Link to this sectionYOLO26 Modelinden TFLite Edge TPU Formatına Dışa Aktarmayı Öğrenin#

Bilgisayarlı görü modellerini mobil veya gömülü sistemler gibi sınırlı hesaplama gücüne sahip cihazlarda dağıtmak zor olabilir. Daha hızlı performans için optimize edilmiş bir model formatı kullanmak bu süreci basitleştirir. TensorFlow Lite Edge TPU veya TFLite Edge TPU model formatı, sinir ağları için hızlı performans sağlarken minimum güç tüketecek şekilde tasarlanmıştır.

TFLite Edge TPU formatına dışa aktarma özelliği, Ultralytics YOLO26 modellerinizi yüksek hızlı ve düşük güç tüketen çıkarımlar için optimize etmenizi sağlar. Bu kılavuzda, modellerinizi TFLite Edge TPU formatına dönüştürme sürecinde size yol gösterecek ve modellerinizin çeşitli mobil ve gömülü cihazlarda iyi performans göstermesini kolaylaştıracağız.

Link to this sectionNeden TFLite Edge TPU Formatına Dışa Aktarmalısın?#

Modelleri TensorFlow Edge TPU'ya dışa aktarmak makine öğrenimi görevlerini hızlı ve verimli hale getirir. Bu teknoloji; sınırlı güce, hesaplama kaynaklarına ve bağlantıya sahip uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilen bir donanım hızlandırıcıdır. Edge cihazlarda TensorFlow Lite modellerini hızlandırır. Aşağıdaki resim, bu sürecin bir örneğini göstermektedir.

Edge TPU, nicelleştirilmiş (quantized) modellerle çalışır. Nicelleştirme, doğruluktan ödün vermeden modelleri daha küçük ve daha hızlı hale getirir. Edge bilişimin sınırlı kaynakları için idealdir; gecikmeyi azaltarak uygulamaların hızlı yanıt vermesini sağlar ve buluta bağımlı kalmadan yerel olarak hızlı veri işlemeye olanak tanır. Yerel işleme ayrıca kullanıcı verilerini uzak bir sunucuya göndermediği için gizli ve güvende tutar.

Link to this sectionTFLite Edge TPU'nun Temel Özellikleri#

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

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

• Yüksek Hesaplama Verimi: TFLite Edge TPU, yüksek hesaplama verimi elde etmek için özel donanım hızlandırmayı ve verimli çalışma zamanı yürütmeyi birleştirir. Edge cihazlarda katı performans gereksinimlerine sahip makine öğrenimi modellerini dağıtmak için oldukça uygundur.

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

Link to this sectionTFLite Edge TPU ile Dağıtım Seçenekleri#

YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağımıza geçmeden önce, TFLite Edge TPU modellerinin genellikle nerede kullanıldığını anlayalım.

TFLite Edge TPU, makine öğrenimi modelleri için aşağıdakiler dahil çeşitli dağıtım seçenekleri sunar:

• Cihaz Üzerinde (On-Device) Dağıtım: TensorFlow Edge TPU modelleri doğrudan mobil ve gömülü cihazlara dağıtılabilir. Cihaz üzerinde dağıtım, modellerin doğrudan donanım üzerinde çalışmasına olanak tanıyarak bulut bağlantısı ihtiyacını ortadan kaldırır; bunu modeli uygulama paketine gömerek veya isteğe bağlı indirerek yapabilirsiniz.

• Bulut TensorFlow TPU'ları ile Edge Bilişim: Edge cihazların işleme yeteneklerinin sınırlı olduğu senaryolarda, TensorFlow Edge TPU'ları çıkarım görevlerini TPU'larla donatılmış bulut sunucularına aktarabilir.

• Hibrit Dağıtım: Hibrit bir yaklaşım, cihaz üzerinde dağıtım ve bulut dağıtımını birleştirir; makine öğrenimi modellerini dağıtmak için çok yönlü ve ölçeklenebilir bir çözüm sunar. Avantajları arasında hızlı yanıtlar için cihaz üzerinde işleme ve daha karmaşık hesaplamalar için bulut bilişim yer alır.

Link to this sectionYOLO26 Modellerini TFLite Edge TPU'ya Dışa Aktarma#

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

Link to this sectionKurulum#

Gerekli paketi yüklemek için şunu çalıştır:

# Install the required package for YOLO26
pip install ultralytics

Kurulum süreci ile ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum kılavuzumuza göz at. YOLO26 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Link to this sectionKullanım#

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı gibi dışa aktarımı destekleyecek şekilde tasarlanmıştır, bu da onları tercih ettiğin dağıtım iş akışına entegre etmeyi kolaylaştırır. Uygulaman için en iyi kurulumu seçmek üzere desteklenen dışa aktarma formatlarının 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 yapmak veya doğruluğunu test etmek 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")

Link to this sectionDışa Aktarma Argümanları#

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma hakkındaki Ultralytics dokümantasyon sayfasına git.

