YOLO26 Modelinden TFLite Edge TPU Formatına Dışa Aktarmayı Öğrenin

Bilgisayarlı görü modellerini mobil 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 sağlarken minimum güç tüketecek şekilde tasarlanmıştır.

TFLite Edge TPU formatına dışa aktarma özelliği, Ultralytics YOLO26 modellerini yüksek hızlı ve düşük güç tüketen çıkarım işlemleri için optimize etmeni sağlar. Bu kılavuzda, modellerini TFLite Edge TPU formatına dönüştürme sürecinde sana rehberlik edeceğiz, böylece modellerinin çeşitli mobil ve gömülü cihazlarda daha iyi performans göstermesini kolaylaştıracağız.

Neden 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, bilgi işlem kaynaklarına ve bağlantıya sahip uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilmiş bir donanım hızlandırıcıdır. Uç cihazlarda TensorFlow Lite modellerini hızlandırır. Aşağıdaki görsel, dahil olan sürecin bir örneğini göstermektedir.

Edge TPU, nicelenmiş (quantized) modellerle çalışır. Niceleme, modelleri doğruluk kaybı yaşamadan daha küçük ve daha hızlı hale getirir. Uç bilişimin kısıtlı kaynakları için idealdir; gecikmeyi azaltarak uygulamaların hızlı yanıt vermesini sağlar ve buluta bağımlı kalmadan yerel veri işlemeye imkan tanır. Yerel işleme ayrıca kullanıcı verilerinin uzak bir sunucuya gönderilmediği için özel ve güvende kalmasını sağlar.

TFLite Edge TPU'nun Temel Özellikleri

İşte TFLite Edge TPU'yu geliştiriciler için harika bir model formatı tercihi yapan temel özellikler:

• 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 İşlem Kapasitesi: TFLite Edge TPU, yüksek işlem kapasitesine ulaşmak için özel donanım hızlandırma ile verimli çalışma zamanı yürütmesini birleştirir. Uç cihazlarda katı performans gereksinimlerine sahip makine öğrenimi modellerini dağıtmak için çok 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 dönüşüm gerektiren makine öğrenimi modellerinde anahtardır.

TFLite 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 olmak üzere çeşitli dağıtım seçenekleri sunar:

• Cihaz Üzerinde Dağıtım: TensorFlow Edge TPU modelleri, doğrudan mobil ve gömülü cihazlarda dağıtılabilir. Cihaz üzerinde dağıtım, modellerin doğrudan donanım üzerinde çalışmasına olanak tanır; böylece modeli uygulama paketine gömerek veya talep üzerine indirerek bulut bağlantısı ihtiyacını ortadan kaldırır.

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

• Hibrit Dağıtım: Hibrit bir yaklaşım, cihaz içi 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.

YOLO26 Modellerini TFLite Edge TPU'ya Dışa Aktarma

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

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, çözümler ve ipuçları için Yaygın Sorunlar kılavuzumuza danış.

Kullanım

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı gibi dışa aktarımı destekleyecek şekilde tasarlanmıştır; bu sayede onları tercih ettiğin dağıtım iş akışına kolayca entegre edebilirsin. Uygulaman için en iyi kurulumu seçmek amacıyla desteklenen dışa aktarım formatlarının ve yapılandırma seçeneklerinin tam listesine göz atabilirsin.

from ultralytics import YOLO

# Load the 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")

Dışa Aktarma Argümanları

Dışa aktarma süreci hakkında daha fazla ayrıntı için dışa aktarma ile ilgili Ultralytics dokümantasyon sayfasını ziyaret et.

Dışa 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 temel ve önerilen ilk adım, önceki kullanım kod parçacığında belirtildiği gibi YOLO("model_edgetpu.tflite") yöntemini kullanmaktır.

Ancak, TFLite Edge TPU modellerini dağıtmakla 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.

Özet

Bu kılavuzda, Ultralytics YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağını 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 kılavuzu sayfamızı ziyaret et. Orada değerli kaynaklar ve bilgiler keşfedeceksin.

SSS

Bir 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 the 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 aktarmayla ilgili tüm ayrıntılar için dışa aktarma kılavuzumuza başvur.

YOLO26 modellerini TFLite Edge TPU'ya dışa aktarmanın avantajları nelerdir?

YOLO26 modellerini TFLite Edge TPU'ya dışa aktarmak çeşitli avantajlar sunar:

• 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 özel ve güvende tutar.

Bu, cihazların sınırlı güç ve işlem kaynağına sahip olduğu uç bilişim uygulamaları için idealdir. Neden dışa aktarman gerektiği hakkında daha fazla bilgi edin.

TFLite 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 daha verimli çıkarım sunar. Entegrasyon örnekleri için Raspberry Pi üzerinde Coral Edge TPU dağıtımı kılavuzumuza göz at.

TFLite Edge TPU modelleri için bazı yaygın kullanım durumları nelerdir?

TFLite Edge TPU modelleri için yaygın kullanım durumları şunları içerir:

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

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

TFLite Edge TPU modellerini dışa aktarırken veya dağıtırken sorun giderme işlemini nasıl yapabilirim?

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