─░├žeri─če ge├ž

YOLOv8 Modelinden TFLite Edge TPU Format─▒na Aktarmay─▒ ├ľ─črenin

Bilgisayarla g├Ârme modellerini mobil veya g├Âm├╝l├╝ sistemler gibi s─▒n─▒rl─▒ hesaplama g├╝c├╝ne sahip cihazlara da─č─▒tmak zor olabilir. Daha h─▒zl─▒ performans i├žin optimize edilmi┼č bir model format─▒ kullanmak s├╝reci basitle┼čtirir. TensorFlow Lite Edge TPU veya TFLite Edge TPU model format─▒, sinir a─člar─▒ i├žin h─▒zl─▒ performans sunarken minimum g├╝├ž kullanmak ├╝zere tasarlanm─▒┼čt─▒r.

TFLite Edge TPU format─▒na d─▒┼ča aktarma ├Âzelli─či, a┼ča─č─▒dakileri optimize etmenize olanak tan─▒r Ultralytics YOLOv8 y├╝ksek h─▒zl─▒ ve d├╝┼č├╝k g├╝├žl├╝ ├ž─▒kar─▒m i├žin modeller. Bu k─▒lavuzda, modellerinizi TFLite Edge TPU format─▒na d├Ân├╝┼čt├╝rme konusunda size yol g├Âstererek modellerinizin ├že┼čitli mobil ve g├Âm├╝l├╝ cihazlarda iyi performans g├Âstermesini kolayla┼čt─▒raca─č─▒z.

Neden TFLite Edge'e Aktarmal─▒s─▒n─▒z TPU?

Modellerin TensorFlow Edge TPU adresine aktar─▒lmas─▒, makine ├Â─črenimi g├Ârevlerini h─▒zl─▒ ve verimli hale getirir. Bu teknoloji s─▒n─▒rl─▒ g├╝ce, bilgi i┼člem kaynaklar─▒na ve ba─člant─▒ya sahip uygulamalara uygundur. Edge TPU Google'─▒n bir donan─▒m h─▒zland─▒r─▒c─▒s─▒d─▒r. Edge cihazlarda TensorFlow Lite modellerini h─▒zland─▒r─▒r. A┼ča─č─▒daki resim, ilgili s├╝recin bir ├Ârne─čini g├Âstermektedir.

TFLite Edge TPU

Edge TPU nicelle┼čtirilmi┼č modellerle ├žal─▒┼č─▒r. Niceleme, ├žok fazla do─čruluk kaybetmeden modelleri daha k├╝├ž├╝k ve daha h─▒zl─▒ hale getirir. U├ž bili┼čimin s─▒n─▒rl─▒ kaynaklar─▒ i├žin idealdir, gecikmeyi azaltarak ve bulut ba─č─▒ml─▒l─▒─č─▒ olmadan yerel olarak h─▒zl─▒ veri i┼člemeye izin vererek uygulamalar─▒n h─▒zl─▒ yan─▒t vermesini sa─člar. Yerel i┼čleme ayn─▒ zamanda uzak bir sunucuya g├Ânderilmedi─či i├žin kullan─▒c─▒ verilerini gizli ve g├╝venli tutar.

TFLite Edge'in Temel ├ľzellikleri TPU

─░┼čte TFLite Edge TPU 'u geli┼čtiriciler i├žin harika bir model format─▒ se├žimi yapan temel ├Âzellikler:

  • Edge Cihazlarda Optimize Edilmi┼č Performans: TFLite Edge TPU niceleme, model optimizasyonu, donan─▒m h─▒zland─▒rma ve derleyici optimizasyonu yoluyla y├╝ksek h─▒zl─▒ sinir a─č─▒ performans─▒ elde eder. Minimalist mimarisi, daha k├╝├ž├╝k boyutuna ve maliyet verimlili─čine katk─▒da bulunur.

  • Y├╝ksek Hesaplama Verimi: TFLite Edge TPU , y├╝ksek hesaplama verimi elde etmek i├žin ├Âzel donan─▒m h─▒zland─▒rmas─▒ ve verimli ├žal─▒┼čma zaman─▒ y├╝r├╝tmesini birle┼čtirir. U├ž cihazlarda s─▒k─▒ performans gereksinimleri olan makine ├Â─črenimi modellerini da─č─▒tmak i├žin ├žok uygundur.

  • Verimli Matris Hesaplamalar─▒: TensorFlow Edge TPU , sinir a─č─▒ hesaplamalar─▒ i├žin ├žok ├Ânemli olan matris i┼člemleri i├žin optimize edilmi┼čtir. Bu verimlilik, ├Âzellikle ├žok say─▒da ve karma┼č─▒k matris ├žarp─▒m─▒ ve d├Ân├╝┼č├╝m├╝ gerektiren makine ├Â─črenimi modellerinde kilit ├Âneme sahiptir.

TFLite Edge ile Da─č─▒t─▒m Se├ženekleri TPU

Before we jump into how to export YOLOv8 models to the TFLite Edge TPU format, let's understand where TFLite Edge TPU models are usually used.

TFLite Edge TPU , makine ├Â─črenimi modelleri i├žin a┼ča─č─▒dakiler de dahil olmak ├╝zere ├že┼čitli da─č─▒t─▒m se├ženekleri sunar:

  • Cihaz ├ťzerinde Da─č─▒t─▒m: TensorFlow Edge TPU modelleri do─črudan mobil ve g├Âm├╝l├╝ cihazlara da─č─▒t─▒labilir. Cihaz ├╝zerinde da─č─▒t─▒m, modellerin do─črudan donan─▒m ├╝zerinde y├╝r├╝t├╝lmesini sa─člayarak bulut ba─člant─▒s─▒ ihtiyac─▒n─▒ ortadan kald─▒r─▒r.

