YOLO26 Modelinden TFLite Edge TPU Formatına Dışa Aktarmayı Öğrenin#

Mobil veya gömülü sistemler gibi hesaplama gücü sınırlı cihazlarda bilgisayarlı görü modelleri dağıtmak zor olabilir. Daha hızlı performans için optimize edilmiş bir model formatı kullanmak süreci basitleştirir. TensorFlow Lite Edge TPU veya TFLite Edge TPU model formatı, sinir ağları için hızlı performans sağlarken minimum güç tüketmek üzere tasarlanmıştır.

TFLite Edge TPU formatına dışa aktarma özelliği, Ultralytics YOLO26 modellerini yüksek hızlı ve düşük güç tüketen çıkarımlar için optimize etmene olanak tanır. Bu kılavuzda, modellerini TFLite Edge TPU formatına dönüştürme sürecini adım adım anlatarak modellerinin çeşitli mobil ve gömülü cihazlarda iyi performans göstermesini kolaylaştıracağız.

Neden TFLite Edge TPU Formatına Dışa Aktarmalısın?#

Modelleri TensorFlow Edge TPU'ya dışa aktarmak machine learning görevlerini hızlı ve verimli hale getirir. Bu teknoloji, güç, bilgi işlem kaynakları ve bağlantısı sınırlı olan uygulamalar için uygundur. Edge TPU, Google tarafından geliştirilmiş bir donanım hızlandırıcıdır. Kenar (edge) cihazlarında TensorFlow Lite modellerini hızlandırır. Aşağıdaki görsel, ilgili sürecin bir örneğini göstermektedir.

Edge TPU, kuantize edilmiş modellerle çalışır. Kuantizasyon, accuracy değerinden çok fazla ödün vermeden modelleri daha küçük ve daha hızlı hale getirir. Kenar bilişimin sınırlı kaynakları için idealdir; gecikmeyi azaltarak uygulamaların hızlı yanıt vermesini sağlar ve bulut bağımlılığı olmadan verilerin yerel olarak hızlı bir şekilde işlenmesine olanak tanır. Yerel işleme, kullanıcı verilerini uzak bir sunucuya göndermediği için gizli ve güvende tutar.

TFLite 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, neural network hesaplamaları için çok önemli olan matris işlemleri konusunda optimize edilmiştir. Bu verimlilik, özellikle çok sayıda ve karmaşık matris çarpımı ile dönüşümü gerektiren makine öğrenimi modellerinde temel bir unsurdur.

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 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: Cihaz içi ve bulut dağıtımını birleştiren hibrit yaklaşım, makine öğrenimi modellerini dağıtmak için çok yönlü ve ölçeklenebilir bir çözüm sunar. Avantajları arasında hızlı yanıtlar için cihaz içi işleme ve daha karmaşık hesaplamalar için cloud computing yer alır.

Desteklenen Görevler#

Edge TPU dışa aktarımı, yedi Ultralytics görevinden altısını destekler. Anlamsal segmentasyon yalnızca bu başlığı barındıran tek aile olan YOLO26 ile kullanılabilir. Derinlik kestirimi desteklenmez çünkü INT8 modeli, Edge TPU derleyicisinin ayrıştıramayacağı bir EXP v2 operatörü üretir.

Edge TPU derleyicisi, desteklediği işlemleri hızlandırıcıya haritalandırır ve geri kalanını CPU'da bırakır; bu nedenle görev desteği, her işlemin TPU üzerinde çalışacağı anlamına gelmez.

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 sürecine ilişkin 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 danış.

Kullanım#

Tüm Ultralytics YOLO26 modelleri, kutudan çıktığı gibi dışa aktarmayı destekleyecek şekilde tasarlanmıştır; bu da bunları tercih ettiğin dağıtım iş akışına entegre etmeni kolaylaştırır. Uygulaman için en iyi kurulumu seçmek üzere desteklenen dışa aktarım formatlarının ve yapılandırma seçeneklerinin tam listesini görüntüleyebilirsin.

TFLite Edge TPU formatı Export, Predict ve Validate modlarını destekler. Çıkarım ve doğrulama, Coral Edge TPU donanımı üzerinde çalışır. Modelini dışa aktar, ardından çıkarım çalıştırmak 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")

Dışa Aktarma Argümanları#

Dışa aktarım süreci hakkında daha fazla ayrıntı için Ultralytics documentation page on exporting sayfasını ziyaret edin.

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 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:

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

• Code Examples: Projelerini hızlıca başlatmak için pratik TensorFlow Edge TPU dağıtım örneklerine eriş.

• Run Inference on the Edge TPU with Python: Kurulum ve kullanım yönergeleri dahil olmak üzere Edge TPU uygulamaları için TensorFlow Lite Python API'sini nasıl kullanacağını keşfet.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini TFLite Edge TPU formatına nasıl dışa aktaracağımızı öğrendik. Yukarıda belirtilen adımları izleyerek computer vision 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 edinmek için lütfen entegrasyon kılavuzu sayfamızı ziyaret et. Orada değerli kaynaklar ve bilgiler bulacaksın.

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 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 eksiksiz ayrıntılar için dışa aktarma kılavuzumuza göz at.

YOLO26 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 güce ve hesaplama kaynaklarına sahip olduğu edge computing uygulamaları için idealdir. Neden dışa aktarmalısın 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 cihazlara 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 kılavuzumuza göz at.

TFLite 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 fazla bilgi keşfet.

TFLite 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 Ortak Sorunlar kılavuzumuza göz at. Bu kılavuz, sorunsuz bir operasyon sağlamana yardımcı olmak için yaygın problemleri ve çözümleri kapsar. Ek destek için Yardım Merkezimizi ziyaret et.