Link to this sectionDışa Aktarılan YOLO26 TFLite Edge TPU Modellerini Dağıtma#

Ultralytics YOLO26 modellerini TFLite Edge TPU formatına başarıyla dışa aktardıktan sonra artık onları dağıtabilirsin. Bir TFLite Edge TPU modelini çalıştırmak için birincil ve önerilen ilk adım, önceki kullanım kod parçacığında belirtildiği gibi YOLO("model_edgetpu.tflite") yöntemini kullanmaktır.

Ancak, TFLite Edge TPU modellerini dağıtmayla ilgili derinlemesine talimatlar için aşağıdaki kaynaklara bir göz at:

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

• Kod Örnekleri: Projelerini başlatmak için pratik TensorFlow Edge TPU dağıtım örneklerine eriş.

• Python ile Edge TPU üzerinde Çıkarım Çalıştırma: Kurulum ve kullanım kılavuzları dahil olmak üzere Edge TPU uygulamaları için TensorFlow Lite Python API'sinin nasıl kullanılacağını keşfet.

Link to this sectionÖzet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağımızı öğrendik. Yukarıda belirtilen adımları izleyerek bilgisayarlı görü uygulamalarının hızını ve gücünü artırabilirsin.

Kullanımla ilgili daha fazla ayrıntı için Edge TPU resmi web sitesini ziyaret et.

Ayrıca, diğer Ultralytics YOLO26 entegrasyonları hakkında daha fazla bilgi için lütfen entegrasyon kılavuzu sayfamızı ziyaret et. Orada değerli kaynaklar ve bilgiler keşfedeceksin.

Link to this sectionSSS#

Link to this sectionBir YOLO26 modelini TFLite Edge TPU formatına nasıl dışa aktarırım?#

Bir YOLO26 modelini TFLite Edge TPU formatına dışa aktarmak için şu adımları izleyebilirsin:

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'

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

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

Modelleri diğer formatlara dışa aktarma ile ilgili tüm ayrıntılar için dışa aktarma kılavuzumuza bak.

Link to this sectionYOLO26 modellerini TFLite Edge TPU'ya dışa aktarmanın avantajları nelerdir?#

YOLO26 modellerini TFLite Edge TPU'ya dışa aktarmanın çeşitli avantajları vardır:

• Optimize Edilmiş Performans: Minimum güç tüketimi ile yüksek hızlı sinir ağı performansı elde et.
• Azaltılmış Gecikme: Bulut bağımlılığı olmadan hızlı yerel veri işleme.
• Gelişmiş Gizlilik: Yerel işleme, kullanıcı verilerini gizli ve güvende tutar.

Bu, cihazların sınırlı güç ve hesaplama kaynaklarına sahip olduğu edge bilişim uygulamaları için idealdir. Neden dışa aktarman gerektiği hakkında daha fazla bilgi edin.

Link to this sectionTFLite Edge TPU modellerini mobil ve gömülü cihazlarda dağıtabilir miyim?#

Evet, TensorFlow Lite Edge TPU modelleri doğrudan mobil ve gömülü cihazlarda dağıtılabilir. Bu dağıtım yaklaşımı, modellerin doğrudan donanım üzerinde çalışmasına izin vererek daha hızlı ve daha verimli çıkarım sunar. Entegrasyon örnekleri için Raspberry Pi üzerinde Coral Edge TPU dağıtımı ile ilgili kılavuzumuza göz at.

Link to this sectionTFLite Edge TPU modelleri için bazı yaygın kullanım alanları nelerdir?#

TFLite Edge TPU modelleri için yaygın kullanım alanları şunlardır:

• Akıllı Kameralar: Gerçek zamanlı görüntü ve video analizini geliştirme.
• IoT Cihazları: Akıllı ev ve endüstriyel otomasyonu etkinleştirme.
• Sağlık Hizmetleri: Tıbbi görüntüleme ve teşhisi hızlandırma.
• Perakende: Stok yönetimi ve müşteri davranışı analizini iyileştirme.

Bu uygulamalar, TFLite Edge TPU modellerinin yüksek performansından ve düşük güç tüketiminden yararlanır. Kullanım senaryoları hakkında daha fazlasını keşfet.

Link to this sectionTFLite Edge TPU modellerini dışa aktarırken veya dağıtırken karşılaşılan sorunları nasıl giderebilirim?#

TFLite Edge TPU modellerini dışa aktarırken veya dağıtırken sorunlarla karşılaşırsan, sorun giderme ipuçları için Yaygın Sorunlar kılavuzumuza bakabilirsin. Bu kılavuz, sorunsuz bir çalışma sağlamana yardımcı olmak için yaygın problemleri ve çözümlerini içerir. Ek destek için Yardım Merkezimizi ziyaret et.