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

Bilgisayarlı görü modellerini mobil cihazlar veya gömülü sistemler gibi sınırlı işlem gücüne sahip cihazlarda çalıştırmak 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 sunarken minimum güç tüketecek şekilde tasarlanmıştır.

TFLite Edge TPU formatına dışa aktarma özelliği, Ultralytics YOLO26 modellerinizi yüksek hızlı ve düşük güç tüketen çıkarım işlemleri için optimize etmenize olanak tanır. Bu rehberde, modellerinizi TFLite Edge TPU formatına dönüştürme sürecini adım adım anlatacağız; böylece modellerinizin çeşitli mobil ve gömülü cihazlarda daha verimli çalışmasını kolaylaştıracağız.

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

Modelleri TensorFlow Edge TPU formatına dışa aktarmak, makine öğrenimi görevlerini hızlı ve verimli hale getirir. Bu teknoloji, güç, hesaplama kaynakları ve bağlantının sınırlı olduğu uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilen bir donanım hızlandırıcıdır. Uç cihazlarda TensorFlow Lite modellerini hızlandırır. Aşağıdaki görsel, bu süreçten bir örneği göstermektedir.

Edge TPU, nicelenmiş (quantized) modellerle çalışır. Niceleme, doğruluktan büyük ölçüde ödün vermeden modelleri daha küçük ve hızlı hale getirir. Uç bilişimin kısıtlı kaynakları için idealdir; gecikmeyi azaltarak ve bulut bağımlılığı olmadan yerel verilerin hızlı işlenmesini sağlayarak uygulamaların çabuk yanıt vermesine olanak tanır. Yerel işleme aynı zamanda 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 seçeneği haline getiren temel özellikler şunlardır:

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

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

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

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 Dağıtım: TensorFlow Edge TPU modelleri, mobil ve gömülü cihazlara doğrudan dağıtılabilir. Cihaz üzerinde dağıtım, modelin uygulama paketine gömülmesi veya istendiğinde indirilmesi yoluyla bulut bağlantısına ihtiyaç duymadan, modellerin doğrudan donanım üzerinde çalışmasına izin verir.

• Bulut TensorFlow TPU'ları ile Uç Bilişim: Uç cihazların işlem kapasitesinin sınırlı olduğu senaryolarda, TensorFlow Edge TPU'lar çıkarım görevlerini TPU donanımlı bulut sunucularına aktarabilir.

• Hibrit Dağıtım: Hibrit bir yaklaşım, cihaz içi ve bulut dağıtımını 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 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 artırabilirsin.

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 rehberimize göz at. YOLO26 için gerekli paketleri yüklerken herhangi bir zorluk yaşarsan, çözümler ve ipuçları için Yaygın Sorunlar rehberimize danış.

Link to this sectionKullanım#

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı anda dışa aktarmayı destekleyecek şekilde tasarlanmıştır ve bu sayede tercih ettiğin dağıtım iş akışına kolayca entegre edilebilirler. Uygulaman için en iyi kurulumu seçmek amacıyla desteklenen dışa aktarma formatlarının ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsin.

TFLite Edge TPU formatı; Dışa Aktarma (Export), Tahmin (Predict) ve Doğrulama (Validate) modlarını destekler. Çıkarım ve doğrulama işlemleri 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 detay için Ultralytics dışa aktarma belgeleri sayfasına göz at.

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.

Bununla birlikte, TFLite Edge TPU modellerini dağıtmayla ilgili ayrıntılı talimatlar için şu kaynaklara göz atabilirsin:

• 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 rehberde, Ultralytics YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağımızı öğrendik. Yukarıda belirtilen adımları takip ederek bilgisayarlı görü uygulamalarının hızını ve gücünü artırabilirsin.

Kullanım hakkında daha fazla ayrıntı için Edge TPU resmi web sitesini ziyaret et.

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

Link to this sectionSSS#

Link to this sectionBir YOLO26 modelini nasıl TFLite Edge TPU formatına 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 hakkında tüm ayrıntılar için dışa aktarma rehberimize bak.

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

YOLO26 modellerini TFLite Edge TPU'ya dışa aktarmanın birkaç faydası vardır:

• Optimize Edilmiş Performans: Minimum güç tüketimiyle 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 uç 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 olanak tanıyarak daha hızlı ve verimli çıkarım sağlar. Entegrasyon örnekleri için Raspberry Pi üzerinde Coral Edge TPU dağıtımı kılavuzumuza göz at.

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

TFLite Edge TPU modellerinin yaygın kullanım alanları şunlardır:

• Akıllı Kameralar: Gerçek zamanlı görüntü ve video analizini geliştirmek.
• IoT Cihazları: Akıllı ev ve endüstriyel otomasyonu etkinleştirmek.
• Sağlık Hizmetleri: Tıbbi görüntüleme ve tanıları hızlandırmak.
• Perakende: Envanter yönetimi ve müşteri davranışı analizini iyileştirmek.

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

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

TFLite Edge TPU modellerini dışa aktarırken veya dağıtırken sorunlarla karşılaşırsan, sorun giderme ipuçları için Yaygın Sorunlar rehberimize başvur. Bu rehber, sorunsuz bir çalışma sağlamana yardımcı olacak yaygın sorunları ve çözümlerini kapsar. Ek destek için Yardım Merkezimizi ziyaret et.