YOLO26 Modelinden TFLite Edge TPU Biçimine Dışa Aktarmayı Öğren#

Mobil veya gömülü sistemler gibi hesaplama gücü kısıtlı cihazlara bilgisayarlı görü modelleri dağıtmak zor olabilir. Daha hızlı performans için optimize edilmiş bir model biçimi kullanmak süreci kolaylaştırır. TensorFlow Lite Edge TPU veya TFLite Edge TPU model biçimi, sinir ağlarında hızlı performans sunarken minimum güç tüketmek üzere tasarlanmıştır.

TFLite Edge TPU biçimine dışa aktarma özelliği, Ultralytics YOLO26 modellerini yüksek hızlı ve düşük güç tüketimli çıkarım için optimize etmeni sağlar. Bu kılavuzda modellerini TFLite Edge TPU biçimine dönüştürme adımlarını açıklayarak çeşitli mobil ve gömülü cihazlarda iyi performans göstermelerini kolaylaştıracağız.

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, işlem kaynağı ve bağlantı kısıtlamaları bulunan uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilen bir donanım hızlandırıcısıdır. Uç cihazlarda TensorFlow Lite modellerini hızlandırır. Aşağıdaki görsel, süreçteki adımlara bir örnek gösterir.

Edge TPU, nicemlenmiş modellerle çalışır. Nicemleme, doğruluktan fazla ödün vermeden modelleri küçültür ve hızlandırır. Uç bilişimin kısıtlı kaynakları için idealdir; gecikmeyi azaltarak ve verilerin buluta bağımlı olmadan yerel olarak hızla işlenmesini sağlayarak uygulamaların hızlı yanıt vermesine olanak tanır. Yerel işleme, kullanıcı verilerini uzak bir sunucuya göndermediği için verilerin gizliliğini ve güvenliğini de korur.

TFLite Edge TPU'nun Temel Özellikleri#

TFLite Edge TPU'yu geliştiriciler için harika bir model biçimi seçeneği yapan temel özellikler şunlardır:

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

• Yüksek Hesaplama İşlem Hacmi: TFLite Edge TPU, yüksek hesaplama işlem hacmine ulaşmak için özel donanım hızlandırmasını verimli çalışma zamanı yürütmesiyle birleştirir. Uç cihazlarda katı performans gereksinimleri olan 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 ve dönüşümü gerektiren makine öğrenimi modellerinde önem taşır.

TFLite Edge TPU ile Dağıtım Seçenekleri#

YOLO26 modellerini TFLite Edge TPU biçimine nasıl aktaracağımıza geçmeden önce, TFLite Edge TPU modellerinin genellikle nerelerde kullanıldığını anlayalım.

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

• Cihaz Üzerinde Dağıtım: TensorFlow Edge TPU modelleri doğrudan mobil ve gömülü cihazlara dağıtılabilir. Cihaz üzerinde dağıtım, model uygulama paketine gömülerek veya ihtiyaç duyulduğunda indirilerek modellerin bulut bağlantısına gerek kalmadan doğrudan donanımda çalışmasını sağlar.

• Hibrit Dağıtım: Hibrit yaklaşım, cihaz üzerinde dağıtımı bulut dağıtımıyla birleştirerek 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 bulunur.

Desteklenen Görevler#

Edge TPU dışa aktarımı, yedi Ultralytics görevinin altısını destekler. Anlamsal segmentasyon yalnızca bu başlığı içeren 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 kalanını CPU'da bırakır; bu nedenle görev desteği, her işlemin TPU'da çalıştığı anlamına gelmez.

YOLO26 Modellerini TFLite Edge TPU'ya Aktarma#

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

Kurulum#

Gerekli paketi yüklemek için şu komutu 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 zorluk yaşarsan çözüm ve ipuçları için Yaygın Sorunlar kılavuzumuza başvur.

Kullanım#

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

TFLite Edge TPU biçimi Dışa Aktar, Tahmin ve Doğrula modlarını destekler. Çıkarım ve doğrulama Coral Edge TPU donanımında çalışır. Modelini dışa aktar, ardından çıkarım yapmak veya doğruluğunu doğrulamak için dışa aktarılan modeli yükle.

from ultralytics import YOLO

# YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Modeli TFLite Edge TPU biçimine aktar
model.export(format="edgetpu")  # 'yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite' dosyasını oluşturur

from ultralytics import YOLO

# Dışa aktarılan TFLite Edge TPU modelini yükle
model = YOLO("yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite")

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

from ultralytics import YOLO

# Dışa aktarılan TFLite Edge TPU modelini yükle
model = YOLO("yolo26n_saved_model/yolo26n_full_integer_quant_edgetpu.tflite")

# COCO8 veri kümesinde doğruluğu doğrula
metrics = model.val(data="coco8.yaml")

Dışa Aktarma Bağımsız Değişkenleri#

Dışa aktarma süreci hakkında daha fazla bilgi için Ultralytics dışa aktarma belgeleri sayfasını ziyaret et.

Dışa Aktarılan YOLO26 TFLite Edge TPU Modellerini Dağıtma#

Ultralytics YOLO26 modellerini TFLite Edge TPU biçimine başarıyla aktardıktan sonra modelleri dağıtabilirsin. TFLite Edge TPU modelini çalıştırmak için önerilen ilk ve temel adım, önceki kullanım kodu örneğinde gösterildiği gibi YOLO("model_edgetpu.tflite") yöntemini kullanmaktır.

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

• Raspberry Pi'de Ultralytics YOLO26 ile Coral Edge TPU: Gelişmiş makine öğrenimi özellikleri için Coral Edge TPU'ları Raspberry Pi ile nasıl entegre edeceğini öğren.

• Kod Örnekleri: Projelerine hızlıca başlamak için TensorFlow Edge TPU dağıtımına yönelik uygulamalı örneklere eriş.

• Python ile Edge TPU'da Çıkarım Yapma: Kurulum ve kullanım yönergeleri de dahil olmak üzere Edge TPU uygulamalarında TensorFlow Lite Python API'sinin nasıl kullanılacağını keşfet.

Özet#

Bu kılavuzda Ultralytics YOLO26 modellerini TFLite Edge TPU biçimine aktarmayı öğrendik. Yukarıdaki adımları izleyerek bilgisayarlı görü uygulamalarının hızını ve verimliliğini artırabilirsin.

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

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

Sık Sorulan Sorular#