU modelini çalıştırmak için önerilen birincil ve ilk adım, önceki kullanım kodu parçacığında açıklanan YOLO("model_edgetpu.tflite") yöntemini kullanmaktır.

Ancak TFLite Edge TPU modellerini dağıtmaya ilişkin ayrıntılı talimatlar için aşağıdaki kaynaklara göz at:

• Raspberry Pi üzerinde Ultralytics YOLO26 ile Coral Edge TPU: Gelişmiş makine öğrenimi yetenekleri için Coral Edge TPU'ları Raspberry Pi ile nasıl entegre edeceğini keşfet.

• Kod Örnekleri: Projelerine hızlı bir başlangıç yapmak için pratik TensorFlow Edge TPU dağıtım örneklerine eriş.

• Python ile Edge TPU'da Çıkarım Çalıştırma: Kurulum ve kullanım yönergeleri de dâhil olmak üzere Edge TPU uygulamaları için TensorFlow Lite Python API'sinin nasıl kullanılacağını öğren.

Özet#

Bu kılavuzda Ultralytics YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağımızı öğrendik. Yukarıda belirtilen adımları izleyerek bilgisayarlı görü uygulamalarının hızını artırabilir ve güç tüketimini azaltabilirsin.

Kullanım hakkında daha fazla ayrıntı için Coral Edge TPU resmi web sitesi adresini ziyaret et.

Ayrıca diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi için entegrasyon kılavuzu sayfamızı ziyaret et. Burada değerli kaynaklar ve bilgiler bulabilirsin.

SSS#