  • Bulut TensorFlow TPU'lar─▒ ile Kenar Bili┼čim: U├ž cihazlar─▒n s─▒n─▒rl─▒ i┼člem kapasitesine sahip oldu─ču senaryolarda, TensorFlow Edge TPU'lar─▒ ├ž─▒kar─▒m g├Ârevlerini TPU'larla donat─▒lm─▒┼č bulut sunucular─▒na y├╝kleyebilir.

  • Hibrit Da─č─▒t─▒m: Hibrit bir yakla┼č─▒m, cihaz ├╝zerinde ve bulut da─č─▒t─▒m─▒n─▒ birle┼čtirir ve makine ├Â─črenimi modellerini da─č─▒tmak i├žin ├žok y├Ânl├╝ ve ├Âl├žeklenebilir bir ├ž├Âz├╝m sunar. Avantajlar─▒ aras─▒nda h─▒zl─▒ yan─▒tlar i├žin cihaz ├╝zerinde i┼čleme ve daha karma┼č─▒k hesaplamalar i├žin bulut bili┼čim yer al─▒r.

YOLOv8 Modellerini TFLite Edge'e Aktarma TPU

YOLOv8 modellerini TensorFlow Edge TPU modeline d├Ân├╝┼čt├╝rerek model uyumlulu─čunu ve da─č─▒t─▒m esnekli─čini art─▒rabilirsiniz.

Kurulum

Gerekli paketi y├╝klemek i├žin ├žal─▒┼čt─▒r─▒n:

Kurulum

# Install the required package for YOLOv8
pip install ultralytics

Kurulum s├╝reciyle ilgili ayr─▒nt─▒l─▒ talimatlar ve en iyi uygulamalar i├žin Ultralytics Kurulum k─▒lavuzumuza g├Âz at─▒n. YOLOv8 i├žin gerekli paketleri y├╝klerken herhangi bir zorlukla kar┼č─▒la┼č─▒rsan─▒z, ├ž├Âz├╝mler ve ipu├žlar─▒ i├žin Ortak Sorunlar k─▒lavuz umuza ba┼čvurun.

Kullan─▒m

Kullan─▒m talimatlar─▒na ge├žmeden ├Ânce, t├╝m Ultralytics YOLOv8 modellerinin d─▒┼ča aktar─▒labildi─čini, ancak se├žti─činiz modelin d─▒┼ča aktarma i┼člevini destekledi─činden burada emin olabilece─činizi belirtmek ├Ânemlidir.

Kullan─▒m

from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO("yolov8n.pt")

# Export the model to TFLite Edge TPU format
model.export(format="edgetpu")  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Load the exported TFLite Edge TPU model
edgetpu_model = YOLO("yolov8n_full_integer_quant_edgetpu.tflite")

# Run inference
results = edgetpu_model("https://ultralytics.com/images/bus.jpg")
# Export a YOLOv8n PyTorch model to TFLite Edge TPU format
yolo export model=yolov8n.pt format=edgetpu  # creates 'yolov8n_full_integer_quant_edgetpu.tflite'

# Run inference with the exported model
yolo predict model=yolov8n_full_integer_quant_edgetpu.tflite source='https://ultralytics.com/images/bus.jpg'

Desteklenen d─▒┼ča aktarma se├ženekleri hakk─▒nda daha fazla bilgi i├žin da─č─▒t─▒m se├ženekleriyle ilgiliUltralytics belge sayfas─▒n─▒ ziyaret edin.

D─▒┼ča Aktar─▒lan YOLOv8 TFLite Edge TPU Modellerini Da─č─▒tma

Ultralytics YOLOv8 modellerinizi TFLite Edge TPU format─▒na ba┼čar─▒yla aktard─▒ktan sonra art─▒k bunlar─▒ da─č─▒tabilirsiniz. Bir TFLite Edge TPU modelini ├žal─▒┼čt─▒rmak i├žin birincil ve ├Ânerilen ilk ad─▒m, ├Ânceki kullan─▒m kodu par├žac─▒─č─▒nda belirtildi─či gibi YOLO("model_edgetpu.tflite") y├Ântemini kullanmakt─▒r.

Ancak, TFLite Edge TPU modellerinizin da─č─▒t─▒m─▒na ili┼čkin ayr─▒nt─▒l─▒ talimatlar i├žin a┼ča─č─▒daki kaynaklara g├Âz at─▒n:

├ľzet

In this guide, we've learned how to export Ultralytics YOLOv8 models to TFLite Edge TPU format. By following the steps mentioned above, you can increase the speed and power of your computer vision applications.

Kullan─▒m hakk─▒nda daha fazla bilgi i├žin Edge TPU resmi web sitesini ziyaret edin.

Ayr─▒ca, di─čer Ultralytics YOLOv8 entegrasyonlar─▒ hakk─▒nda daha fazla bilgi i├žin l├╝tfen entegrasyon k─▒lavuzu sayfam─▒z─▒ ziyaret edin. Orada de─čerli kaynaklar ve i├žg├Âr├╝ler ke┼čfedeceksiniz.



Created 2024-03-13, Updated 2024-06-10
Authors: glenn-jocher (4), Burhan-Q (1), abirami-vina (1)

Yorumlar